Методологические основы прогнозирования

     Для такого вида экстраполяции, как тренд, характерно нахождение плавной линии, отражающей закономерности развития во времени. Тренд обычно применяется как основная составляющая прогнозируемого временного ряда, на которую накладываются другие составляющие, например сезонные колебания. Экстраполяция на основе тренда включает:

• сбор информации эмпирического ряда показателя за 
  прошлые периоды;
• выбор оптимального вида функции, описывающей 
  указанный ряд с учетом его сглаживания и выравни 
  вания;
• расчет параметров выбранной экстраполяционной 
  функции;

             ♦ расчет прогноза на будущее по выбранной функции.

     Вторым  наиболее распространённым в прогнозировании статистическим методом является корреляция.

     Корреляционный  анализ используют для выявления  и оценки связи между различными показателями, характеризующими экономические и производственные системы. Степень тесноты связи оценивают коэффициентами, изменяющимися в пределах от 0 до + 1,0. Малое значение коэффициента свидетельствует о слабой связи, значение, близкое по величине к 1,0, характеризует очень сильную связь и часто позволяет предположить наличие функциональной причинно-следственной связи.

     В табл. 4.3 приведены качественные оценки степени тесноты связи в экономических системах с помощью коэффициента корреляции. В некоторых источниках ошибочно рекомендуют при малой величине коэффициента корреляции, например до 0,20, делать заключение об отсутствии связи. Это заблуждение противоречит теоретико-вероятностным основам оценки гипотез.

     Метод оценки корреляционной связи и тип  определяемого при этом коэффициента зависят от закона распределения данных.

Таблица 1.Теснота связи и величина коэффициента корреляции 

     Параметрический корреляционный анализ. Это наиболее распространенный и точный вид анализа, для которого разработано всестороннее вероятностное обоснование. Условием обоснованного применения параметрических методов анализа, как правило, является нормальный закон распределения данных, используемых для обработки.

     Первый  этап анализа — это проверка данных на соответствие закону нормального распределения. Если распределение данных в выборке близко к нормальному закону, то можно оценить наличие линейной связи между переменными с помощью индикатора связи — коэффициента корреляции Пирсона.

     Непараметрические методы. Непараметрические методы статистики, в отличие от параметрических не базируются на каких-либо предположениях о законах распределения данных. В качестве непараметрических критериев связи переменных часто используют коэффициент ранговой корреляции Спирмена и коэффициент ранговой корреляции (конкордации) Кендела.

     Коэффициент ранговой корреляции Спирмена является непараметрическим аналогом коэффициента корреляции Пирсона и определяется не по величинам переменных признаков, а по рангам — номерам в порядке возрастания величин признаков. Он более детально оценивает связь по сравнению с коэффициентом конкордации Кендела, но менее детально, чем коэффициент Пирсона.

     Коэффициент конкордации Кендела определяется количеством пар признаков, для которых характерны положительные и отрицательные связи.

     Точность  коэффициентов, дающих непараметрические  оценки связи, определяют с помощью Z-статистики, которая является аналогом Г-стагистики, и характеризует отношение величины коэффициента и его стандартной ошибки. Аналогично параметрическим методам необходимо оценивать и уровень значимости гипотезы об отсутствии связи.

     Наряду  с этим используется метод регрессии. Во многих практических задачах прогнозирования, изучая различного рода связи в экономических, производственных системах, необходимо на основании экспериментальных данных выразить зависимую переменную в виде некоторой математической функции от независимых переменных — регрессоров, то есть построить регрессионную модель. Регрессионный анализ позволяет:

     производить расчет регрессионных моделей путем  определения значений параметров — постоянных коэффициентов при независимых переменных — регрессорах, которые часто называют факторами;

     проверять гипотезу об адекватности модели имеющимся наблюдениям;

     использовать  модель для прогнозирования значений зависимой переменной при новых или ненаблюдаемых значениях независимых переменных.

     Среди регрессионных моделей обычно выделяют однопарамет-рические модели (зависимости от одной переменной) и многопараметрические модели (зависимости от нескольких переменных), а также модели, линейные относительно независимых переменных, нелинейные по переменным и нелинейные по параметрам.

     Наиболее  просты для построения и анализа  однопараметричес-кие и многопараметрические линейные модели, которые содержат независимые переменные только в первой степени.

      Также широко используются такие статистические методы как интерполяция, индексный  метод и ряд и другие.

