Prognozowanie i Symulacje - Wyklady - Jankiewicz-Siwek - 2003 (25), ● STUDIA EKONOMICZNO-MENEDŻERSKIE (SGH i UW), prognozowanie i symulacje


Prognozowanie i symulacje

dr A. Jankiewicz-Siwek

2003-02-20

Literatura:

„Prognozowanie gospodarcze - metody i zastosowania” pod red. M. Cieślak

„Teoria prognozy” Aleksander Zeliaś (prognoza na podstawie modelu ekonometrycznego)

„Prognozowanie gospodarcze” pod red. E. Nowaka

Prognozowanie to racjonalne, naukowe przewidywanie przyszłych zdarzeń.

Według prof. Czerwińskiego jest to sąd o zajściu określonego zdarzenia w czasie określonym z dokładnością do momentu lub okresu czasu należącego do przyszłości.

Według prof. Helwiga prognozowanie statystyczne jest to każdy sąd, którego prawdziwość jest zdarzeniem losowym przy czym prawdopodobieństwo tego zdarzenia jest znane i wystarczająco duże dla celów statystycznych (praktycznych).

Według prof. Cieślaka to sąd, który ma następujące własności:

Założenia prognozowania (warunki klasyczne), które są dosyć sztywne:

    1. znajomość modelu zmiennej prognozowanej:

      • znajomość jego postaci analitycznej;

      • znajomość ocen występujących w nim parametrów;

      • znajomość ocen struktury stochastycznej modelu;

  1. stabilność prawidłowości ekonomicznych w czasie - parametry dotyczące przeszłości i przyszłości powinny być takie same;

  2. stabilność rozkładu składnika losowego modelu;

  3. znane są wartości zmiennych objaśniających modelu w okresie prognozowanym;

  4. dopuszczalna jest ekstrapolacja modelu poza zaobserwowany w próbie obszar zmienności zmiennych objaśniających.

Zmiany w prognozie polegają obecnie na zastąpieniu stabilności modelu prawie stabilnością. Przez prawie stabilność należy rozumieć sytuację, gdy parametry modelu ulegają zmianie, ale zmiany te są regularne oraz stosunkowo powolne.

Metody adaptacyjne - do ich stosowania nie trzeba stawiać żadnych założeń.

Podstawowe postulaty teorii predykcji:

Funkcje prognoz:

Klasyfikacja prognoz:

  1. ze względu na horyzont czasowy (podział względny):

    1. krótkoterminowe - uważa się prognozę na taki przedział czasu, w którym zachodzą tylko zmiany ilościowe. Zwykle nie przekracza 1 roku;

    2. średnioterminowe - dotyczą od 2 do 5 lat. Jest to okres czasu, w którym oczekuje się nie tylko zmian ilościowych, ale śladowych zmian jakościowych. Zmiany jakościowe polegają na zmianie istotnych cech zjawiska. Znajdują wyraz w odejściu od dotychczasowej prawidłowości, np. zmiana postaci trendu;

    3. długoterminowe - obejmują ponad 5 lat, czyli dotyczą takiego przedziału czasu, w którym mogą wystąpić zarówno zmiany ilościowe, jak i poważne zmiany jakościowe;

    4. perspektywiczne - horyzont czasowy od 10 do 20 lat.

  2. ze względu na cel:

    1. ostrzegawcze - zadaniem jest przewidywanie zdarzeń niekorzystnych dla odbiorców prognozy;

    2. badawcze - mają na celu wszechstronne rozpoznanie przyszłości i ukazanie wielu możliwych ich wersji;

    3. normatywne - podstawowym zadaniem jest ułatwienie wyboru potrzeb i przyszłych celów wraz z określeniem zadań i środków;

  3. ze względu na funkcje:

    1. operacyjne - są wykorzystywane jako narzędzie planowania operatywnego oraz bieżącej polityki gospodarczej. Obejmują stosunkowo krótkie okresy czasu, z reguły nie przekraczające 1 roku;

    2. strategiczne - pełnią rolę narzędzi planowania długookresowego i perspektywicznego. Mają za zadanie stworzyć podstawy do podejmowania długofalowych decyzji gospodarczych;

  4. ze względu na charakter prognozowanych zjawisk:

    1. ilościowe - gdy stan zmiennej prognozowanej podany jest jedną liczbą, np. prognozowanie stóp procentowych. Dzielą się na:

      • punktowe, które są liczbą uznaną za najlepszą ocenę zmiennej prognozowanej;

      • przedziałowe, czyli przedział liczbowy, który z góry zadanym prawdopodobieństwem nazywanym wiarygodnością prognozy zawiera nieznaną wartość zmiennej prognozowanej w okresie prognozowanym;

  5. jakościowe - dotyczą zjawisk typu jakościowego, np. prognozowanie kandydatów na prezydenta;

  • ze względu na szczegółowość danych:

    1. ogólne;

    2. szczegółowe;

  • ze względu na zasięg terytorialny:

    1. światowe;

    2. międzynarodowe;

    3. krajowe;

    4. regionalne;

    5. lokalne;

  • ze względu na zakres ujęcia:

    1. całościowe i częściowe;

    2. globalne i odcinkowe;

    3. kompleksowe i fragmentaryczne.

