Статистические методы прогнозирования
Тренд в динамическом ряде — это долговременные тенденции значений ряда, определяемые постоянно действующими факторами. Если в течении достаточно длительного периода значения ряда возрастают, то имеет место позитивный тренд, в противном случае — негативный тренд. Ряд называется стационарным, если отсутствует как позитивный, так и негативный тренд. Существуют графические и аналитические методы… Читать ещё >
Статистические методы прогнозирования (реферат, курсовая, диплом, контрольная)
В технологическом прогнозировании статистические методы получили наибольшее распространение при формировании оценок будущего состояния технических параметров объектов техники. Рассмотрим некоторые ключевые понятия методов статистического прогнозирования.
Динамический ряд — совокупность числовых характеристик, описывающих изменение параметров технологического процесса во времени (последовательность статистических наблюдений, полученных за равноотстоящие периоды).
В общем можно сказать, что задача статистического прогнозирования состоит в выявлении тренда при изменении показателей.
Тренд в динамическом ряде — это долговременные тенденции значений ряда, определяемые постоянно действующими факторами. Если в течении достаточно длительного периода значения ряда возрастают, то имеет место позитивный тренд, в противном случае — негативный тренд. Ряд называется стационарным, если отсутствует как позитивный, так и негативный тренд. Существуют графические и аналитические методы выявления тренда.
Графический метод позволяет быстро, но ненадежно определить тренд.
Аналитические методы — основные методы выявления тренда, методы сглаживания и построения трендовых кривых. Наиболее простой метод выявления тренда — метод скользящей средней.
Типы трендов.
Общие положения разработки технологического прогноза по трендовой модели:
необходимо осуществить сбор статистической информации характеризующей технологический процесс за достаточно длительный период;
построить по этим данным динамический ряд и рассчитан, показатели, характеризующие его изменение;
на основе анализа этих показателей осуществить подбор кривых, наиболее адекватно описывающих процесс;
рассчитать параметры этих кривых;
рассчитать показатели, оценивающие надежность и качество данных кривых (средняя абсолютная процентная ошибка и др.) и на этой основе выбрать наилучшую кривую;
рассчитать точечный прогноз;
рассчитать доверительные интервалы прогноза с заданным уровнем вероятности.
Корреляционно-регрессионные модели прогнозирования Эти модели позволяют осуществить измерение тесноты связей между переменными, определение формы этих связей, что широко используется в технологическом прогнозировании.
Основные модели регрессии.
1. Модели парной регрессии (определяется форма взаимодействия переменных х и y). Общий вид этих моделей ;
Y=f (x),.
где x — независимая переменная (аргумент), влияющая на y.
2. Модели множественной регрессии. Общий вид моделей ;
y=/ (xu x2… *u),.
где y — объясняемая (результирующая) переменная;
x — объясняющие переменные (независимые факторы).
3. Парная линейная регрессия (на графике — прямая линия) ;
y=a+bx.
4. Множественная линейная регрессия ;
y=a+b1x1+b2x2+…+bnxn.
- 5. Парная линейная регрессия. Для случая парной регрессии зависимость двух переменных отражается на графике кривой линией на плоскости, например
- 6. Множественная нелинейная регрессия —
Для определения оценок параметров приведенных моделей могут быть использованы специальные компьютерные программы.