для получения достоверных данных о распределении какой либо случайной величины необходимо иметь

Экспериментальные данные

Чтобы получить достаточно достоверные данные о распределении случайной величины, необходимо иметь выборку ее наблюдений достаточно существенного объема. Выборка наблюдений зависимой переменной Y и объясняющих переменных Xj является основой любого эконометрического исследования.

Зачастую, число наблюдений n достаточно велико (десятки, сотни) и значительно превышает число объясняющих переменных. Проблема, заключается в том, что наблюдения yi рассматриваемые в разных выборках как случайные величины Yi и получаемые при различных наборах значений объясняющих переменных Xj, имеют различное распределение. Это означает, что для каждой случайной величины Yi имеется лишь одно наблюдение. Понятно, что на основании одного наблюдения разумного вывода о распределении случайной величины сделать нельзя, и нужны дополнительные предположения.

Типы выборочных данных в эконометрике

Пространственная выборка

Пространственная выборка или пространственные данные (cross-sectional data). В эконометрике под пространственной выборкой понимают набор показателей экономических переменных, полученных в данный момент времени. Для эконометрики такое определение не очень правильно — из-за неоднозначности понятия «момент времени». Это может быть день, неделя или год. Очевидно, о пространственной выборке имеет смысл говорить в том случае, если все наблюдения получаются примерно в неизменных условиях, т. е. представляют собой набор независимых выборочных данных из некоторой генеральной совокупности. Таким образом, будем называть пространственной выборкой серию из n независимых наблюдений (p+1)-мерной случайной величины.

В вопросе определения, является ли выборка серией независимых наблюдений — нет однозначного ответа. Формальное определение независимости случайных величин, зачастую, оказывается реально непроверяемым. Обычно за независимые принимаются величины, не связанные причинно. Однако на практике не всегда вопрос о независимости оказывается бесспорным.

Пусть У — цена машины, X — год выпуска, а (X1, Y1),…, (Xn, Yn) — серия данных, полученная из газеты. Можно ли считать эти наблюдения независимыми?

Различные продавцы не знают друг друга, они дают свои объявления независимо друг от друга, так что предположение о независимости наблюдений выглядит весьма разумно. С другой стороны, продавец, назначающий цену за свой автомобиль, руководствуется ценами предыдущих объявлений в журналах и газетах, так что и возражение против независимости наблюдений также имеет право на существование.

Из вышесказанного можно сделать вывод, что решение о пространственном характере выборки в субъективно и связано с условиями используемой модели. Впрочем, то же самое можно сказать о многих предположениях, которые делаются в мат. статистике. Итак, эконометрическая модель, построенная на основе пространственной выборки экспериментальных данных выглядит так: Ух =f(Xi) + ei

где ошибки регрессии удовлетворяют условиям

Что касается последнего условия, то здесь возможны два случая:

а) сигма квадрат i = j. Свойство постоянства дисперсий ошибок регрессии называют гомоскедастичностъю. В данном случае распределения случайных величин Yi отличаются только значением математического ожидания (объясненной части);

б) сигма квадрат i не равно j. В этом случае наблюдается гетероскедастичностъ модели. Гетероскедастичность «портит» массу результатов статистического анализа и, зачастую, требует устранения.

Как определить, является ли изучаемая эконометрическая модель гомо- или гетероскедастичной? — В некоторых случаях это достаточно очевидно. Например, цена автомобиля, которому пятнадцать лет, вряд ли может подняться выше 100000 руб., так что стандартная ошибка цены в этом случае вряд ли может быть больше, чем 15000 руб., автомобиль, которому два года, может стоить и 500000 руб., т.е. стандартная ошибка заведомо не меньше 50000 руб.

Однако во многих случаях гетероскедастичность модели далеко не столь очевидна.

Временные ряды

Временным (динамическим) рядом (time-series data) называется выборка наблюдений, в которой важны не только сами наблюдаемые значения случайных величин, но и порядок их расположения друг за другом. Как правило, упорядоченность обусловлена тем, что экспериментальные данные представляют собой серию наблюдений одной и той же случайной величины в последовательные моменты времени.

В этом случае динамический ряд называется временным рядом. При этом предполагается, что тип распределения случайной величины остается одинаковым (например, нормальным), но параметры его меняются в зависимости от времени.