    Zasady prognozowania (punktem wyjścia do tych zasad jest nasz stosunek do ważności informacji):

    1. zasada status quo - oznacza, że prawidłowości zaobserwowane w przeszłości będą aktualne w przyszłości. Wszystkie informacje są jednakowo ważne i wszystkie są wykorzystywane w prognozowaniu;

    2. zasada postarzania informacji - w miarę upływu czasu zmieniają się prawidłowości ekonomiczne. Dane starsze mają mniejsze znaczenie niż dane nowsze. Dlatego danym z różnych okresów przypisuje się różne rangi.

    2003-02-27

    Dane statystyczne wykorzystywane w prognozowaniu:

    1. wewnętrzne - gromadzone są w obiekcie prognozowanym na potrzeby zarządzania tym obiektem lub specjalnie na potrzeby prognozowania;

    2. zewnętrzne - zakres ich nie zależy od obiektu, dla którego sporządza się prognozę.

    Inny podział danych:

    1. statystyczne - prezentujące stan zjawisk i procesów w jednym momencie, w jednorodnych jednostkach czasu;

    2. dynamiczne - prezentujące dynamikę zjawisk i procesów opracowane w formie szeregów czasowych;

    3. przekrojowo-czasowe.

    Horyzont prognozy - to przedział, w którym można sporządzać dopuszczalne prognozy badanego zjawiska.

    Długość horyzontu prognozy zależy od:

    Reguła prognozowania to sposób przejścia od danych przetworzonych do prognozy. Wyróżniamy cztery reguły prognozowania:

    1. reguła podstawowa - prognozą jest stan zmiennej prognozowanej w okresie T lub momencie otrzymany z modelu tej zmiennej przy przyjęciu założenia, że model ten będzie aktualny w chwili, na którą określa się prognozę. Może być stosowana, gdy prognosta jest przekonany, że model z przeszłości będzie aktualny również w przyszłości. Jest użyteczna, gdy prognozuje się zjawiska z powolnymi zmianami ilościowymi:

    YT* = E(YT) T>n

    gdzie:

    YT* - prognoza zmiennej Y w momencie lub okresie T;

    E(YT) - nadzieja matematyczna (wartość oczekiwana) zmiennej Y w momencie lub okresie T;

    1. reguła podstawowa z poprawką - jest modyfikacją reguły podstawowej. Korzysta się z niej wówczas, gdy występuje uzasadnione przypuszczenie, że ostatnio zaobserwowane odchylenie wartości empirycznych od teoretycznych utrzymały się w przyszłości:

    YT* = E(YT) + p T>n

    p = yn -0x01 graphic
    - gdy zmiany dotyczą jednej chwili

    p = 0x01 graphic
    0x01 graphic
    - gdy zmiany dotyczą kilku chwil

    gdzie:

    p - poprawka

    1. reguła największego prawdopodobieństwa - prognozą jest tu wartość modalna rozkładu, co oznacza, że prognozą jest stan zmiennej, któremu odpowiada największe prawdopodobieństwo lub maksymalna wartość funkcji gęstości rozkładu:

    YT* = Mo(YT)

    gdzie:

    Mo - modalna

    1. reguła minimalnej straty - to stan zmiennej, którego realizacja powoduje minimalne straty. Przyjmuje się, że wielkość straty jest funkcją błędu prognozy i poszukuje się minimum tej funkcji. Stosuje się ją w bardzo nielicznych przypadkach.

    Metody prognozowania to sposób, który służy do rozwiązania zadań prognostycznych. Ze względu na rodzaj sporządzanej prognozy, jej cel, charakter przewidywanego zjawiska znajdują zastosowanie różne metody prognostyczne, które ogólnie dzielimy na:

    1. metody matematyczno-statystyczne - wśród których wyróżniamy metody:

      1. oparte na modelach deterministycznych;

      2. oparte na modelach ekonometrycznych, które dzielimy na:

        • jednorównaniowe modele ekonometryczne (klasyczna metoda trendu; adaptacyjne metody trendu; modele przyczynowo-skutkowe; modele autoregresyjne)

        • wielorównaniowe modele ekonometryczne (modele proste; modele rekurencyjne; modele o równaniach współzależnych);

    Wśród metod matematyczno-statystycznych główną rolę odgrywają metody oparte na modelach ekonometrycznych, które są statystycznym wyrazem praw ekonomii. Zmienne modelu i jego postać analityczną dobiera się według wskazań ekonomii, a parametry szacowane są na podstawie próby charakteryzującej wybrany fragment rzeczywistości.

