Модели кривых роста - раздел Экономика, ЭКОНОМЕТРИКА Плавную Кривую (Гладкую Функцию), Аппроксимирующую Временной Ряд Прин...
Плавную кривую (гладкую функцию), аппроксимирующую временной ряд принято называть кривой роста.
Аналитические методы выделения (оценки) неслучайной составляющей временного ряда с помощью кривых роста реализуются в рамках моделей регрессии, в которых в роли зависимой переменной выступает переменная yt, а в роли единственной объясняющей переменной - время t.
Наиболее часто в практической работе используются кривые роста, которые позволяют описывать процессы трех основных типов:
-без предела роста;
-с пределом роста без точки перегиба;
-с пределом роста и точкой перегиба.
Для описания процессов без предела роста служат функции:
- прямая (полином первой степени) - ,
- парабола (полином второй степени) - ,
-экспонента - и другие.
Процессы развития такого типа характерны в основном для абсолютных объемных показателей.
Например, объём продаж пива с1992 г. по 2003 г.[ Россия в цифрах. 2004. Госкомстат России. - М., 2004] (табл. 3.4.9) может быть описан полиномом второй степени (рис. 1.8).
Табл. 1.9. Продажа пива (млн. дкл.)
Годы
t
Пиво
273,3
411,7
408,2
451,1
524,6
634,6
707,8
762,5
Рис. 1.8. Тенденция продаж пива (млн. дкл.) может быть описана полиномом второй степени .
Для описания процессов с пределом роста служат функции:
- кривая Джонсона,
-модифицированная экспонента и др.
Процессы с пределом роста характерны для многих относительных показателей (душевое потребление продуктов питания, внесение удобрений на единицу площади, затраты на один рубль произведенной продукции и т.п.).
Для описания процессов третьего типа - с пределом роста и точкой перегиба используются кинетическая кривая (кривая Перла - Рида) и кривая Гомперца.
Такой тип развития характерен для спроса на некоторые новые товары.
Математические методы позволяют представить прогнозирующую модель в виде полинома любого порядка. Однако без необходимости использование полиномов высокого порядка представляется излишним.
Параметры моделей могут быть содержательно интерпретированы.
Так,
- параметр а0 во всех моделях без предела роста задает начальные условия развития, а в моделях с пределом роста - асимптоту функций,
-параметр а1 определяет скорость или интенсивность развития,
-параметр а2 - изменение скорости или интенсивности развития.
Параметры большинства "кривых роста", как правило, оцениваются по методунаименьших квадратов, т.е. подбираются таким образом, чтобы график функции "кривой роста" располагался на минимальном удалении от точек исходных данных.
Согласно методу наименьших квадратов при оценке параметров модели всем наблюдениям присваиваются равные веса, т.е. их информационная ценность признается равной, а тенденция развития на всем участке наблюдений – неизменной.
Предпочтение, как правило, отдается простым моделям, допускающим содержательную интерпретацию.
К числу таких моделей относится линейная модель роста
, (1.14)
где – параметры модели, а t = 1, 2,…, n.
Математически критерий оценки параметров модели записывается в виде:
(1.15)
Для нахождения минимума функции двух переменных следует взять частные производные по и , а затем приравнять их нулю.
В результате получим так называемую систему нормальных уравнений
(1.16)
Решая систему двух линейных уравнений с двумя неизвестными, получим
(1.17)
где и – средние значения моментов наблюдения и уровней ряда, соответственно.
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ... МУРМАНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ... Кафедра ИС и ПМ...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Модели кривых роста
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Требования к исходной информации
Применяемые при обработке временных рядов методы во многом опираются на методы математической статистики, которые базируются на достаточно жестких требованиях к исходным данным (таким как од
Этапы построения прогноза по временным рядам.
экстраполяционное[1] прогнозирование экономических процессов, представленных одномерными временными рядами, сводится к выполнению следующих основны
Предварительный анализ данных.
В ходе предварительного анализа определяют соответствие имеющихся данных требованиям, предъявляемым к ним математическими методами (объективности, сопоставимости, полноты, однородности и устойчив
Решение
Результаты расчетов по методу Ирвина приведены в табл1.3.
Критерий «восходящих» и «нисходящих» серий.
Этот критерий «улавливает» постепенное смещение среднего значения в исследуемом распределении не только монотонного, но и более общего, например, периодического характера.
Так же
Метод простой скользящей средней.
1. Согласно этому методу определяется количество наблюдений, входящих в интервал сглаживания.
При этом используют правило:
если необходи
Метод экспоненциального сглаживания.
Рассмотренные методы простой и взвешенной скользящей средней не дают возможности сгладить первые и последние p наблюдений временного ряда.
Отсутствие сглаженных первых наблюдений не так ва
Критерий «пиков», или критерий поворотных точек.
Значение случайной переменной считается поворотной точкой, если оно одновременно больше (меньше) соседних с ним элементов.
Если остатки случайны, то поворотная точка прихо
Прогнозы.
Точечный прогноз на основе временных моделей получается подстановкой в модель (уравнение тренда) соответствующего значения фактора времени, т.е. t=n+1
Новости и инфо для студентов