Модели временных рядов, обычно, оказываются сложнее моделей пространственной выборки, так как наблюдения случайной величины в последовательные моменты времени. В этом случае динамический ряд называется временным рядом. При этом предполагается, что тип распределения случайной величины остается одним и тем же (например, нормальным), но параметры его меняются в зависимости от времени.

Модели временных рядов, как правило, оказываются сложнее моделей пространственной выборки, так как наблюдения в случае временного ряда не являются независимыми, а это значит, что ошибки регрессии могут коррелировать друг с другом.

Источник: Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник для вузов, 2002. — 311 с

Источник

Эконометрическая модель и экспериментальные данные

Чтобы получить достаточно достоверные и информативные данные о распределении какой-либо случайной величины, необходимо иметь выборку её наблюдений достаточно большого объёма. Выборка наблюдений зависимой переменной Y и объясняющих переменных X_j (j=1,…,p) является отправной точкой любого эконометрического исследования.

Такие выборки представляют собой наборы значений (x_i1,…,x_ip;y_i), где i=1,…,n; p – количество объясняющих переменных, n – число наблюдений.

Как правило число наблюдений n достаточно велико (десятки, сотни) и значительно превышает число р объясняющих переменных. Проблема, однако, заключается в том, что наблюдения у_i, рассматриваемые в разных выборках как случайные величины Y_i и получаемые при различных наборах значений объясняющих переменных Х_j, имеют, вообще говоря, различное распределение. А это означает, что для каждой случайной величины Y_i мы имеем всего лишь одно наблюдение. Разумеется, на основании одного наблюдения никакого адекватного вывода о распределении случайной величины сделать нельзя, и нужны дополнительные предположения.

Рассмотрим два типа выборочных данных используемых на практике: пространственная выборка (cross-series data) и временные ряды (time series data).

Пространственная выборка или пространственные данные. В экономике под пространственной выборкой понимают набор показателей экономических переменных, полученных в данный момент времени. Очевидно, о пространственной выборке можно говорить в том случае, если все наблюдения получены примерно в неизменных условиях, то есть представляют собой набор независимых выборочных данных из некоторой генеральной совокупности.

Таким образом, мы будем называть пространственной выборкой серию из n независимых наблюдения (р+1) – мерной случайной величины (X₁,…,X_p;Y). (При этом в дальнейшем можно не рассматривать Х_j как случайные величины). В это случае различные случайные величины Y_i оказываются между собой независимыми, что влечёт за собой некоррелированность их возмущений, то есть r(ε_i, ε_j)=0 при i=j, где r(ε_i, ε_j) – коэффициент корреляции между возмущениями ε_i и ε_j.

Это условие значительно упрощает модель и её анализ.

Как определить, является ли выборка серией независимых наблюдений? – на этот вопрос нет однозначного ответа. Формальное определение независимости случайных величин, как правило, оказывается реально непроверяемым. Обычно за независимые принимаются величины, не связанные причинно. Однако на практике далеко не всегда вопрос о независимости оказывается бесспорным.

Итак, эконометрическая модель, построенная на основе пространственной выборки экспериментальных данных (х_i,y_i) имеет вид:

Что касается условия D(ε_i)=σ 2 _i, то здесь возможны два случая:

а) σ 2 _i= σ 2 _j при всех i и j. Свойство постоянства дисперсий ошибок регрессии называется гомоскедантичностью. В этом случае распределения случайных величин Y_i отличаются только значением математического ожидания (объяснённой части);

б) σ 2 _iσ 2 _j. В этом случае имеет место гетероскедастичность модели. Гетероскедастичность «портит» многие результаты статистического анализа и, как правило, требует устранения.

Временной (динамический) ряд. Временным (динамическим) рядом называется выборка наблюдений, в которой важны не только сами наблюдаемые значения случайных величин, но и порядок их следования друг за другом. Чаще всего упорядоченность обусловлена тем, что экспериментальные данные представляют собой серию наблюдений одной и той же случайной величины в последовательные моменты времени. В этом случае динамический ряд называется временным рядом, предполагается, что тип распределения наблюдаемой случайной величины остаётся одним и тем же (например, нормальным), но его параметры меняются в зависимости от времени.

