Классификация методов прогнозирования. Оценка точности прогноза, построенного методом экстраполяции (видео)

Методы прогнозирования: классификация, характеристика, пример

В данной статье описываются методы прогнозирования, их значение, классификация и краткие характеристики. Представлены основные критерии выбора данных методов и приведены примеры их эффективного практического применения. Также подчеркнута особая роль методологии прогнозирования в современном мире повышенной нестабильности.

Суть и значение методологии прогнозирования

В общем понятии прогнозирование является процессом предопределения будущего на основании исходных параметров (опыта, выявленных закономерностей, тенденций, связей, возможных перспектив и т. п.).

На научной основе прогнозирование используется в самых различных областях жизнедеятельности человека: экономике, социологии, демографии, политологии, метеорологии, генетике и многих других.

Наиболее показательным примером использования прогнозирования в повседневной жизни человека является привычный всем ежедневный прогноз погоды.

В свою очередь, эффективное использование прогнозов на научной основе требует применения определенных методик, включающих в себя целый ряд методов прогнозирования. В начале прошлого века при зарождении научных исследований по данному направлению предлагалось всего лишь несколько подобных методов с ограниченным спектром применения.

На данный момент существует множество таких методов (более 150), хотя практически используется не более нескольких десятков основных методов прогнозирования.

При этом выбор тех или иных методов зависит как от сферы их применения, так и от поставленных целей проводимых прогнозных исследований, а также от доступности для исследователя конкретных инструментов прогнозирования.

Базисные понятия в методологии прогнозирования

Метод прогнозирования — конкретный способ, направленный на исследование объекта прогнозирования с целью получения целевого прогноза.

Методология прогнозирования — общая совокупность знаний о методах, приемах и инструментах составления прогнозов.

Методика прогнозирования — сочетание методов, приемов и инструментов, избранных для получения целевого прогноза.

Объект прогнозирования — определенная область процессов, в рамках которых проводятся исследования субъекта прогнозирования.

Субъект прогнозирования — юридическое либо физическое лицо, осуществляющее исследовательскую работу с целью получения прогнозов.

Различия и взаимосвязь планирования с процессом составления прогнозов

Прогнозирование в отличие от планирования:

• носит информативный, а не директивный характер;
• охватывает не только деятельность конкретного предприятия или организации, а всю совокупность внешней и внутренней среды;
• может носить более долгосрочный характер;
• не требует значительной детализации.

Однако при всех различиях прогнозирование и планирование имеют тесную взаимосвязь, в особенности в экономической области.

Полученный целевой прогноз показывает область потенциальных рисков и возможностей, в разрезе которых формируются конкретные проблемы, задачи и цели, которые необходимо решить и учитывать при составлении планов различных форм (стратегических, оперативных и т. д.).

Кроме того, прогнозы дают возможность аналитически обоснованного многовариантного взгляда на потенциальное развитие, что необходимо для построения альтернативных планов.

В общем смысле можно сказать, что взаимосвязь прогнозирования и планирования заключается в том, что хотя прогноз и не определяет конкретных плановых задач, но содержит необходимые информативные материалы для осуществления эффективного целевого планирования.

Основные классификаторы в методологии прогнозирования

Основная классификация методов прогнозирования обычно осуществляется по следующим признакам:

По степени формализации:

• интуитивные (эвристические) методы, которые используются при сложно прогнозируемых задачах с применением экспертных оценок (интервью, метод сценариев, метод «Дельфи», мозговой штурм и т.п.);
• формализованные методы, которые преимущественно подразумевают более точный математический расчет (метод экстраполяции, метод наименьших квадратов и т. п., а также различные методы моделирования).

По характеру прогностического процесса:

• качественные методы, базирующиеся на экспертных оценках и аналитике;
• количественные методы, базирующиеся на математических методах;
• комбинированные методы, включающие (синтезирующие) элементы как качественных, так и количественных методик.

По способу получения и обработки информационных данных:

• статистические методы, подразумевающие использование для обработки информационных данных количественных (динамических) структурных закономерностей;
• методы аналогий, базирующихся на логических выводах о схожести закономерностей развития различных процессов;
• опережающие методы, характеризующиеся способностью построения прогнозов на основе новейших тенденций и закономерностей развития исследуемого объекта.

Также всю совокупность данных методов можно условно разделить на общие методы прогнозирования и специализированные методы. К общим методам можно отнести те, которые охватывают широкий спектр решения прогностических задач в различных сферах жизнедеятельности.

Примером таких прогнозов могут служить экспертные оценки в разных областях.

С другой стороны, существуют методы, ориентированные лишь на определенную сферу деятельности, как, например, балансовый метод получивший распространение в экономической сфере и ориентированный на информацию бухгалтерского учета.

Краткая характеристика методов прогнозирования

Как уже отмечалось, в прогнозировании на данный момент существует множество методов. К основным методам прогнозирования можно отнести те, которые получили на данный момент наибольшее распространение и применение в различных областях.