    1. metody niematematyczne (heurystyczne) - wśród których znajdują się metody: ankietowe; intuicyjne; ekspertyz; kolejnych przybliżeń; delficka; analogowa; modelowa; refleksji; inne. Heurystyczne metody prognozowania polegają na wykorzystaniu opinii ekspertów opartej na wiedzy, doświadczeniu, a często intuicji. Przewidywanie przyszłości nie jest ekstrapolowaniem wykrytych w przeszłości prawidłowości lecz prognozowaniem możliwych wariantów rozwoju interesujących nas zjawisk i wskazywaniem najbardziej prawdopodobnych czyli realistycznych. Wykorzystywane są do długookresowego prognozowania, np. nowych technologii czy odkryć naukowych.

    Wybór metody prognozowania jest wspomagany przez ocenę jakości modelu, tj. ocenę jego zgodności z danymi empirycznymi oraz oceną wartości prognostycznej modelu. Jakość modelu można ocenić za pomocą mierników:

    1. wariancji składnika resztowego: De2 min;

    2. średnich błędu szacunku parametrów strukturalnych: S(ai) = Se(XTX)-1;0x01 graphic
      ; (50% szacowanego parametru);

    3. współczynnika zbieżności i determinacji: ϕ2 i R2 ;0x01 graphic
      ; gdzie 0x01 graphic
      to skorygowany współczynnik determinacji. ϕ2 i R2→1;

    4. współczynnika zmienności resztowej: We.

    H0: αi = 0

    H1: αi > 0 (!!!) Nie pisać αi ≠ 0

    αi < 0

    Badanie relatywnego wpływu zmiennych objaśniających na zmienną objaśnianą. Do oceny relatywnego znaczenia zmiennej objaśniającej xi kształtowaniu się zmian zmiennej y wyznacza się współczynnik ważności:

    0x01 graphic
    (i=1,2, …, k)

    gdzie:

    0x01 graphic
    - średnia arytmetyczna zmiennej objaśniającej xi

    0x01 graphic
    - średnia arytmetyczna zmiennej objaśnianej y

    ai - wartość oceny parametru strukturalnego αi

    Im większe bi, tym relatywnie większy wpływ zmiennej objaśniającej na zmienną objaśnianą modelu.

    2003-03-20

    BŁĘDY PROGNOZ EX POST I EX ANTE

    Wartość prognostyczną modelu określa się przez badanie jakości prognoz ex post i ex ante.

    Mierniki prognoz ex post służą do oceny trafności prognoz. Podstawową miarą błędu prognoz ex post jest bezwzględny błąd prognozy (DT):

    DT = yt - yT* T>n

    gdzie:

    yt - realizacja zmiennej y w okresie t;

    yT* - prognoza zmiany y na czas T otrzymana z danej metody.

    Miernik ten informuje, o jaką wartość różni się rzeczywista wartość zmiennej prognozowanej od postawionej prognozy. Znak „+” oznacza, że rzeczywista wartość jest większa od prognozy. Znak „-„ oznacza, że rzeczywista wartość jest niższa od prognozy.

    Względny błąd prognozy ex post (VT):

    0x01 graphic

    Informuje o ile procent rzeczywista wartość zmiennej prognozowanej odchyla się od postawionej prognozy.

    W przypadku, gdy stawiamy ciąg prognoz 0x01 graphic
    dla okresu t = n+1, ..., T to oblicza się średni bezwzględny błąd prognoz (0x01 graphic
    ):

    0x01 graphic

    Średni względny błąd prognozy ex post (0x01 graphic
    ):

    0x01 graphic

    Informuje, jaki procent rzeczywistej wartości zmiennej y stanowiło przeciętnie bezwzględne odchylenie prognoz od danych rzeczywistych.

    Wada miernika VT i śrV - nie spełniają warunków symetrii, tzn. wyżej oceniają przeszacowanie prognoz niż ich niedoszacowanie.

    Odchylenie standardowe błędów prognoz ex post (s):

    0x01 graphic

    Wartość s informuje, o ile średnio odchylają się zaobserwowane wartości zmiennej prognozowanej od postawionych prognoz.

    Relatywną ocenę dokładności prognoz mierzy względny średni błąd prognozy (V):

    0x01 graphic

    Powyższe wzory nie spełniają warunku unormowania i symetrii. Warunek unormowania, jak i symetrii spełnia dostosowany średni błąd ex post w przedziale weryfikacji (Ds):

    0x01 graphic

    Ds ∈ <0%, 200%>

    Gdy w szeregu występują obserwacje nietypowe (szczególnie niskie lub szczególnie wysokie wartości niektórych błędów), a także gdy wartości zmiennej prognozowanej są bliskie 0, należy stosować błędy medianowe.