Модели временных рядов, как правило, оказываются сложнее моделей пространственной выборки, так наблюдения в случае временного ряда, вообще говоря, не являются независимыми, а это значит, что ошибки регрессии могут коррелировать друг с другом, то есть условие r(ε_i, ε_j)=0 при i=j, вообще говоря, не выполняется. Не выполнение его значительно усложняет статистический анализ модели.

Эконометрика изучает количественные и качественные характеристики экономических объектов и процессов с помощью математических и статистических методов.

Экономический объект имеет ряд факторов:

— структура объекта: объект может быть сложным и большим.

Сложный объект – внутри объекта существуют подразделения, которые взаимодействуют между собой. Например, производство и сбыт готовой продукции, материально-техническое обеспечение производства и др.

Большой объект — это такая система (объект), в котором состояние этой системы зависит от деятельности людей, коллектива.

Любой экономический объект является большим и сложным.

— Показатели (величины) подразделяются на:

Всегда имеют размерность, т.е. они выражены в конкретных единицах измерениях:

Абсолютные показатели подразделяют на:

o Натуральные (килограмм, тонна, метр и др.)

o Стоимостные (цены, сопоставимые цены)

o Трудовые (человеко-часы, человеко-дни, машино-часы).

Используются в сравнительном анализе, обобщении и синтезе.

Относительные показатели получают путем сопоставления двух статистических величин.

· Внешняя среда: Законодательные акты, кредиты, поставщики, потребители, государственные органы, рыночная конъюнктура.

· Внутренняя среда включает подобъекты и подразделения.

1. Производственная деятельность

Выпуск продукции и оказание услуг

2. Хозяйственная деятельность

3. Инвестиционная деятельность, связанная с развитием предприятия

4. Финансовая деятельность

— опосредует – выражает результат остальных видов деятельности

— может быть самостоятельной, в сегодняшних условиях любое предприятие ведет самостоятельную финансовую деятельность (решение взять кредит и др.)

5. Управленческая деятельность

Следственная связь между факторами и состояниям объекта:

Ê – эффект (результат, выражаемый в стоимостных единицах).

Ê – эффект (результат, выражаемый в стоимостных единицах).

C_{0 –} текущее состояние

С_{ж –} желаемое состояние

З_к – затраты по к-ой траектории, по которой совершается переход от фактического состояния желаемому.

Выбор наиболее предпочтительной траектории перехода из одного состояния происходит из экономических соображений.

Для этого вводится показатель эффективности

Е_к = , кЄ К

r – Наиболее предпочтительная траектория rЄК

Данное уравнение требует установления причинно-следственных связей между факторами и состояниями.

Эконометрика включает в себя методы, модели, которые используются для получения количественных оценок при решении экономических задач.

Это могут быть задачи:

— связанные с оценкой степени взаимосвязи между факторами

Метод – способ решения.

Модель – аналог, какого-либо реально объекта (частный случай для решения)

Заключение – до 5 мин.

В данной лекции рассмотрены вопросы по эконометрике. Эконометрика

затрагивает следующие вопросы: случайные величины; система случайных величин и случайные функции: корреляционный, дисперсионный и регрессионный анализ; определение значимости оценок статистических показателей и их доверительных интервалов; одновременные (взаимосвязанные) уравнения; динамические ряды; методы их обработки и прогнозирования. Ответить на вопросы студентов.

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет

Источник

Эконометрика

Наиболее распространённым в эконометрике методом является метод Монте-Карло.

Метод Монте-Карло, в конечном счете, заключается в том, что многократно повторяется расчет экономический по сымитированным моделям.

Метод имитации очень принятый метод в эконометрике.

Специфика экономических данных

Поскольку значительный блок эконометрического инструментария составляют методы математической статистике, поскольку эти методы связаны с вероятностной природой данных, то этот инструментарий применим только в случае соблюдения условий «статистического ансамбля», то есть много кратного воспроизведения эксперимента, наблюдения, в идентичных условиях.

