Распределение критерия Дарбина-Уотсона для положительной автокорреляции

(для 5%-ного уровня значимости)

n V=1 V=2 V=3 V=4 V=5
d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
1,10 1,37 0,98 1,54 0,86 1,73 0,74 1,93 0,62 2,15
1,13 1,38 1,02 1,54 0,90 1,71 0,78 1,90 0,67 2,10
1,16 1,39 1,05 1,53 0,93 1,69 0,82 1,87 0,71 2,06
1,18 1,40 1,08 1,53 0,97 1,68 0,86 1,85 0,75 2,02
1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
1,22 1,42 1,13 1,54 1,03 1,67 0,93 1,81 0,83 1,96
1,24 1,43 1,15 1,54 1,05 1,66 0,96 1,80 0,86 1,94
1,26 1,44 1,17 1,54 1,08 1,66 0,99 1,79 0,90 1,92
1,27 1,45 1,19 1,55 1,10 1,66 1,01 1,78 0,93 1,90
1,29 1,45 1,21 1,55 1,12 1,66 1,04 1,77 0,95 1,89
1,30 1,46 1,22 1,55 1,14 1,65 1,06 1,76 0,98 1,89
1,32 1,47 1,24 1,56 1,16 1,65 1,08 1,76 1,01 1,86
1,33 1,48 1,26 1,56 1,18 1,65 1,10 1,75 1,03 1,85
1,34 1,48 1,27 1,56 1,20 1,65 1,12 1,74 1,05 1,84
1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
1,36 1,50 1,30 1,57 1,23 1,65 1,16 1,74 1,09 1,83
1,37 1,50 1,31 1,57 1,24 1,65 1,18 1,73 1,11 1,82
1,38 1,51 1,32 1,58 1,26 1,63 1,19 1,73 1,13 1,81
1,39 1,51 1,33 1,58 1,27 1,65 1,21 1,73 1,15 1,81
1,40 1,52 1,34 1,58 1,28 1,65 1,22 1,73 1,16 1,80
1,41 1,52 1,35 1,59 1,29 1,65 1,24 1,73 1,18 1,80
1,42 1,53 1,36 1,59 1,31 1,66 1,25 1,72 1,19 1,80
1,43 1,54 1,37 1,59 1,32 1,66 1,26 1,72 1,21 1,79
1,43 1,54 1,38 1,60 1,33 1,66 1,27 1,72 1,22 1,79
1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
1,48 1,57 1,43 1,62 1,38 1,67 1,34 1,72 1,29 1,78
1,50 1,59 1,46 1,63 1,42 1,67 1,38 1,72 1,34 1,77
1,53 1,60 1,49 1,64 1,45 1,68 1,41 1,72 1,38 1,77
1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
1,57 1,63 1,54 1,66 1,50 1,70 1,47 1,73 1,44 1,77
1,58 1,64 1,55 1,67 1,52 1,70 1,49 1,74 1,46 1,77
1,60 1,65 1,57 1,68 1,54 1,71 1,51 1,74 1,49 1,77
1,61 1,66 1,59 1,69 1,56 1,72 1,53 1,74 1,51 1,77
1,62 1,67 1,60 1,70 1,57 1,72 1,55 1,75 1,52 1,77
1,63 1,68 1,61 1,70 1,59 1,73 1,57 1,75 1,54 1,78
1,64 1,69 1,62 1,71 1,60 1,73 1,58 1,75 1,56 1,78
1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 2,21

 

ОЦЕНКА ТОЧНОСТИ И НАДЕЖНОСТИ ПРОГНОЗОВ.

Важным этапом прогнозирования социально-экономических явлений является оценка точности и надежности прогнозов.

Эмпирической мерой точности прогноза, служит величина его ошибки, которая определяется как разность между прогнозными ( ) и фактическими (уt) значениями исследуемого показателя. Данный подход возможен только в двух случаях:

а) период упреждения известен, уже закончился, и исследователь располагает необходимыми фактическими значениями прогнозируемого показателя;

б) строится ретроспективный прогноз, то есть рассчитываются прогнозные значения показателя для периода времени, за который уже имеются фактические значения. Это делается с целью проверки разработанной методики прогнозирования.