    Procedura:

    1. porządkujemy rosnąco błędy (bezwzględne błędy prognozy lub względne błędy prognozy typu ex post);

    2. gdy (T - n) jest liczbą nieparzystą, to błąd mediany oznaczony jest numerem 0x01 graphic
      ;

    3. gdy (T - n) jest liczbą parzystą, to błąd mediany jest średnią arytmetyczną o numerach: 0x01 graphic
      i 0x01 graphic
      .

    Współczynnik Janusowy:

    0x01 graphic

    Miernik ten określa relację stopnia dopasowania prognoz i modelu do danych rzeczywistych. Jeżeli J2≤1, to uważa się, że dotychczasowe prognozy są trafne i model może być wykorzystany do prognozowania. Jest to model pożądany.

    Współczynnik Theila:

    0x01 graphic

    Iep - okres empiryczny weryfikacji prognoz. Jest to przedział, w którym prognoza jest sprawdzana.

    I2 informuje, jaki jest przeciętny względny błąd prognozy dla rozpatrywanych okresów. Przyjmuje wartość 0, gdy prognozy są idealnie trafne. Im większe są różnice między prognostycznymi i rzeczywistymi wartościami badanej zmiennej, tym większa jest jego wartość.

    Na przyczyny nietrafności prognoz wskazują trzy zmiany, które powstają po rozbiciu współczynnika Theila na części składowe:

    I2 = I12 + I22 + I32

    0x01 graphic
    0x01 graphic
    0x01 graphic

    0x01 graphic
    0x01 graphic

    0x01 graphic
    0x01 graphic

    0x01 graphic

    gdzie:

    0x01 graphic
    - średnia arytmetyczna rzeczywistych wartości zmiennej prognozowanej w przedziale weryfikacji;

    0x01 graphic
    - średnia wartość prognoz w przedziale weryfikacji;

    sr - odchylenie standardowe rzeczywistych wartości yt w przedziale weryfikacji;

    sp - odchylenie standardowe postawionych prognoz w przedziale weryfikacji;

    r - współczynnik korelacji pomiędzy yt i 0x01 graphic
    ;

    0x01 graphic
    - wielkość błędów popełnianych z tytułu:

    0x01 graphic
    - obciążoności prognozy (nieodgadnięcia średniej wartości zmiennej prognozowanej);

    0x01 graphic
    - niedostatecznej elastyczności (nieodgadnięcia wahań zmiennej prognozowanej);

    0x01 graphic
    - niedostatecznej zgodności prognoz z rzeczywistym kierunkiem zmian zmiennej prognozowanej (nieodgadnięcia kierunku tendencji rozwojowej).

    Powyższe mierniki wyrażone są w postaci względnej.

    0x01 graphic
    0x01 graphic
    0x01 graphic

    Główną przyczyną powstawania błędów predykcji są błędy wynikające z niezgodności kierunku zmian prognoz ze zmianami realizacji zmiennej prognozowanej.

    Rozmiary tych błędów są uzasadnione tym, że stosowane metody prognozowania nie uwzględniają w sposób bezpośredni możliwość zmian dotychczasowego kierunku zmiennej prognozowanej (punktów zwrotnych realizacji zmiennej).

    Punkt zwrotny to moment lub okres, w którym następuje załamanie dotychczasowego monotonicznego wzrostu bądź spadku wartości zmiennej prognozowanej w czasie.

    Efektywność metod prognozowania zależy od liczby punktów zwrotnych. Maleje w miarę ich wzrostu.

    Weryfikacja ex post jest sposobem doskonalenia metodologii prognoz. Systematyczna analiza trafności prognozowania umożliwia ocenę:

    1. stopnia niepewności prognozowania poszczególnych zmiennych;

    2. osiąganego horyzontu prognozy;

    3. źródeł niedoskonałości prognoz;

    4. sformułowania rekomendacji, co do dalszego wykorzystania danej metody prognozowania;

    5. wyboru tej metody, które dla danej zmiennej daje najmniejsze błędy typu ex post.

    Błąd ex ante jest określany przed upływem czasu, na który prognoza została ustalona. Szacowany jest w tym samym czasie, w którym wyznacza się prognozę. Mierniki dokładności prognoz typu ex ante służą do oceny oczekiwanych wielkości odchyleń rzeczywistych wartości zmiennej prognozowanej od postawionych prognoz. Mierniki wykorzystywane są do określenia dopuszczalności prognozy.

    Prognoza jest dopuszczalna, gdy obarczona jest przez jej odbiorcę stopniem zaufania wystarczającym do tego, by mogła być wykorzystana w praktyce.

    Rząd dokładności wnioskowania w przyszłość jest w praktyce tym lepszy, im niższy jest średni błąd predykcji.