Но для большинства явлений в экономике такое требование не соблюдается и поэтому экономические процессы развиваются по уникальной траектории. Поэтому экономические данные, которые собираются для эконометрических исследований, должны иметь следующие особенности:

1) Многие экономические показатели не отрицательны. Их надо описывать не отрицательными случайными величинами

2) По сравнению с другими науками, в экономике доля не числовых данных существенно выше, поэтому к ним легче применять методы статистики объектов не числовой природы (по цветы, по гамме, по запаху)

3) Неопределенность в экономике корректно описывается не только в терминах вероятностно-статистических моделей, но и в терминах других наук, в частности математика и статистика интервалов.

Как применяется Эконометрика на практике.

Выделяют два направления применимости:

для прогноза экономических показателей состояния и развития анализируемой системы;

Имитация различных возможных сценариев социально-экономического развития, Когда статистически выявленные взаимосвязи между различными характеристиками используются для прослеживания того, как возможные изменения в параметрах повлияют на характеристики нашего числового ряда.

Существует множество специализированного программного продуктов для специализированных эконометрических исследований (Статистика; Математика; Матлаб; Маткаб). По этим программам существенно упростилась задача решения экономических моделей.

Основные ученные: Р. Фриш, Я. Тинберген, Э. Маленво, Тинтнер

Наши ученые: Слуцкий, Антарович.

Возникновение эконометрического метода 17 век. Книга: политическая арифметика, В. Петти и Е. Линг. Занимались налогообложением, торговлей и финансами.

Середина 19 века. Пирсон.

Законы заработной платы, эссе по статистической экономике. Мурр.

Маршалл. Анализ макроэкономических проблем на основе временных рядов.

Построение экономических барометров.

Основные аспекты эконометрического моделирования

Вопросы: постановка задачи эконометрического моделирования.

Основные математические предпосылки эконометрического моделирования

Эконометрическая модель и экспериментальные данные

Линейная регрессионная модель

Система одновременных моделей

Основные этапы и проблемы эконометрического моделирования

Рассмотрим следующую ситуацию. Допустим, мы хотим продать автомобиль. Решили дать объявление в газете. Какую цену указать в объявлении.

Есть и случайные факторы: возможные сроки продажи автомобиля, потребность продавца в конкретной сумме, характер продавца и другие, случайные величины.

Менеджер крупного салона по торговле автомобилями на вторичном рынке захочет иметь точное представление об ожидаемой цене.

Общим моментом для любой эконометрической модели является разбиение любой переменной на наблюдаемые зависимые переменные и объясняющие переменные, которые разбиваются на объясненную часть, зависящая от значение объясняющих переменных и на случайные составляющие.

Предположим, что цену автомобиля определили и получили следующее выражение

Как формируется цена или рассматриваемая общая экономическая переменная. Во вторых полученная структура дает возможность выявить влияние каждой из объясняющих переменных на цену автомобиля. То есть, если икс один и икс два по нулю, то восемнадцать тысяч это цена нового автомобиля.

Результат позволяет прогнозировать цену на автомобиль, если известные его основные параметры.

Математические предпосылки эконометрического моделирования.

Пусть имеется p объясняющих переменных х

Х1,х2. хр и зависимая переменная у

Если случайная величина икрек не прерывна, то можно считать, что ее распределение при каждом допустимом наборе факторов х1. хр имеет условную плотность

Обычно в эконометрических исследованиях делается предположение относительно распределения у. Предполагается, что условное распределение при каждом допустимом расположение факторов нормальное.

Но можно отпустить предположение о нормальном.

Объясняющие переменны икс житые, могут считаться как случайными, так и детерминированными, принимающими определенные значения.

Например, мы можем заранее для себя определить параметры автомобиля и искать объявления о продаже автомобиле именно с такими параметрами. В этом случае не управляемой случайно величиной остается только зависимая переменная цена. А можем случайным образом выбрать объявление о продаже и тогда объясняющая переменная иксы и параметры при них так же оказываются случайными величинами. Классическая эконометрических модель рассматривает икс житое как детермированное, а объяснённая часть игрек представляет собой функцию от значений факторов объясняющих переменных. Таким образом, модель в классическом виде имеет вид

Наиболее естественным выбором объясненной части игрек является ее среднее значение, то есть условное математическое ожидание, полученное при данном наборе значений объясняющих переменных иск житое

При таком выборе сама модель будет иметь вид

Эпсилон в этом случае является возмущением или ошибкой. В курсе математической статистике это уравнение называется уравнением регрессионной модели. Отметим, что эконометрическая модель не обязательно является регрессионной, то есть объяснённая часть не всегда представляет собой условное математическое ожидание зависимой переменной.