В данном случае вся имеющаяся информация делится на две части в соотношении 2/3 к 1/3. Одна часть информации (первые 2/3 от исходного временного ряда) служит для оценивания параметров модели прогноза. Вторая часть информации (последняя 1/3 части исходного ряда) служит для реализации оценок прогноза.

Полученные таким образом ретроспективно ошибки прогноза в некоторой степени характеризуют точность предлагаемой и реализуемой методики прогнозирования. Однако величина ошибки ретроспективного прогноза не может в полной мере и окончательно характеризовать используемый метод прогнозирования, так как она рассчитана только для 2/3 имеющихся данных, а не по всему временному ряду.

В случае если, ретроспективное прогнозирование осуществлять по связным и многомерным динамическим рядам, то точность прогноза, соответственно, будет зависеть от точности определения значений факторных признаков, включенных в многофакторную динамическую модель, на всем периоде упреждения. При этом, возможны следующие подходы к прогнозированию по связным временным рядам: можно использовать как фактические, так и прогнозные значения признаков.

Все показатели оценки точности статистических прогнозов условно можно разделить на три группы:

- аналитические;

- сравнительные;

- качественные.

Аналитические показатели точности прогноза позволяют количественно определить величину ошибки прогноза. К ним относятся следующие показатели точности прогноза:

Абсолютная ошибка прогноза ( ) определяется как разность между эмпирическим и прогнозным значениями признака и вычисляется по формуле:

где:

yt - фактическое значение признака;

- прогнозное значение признака.

Относительная ошибка прогноза (d*отн) может быть определена как отношение абсолютной ошибки прогноза ( ):

- к фактическому значению признака (yt):

- к прогнозному значению признака ( )

Абсолютная и относительная ошибки прогноза являются оценкой проверки точности единичного прогноза, что снижает их значимость в оценке точности всей прогнозной модели, так как изучаемое социально-экономическое явление подвержено влиянию различных факторов внешнего и внутреннего свойства. Единично удовлетворительный прогноз может быть получен и на базе реализации слабо обусловленной и недостаточно адекватной прогнозной модели и наоборот можно получить большую ошибку прогноза по достаточно хорошо аппроксимирующей модели.

Поэтому на практике иногда определяют не ошибку прогноза, а некоторый коэффициент качества прогноза (Кк), который показывает соотношение между числом совпавших (с) и общим числом совпавших (с) и несовпавших (н) прогнозов и определяется по формуле:

Значение Кк = 1 означает, что имеет место полное совпадение значений прогнозных и фактических значений и модель на 100% описывает изучаемое явление. Данный показатель оценивает удовлетворительный вес совпавших прогнозных значений в целом по временному ряду и изменяющегося в пределах от 0 до 1.

Следовательно, оценку точности получаемых прогнозных моделей целесообразно проводить по совокупности сопоставлений прогнозных и фактических значений изучаемых признаков.

Средним показателем точности прогноза является средняя абсолютная ошибка прогноза ( ), которая определяется как средняя арифметическая простая из абсолютных ошибок прогноза по формуле вида:

где:

n - длина временного ряда.

Средняя абсолютная ошибка прогноза показывает обобщенную характеристику степени отклонения фактических и прогнозных значений признака и имеет ту же размерность, что и размерность изучаемого признака.

Для оценки точности прогноза используется средняя квадратическая ошибка прогноза, определяемая по формуле:

Размерность средней квадратической ошибки прогноза также соответствует размерности изучаемого признака. Между средней абсолютной и средней квадратической ошибками прогноза существует следующее примерное соотношение:

Недостатками средней абсолютной и средней квадратической ошибок прогноза является их существенная зависимость от масштаба измерения уровней изучаемых социально-экономических явлений.

Поэтому на практике в качестве характеристики точности прогноза определяют среднюю ошибку аппроксимации, которая выражается в процентах относительно фактических значений признака, и определяется по формуле вида:

Данный показатель является относительным показателем точности прогноза и не отражает размерность изучаемых признаков, выражается в процентах и на практике используется для сравнения точности прогнозов полученных как по различным моделям, так и по различным объектам. Интерпретация оценки точности прогноза на основе данного показателя представлена в следующей таблице:

 

, % Интерпретация точности
Высокая
10 - 20 Хорошая
20 - 50 Удовлетворительная
> 50 Не удовлетворительная

 

В качестве сравнительного показателя точности прогноза используется коэффициент корреляции между прогнозными и фактическими значениями признака, который определяется по формуле:

,

где:

- средний уровень ряда динамики прогнозных оценок.