     Математические  методы формализованного прогнозирования предполагают построение моделей т.е. абстрактных образов, которые отражают основные характеристики и взаимосвязи реальных объектов.

        Термин "модель"  широко  используется  в различных сферах человеческой  деятельности и имеет множество  смысловых  значений. Рассмотрим  только такие "модели",  которые являются инструментами получения знаний.

        Модель - это такой материальный  или мысленно представляемый  объект,  который в  процессе  исследования  замещает  объект-оригинал  так, что его непосредственное изучение дает новые знания об объекте-оригинале

          Под моделирование понимается  процесс построения, изучения и  применения моделей.  Оно тесно  связано с такими категориями,  как абстракция, аналогия, гипотеза  и др. Процесс моделирования обязательно включает и построение абстракций,  и умозаключения по аналогии,  и  конструирование научных гипотез.

          Главная особенность моделирования  в том,  что  это  метод  опосредованного познания с помощью  объектов-заместителей.  Модель выступает как своеобразный инструмент  познания,  который исследователь ставит  между собой и объектом и с помощью которого изучает интересующий его объект.  Именно эта  особенность метода моделирования  определяет специфические формы использования абстракций,  аналогий, гипотез, других категорий и методов познания.

         Необходимость использования метода  моделирования  определяется  тем,  что  многие объекты  (или проблемы,  относящиеся к  этим объектам) непосредственно  исследовать или вовсе невозможно, или же это исследование требует много времени и средств.

         Процесс моделирования включает  три элемента:  1)  субъект (исследователь), 2) объект исследования,  3) модель, опосредствующую отношения познающего  субъекта и познаваемого объекта.  Для понимания сущности моделирования важно не упускать из виду, что моделирование - не единственный источник  знаний  об объекте. Процесс  моделирования  "погружен" в более общий процесс познания.  Это обстоятельство учитывается  не  только  на этапе построения  модели,  но  и на завершающей стадии,  когда происходит объединение и обобщение  результатов  исследования, получаемых на основе многообразных средств познания.

      В соответствии  с общей классификацией математических моделей они подразделяются на функциональные  и  структурные,  атакже включают  промежуточные  формы  (структурно-функциональные). В исследованиях на народнохозяйственном уровне чаще применяются структурные модели,  поскольку для планирования и управления большое значение имеют взаимосвязи подсистем.  Типичными структурными  моделями являются модели межотраслевых связей. 

Заключение. 

     Таким образом, методология прогнозирования  включает совокупность принципов, методов  и показателей, применяемых в  прогнозировании. Существуют различные  типовые методы прогнозирования. Задача прогнозиста – выбрать такой метод, который в наибольшей мере соответствовал бы принципам прогнозирования данного явления. При соответствии методов прогнозирования заданным принципам можно говорить о создании прогнозируемой системы объекта, включающей определённый свод показателей. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Список  литературы. 

1. Алексеева М.М. Планирование деятельности фирмы. М., 2006 – 108 с.

2. Басовский Л.Е. Прогнозирование и планирование в условиях рынка. Учебное пособие. – М.: ИНФРА – М, 2008. – 260 с.

3. Бенвенисте Г. Овладение политикой планирования. М., 2006 – 70 с .

4. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: Учебное пособие – 5-е изд., перераб. и доп. – М.: Издательско-торговая корпорация «Дашков и Ко», 2007. – 400 с.
5. Егоров В. В., Парсаданов Г. А. Прогнозирование национальной экономики. М.: ИНФРА-М, 2007– 184 с.
6. Математические методы в экономике и моделирование социально-экономических процессов в АПК/В.А. Кундиус, Л.А. Мочалова, В.А. Кегелев, Г.С. Сидоров. – 2-е изд., перераб. и доп. – М.: Колос, 2007 – 288 с.
7. Прогнозирование и планирование в условиях рынка: Учеб. Пособие для вузов/Т.Г. Морозова, А.В. Пикулькин, В.Ф. Тихонов и др.; Под ред.                   Т.Г. Морозовой, А.В. Пикулькина. – М.: ЮНИТИ – ДАНА, 2007. – 318 с.

8. Цыгичко В. Основы прогнозирования систем. – М.: Финансы и статистика, 2006 – 230 с.

9. Черныш Е. А. Прогнозирование и планирование в условиях рынка. М.: ПРИОР, 2008 – 176 с

10.  Юрченко А. Моделирование социально-экономического развития общества // Вестник МГУ: Экономика. – 2007. - №2.