Систематические ошибки измерения объясняющих переменных являются одной из возможных причин того, что эконометрическая модель не будет регрессионной.

С математической точки зрения регрессионные модели оказываются существенно более простыми объектами, чем эконометрическая модель общего типа. Рассмотрим некоторые свойства регрессионной модели

Возьмем от обеих частей математическое ожидание при заданном наборе значений. В этом случае математическое ожидание от игрека это числовая величина, равная своему математическому ожиданию.

То есть и математическое ожидание такой случайной ошибки тоже равно нулю. То есть в регрессионной модели ожидаемые значение ошибки тоже равно нулю. Отсюда следует, что случайные ошибки и объясняющие переменные икс не коррелируются друг с другом и это обстоятельство позволяет считать полученные количественные результаты состоятельными. То есть готовыми к вычислениям и получению результатов

Чтобы получить достаточно достоверные и информативные данные о распределение какой-либо случайной величины, необходимо иметь выборку ее определений достаточно большого объема, поскольку эта выборка зависимых и объясняющих переменных является главными в любом эконометрическом исследовании.

Как выясняется, проблема заключается в том, что наблюдение игрек итое, получаемые как случайные величины, часто получают различные наборы иск итых.

В классическом курсе эконометрики рассматривается два типа данных. Пространственные данные. И временной динамический ряд.

В экономике под пространственной выборкой понимают набор показателей экономических переменных, полученных в данный момент времени. Таким образом, мы будем называть пространственной выборкой серию из эн независимых наблюдений случайной величины икс житое игрек, игрек итое, входящее в игрек отзываются между собой независимыми, то есть коэффициент корреляции между эпсилон итое и эпсилон житое равен нулю’ то есть они не коррелированы. Как определить является ли выборка серией независимых наблюдений. На практике на этот вопрос нет однозначного ответа, и, обычно, за независимые принимаются величины, не связанные между собой причинным образом.

Рассмотрим на примере продажи машины. Продавцы дает независимые данные и поэтому можно предположить, что они независимые. Но он смотрит на прежние цены, поэтому нельзя сказать, что они независимые. Поэтому в пространственной выборке сложно соответствовать теории. Поэтому мы руководствуемся условиями временным рядом (это выборка наблюдений, в которой важны не только сами наблюдаемые значения случайных величин, но и порядок их следования друг за другом). Чаще всего на практике эти данные являются серией наблюдений одной и тоже случайно величины в последовательные моменты времени. То есть они являются динамическими временными рядами. При этом предполагается, что тип наблюдения один и тот же, например нормальный. Но в зависимости от времени его параметры меняются. Модели временных рядов, как правило, оказываются сложнее моделей пространственной выборки, так как наблюдения во временных рядах не являются независимыми, а, следовательно, их ошибки могут коррелироваться друг с другом. А это лишь усложняет анализ модели. Поэтому имея только ряд наблюдений, не зная его природы, невозможно определить, перед нами пространственная выборка или временной ряд.

Пусть, например, имеется пятьсот пар чисел. Икс года выпуска, а игреки цена автомобиля. Данные взяли из какого-то статистического сборника. Тогда тут возможны следующие варианты. Н газет было упорядоченно по дате выпуска, а из каждой газеты было выбрано по одному объявлению. А может быть, что газеты были перемешены. И мы, не глядя на дату, выбрали объявления. В этом случае можно считать, что наша выборка пространственная. Но при этом возможно случайным образом, что мы получили один и тот же набор случайных данных.

Парный регрессионный анализ.

1). Функциональная, статистическая и корреляционные зависимости

2) Линейная, парная репрессия.

3) коэффициент корреляции

4) некоторые оценки функции регрессии.

Методы и модели регрессивного анализа занимают центральное место в экономическом аппарате эконометрики. В практике экономических исследований имеющиеся данные не всегда можно считать выборкой, соответствующей классификации представительная или репрезентативная.