Используя данный коэффициент в оценке точности прогноза следует помнить, что коэффициент парной корреляции в силу своей сущности отражает линейное соотношение коррелируемых величин и характеризует лишь взаимосвязь между временным рядом фактических значений и рядом прогнозных значений признаков. И даже если коэффициент корреляции R=1, то это еще не предполагает полного совпадения фактических и прогнозных оценок, а свидетельствует лишь о наличии линейной зависимости между временными рядами прогнозных и фактических значений признака.

Одним из показателей оценки точности статистических прогнозов является коэффициент несоответствия (КН), который был предложен Г. Тейлом и может рассчитываться в различных модификациях:

1. Коэффициент несоответствия (КН1), определяемый как отношение средней квадратической ошибки к квадрату фактических значений признака:

КН = 0, если , то есть полное совпадение фактических и прогнозных значений признака.

КН = 1, если при прогнозировании получают среднюю квадратическую ошибку адекватную по величине ошибке, полученной одним из простейших методов экстраполяции неизменности абсолютных цепных приростов.

КН > 1, когда прогноз дает худшие результаты, чем предположение о неизменности исследуемого явления. Верхней границы коэффициент несоответствия не имеет.

2. Коэффициент несоответствия (КН2), определяется как отношение средней квадратической ошибки прогноза к сумме квадратов отклонений фактических значений признака от среднего уровня исходного временного ряда за весь рассматриваемый период:

где:

- средний уровень исходного ряда динаики.

Если КН > 1, то прогноз на уровне среднего значения признака дал бы лучший результат, чем имеющийся прогноз.

3. Коэффициент несоответствия (КН3), определяемый как отношение средней квадратической ошибки прогноза к сумме квадратов отклонений фактических значений признака от теоретических, выравненных по уравнению тренда:

где:

- теоретические уровни временного ряда, полученные по модели тренда.

Если КН > 1, то прогноз методом экстраполяции тренда дает хороший результат.

 

 

Формулы для определения значений коэффициентов линейных и нелинейных уравнений, описывающих изменение рассматриваемого показателя во времени и характеризующих тенденцию динамического ряда y=f(t) имеют вид:

Для прямой

для параболы

для экспоненты вида

y= b0 + b1/t

система уравнений для определения коэффициентов уравнения регрессии имеет вид:

для функции вида

для функции вида

 

       
   

 


Y=a0+a1/x

 

линейная


гипербола

 

       
   

 


Y=ax

       
 
 
парабола


показательная

 

       
   
 
 

 

 


ТАБЛИЦА ВЫЧИСЛЕНИЯ ЗНАЧЕНИЙ ПО РЯДУ ФУРЬЕ

t Yi cos t cos 2t sin t sin 2t
Y1
π/6 Y2 0,866 0,5 0,5 0,866
π/3 Y3 0,5 -0,5 0,866 0,866
π/2 Y4 -1
2π/3 Y5 -0,5 -0,5 0,866 -0,866
5π/6 Y6 -0,866 0,5 0,5 -0,866
π Y7 -1
7π/6 Y8 -0,866 0,5 -0,5 0,866
4π/3 Y9 -0,5 -0,5 -0,866 0,866
3π/2 Y10 -1 -1
5π/3 Y11 0,5 -0,5 -0,866 -0,866
11π/6 Y12 0,866 0,5 -0,5 -0,866

Для изучения сезонности как периодической функции Фурье за n берется число месяцев года, тогда ряд динамики по отношению к значениям определится в виде следующих значений Y (1и2 столбцы).








Дата добавления: 2016-02-04; просмотров: 687;


Поиск по сайту:

При помощи поиска вы сможете найти нужную вам информацию.

Поделитесь с друзьями:

Если вам перенёс пользу информационный материал, или помог в учебе – поделитесь этим сайтом с друзьями и знакомыми.
helpiks.org - Хелпикс.Орг - 2014-2024 год. Материал сайта представляется для ознакомительного и учебного использования. | Поддержка
Генерация страницы за: 0.043 сек.