    Kryterium dopuszczalności prognozy formułuje się w postaci warunku nałożonego na względny błąd predykcji:

    V σ

    gdzie:

    σ - liczba dana z góry, zależna od konkretnych warunków i praktycznych potrzeb w zakresie wymaganej dokładności prognoz.

    W praktyce prognozy będą dopuszczalne, gdy:

    V 5% - ostre kryterium

    lub przy łagodniejszym kryterium:

    V 10%

    W przypadku prognoz przedziałowych kryterium dopuszczalności prognoz zapisujemy:

    P{|yt - 0x01 graphic
    | < ε} = γ

    ε, γ - dobrane z góry liczby, gdzie ε > 0, 0 < γ < 1

    W praktyce ε ustala się na możliwie niskim poziomie, natomiast γ na możliwie wysokim poziomie.

    2003-03-27

    PROGNOZOWANIE NA PODSTAWIE MODELU TENDENCJI ROZWOJOWEJ

    Model tendencji rozwojowej to ekonometryczny model jednorównaniowy, którego jedyną zmienną objaśniającą jest zmienna czasowa t. Modele te są przydatne do prognoz krótko- i średnioterminowych. Tendencja rozwojowa w długim okresie czasu nie jest nigdy stała.

    Praktyczne wykorzystanie modeli tendencji rozwojowej posiada wiele zalet:

    Ogólnie model tendencji rozwojowej można zapisać:

    1. Y = f(t) + ε t = 1, 2, ..., n - model addytywny

    lub

    1. Y = f(t)* ε - model multiplikatywny

    gdzie:

    f(t) - funkcja trendu;

    ε - zmienna losowa, która reprezentuje oddziaływanie wahań przypadkowych na tendencję rozwojową o wartości oczekiwanej równej 0 dla 1) i wartości oczekiwanej równej 1 dla 2)

    Analityczną postać funkcji można dobrać przez:

    1. analizę graficzną (rozrzut punktów empirycznych odpowiadających realizacjom zmiennych yt w kolejnych okresach czasu);

    2. analizę przyrostów zmiennej prognozowanej:

    0x01 graphic

    PREDYKCJA NA PODSTAWIE TRENDU LINOWEGO

    0x01 graphic

    0x01 graphic

    Jeżeli 0x01 graphic
    , to:

    0x01 graphic

    0x01 graphic

    0x01 graphic

    Gdy 0x01 graphic
    , to:

    0x01 graphic
    0x01 graphic

    0x01 graphic

    T - macierz zmiennej objaśniającej:

    0x01 graphic

    Jakość modelu przeszłości nie jest równoznaczna z jego wartością prognostyczną, a do celu prognozowania wybieramy model dobry w sensie wybranych mierników jakości. Żeby wykorzystać model do budowy prognoz należy założyć:

    Przyszłą wartość zmiennej prognozowanej otrzymuje się przez ekstrapolację trendu, tj. podstawianie do modelu w miejsce zmiennej czasowej numeru okresu prognozowania T.

    0x01 graphic

    0x01 graphic

    0x01 graphic

    Prognoza przedziałowa:

    dla próby małej: n ≤ 120:

    0x01 graphic

    dla próby dużej: n > 120:

    0x01 graphic

    Dla prognozy przedziałowej obliczamy względny błąd predykcji (VPT'):

    0x01 graphic

    0x01 graphic
    - dla próby małej

    0x01 graphic
    - dla próby dużej

    EKSTRAPOLACJA NA PODSTAWIE TRENDU

    UWZGLĘDNIAJĄCEGO WAHANIA SEZONOWE

    Poza tendencją rozwojową na zmienność zjawisk w czasie wpływ mają wahania typu okresowego przyjmujące formę wahań sezonowych. Wahania sezonowe wyznaczane są z szeregów czasowych przez porównanie wartości empirycznych z wartościami teoretycznymi.

    W zależności od sposobu tego porównania wyróżniamy wahania:

    1. addytywne (bezwzględne, absolutne) - występują, gdy różnice między rzeczywistymi (empirycznymi) wartościami szeregu czasowego a teoretycznymi są względnie stałe:

    1. multiplikatywne (względne, relatywne) - występują, gdy iloraz wartości empirycznych i teoretycznych jest względnie stały:

    Model przebiegu zjawisk w czasie może mieć postać:

      1. addytywną:

    0x01 graphic
    t = 1, 2, ..., n

      1. multiplikatywną:

    0x01 graphic
    t = 1, 2, ..., d

    gdzie:

    YT - poziom empiryczny badanego zjawiska;

    0x01 graphic
    - trend zmiennej y

    Git, Oit - wahania okresowe;

    0x01 graphic
    - składnik losowy (wahania przypadkowe)

    d - liczba cykli podokresowości

    Na podstawie próby wyznaczamy aproksymanty funkcji addytywnej (a) i multiplikatywnej (b):

    a) 0x01 graphic

    b) 0x01 graphic

    Jeżeli wahania sezonowe mają charakter addytywny, to wyodrębniany jest z modelu przez odejmowanie wartości szeregu empirycznego od wartości szeregu teoretycznego.