• Метод экспертных оценок. Поскольку при решении многих прогнозных задач зачастую недостаточно достоверных формализованных, в том числе математических, данных, этот метод является достаточно популярным. Он основывается на профессиональном мнении опытных экспертов и специалистов в различных сферах с последующей обработкой и анализом проведенных опросов.
• Метод экстраполяции используется при стабильной системной динамике различных процессов, когда тенденции развития сохраняются в долгосрочном периоде и существует возможность их проецирования на будущие результаты. Также данный метод используется для объектов одной сферы деятельности со схожими параметрами, предполагая, что воздействие тех или иных процессов на один объект, вызвавшие определенные последствия вызовут аналогичные результаты и в других подобных объектах. Такое прогнозирование еще называют методом аналогий.
• Методы моделирования. Разработка моделей осуществляется на основе оценки данных об определенных объектах или системах, их элементах и процессах с последующими экспериментальными апробациями построенной модели и внесением в нее необходимых корректировок. На данный момент методы прогнозного моделирования имеют наиболее широкий спектр применения в различных областях от биологии до социально-экономической сферы. В особенности возможности этой методики раскрылись с появлением современных компьютерных технологий.
• Нормативный метод также является одним из основных методов. Он подразумевает подход к составлению прогнозов, ориентированных на конкретные цели и задачи, формулируемые субъектом прогнозирования с установкой определенных нормативных значений.
• Метод сценариев получил распространение при разработке управленческих решений, позволяющих оценить вероятностное развитие событий и возможные результаты. То есть этот метод подразумевает анализ ситуации с последующим определением вероятных тенденций ее развития под воздействием принятия тех или иных управленческих решений.
• Методы Форсайта. Новейшая методика, включающая целый комплекс различных методов и приемов, направленных не только на анализ и прогноз будущего, но и на его формирование.

Статистические методы прогнозирования

Одними из главных методов составления прогнозов являются статистические методы.

Разработанные такими методами прогнозы могут быть наиболее точными при условии полноты и достоверности исходных информационных данных для анализа необходимых количественных и полуколичественных характеристик объектов прогнозирования.

Данные методы являются формой математических приемов прогнозирования, дающих возможность строить перспективные динамические ряды. Статистические методы прогнозирования включают:

Видео:Быстрое прогнозирование в Microsoft ExcelСкачать

• исследование и применение современной математико-статистической методики построения прогнозов на основе объективных данных;
• теоретико-практические исследования в области вероятностно-статистического моделирования экспертных методов прогнозирования;
• теоретико-практические исследования прогнозирования в рисковой среде, а также комбинированных методов симбиоза экономико-математических и эконометрических (в том числе формализованных и экспертных) моделей.

Вспомогательный инструментарий методологии прогнозирования

К вспомогательному инструментарию эвристических методов прогнозирования можно отнести: анкеты, карты, опросные листы, различный графический материал и т. п.

https://www.youtube.com/watch?v=XoxGACJPGQ0

К инструментарию формализованных и смешанных методов относят большой спектр инструментов и приемов вспомогательного математического аппарата. В частности:

• линейные и нелинейные функции;
• дифференциальные функции;
• статистическо-математический инструментарий корреляции и регрессии;
• метод наименьших квадратов;
• матричные приемы, аппарат нейронных и аналитических сетей;
• аппарат многомерной центральной предельной теоремы теории вероятностей;
• аппарат нечетких множеств и др.

Критерии и факторы выбора тех или иных методов при составлении прогнозов

На выбор методов прогнозирования влияют различные факторы. Так оперативные задачи требуют более оперативных методов.

В то же время долгосрочные (стратегические прогнозы) требуют применения методов прогнозирования комплексного всеобъемлющего характера.

Выбор тех или иных методов также зависит от сферы применения, доступности релевантной информации, возможности получения формализованных (количественных) квалификации и технической оснащенности субъектов прогнозирования и т. д.

Основными критериями методики могут служить:

• системный характер при формировании прогнозов;
• адаптивность (вариативность) к возможным параметрическим изменениям;
• обоснованность выбора методики с точки зрения достоверности и относительной точности прогноза;
• непрерывность процесса прогнозирования (если не ставится единоразовая задача);
• экономическая обоснованность — затраты на осуществление процесса прогнозирования не должны превышать эффект от практического применения его результатов, в особенности в экономической сфере.

Примеры эффективного применения существующего прогностического аппарата

Эффективное практическое применение методов прогнозирования, пример которого наиболее распространен на нынешний момент, — их использование в бизнес-среде.

Так наиболее прогрессивные фирмы уже не обходятся без составления прогнозов при осуществлении полноценного планирования своей деятельности.

В данном контексте важными являются прогнозы конъюнктуры рынков, динамики цен, спроса, инновационных перспектив и прочие прогностические показатели вплоть до сезонно-климатических природных колебаний и социально-политического климата.

Кроме этого, существует множество примеров эффективного применения методологии прогнозирования в различных сферах жизнедеятельности человека:

• использование математического моделирования для прогнозирования потенциальных аварийных ситуаций на опасных предприятиях;
• системное эколого-экономическое прогнозирование в разрезе страны и регионов;
• социально-экономическое прогнозирование тенденций развития общества в целом и отдельных его элементов;
• прогнозирование в области квантовой физики, новых биотехнологий, информационных технологий и многих других областях.