В этих случаях пытаются определить кривую, которая дает наилучшее по методу наименьших квадратов, приближение к исходным данным. Вот эти методы приближения получили название регрессионного анализа. Задачами регрессионного анализа является установление формы зависимости между переменными, оценка функции регрессии и оценка неизвестных значений (прогноз) зависимой переменной.

В естественных науках часто речь идет о функциональной зависимости, связи, когда определенному значению одной переменной соответствует значение другой.

В экономике в большинстве случаев между переменными величинами существуют зависимости такие, когда каждому значению одной переменной соответствует множество возможных значений другой переменной. Формально говорят так: каждому значению одной переменной соответствует определенное распределение другой переменной.

Эта зависимость получила название статистической или стохастической вероятностной. Возникновение этого понятия статистической связи вызвана тем, что зависимая переменная подвержены влиянию ряда неконтролируемых или неучтенных факторов, а так же тем, что измерение значения переменных неизменно сопровождается некоторыми случайными ошибками.

Для исследователя представляет интерес усредненная по икс схема зависимости, то есть необходимость измерения условного математического ожидания Му. Математического ожидания случайной переменной у, вычисленной в предположении, что переменная икс приняла определенное значения из набора икс итых.

Корреляционной зависимостью между двумя переменными называется функциональная зависимость между значениями одной из них и условным математическим лишнего ожиданием другой.

В регрессивном анализе рассматривается только односторонняя зависимость от одной или нескольких неслучайных переменных икс.

Для точного описания уравнения регрессии необходимо знать условных закон распределения у от х. Но такую информацию в статистической практике получить невозможно, поскольку мы всегда ограниченны объемом информации, поэтому речь может идти о приближённом значении. Такой выборочной оценкой является выборочная линия или кривая регрессии.

Рассмотрим в качестве примера зависимость между сменной добычей угля на одного рабочего.

Добыча угля У(Т) и мощность пласта Х(м)

Из полученного уравнения регрессии следует, что если пласт увеличивается, то добыча угля на одного рабочего увеличивается на 1,016.

Теснота связи определяется коэффициентом корреляции, который показывает, на сколько величин средних квадратических изменится в среднем у, если х увеличится.

Выборочный коэф. корреляции. При 1 функциональная, при нуле отсутствует.

Коэффициент корреляции не единственный индикатор тесноты связи.

Существует набор показателей, которые измеряют устойчивость коэффициентов, которые вместе с коэф. Корреляции измеряют тесноту связи более точно.

Линейный регрессионный анализ показывает уравнение взаимосвязи двух переменных в виде у = фи от икс плюс эпсилон, где эпсилон случайная переменная, которая характеризует отклонение от функции регрессии. Ее называют ошибкой, возмущением.

Регрессионный анализ может проводиться для линейной функции при определенных предпосылках.

Дисперсия эпсилон итая постоянная для любого и.

Классическая линейная нормальная регрессионная модель.

Теорема Гаусса Маркова

Если регрессионная модель удовлетворяет предпосылкам, то оценки б нулевое и первое имеют наименьшую дисперсию в классе всех не смещенных оценках.

Производственные функции и из применения

Понятия производственной функции.

Двух факторные производственные функции и свойства.

Наиболее часто употребляемые производственные функции, используемые для прогнозирования.

В широком смысле: вектор выпуска продукции у итое. В качестве фактора, влияющих на показания производства в Пф включаются как затраты средств труда, так и другие показатели, которые не могут быть отнесены к затратам, например природные факторы.

Если через икс житое обозначить фактор, влияющий на результат производства, то можем описать все факторы вектором.

1) Но из-за наличия неучтенных показателей и не всегда однозначном действии учетных, производственная функция является функцией только в статистическом смысле. Это значит, что описываемая ею математическая зависимость проявляется только в общем и в среднем для массы наблюдений.

3) Выделяются макроэкономических и микроэкономические Пф. С помощью макро изучаются высоко укрепленные характеристики процессов производства на уровне отраслей, групп отраслей и экономики в целом. К микро Пф относятся функции, которые описывают взаимосвязь результата производства и факторов на уровне предприятий и групп предприятий.

Рассмотрим макроэкономическую функцию как статическую.