    0x01 graphic

    gdzie:

    ni - długość empirycznego szeregu czasowego w i-tym cyklu okresowości. W każdym cyklu okresowości długość empirycznego szeregu czasowego jest jednakowa i wynosi dokładnie ni.

    0x01 graphic

    Eksymatory sezonowości git i oit są oczyszczone, jeżeli zachodzą równości:

    1)0x01 graphic
    2)0x01 graphic

    Dla celów prognozowania wykorzystujemy jedynie mierniki oczyszczone. Gdy nie są spełnione powyższe warunki (1 i 2), to mierniki są surowe i należy je skorygować miernikami korygującymi k:

    1)0x01 graphic
    2)0x01 graphic

    Oczyszczone mierniki sezonowości:

    1)0x01 graphic
    2)0x01 graphic

    Pomiędzy addytywną i multiplikatywną sezonowością zachodzą powiązania, które można wyznaczyć, gdy model nie ma wyraźnej tendencji rozwojowej.

    0x01 graphic

    oit - to miernik oczyszczony

    0x01 graphic

    Wyznaczanie reszt:

    1. dla modelu addytywnego:

    0x01 graphic
    0x01 graphic

    1. dla modelu multiplikatywnego:

    0x01 graphic
    0x01 graphic

    Wariancja składników resztowych:

    1. dla modelu addytywnego:

    0x01 graphic

    1. dla modelu multiplikatywnego:

    0x01 graphic

    Przedstawiona koncepcja wahań sezonowych może być wykorzystana do prognozowania, gdy:

    1. w okresie prognozy T nie ulega zmianie tendencja rozwojowa;

    2. w okresie prognozy nie ulegają zasadniczej zmianie wahania sezonowe zarówno co do kierunku, jak i siły;

    3. w okresie prognozy nie ulęgają zasadniczej zmianie mechanizmy przyczynowe, które określają kształt empirycznego rozkładu reszty.

    Prognozy na podstawie trendu z uwzględnieniem wahań sezonowych zapisujemy:

    1. dla modelu addytywnego:

    0x01 graphic

    1. dla modelu multiplikatywnego:

    0x01 graphic

    2003-04-03

    PROGNOZOWANIE NA PODSTAWIE JEDNORÓWNANIOWEGO

    MODELU EKONOMETRYCZNEGO

    Modele jednorównaniowe służą jako narzędzie prognozowania zjawisk o niskim stopniu złożoności. Mogą być wykorzystane do prognoz krótko- i średnioterminowych. Do średniookresowych prognoz wykorzystuje się modele struktury produkcji, konsumpcji, kosztów i wydajności pracy.

    Zalety prognozowania opartego o model ekonometryczny to:

    Założenia teorii prognozy ekonometrycznej:

    1. znany jest dobry model w sensie kryteriów (Se2, S(ai), ϕ2, R2, We);

    2. występuje stabilność postaci analitycznej modelu oraz stabilność relacji strukturalnych w czasie;

    3. składnik losowy ma stały rozkład w czasie;

    4. znane są wartości zmiennych objaśniających xi w okresie prognozowanym. Zmienne te ustala się w oparciu o:

      1. funkcje trendów lub modeli ekonometrycznych zbudowanych dla tych zmiennych;

      2. wartości ustalone w planach;

      3. inne opracowania prognostyczne;

    5. można ekstrapolować model poza jego dziedzinę.

    Jeżeli w odniesieniu do badanej zmiennej i oddziałujących na nią czynników założenia te są spełnione, to można wykorzystać model ekonometryczny do prognozowania.

    Weryfikacja stabilności modelu ekonometrycznego:

    1. Badanie stabilności postaci analitycznej modelu - test Ramzey'a. Etapy postępowania:

      1. szacujemy parametry modelu ekonometrycznego:

    0x01 graphic
    t = 1, 2, ..., n

      1. po oszacowaniu modelu obliczamy wartości teoretyczne 0x01 graphic
        oraz współczynnik determinacji 0x01 graphic
        ;

      2. szacujemy parametry następującego modelu:

    0x01 graphic

    Sprawdzamy, czy w szacowanym modelu nie pominięto żadnych zmiennych będących drugimi i trzecimi potęgami zmiennych objaśniających;

      1. obliczamy współczynnik determinacji z czterema zmiennymi objaśniającymi0x01 graphic
        ;

      2. badamy istotność przyrostu wartości współczynnika determinacji modelu z punktu c). Obliczamy wartość statystyki F:

    0x01 graphic

    gdzie:

    r1 - liczba nowych zmiennych objaśniających modelu z punktu c);

    r2 - liczba obserwacji minus liczba parametrów modelu;