Роль методологии прогнозирования в современном мире повышенной неопределенности и глобальных рисков

В заключение необходимо сказать, что методология прогнозирования уже давно полноценно вошла в жизнедеятельность человека, однако наибольшей актуальности она приобретает именно в наши дни.

Данная тенденция связана как с быстрым развитием технологических процессов в мире, так и с повышением неопределенности во внутренней и внешней среде. Многочисленные кризисные явления в экономике, политике, социальной сфере провоцируют усиление рисковой нагрузки во всех сферах деятельности.

Углубление процессов глобализации привели к появлению системных глобальных рисков генерирующих возможный эффект домино, когда проблемы в отдельных корпорациях или странах оказывают серьезное негативное воздействие на экономико-политическое состояние всего мирового сообщества.

Также в последнее время усилились риски, связанные с природно-климатической нестабильностью, большими техногенными катастрофами, военно-политическими кризисами. Все это свидетельствует об особой роли прогнозирования как потенциальных глобальных, так и текущих индивидуальных рисковых явлений в современном мире.

Эффективное системное прогнозирование, отвечающее на современные вызовы, может позволить избежать либо уменьшить последствия от многих угроз и даже трансформировать их в преимущества.

Обзор методов прогнозирования

В данной статье представлен краткий обзор методов прогнозирования. Здесь даны общие определения и дан набор общепринятых методов для построения прогнозных моделей.

Введение в прогнозирование

Модель – это упрощенный образ объекта из реальной жизни, в котором отражаются его наиболее важные характеристики, с точки зрения исследования.

Что такое прогнозирование?

Прогнозирование — это предвидение (предсказание), которое предполагает состояние или описание возможных или желательных аспектов, состояний, решений, проблем будущего.

Прогноз — это результат процесса прогнозирования, выраженный в словесной, математической, графической или другой форме суждения о возможном состоянии объекта и его среды в будущий период времени.

Метод – это сложный прием, упорядоченная совокупность простых приемов, направленных на разработку прогноза в целом; путь, способ достижения цели, исходящий из знания наиболее общих закономерностей.

Методика – определенное сочетание приемов (способов) выполнения прогностических операций, получение и обработка информации о будущем на основе однородных методов разработки прогноза.
Методология прогнозирования – область знания о методах, способах, системах прогнозирования.
Система прогнозирования – это упорядоченная совокупность методик, технических средств, предназначенная для прогнозирования сложных явлений или процессов.

Одна из классификаций методов прогнозирования

Формализованные методы:

• Метод эстраполяции трендов;
• Методы корреляционного и регрессионного анализов;
• Методы математического моделирования.

Экспертные методы прогнозирования:
1. Индивидуальные методы

• Метод составления сценариев;
• Метод «интервью»;
• Метод аналитических докладных записок.

2. Коллективные методы

• Метод анкетных опросов;
• Метод «комиссий»;
• Метод «мозговых атак»;
• Метод «Дельфи».

Экспертиза: анкетирование, интервьюирование, метод мозговой атаки (штурма), метод контрольных вопросов, метод аналитических докладных записок, метод лицом к лицу, метод ситуационного анализа, метод суда, метод «комиссий» («круглого стола»), «дельфийская техника» (метод «Дельфи»)
Фактографические методы: экстраполяция, трендовая модель, тренд-анализ, интерполяция, моделирование, математическое моделирование, сценарии, «прогнозы до абсурда» и пр.
Статистические методы: корреляционный анализ, регрессионный анализ, факторный анализ, распознавание образов, вариационное исчисление, спектральный анализ, цепи Маркова, алгебра логики, теория игр и др.

Прогнозирование продаж

1. Определение тренда (тенденции роста/падения)2. Оценка влияния стратегии компании на развитие тренда3. Применение коэффициентов сезонности4. Построение прогноза продаж

Экстраполяция динамических рядов предполагает, что закономерность развития, действующая в прошлом (внутри ряда динамики), сохранится и в будущем.

Видео:Экстраполяция - научный метод прогнозирования (составление гипотез)Скачать

Тренд (тенденция) — это долговременная тенденция изменения исследуемого временного ряда.
Временной ряд – это числовые значения определенного статистического показателя в последовательные моменты или периоды времени.
Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Регрессионный анализ

Регрессионный анализ — статистический метод исследования влияния одной или нескольких независимых переменных X1,X2,…,Xp на зависимую переменную Y.

Уравнение линейной регрессии Yх = a+b*X, где а и b оцененные коэффициенты регрессии.

Регрессия — функция, позволяющая по средней величине одного признака определить среднюю величину другого признака, корреляционно связанного с первым.

Обзор категорий методов прогнозирования

Прогнозирование — это процесс построение предсказания будущего на основе исторических данных, текущих данных (текущей ситуации) и на основе анализа трендов.

Риск и неопределенность являются центральными факторами для прогнозирования, поэтому в соответствии с лучшими практиками, необходимо указывать степень неопределенности по отношению к прогнозам.