Предполагается, что эта производственная функция обладает следующими свойствами. 1)Она является дважды непрерывно дифференцируемой. 2) связанных с направлением результата действия при увеличении затрат к и л выпуск не уменьшается. 4) По мере увеличения одного фактора при постоянном количестве других предельная эффективность этого фактора не возрастает. Свойства

Этот факт имеет логическое объяснение. Поскольку каждая единица должна совместиться с все меньшим количеством других факторов, эффективность использования растущего фактора уменьшается.

При пропорциональном увеличении ресурсов К и Л производство увеличивается по закону (5)

Достаточно важной характеристикой процесса является эластичность выпуска.

Предельная эффективность в экономическом смысле характеризует влияние прироста национального дохода на небольшой прирост одного фактора.

С помощью Пф можно отразить изменения характеристик производства во времени. Научно технический прогресс.

Теоретические и методологические основы социально-экономического прогнозирования

1. Основные подходы к прогнозированию

3. Основные методы прогнозирования. Общая характеристика.

4. Методы анализа временных рядов.

5. Каузальные методы.

Это полезно и необходимо для стратегического управления и планирования в сэс. Полезность прогнозной информации зависит от многих факторов. Запишем несколько рекомендаций по сбору информации для прогнозирования.

1. Прогнозы полезны для планирования только в том случае, если компоненты, составляющие прогнозы, тщательно продуманы, а ограничения, содержащиеся в прогнозе, откровенно названы, а не спрятаны

2. Следует обязательно определить изменения, которые должны произойти, чтобы прогноз оказался достоверным. И после этого следует тщательно оценить вероятность каждого возможного события

3. Необходимо продумать и обосновать представительность репрезентативность источников данных.

4. Нужно определить степень ценности опыта прошлого при составлении прогнозной модели. Настолько ли быстры изменения, что прогноз не успеем составить?

5. Необходимо определить уровень структурированности прогноза.

Будем понимать под прогнозом научно обоснованное суждение о возможных состояниях объекта в будущем и о сроках их осуществления. Для характеристикой прогноза является прогнозный фонд, под которым будем понимать совокупность внешних по отношению к прогнозу и объекту прогнозирования условий, существенных для решения задачи прогноза.

В качестве объекта прогнозирования выступают процессы, явления, события, на которые направлена практическая деятельность человека. В зависимости от природы объекта различают прогнозы социальные, экономические, научно-технические, политические и другие.

Основные понятия прогнозирования.

Прогнозирующие системы сами по себе могут быть: автоматизированными и неавтоматизированными, дискретными и непрерывными, они могут быть на разных уровнях: государственном, отраслевом, на уровне предприятий и на уровне технологических процессов.

По логике составления прогнозов, от настоящего к будущему или наоборот, различают поисковый или изыскательский прогноз и нормативный прогноз.

Методы кроме поискового и нормативного различаются интервальный и точечный прогноз.

Прогнозы делятся на кратко средне и долгосрочные.

И долгосрочный от пяти до пятнадцати

Но чаще всего прогнозы по развитию системы прогнозы рассчитывается в трех вариантах: оптимистический, средний и пессимистический сценарий.

Методы прогнозирования группируются в три класса

Качественные, аналитические методы динамических рядов под названием анализ временных рядом, каузальные (причинные) методы.

В общем виде качественные методы используют такие данные, как обобщенное мнение экспертов о продажах в будущем.

Анализ временных рядов опирается целиком на количественные данные и экстраполяцию продолжения в будущем тренда, основной тенденции.

Анализ временных рядов: скользящая средняя, экспоненциального сглаживания, прогноз тренда

Каузальные методы: регрессионный анализ, эконометрическое моделирование, модель «затраты-выпуск», анализ жизненного цикла и имитация.

Выбор метода прогнозирования, сложная задача, неоднозначно решаемая и зависящая от многих факторов. При выборе метода прогнозирования, ЛПР должно учитывать два вида затрат:

1. Можно назвать издержки неточности. Связан со стоимостью получения информации требуемой точности.

2. Издержки самого прогнозирования. Насколько точен сам метод. Стоимостным критерием является минимизация совокупных затрат.

Некоторые методы требуют большого количества исторических данных, их не всегда можно собрать. Будут огромные затраты.

Источник