      1. dla wybranego poziomu istotności α weryfikujemy H0:

    H0: wybór postaci analitycznej modelu jest prawidłowy

    H1: wybór postaci analitycznej modelu jest nieprawidłowy

    Statystyka F to test Fishera-Snedecora z liczbą stopni swobody r1 i r2. Dla danego poziomu istotności porównujemy F obliczeniowe z F z tablicy Fishera-Snedecora i wówczas:

    1. Badanie stabilności parametrów modelu - test Chowa. Etapy postępowania:

      1. szacujemy wektor parametrów modelu:

    0x01 graphic
    t = 1, 2, 3, ..., n

    Dla tego modelu wyznaczamy sumę kwadratów reszt (RSK):

    0x01 graphic

      1. dzielimy okres obserwacji t = 1, 2, 3, ..., n na dwa okresy:

          • t = 1, 2, ..., n1

          • t = n1 + 1, n1 + 2, ..., n

    Podział ten może być subiektywny albo może wynikać z analizy zjawiska bądź procesu opisywanego przez model. Można również użyć kryteriów z testu Harrisona-McKeywa:

    0x01 graphic

    0x01 graphic

      1. szacujemy składowe wektorów równań:

    I) 0x01 graphic
    t = 1, 2, n1

    II) 0x01 graphic
    t = n1 + 1, n1 + 2, ..., n

      1. obliczamy sumy kwadratów reszt modelu I i II (RSK I i RSK II):

      2. obliczamy dodatkowo reszty trzecie (RSK III):

    RSK III = RSK I + RSK II

    oraz wyznaczamy reszty czwarte (RSK IV):

    RSK IV = RSK - RSK III

      1. wyznaczamy wartości statystyki F:

    0x01 graphic

      1. obieramy poziom istotności α i weryfikujemy H0

    H0: parametry modelu są stabilne

    H1: parametry modelu nie są stabilne

    Statystyka F ma rozkład Fishera-Snedecora z r1=k+1 i r2=n-2(k+1) stopnia swobody. Porównujemy statystykę F obliczeniowe z F z tablic Fishera-Snedecora i wówczas:

    Powyższe założenia uzupełniane są dwoma postulatami teorii predykcji:

    1. dla każdej prognozy ekonometrycznej powinna być obliczona wartość miernika określającego stopień dokładności predykcji;

    2. prognozę należy budować w ten sposób, żeby miernik określający stopień dokładności predykcji był jak najmniejszy.

    Na podstawie jednorównaniowego modelu ekonometrycznego buduje się prognozy punktowe i przedziałowe.

    Prognoza punktowa:

    0x01 graphic

    gdzie:

    0x01 graphic
    - zmienne objaśniające z przyszłości

    Efektywność prognozy obliczana jest za pomocą średniego błędu prognozy ex ante:

    0x01 graphic

    0x01 graphic

    gdzie:

    0x01 graphic
    - transponowany wektor zmiennych objaśniających z przyszłości

    0x01 graphic

    Średni błąd prognozy:

    0x01 graphic

    Prognoza przedziałowa:

      1. dla n > 30

    0x01 graphic

      1. dla n ≤ 30

    0x01 graphic

    Błędy prognoz:

      1. dla n > 30

    0x01 graphic

      1. dla n ≤ 30

    0x01 graphic

    Średni błąd szacunku:

      1. dla n > 30

    0x01 graphic

      1. dla n ≤ 30

    0x01 graphic

    W sytuacji, gdy dysponujemy kilkoma modelami ekonometrycznymi opisującymi tą samą zmienną objaśnianą i jakościowo dobrymi - w wyborze jednego z nich przydatne są mierniki:

    0x01 graphic

    0x01 graphic

    Wybór modelu następuje na podstawie minimalnej wielkości S.C. lub FPE

    SYMULACJA NA PODSTAWIE MODELU EKONOMETRYCZNEGO

    Symulacja to każdy proces, którego celem jest zbadanie zachowania pewnego sztucznego układu lub poznanie określonych jego charakterystyk. Poznany obiekt, zjawisko bądź zdarzenie nazywamy systemem przedmiotowym, zaś układ sztuczny nazywamy modelem.

    Podstawową rolę w metodzie symulacyjnej odgrywa model badanego systemu realnego. Posługiwanie się modelem, a nie systemem wynika z przyczyn:

    Model musi wiernie odwzorowywać naśladowany przez siebie system przedmiotowy. Jakość wyników badania prowadzonego metodą symulacji zależy od dokładności, z jaką przyjęty model odzwierciedla system przedmiotowy.

    Symulacja na podstawie modelu ekonometrycznego ma dać odpowiedź na pytania:

    Zatem symulacja na podstawie modelu ekonometrycznego może dotyczyć:

    Rodzaje symulacji:

    1. deterministyczna - występuje, gdy oszacowane parametry modelu nie zmieniają się w czasie eksperymentu;

    2. stochastyczna - gdy zakłócenia wprowadzone do modelu przyjmują wartości losowe.

