При выборе оптимального метода прогнозирования для конкретной задачи предварительно следует определить: чем обусловлена необходимость прогноза; конкретную сферу применения для результатов прогноза; период прогнозирования; требования к исходным данным; необходимую точность прогноза; стоимость прогноза.
Стационарные методы прогнозирования используются в следующих случаях: воздействия, порождающие ряд, стабилизировались, и окружающая среда, в которой ряд существует, относительно неизменна; в силу недостатка данных либо для упрощения объяснения или реализации прогноза необходимо использовать очень простую модель; стабильность может быть достигнута за счет простой корректировки таких факторов, как рост населения или инфляция; ряд можно преобразовать в стабильный; ряд представляет собой множество ошибок прогноза, полученных в результате применения метода прогнозирования, который может считаться неадекватным.
Методы прогнозирования, которые могут применяться по отношению к стационарным рядам, включают в себя наивные методы: методы простого усреднения, скользящие средние, простое экспоненциальное сглаживание и методы авторегрессионого скользящего среднего (методы Бокса-Дженкинса).
|
|
Методы прогнозирования для рядов, обладающих трендом, используются в следующих случаях: повышение производительности труда и применение новых технологий ведут к изменению стиля жизни; рост населения вызывает увеличение потребностей в товарах и услугах; покупательная способность валюты за счет инфляции оказывает влияние на общие экономические показатели; возрастает признание продукта на рынке
Аппарат прогнозирования, который должен использоваться для прогнозирования рядов, имеющих тренд, — это метод скользящих средних, метод линейного экспоненциального сглаживания Хольта (Holt), простая регрессия, возрастающие кривые, экспоненциальные модели и методы авторегрессионых интегрированных скользящих средних (методы Бокса—Дженкинса).
Методы прогнозирования для сезонных данных используются в следующих случаях: на изучаемую величину влияет погода; рассматриваемая величина определяется годичным циклом;.
Методы, которые следует использовать для прогнозирования сезонных рядов, включают классическое разложение, экспоненциальное сглаживание Винтера (Winter), многомерную регрессию временного ряда и методы Бокса-Дженкинса.
Методы прогнозирования для циклических данных используются в следующих случаях: на интересующую величину влияет бизнес-цикл; имеют место изменения в общественных вкусах; возникают изменения в народонаселении; происходят сдвиги в цикле производства продуктов потребления.
|
|
Аппарат, который необходимо использовать для прогнозирования циклических рядов, включает классическое разложение, экономические индикаторы, эконометрические модели, многомерную регрессию и методы Бокса-Дженкинса.
В итоге можно сделать следующие выводы:
1. Статистически сложные или комплексные методы прогнозирования действительно не приводят в обязательном порядке к получению более точных прогнозов, чем более простые методы.
2. Разные показатели точности (MAD, MSE, МАРЕ), используемые для оценки различных методов прогнозирования, дают согласованные результаты.
3. Комбинирование результатов трех экспоненциальных сглаживающих методов превосходит, в среднем, отдельные комбинируемые методы и дает наилучший эффект в сравнении с другими методами.
4. Эффективность различных методов прогнозирования зависит от отдаленности прогноза во времени и типа (ежегодные, ежеквартальные, ежемесячные) анализируемых данных. Одни методы дают большую точность для короткого промежутка времени, в то время как другие больше подходят для составления длительных прогнозов. Некоторые методы хорошо работают с ежегодными данными, а другие более эффективны для ежеквартальных и ежемесячных данных.
По завершении исследования необходимо проверить, насколько каждый метод надежен и применим к рассматриваемой проблеме (табл.1).
Таблица 1. Рекомендации по выбору метода прогнозирования*
Метод | Модель данных | Временная отдаленность | Тип модели | Минимальные требования к данным | |
Несезонные | Сезонные | ||||
Наивный | ст, т, с | К | ВР | ||
Простые средние | ст | К | ВР | ||
Скользящие средние | ст | К | ВР | 4-20 | |
Экспоненциальное сглаживание | ст | к | ВР | ||
Линейное экспоненциальное сглаживание | т | к | ВР | ||
Квадратичное экспоненциальное сглаживание | т | к | ВР | ||
Сезонное экспоненциальное сглаживание | с | к | ВР | 2хс | |
Адаптивная фильтрация | с | к | ВР | 5хс | |
Простая регрессия | т | с | к | ||
Множественная регрессия | Ц, С | с | к | 10хВ | |
Классическое разложение | с | к | ВР | 5хс | |
Экспоненциальные трендовые модели | т | с,д | ВР | ||
Подгонка 8-кривой | т | с,д | ВР | ||
Модели Гомперца | т | с,д | ВР | ||
Возрастающие кривые | т | с,д | ВР | ||
"Перепись-11" | с | к | ВР | 6хс | |
Модели Бокса-Дженкинса | ст, т, ц, с | к | ВР | 3хс | |
Ведущие индикаторы | Ц | К | К | ||
Эконометрические модели | ц | К | К | ||
Многомерная регрессия временного ряда | Т, С | с,д | к | 6хс |