Корректный подход к оценке метода прогнозирования включает несколько этапов. Следует выделить пять важных этапов:

• тщательное изучение природы исследуемого объекта или процесса для выбора адекватного метода прогнозирования;
• выделение двух групп среди доступных данных – для разработки прогнозов и для проверки полученных результатов;
• уточнение исходных данных с целью обнаружения ошибок;
• разработка прогнозов и оценка достоверности полученных результатов;
• использование (интерпретация) полученных результатов и выполнение, при необходимости, уточнения и дополнения прогнозов.

Качественные методы в сравнении с количественными методами

Качественные методы прогнозирования — субъективны, основаны на мнении и суждении потребителей, экспертов. Качественные методы подходят тогда, когда отсутствуют исторические данные. Данные методы применяются, как правило, для среднесрочных и долгосрочных решений.

Примерами качественных методов прогнозирования являются исследование рынка, метод Делфи, историческая аналогия жизненного цикла и т.д.
Количественные модели прогнозирования используются для прогнозирования будущих данных в виде функции от исторических данных.

Они подходят для использования, когда исторические числовые данные доступны и когда ожидается сохранение динамики данных в будущем. Эти методы, как правило, применяются для краткосрочного и среднесрочного прогнозирования.

Примерами количественных методов прогнозирования являются: скользящие средние, экспоненциальное сглаживание, мультипликативные сезонные индексы и т.д.

Метод средних

В данном подходе прогнозирования, все будущие значения принимаются равными средним значениям исторических данных. Этот подход может быть использован для любых исторических данных.
Метод усреднения позволяет разработать прогноз, основываясь на среднем значении прошлых наблюдений.

«Наивный» подход

Наивный метод основан на предположении, что будущее лучше всего характеризуется последними изменениями. Метод основывается на предположении о том, что прогнозируемые показатели в будущем периоде равно показателям предшествующего периода.

Наивный прогноз позволяет работать при отсутствии исторических данных. Наивный прогноз понятен, прост в подготовке, быстр в реализации, не требует, фактически, никаких затрат. Основным недостатком наивного прогнозирования является вероятная низкая точность прогноза.

Метод скользящих средних

Метод скользящих средних является одним из широко известных методов сглаживания временных рядов. Применяя этот метод, можно элиминировать случайные колебания и получить значения, соответствующие влиянию главных факторов.

Сглаживание с помощью скользящих средних основано на том, что в средних величинах взаимно погашаются случайные отклонения. Это происходит вследствие замены первоначальных уровней временного ряда средней арифметической величиной внутри выбранного интервала времени.

Полученное значение относится к середине выбранного интервала времени (периода).Затем период сдвигается на одно наблюдение, и расчет средней повторяется. При этом периоды определения средней берутся все время одинаковыми. Таким образом, в каждом рассматриваемом случае средняя центрирована, т.е.

отнесена к серединной точке интервала сглаживания и представляет собой уровень для этой точки.

https://www.youtube.com/watch?v=v8Nf39DEk18

При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд. Сглаженный ряд короче первоначального на (n–1) наблюдений, где n – величина интервала сглаживания.

Сезонный “наивный” подход

Сезонный наивный метод прогнозирования приравнивает каждый прогнозируемый период равным соответствующему сезону в исторических данных. Например, прогнозируемые величины в апреле будут равны историческим данным за апрель предыдущего года. Данный метод применяется тогда, когда исторические данные характеризуются высоким уровнем сезонности.

Методы временных рядов

Методы временных рядов используют исторические данные в качестве основы для оценки будущих результатов.

• Moving average (Скользящее среднее);
• Weighted moving average (Взвешенная скользящая средняя);
• Kalman filtering (фильтр Калмана);
• Exponential smoothing (Экспоненциальное сглаживание);
• Autoregressive moving average (ARMA) — Авторегрессия скользящего среднего;
• Autoregressive integrated moving average (ARIMA) e.g. Box-Jenkins — интегрированная модель авторегрессии скользящего среднего, например, модель Бокса—Дженкинса;
• Extrapolation (Экстраполяция);
• Linear prediction (Линейное прогнозирование);
• Trend estimation (Оценка тренда);
• Growth curve (statistics) — Кривая роста (статистические данные).

Причинно-следственные методы/эконометрические методы прогнозирования

Некоторые методы прогнозирования пытаются идентифицировать основные факторы, которые могут повлиять на прогноз. Например, информация о погоде может помочь улучшить прогноз продаж зонтиков.
Причинно-следственные методы включают в себя:

• Регрессионный анализ содержит в себе большую группу методов для прогнозирования будущих показателей, сюда входят параметрические методы (линейные и нелинейные) и непараметрические методы.
• Autoregressive moving average with exogenous inputs (ARMAX) — Авторегрессия скользящего среднего с экзогенными входными данными.

Экзогенные переменные — переменные, задающиеся извне, значения которых задаются вне модели.
Эндогенные переменные — переменные, значение которых формируется внутри модели.

Методы экспертных оценок

• Composite forecasts (составные прогнозы)
• Cooke’s method (метод Кука)
• Delphi method (метод Дельфи)
• Forecast by analogy (Прогноз по аналогии)
• Scenario building (Построение сценариев)
• Statistical surveys (Статистическое обследование)
• Technology forecasting (Прогнозирование технологий)

Методы искусственного интеллекта

Методы искусственного интеллекта

• Искусственные нейронные сети
• Групповые методы обработки данных
• Метод опорных векторов

В настоящее время по данной категории активно применяются следующие методы в специализированных программах:

• Data mining (Интеллектуальный анализ данных)
• Machine Learning (Машинное обучение)
• Pattern Recognition (Распознавание образов)

Точность прогнозирования

Рассмотрим наиболее часто рассчитываемые ошибки для прогнозов

• Mean absolute error (MAE) — Средняя абсолютная ошибка
• Mean Absolute Percentage Error (MAPE) — Средняя авбсолютная процентная ошибка
• Mean Absolute Deviation (MAD) — Среднее абсолютное отклонение
• Percent Mean Absolute Deviation (PMAD) — Процент среднего абсолютного отклонения
• Mean squared error (MSE) — Средняя квадратичная ошибка
• Mean squared prediction error (MSPE) — средняя квадратичная ошибка прогноза
• Root Mean squared error (RMSE) — Средняя квадратическая ошибка
• Forecast skill (SS) — Прогноз компетенций
• Average of Errors (E) — Среднее значение всех ошибок

Источники информации

Классификация методов прогнозирования по Э. Тихонову

Моя рабочая Классификация методов и моделей прогнозирования размещена на http://habrahabr.ru/post/177633/.

В настоящем разборе я цитирую абзацы введения и первой главы пособия «Прогнозирование в условиях рынка». Начнем с введения, в котором отмечается следующее.

Видео:Методы прогнозирования спроса и управления запасами. Их преимущества и недостаткиСкачать

Развитие прогностики как науки в последние десятилетия привело к созданию множества методов, процедур, приемов прогнозирования, неравноценных по своему значению.

По оценкам зарубежных и отечественных систематиков прогностики уже насчитывается свыше 100 методов прогнозирования, в связи с чем перед специалистами возникает задача выбора методов, которые давали бы адекватные прогнозы для изучаемых процессов или систем.

В связи с этим очевидна проблема, стоящая перед специалистами, которым требуется выбрать метод прогнозирования.

https://www.youtube.com/watch?v=WkAzQ-Wf_f4

Для тех, кто не является специалистами в прикладной математике, эконометрике, статистике, применение большинства методов прогнозирования вызывает трудности при их реализации с целью получения качественных и точных прогнозов.

При упоминании «100 методов прогнозирования» автор ссылается на свою же работу 2001 года (Бурдо А.И., Тихонов Э.Е.

«К вопросу систематизации методов и алгоритмов прогнозирования») и учебное пособие Владимирова Л.П. «Прогнозирование и планирование в условиях рынка» (2000). Не исключено, что данная оценка является устаревшей. Кроме того, оценку в «100 методов прогнозирования» я нигде, кроме этого учебного пособия, не встречала.

На каких именно зарубежных и отечественных специалистов автор ссылается — мне не ясно.

Двигаемся дальше.

Число базовых методов прогностики (наука о прогнозировании), которые в тех или иных вариациях повторяются в других методах, гораздо меньше. Многие из этих «методов» относятся скорее к отдельным приемам или процедурам прогнозирования, другие представляют набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения.

Базовая классификация методов прогнозирования

Следующий же абзац говорит.

В литературе имеется большое количество классификационных схемметодов прогнозирования. Однако большинство из них или неприемлемы, или обладают недостаточной познавательной ценностью. Основной погрешностью существующих классификационных схем является нарушение принципов классификации.

К числу основных таких принципов, на наш взгляд, относятся: достаточная полнота охвата прогностических методов, единство классификационного признака на каждом уровне членения, открытость классификационной.

Во-первых, непонятно, что имеется в виду под «открытостью классификационной» — пусть эта опечатка, если она таковой является, останется на совести редакторов.

Во-вторых, я лично в своем обзоре методов и моделей прогнозирования встречала довольно мало, если не сказать, что буквально крупицы, именно классификаций. По большей части в современной литературе авторы не предлагают классификации методов или моделей прогнозирования, а делают простое перечисление.

Такое перечисление встречается как PhD работах, например, Jingfei Yang M. Sc. «Power System Short-term Load Forecasting: Thesis for Ph.

d degree» (Germany, 2006), так и в обычных статьях, например, «A Computing Model of Artificial Intelligent Approaches to Mid-term Load Forecasting: a state-of-the-art-survey for the researcher» (2010).

На первом этапе классификации Тихонов делает то, что наиболее часто встречается в предлагаемых классификациях, а именно делит методы прогнозирования на интуитивные и формализованные.

При этом он разносит интуитивные и формализованные методы основываясь на следующем принципе.

В выборе методов прогнозирования важным показателем является глубина упреждения прогноза.

При этом необходимо не только знать абсолютную величину этого показателя, но и отнести его к длительности эволюционного цикла развития объекта прогнозирования.

Для этого можно использовать предложенный В. Белоконем безразмерный показатель глубины (дальности) прогнозирования (τ)

     τ = Δt/t,

где Δt — время упреждения; t — величина эволюционного цикла объекта прогнозирования.Формализованные методы прогнозирования являются действенными, если величина глубины упреждения укладывается в рамки эволюционного цикла (τ > 1), то при комплексировании систем прогнозирования большее значение имеют интуитивные методы.

Мне лично кажется, что проще и понятнее выполнять деление методов прогнозирования на интуитивные и формализованные на следующем основании: если в методе применяются модель (то есть математическая зависимость будущего значения от прошлого), то метод формализованный; если не применяется — то интуитивный. Дело в том, что в приложении рассматриваемого пособия приведены значения временных рядов длинной от нескольких десятков до нескольких сотен значений. Не думаю, что оценка глубины времени упреждения τ может быть достоверно определена для сложного временного ряда, имеющего 100 000 значений.

Интуитивные методы прогнозирования

Следующим шагом интуитивные методы прогнозирования автор делит на индивидуальные и коллективные (групповые).

Метод коллективных экспертных оценок

Методы коллективных (групповых) экспертных оценок уже можно отнести к комплексным системам прогнозирования (обычно неполным), поскольку в последних сочетаются методы индивидуальных экспертных оценок и статистические методы обработки этих оценок.

Но так как статистические методы применяются во вспомогательных процедурах выработки прогнозной информации, на наш взгляд, коллективные экспертные оценки целесообразнее отнести к сингулярным методам прогнозирования.

По мнению Тихонова коллективные экспертные методы прогнозирования включают

• метод анкетирования,
• метод «комиссий»,
• метод «мозговых атак»,
• метод программного прогнозирования,
• метод эвристического прогнозирования,
• коллективная генерация идей.

Метод индивидуальных экспертных оценок

В группу индивидуальных экспертных оценок можно включить (принцип классификации – способ получения прогнозной информации) следующие методы: метод «интервью», аналитические докладные записки, написание сценария.

Признаться, что до момента подробного разбора материала «Armstrong J.S. Forecasting for Marketing» я не возьмусь комментировать такого рода деление.

https://www.youtube.com/watch?v=pr-tyrS3uqI

По мнению Тихонова индивидуальные экспертные методы прогнозирования включают

• метод «интервью»,
• аналитические докладные записки,
• метод сценариев.

Формализованные методы прогнозирования

Далее Тихонов переходит к разбору формализованных методов прогнозирования.

Видео:Математические методы прогнозирования объемов продаж — Константин ВоронцовСкачать

Класс формализованных методов в зависимости от общих принципов действия можно разделить на группы экстраполяционных, системно-структурных, ассоциативных методов и методов опережающей информации.

Признаюсь, что мне такая классификация вовсе не нравится: громоздко и слабо обоснованно.

Во-первых, автор не дал определения ни одной группе и не указал единого классификационного признака, которое положено в основу предложенного деления на группы. Причем двумя страницами выше Тихонов говорит о том, что «в основу классификации должен быть положен единый классификационный признак». Таким образом выходит, что автор противоречит сам себе.

Во-вторых, для меня остается чрезвычайно туманным термин методы экстраполяции. Методом является набор действий, совершаемых с временным рядом с целью получения прогнозных значений этого ряда.

Экстраполяция — есть определение значений временного ряда за пределами его фактических значений.

В рамках задачи прогнозирования временных рядов понятия «процесс прогнозирования» и «процесс экстраполяции» эквивалентны.

Здесь более корректно говорить о формализованном методе прогнозирования временного ряда с привязкой к конкретной модели прогнозирования. Например, метод прогнозирования на базе моделей ARIMAX содержит в себе шаги, подробно описанные в книге Бокса-Дженкинса.

Классификационная схема формализованных методов прогнозирования Тихонова

В пособии представлена следующая классификационная схема формализованных методов прогнозирования. Я ее считаю совершенно безалаберной и многие, занимающиеся прогнозированием, возможно со мною согласятся. Однако в этой классификационной схеме указаны такие методы прогнозирования, которых я больше нигде не встречала. Так что публикую ее более для полноты картины.

По мнению Тихонова, формализованные экстраполяционные методы прогнозирования включают

По мнению Тихонова, формализованные системно-структурные методы прогнозирования включают

• функционально-иерархические,
• метод морфологического анализа,
• матричный метод,
• сетевое моделирование,
• методы структурной аналогии,
• граф и дерево цепей,
• прогнозный сценарий.

По мнению Тихонова, формализованные математические методы прогнозирования включают

• корреляционный и регрессионный анализ,
• метод группового учета аргументов,
• факторный анализ,
• распознавание образов,
• вариационные методы,
• спектральный анализ,
• цепи Маркова,
• математическая логика,
• моделирование стационарных процессов,
• моделирование нестационарных процессов.

По мнению Тихонова, формализованные ассоциативные методы прогнозирования включают

• метод имитационного моделирования,
• историко-логический анализ,
• методы теоретического распознавания образов,
• нейросетевое прогнозирование,
• интеллектуальный анализ данных.

По мнению Тихонова, формализованные методы опережающей информации включают

• анализ потока публикаций,
• оценка значимости изобретений,
• анализ патентной информации.

Резюме

1. Работа Тихонова является одной из наиболее широких в части обзора методов прогнозирования на русском языке. По итогам изучения его материала у меня сложилось мнение, что автор пытался классифицировать не только методы прогнозирования временных рядов, а какие-то еще методы прогнозирования чего-то еще (явлений, событий, тенденций), представленного абстрактно.
2. Базовая классификация, приведенная им, в целом общепринятая. Разделение методов на интуитивные и формализованные встречается как в рассмотренных мною ранее лекциях о прогнозировании в налогообложении, так и в западных публикациях, указанных в диссертации.
3. Разработанная Тихоновым классификационная схема для интуитивных методов нуждается в проверке и сравнении ее с аналогичными схемами западных авторов. Возможно, я это сделаю в одной из следующих своих записей.
4. Разработанная классификационная схема формализованных методов прогнозирования, говоря по-русски, не лезет ни в какие ворота. Вероятно, принимать ее в расчет в разработке общей классификации методов прогнозирования я буду минимально.

Электронный учебный курс: Изучение и прогнозирование спроса на товары и услуги

Методы научного прогнозирования

1. Классификация методов прогнозирования.
2. Статистические методы, используемые в прогнозировании.

а) использование корреляции в прогнозировании;
б) использование регрессии в прогнозировании.

3.  Экспертные методы прогнозирования.

а) область применения;
б) метод экспертных оценок «Дельфи».

1. Классификация методов прогнозирования

Метод прогнозирования – способ теоретического и практического действия направленный на разработку прогноза.
Это определение является общим и достаточно широким, т.е. данный термин от простейших экстраполяционных расчетов до сложных процедур экспертных оценок.

Различают простые и сложные методы прогнозирования. Под простым понимается метод неразложимый на еще более простые методы прогнозирования. Соответственно сложный или комплексный – это метод состоящий из взаимосвязанной совокупности нескольких простых.

Существует два основных типа классификации:

1. Последовательная.
2. Параллельная.

При последовательной классификации происходят основные моменты:

• основание деления, т.е. признак, должен оставаться одним и тем же при образовании любого видового понятия.
• объемы видовых понятий должны исключать друг друга.
• объемы видовых понятий должны исчерпывать объем рядового понятия.

Параллельная классификация предполагает сложное информационное основание, состоящее не из одного, а из целого ряда признаков, каждый из которых существенен, всем вместе присущи предмету, и только их совокупность дает исчерпывающее представление о каждом классе. Представленная на рис.

2  классификация методов прогнозирования является классификацией последовательного типа, имеющей целью наглядное представление в виде иерархического дерева совокупности методов современного прогнозирования как некоторой системы.

На первом уровне все методы делятся на три класса по признаку «информационное основание метода». Фактографические методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии.

Экспертные методы базируются  на информации, которую поставляют эксперты в процессе систематизированных процедур выявления и обобщения этого мнения. Комбинированные методы выделены в отдельный класс, поскольку к ним относят методы со смешанной информационной основой.

Не следует к комбинированным методам относить те методы прогнозирования, которые к экспертной исходной информации применяют математические  методы обработки или исходную фактографическую информацию оценивают экспертным путем.

Рис. 2. Последовательная классификация методов прогнозирования

1 – экстраполяция и интерполяция; 2 – регрессия и корреляция; 3 – факторные модели; 4 – математические аналогии; 5 – исторические аналогии; 6 – исследования динамики НТИ; 7 – исследования уровня техники; 8 – опрос; 9 – анализ; 10 – метод Дельфи; 11 – эвристический; 12 – опрос; 13 – генерация идей;

14 – игровые модели.

https://www.youtube.com/watch?v=htCi-u-CwDI

Видео:Видеолекция 5-6 - 6 часть - Метод экстраполяцииСкачать

Экспертные методы разделяются на два подкласса. Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов при отсутствии воздействий на мнение каждого эксперта мнения другого эксперта и мнения коллектива.

Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. Экспертные оценки с обратной связью воплощают принцип обратной связи путем воздействия на оценку экспертной группы мнением, полученным ранее от этой группы или от одного из ее экспертов.

Экспертные оценки с обратной связью с воем аппарате имеют три вида методов: экспертный опрос, генерацию идей, игровое моделирование.

2. Статистические методы, используемые в прогнозировании

Статистические методы объединяют совокупность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математических взаимосвязей характеристик с целью получения прогнозных моделей.

Методы экстраполяции тенденций являются самыми распространенными и наиболее разработанными среди всей совокупности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих – регулярной и случайной.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки исходного числового ряда с целью преобразования его к виду, удобному для прогнозирования.

предварительная обработка исходного числового ряда направлена на решение следующих задач: снизить влияние случайной составляющей в исходном числовом ряду, снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

  Метод непосредственной экстраполяции – наиболее простой способ прогноза. Основан на изучении динамики изменения экономического явления в определенном периоде и перенесения выявленной закономерности на будущее.

Достоинство метода состоит в его универсальности, а недостаток – в необходимости проведения большего числа наблюдений, что ведет к снижению достоверности прогноза. Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса.

Наиболее распространен способ осреднения уровня от некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем называется скользящей средней.

Сглаживание даже в простом линейном варианте является во многих случаях эффективным средством выявления тренда при наложении на эмпирический ряд случайных помех и ошибок измерения. Для рядов со значительной амплитудой помехи имеется возможность проводить многократное сглаживание исходного числового ряда.

Эффективность этой процедуры быстро уменьшается, поэтому целесообразно повторять ее от одного до трех раз. Если сглаживание направлено на первичную обработку числового ряда для исключения колебаний и выявления тренда, то выравнивание служит целям более удобного представления исходного числового ряда, оставляя прежними его значения.

Можно рассматривать выравнивание и как метод непосредственного приближенного определения параметров функции, аппроксимирующей исходный числовой ряд.  В том случае. Если вид функции неизвестен, выравнивание следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и приемов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд.  Достоинством метода наименьших квадратов является относительная простота реализации, метод сглаживает случайные шумы при описании тренда, позволяет получить несмещенные и состоятельные оценки всех параметров. Две случайные величины являются корреляционно связанными, если математическое ожидание одной из них меняется в зависимости от изменения другой. Применение корреляционного анализа предполагает выполнение следующих предпосылок:

1. Следующие величины

Y (Y1, Y2, . . . Yn)
X (X1, X2, . . . Xn)

могут рассматриваться как выборка из двумерной генеральной совокупности с нормальным законом распределения.

2. Ожидаемая величина погрешности  равна 0.

3. Отдельные наблюдения стохастически независимы, т.е.значение данного наблюдения не должно зависеть от значения предыдущего и последующих наблюдений.

4. Ковариация между погрешностью и каждой из независимых переменных равна 0.

5. Дисперсия ошибки связанная с одним значением Y равно дисперсии ошибки связанной с другим значением Y.

6. Ковариация между погрешностью и каждой из независимых переменных равна 0.

7. Непосредственная применимость данного метода ограничивается случаями когда уравнение кривой является линейным относительно своих параметров B0,B1,. . .Bk.

8. Наблюдение независимых переменных производится без погрешности, т.е. перед началом корреляционного анализа необходимо проверить выполнение всех предпосылок.

https://www.youtube.com/watch?v=DhXvNRWBHRE

Связь между случайной и неслучайной величиной является регрессионной, если обязательно выполняется 2,3,4,5,6,7,8 предпосылки. Соответственно корреляционной считается связь,  если выполняются все предпосылки.

По степени комплексности статистические исследования делятся на двумерные и многомерные. Первые касаются рассмотрения парных взаимосвязей между элементами, называются парная корреляция и парная регрессия.

И направлены прогнозные исследования на решение следующих задач:

• Установление количественной меры тесноты связи между двумя случайными величинами.

• Установление близости этой связи к линейной.

• Оценка достоверности.

• Оценка точности прогноза и проверка по факту.

Многомерные методы статистического анализа направлены на решение задач системного анализа многомерных стохастических объектов прогнозирования.

Целью такого анализа является выявление внутренних взаимосвязей между переменными, построение многомерных функций связи переменных, выделение минимального числа характеристик описывающих объект с достаточной степенью точности.

Таким образом, статистические методы используются в основном для подготовки данных, приведения их к виду, пригодному для производства прогноза.

Корреляционный и регрессионный анализ

Пусть имеется два множества случайных переменных,

X=X1. . .Xn
Y=Y1. . .Yn

относительно которых имеется предположение о наличии взаимной связи линейного характера со случайным отклонением.

В данном случае коэффициент корреляции будет равен

Видео:Бейсенова М У Прогнозирование и планированиеэкономики Методы прогнозирования и планированияСкачать

Коэффициент корреляции определяет степень рассеивания эмпирических точек от линейной зависимости следующего вида

,
, ,
,
.

Если r=0, то тогда корреляционная связь между y и x отсутствует. Если r=1 , то y растет линейно с ростом x. Если r= -1 то y убывает линейно с ростом x.

Видео

Прогноз в ExcelСкачать

Введение в прикладную геостатистику: интерполяция, экстраполяция, аппроксимацияСкачать

Прогнозирование в Excel с помощью линий трендаСкачать

Простой прогноз продаж в Excel с учетом сезонностиСкачать

Прогнозирование с помощью инструментов MS Excel | ИРТС | Морозова ДарьяСкачать

Ю.И. Журавлев. Математические методы прогнозированияСкачать

Прогнозирование и оценка эффективности промоСкачать

Лекция 9. Прогнозирование на основе регрессионной моделиСкачать

Прогнозирование в Microsoft ExcelСкачать

ЭкстраполяцияСкачать

МЕТОДЫ ПРОГНОЗИРОВАНИЯ в астрологии | Обучение прогнозированию с астрологом Еленой НегрейСкачать

Мастер-класс «Астрологический метод прогнозирования Дирекции»Скачать

«Временные ряды: почему прогнозирование — это сложно». Александр Кондофуров, AltexSoftСкачать

Прогрессии – астрологический метод прогнозаСкачать