    Inny podział:

    1. prosta - mamy z nią do czynienia, gdy zmienione są wartości tylko jednej zmiennej objaśniającej;

    2. złożona - gdy jednocześnie zmieniane są wartości kilku zmiennych objaśniających.

    W wyniku symulacji uzyskujemy różne warianty obiektu opisywanego przez model. Jeżeli symulacja dotyczy przyszłego zachowania obiektu, to te uzyskane warianty, których prawdopodobieństwo jest wystarczające dla celów praktycznych, mogą być traktowane jako prognoza.

    2003-04-24

    WYBRANE METODY PROGNOZOWANIA NA PODSTAWIE

    SZEREGÓW CZASOWYCH

    W szczególnym przypadku, gdy w szeregu występuje stały poziom zjawiska i wahania przypadkowe do prognozowania wykorzystuje się:

    1. metody naiwne - oparte są na założeniu, że w przyszłości nie nastąpią zmiany w sposobie oddziaływania czynników, które mają wpływ na zmienną prognozowaną. Można je stosować, gdy w szeregu statystycznym występuje składowa systematyczna w postaci stałego przeciętnego poziomu oraz niewielkie wahania przypadkowe. Do oceny siły wahań przypadkowych należy zastosować współczynnik zmienności:

    0x01 graphic

    V powinno być stosunkowo niskie. Najbardziej popularną metodą jest ta, według której prognoza:

    0x01 graphic

    gdzie:

    0x01 graphic
    - prognoza zmiennej Y wyznaczona na moment T;

    0x01 graphic
    - wartość zmiennej prognozowanej w okresie (t - 1).

    Do oceny trafności prognozy można wykorzystać względny błąd prognoz ex post:

    0x01 graphic

    Jeżeli błąd ten nie przekroczy zakładanego procentu, np. 5% to prognozę uznaje się za trafną;

    1. metody średniej ruchomej - służą do wygładzania szeregu statystycznego, a także są wykorzystywane do prognozowania. Wśród tych modeli wyróżniamy:

      1. model średniej ruchomej prostej - w modelu tym przyjmuje się za prognozę średnią arytmetyczną z k-ostatnich wartości zmiennych:

    0x01 graphic

    gdzie:

    0x01 graphic
    - prognoza zmiennej Y w okresie lub momencie T

    k - stała wygładzania

    0x01 graphic
    - wartość zmiennej prognozowanej w okresie i

    Stałą k wybiera się na podstawie najmniejszego błędu ex post, np. średni względny błąd prognozy ex post. Liczbę k może również określić prognosta. Prognoza wyznaczona z mniejszej liczby wyrazów szybciej odzwierciedla zmiany zachodzące w wartościach zmiennej prognozowanej, ale większy wpływ będą wywierały wahania przypadkowe. Sugeruje się, by przy prognozowaniu krótkookresowym (miesiąc lub nieco więcej) dla danych miesięcznych k wynosiło 3 lub 5:

    k = 3 lub k = 5

      1. model średniej ruchomej ważonej - w modelu tym wykorzystywana jest zasada postarzania informacji (dane nowsze zawierają bardziej aktualne informacje o prognozowanym zjawisku, zatem posiadają większe wagi niż dane starsze)

    0x01 graphic

    gdzie:

    0x01 graphic
    - waga nadana przez prognostę wartości zmiennej prognozowanej w momencie lub okresie i

    0x01 graphic

    0x01 graphic

    Warunki stosowania modelu średniej ruchomej:

    1. modele wygładzania wykładniczego - istota tych modeli polega na tym, że szereg wygładza się za pomocą ważonej średniej ruchomej. Wagi określa się według reguły wykładniczej. Najbardziej znane modele to:

      1. prosty model wygładzania wykładniczego - ma zastosowanie, gdy w szeregu czasowym występuje prawie stały poziom zmiennej prognozowanej i wahania przypadkowe. Prognoza zmiennej na okres T:

    0x01 graphic

    gdzie:

    α - parametr wygładzania, który dobiera się eksperymentalnie konstruując prognozy dla różnych 0x01 graphic
    i wybierając tę wartość, dla której błąd dla prognoz wygasłych jest najmniejszy.

    Dla 0x01 graphic
    wagi α, α(1 - α) i α(1 - α)2 mają wartości wykładniczo malejące.

    Jeżeli α dąży do 1, to prognoza będzie uwzględniała w wysokim stopniu błędy ex post poprzednich prognoz. Natomiast wartość α bliskie 0 oznaczają, że prognoza tylko w niewielkim stopniu będzie uwzględniała błędy poprzednich prognow.

    Za wartość początkową 0x01 graphic
    przyjmuje się: