Построение точечных и интервальных прогнозов

C помощью построенной регрессионной модели можно не только анализировать какой-либо процесс, но и прогнозировать значения зависимой переменной при каких-либо заданных значениях факторов.

Модель регрессии позволяет проводить как экстраполяцию, так и интерполяцию значений. Интерполяция - прогнозирование значений зависимой переменной y для значений фактора x, принадлежащих интервалу [x_min; x_max]. Экстраполяция - прогнозирование значений зависимой переменной y для значений фактора x, выходящих за границы интервала [x_min; x_max], чаще всего, при x > x_max.

Точечный прогноз получается путем простой подстановки соответствующих значений x в уравнение регрессии.

Зачастую значения факторов, для которых нужно сделать прогноз значения зависимой переменной, получают на основе среднего прироста значений фактора внутри выборочной совокупности:

,

(6.19)

где x_max и x_min - соответственно, максимальное и минимальное значение переменной x в выборочной совокупности.

При выполнении экстраполяции для определения конкретного значения х, используемого для расчета прогнозного значения y, можно использовать формулу:

xk = xmax + ∙ k,

(6.20)

при прогнозе на один шаг k = 1, на два шага - k = 2 и т.д.

Подставляя полученное значение в уравнение регрессии, получим точечный прогноз величины y.

Однако вероятность точного "попадания" значения y в эту точку достаточно мала. Поэтому представляет интерес вычисление перспективных оценок значений y в виде доверительных интервалов.

Доверительные границы прогноза определяются по формуле:

граница прогноза = k ± Uk,

(6.21)

где _k - точечный прогноз величины y,

U_k - величина отклонения от точечного значения, соответствующая исследуемой точке x_k и заданному уровню вероятности.

Величина U_k для линейной модели рассчитывается по формуле:

.

(6.22)

где S - среднеквадратическое отклонение значений остаточного ряда из формулы (6.17),

k_p - табличное значение t-статистики Стьюдента (соответствующая статистическая таблица приведена в приложении В) для заданной вероятности попадания прогнозируемой величины внутрь доверительного интервала.

И если построенная модель регрессии адекватна, то с выбранной вероятностью можно утверждать, что при сохранении сложившихся закономерностей функционирования изучаемой системы прогнозируемая величина попадет в интервал, образованный нижней и верхней границами.