Методы верификации прогнозных моделей

 

Метод верификации	Технология верификации
Прямая верификация	Разработка модели того же объекта с использованием иного метода прогнозирования
Косвенная верификация	Сопоставление результатов, полученных с использованием данной модели, с данными, полученными из других источников
Консеквентная верификация	Верификация результатов моделирования путем аналитического или логического выведения прогноза из ранее полученных прогнозов
Верификация оппонентом	Верификация путем опровержения критических замечаний оппонента по прогнозу
Верификация экспертом	Сравнение результатов прогноза с мнением эксперта
Инверсная верификация	Проверка адекватности прогнозной модели и объекта в ретроспективном периоде
Частичная целевая верификация	Построение условных подмоделей, эквивалентных полной модели, в типовых для проектируемой системы ситуациях
Структурная верификация	Сопоставление структур без экспериментальной проверки сопоставления в целом

 

Средства верификации прогнозных моделей. Степень совершенства прогнозов выражается через различные измерители точности прогнозирования.

Точность точечного прогноза в момент t_i определяется разностью между прогнозом P_i и фактическим значением F_i прогнозируемого показателя в этот момент времени. Отдельный точечный прогноз не определяет точность конкретной процедуры прогнозирования в целом, то есть потребуется некоторая выборка {(P_i, F_i)},на основе которой рассчитывается значение некоторого измерителя точности прогнозирования.

Классический критерий точности прогнозирования – коэффициент корреляции Пирсона:

 

(2.1)

 

Максимальное значение r = 1достигается при наличии линейной связи между Р и F, т.е. когда существуют такие а₀ и а₁ > 0, что Р =а₀+а₁F.

Однако при а0 ≠ 0 и а1= 1 прогноз не будет совершенным, хотя корреляция полная и положительная; только при Р = F коэффициент корреляции может характеризовать совершенный прогноз.

Коэффициент ранговой корреляции Спирмэна:

 

(2.2)

 

Для этого вычисляются ранги x_i и у_i элементов соответствующих последовательностей P_i и F_i.

Если несколько элементов из P_i или F_i имеют одинаковые ранги, то им определяется ранг, равный среднему арифметическому значений мест элементов в данной ранжировке. В этом случае последнее соотношение останется верным.

Расчет корректирующих множителей для связей соответственно для последовательностей x_i и у_i

 

(2.3)

 

Где: t_i - и l_i равно числу повторений i-го ранга в соответствующих последовательностях

Вычисляется сумма квадратов разностей рангов

 

(2.4)

 

Если T_x или Т_у равно нулю, то коэффициент ранговой корреляции Спирмэна равен:

 

(2.5)

 

Коэффициент ранговой корреляции р позволяет характеризовать качественную сторону последовательности прогнозов Pi, а именно способность предсказывать точки поворота. Коэффициент ранговой корреляции можно рассматривать как дополнительный измеритель точности прогнозирования при Pi=Fi и r, близким к 1, так как критерий р инвариантен относительно линейной вариации, причем при р= 1 прогноз может быть далеко не совершенным, так как для этого достаточно лишь совпадения рангов.

Применяются также следующие статистические критерии.

Средняя ошибка аппроксимации:

 

(2.6)

 

Средняя квадратическая ошибка прогнозов

, (2.6)

 

Точность прогнозирования тем выше, чем меньше значения ε или S соответственно. Совершенный прогноз достигается при ε =S=0.

 

Коэффициент расхождения V (или коэффициент несоответствия)

, (2.7)

 

Если V =0, то прогноз абсолютно точен (случай «идеального» прогнозирования). Если V =1, то это означает, что прогноз близок к простой (и наивной) экстраполяции. Если V >1, то прогноз дает худший результат, чем предположение о неизменности тенденций исследуемого явления.

В некоторых случаях более важное значение имеют распознающие способности моделей прогнозирования, особенно при краткосрочном прогнозировании

Пример. При прогнозировании выполнения месячных планов предприятий отрасли по особо учитываемой номенклатуре в начале месяца в первую очередь интерес представляет более точная оценка возможности выполнения плана, чем прогнозная информация о величине отклонения от плана. В данном случаецелесообразно использовать следующую меру точности прогнозирования:

 

(Х.Х)

 

где q – число подтвержденных прогнозов;

r – число неподтвержденных прогнозов.

Если e =1, то имеет место случай «идеального» прогнозирования.

Существует также метод Тейла, который позволяет оценить ошибку прогноза до наступления прогнозного срока. Расчет ведется по формуле

, (3.38)

где р_t и А_t - соответственно прогнозное и фактическое значение тенденции изучаемого показателя конъюнктуры.

Если γ=0, то прогноз абсолютно точен (случай "идеального" прогнозирования), если γ=1, то это означает, что прогноз близок к простой экстраполяции, если же γ>1, то прогноз дает худший результат, чем предположение о неизменности тенденций исследуемого явления.

С помощью указанных показателей проверяется достоверность прогноза, т.е.верификация прогнозов спроса.

Например, для моделей, с помощью которых производился прогноз выработки энергии (см. пример на с.54-57) средняя ошибка аппроксимации равна 2,9 и 3% для первой и второй моделей соответственно. Поэтому можно сказать, что обе модели адекватны и обеспечивают достаточно точный прогноз. Однако можно ещё раз отметить, что прогнозные модели на основе тригонометрической регрессии могут применяться лишь в рядах динамики, где нет явно выраженной тенденции развития. В других случаях предпочтение следует отдавать методу экстраполяции с учетом индексов сезонности.