Можно ли доверять методам прогнозирования? | Арман Алексеевич Шабалин. Работа №274551
Автор: Арман Алексеевич Шабалин
Статья посвящена методам прогнозирования.Расскрывает вопрос о целесообразности их использования при проведении статистического исследования.
УДК 311.214
Байкальский государственный университет
Россия, г. Иркутск
Шабалин А.А.,
студент
2 курс, факультет «Мировая экономика»
Институт мировой экономики и международных отношений
Россия, г. Иркутск
МОЖНО ЛИ ДОВЕРЯТЬ МЕТОДАМ ПРОГНОЗИРОВАНИЯ?
Аннотация: Статья посвящена изучению эффективности применения методов прогнозирования при проведении статистических исследования на примере наивного прогноза и прогноза методом экстраполяции по линейному тренду. В исследовании рассматриваются показатели численности населения Иркутской области.
Ключевые слова: экстраполяция, скользящая средняя, линейный тренд, наивный прогноз.
Введение
При проведении исследования, мною была поставлена задача продемонстрировать на реальном примере, как точно простейшие методы прогнозирования могут предсказывать наступление определенного события на основе имеющихся статистических данных. В качестве следующих способов были выбраны «наивный прогноз» и «прогноз методом экстраполяции по линейному тренду». Целью является предоставление заинтересованному лицу результатов исследования для формирования собственного мнения на примере статистики численности населения Иркутской области за 2014 - 2020 гг. с последующим расширением временного интервала.
В первую очередь мне предстояло построить график цепного темпа роста численности населения Иркутской области на основе представленных данных с целью визуализации исследования.
Рассчитаны соответствующие показатели за 7 лет. (таблица 1)
Год
Кол-во человек (ед)
Цепной %
Темп роста
Абсолютный прирост % (цепной)
Темп прироста % (цепной)
2014
2418348
100
2015
2414913
99,86
-0,14
99,86
2016
2412800
99,91
0,05
100,05
2017
2408901
99,84
-0,07
99,93
2018
2404195
99,8
-0,4
99,96
2019
2397763
99,73
-0,07
99,93
2020
2391193
99,73
0
100
Итого:
16848113
Таблица 1
Анализируя динамику численности населения Иркутской области за исследуемый период можно сделать вывод, что численность населения на протяжении данного периода, не смотря на небольшой рост в 2016 году, уменьшалась. Тот же вывод можно сделать исходя из данных абсолютного прироста численности населения. На протяжении 6 из 7 лет показывают отрицательный результат.
Сглаживание данных.
Следующим этапом я пытаюсь сгладить ряды динамики при помощи различных методов. Этот этап можно и пропустить, но он позволяет более четко выявить действие основной тенденции изменения уровней и устранить случайные факторы. Способы устранения случайных факторов делятся на две большие группы:
- Способы «механического» сглаживания колебаний путем усреднения значений ряда относительно других, расположенных рядом, уровней ряда: Метод усреднения по двум половинам ряда, Метод укрупнения интервалов, Метод скользящей средней, Метод экспоненциальной средней
- Способы «аналитического» выравнивания, т. е. определения сначала функционального выражения тенденции ряда, а затем новых, расчетных значений ряда: Линейный, Параболический, Экспоненциальный
В своей работе я попытался применить 2 метода:
- Сглаживание рядов динамики методом 3-х членной скользящей средней
- Сглаживание методом аналитического выравнивания по линейному тренду
1. Сглаживание ряда динамики методом 3-х членной скользящей средней:
Данный метод заключается в исчислении средней численности населения за три данных года.
Для наглядности вышесказанное можно представить формулой: Yср= (Y1+Y2+Y3)/3,
где (Y1+Y2+Y3) - численность населения за три года (в первом случае за 2014, 2015 и 2016 года).
Таким образом:
Y1ср=
2415354
Y2ср=
2412205
Y3ср=
2408632
Y4ср=
2403620
2. Сглаживание ряда динамики методом аналитического выравнивания по линейному тренду:
Для удобства представлю данные в таблице следующим образом: (таблица 2)
t
y
t^2
ty
После выравнивания:
1
2418348
1
2418348
2420199
2
2414913
4
4829826
2415757
3
2412800
9
7238400
2411315
4
2408901
16
9635604
2406873
5
2404195
25
12020975
2402431
6
2397763
36
14386578
2397990
7
2391193
49
16738351
2393548
28
16848113
140
67268082
16848113
Таблица 2
, где t – кол-во лет; y- численность населения.
Данный способ выглядит немного сложнее, но на практике не представляет особых трудностей. Важно понимать, что линейное уравнение тренда имеет следующий вид: y = bt + a
Следующие коэффициенты находятся из совокупности уравнений:
где n – количество лет, t – сумма чисел лет, a и b – коэффициенты.
Таким образом получается:
Из чего путем простых преобразований выражаются коэффициенты.
a= 2424640,429
b= -4441,786 (Среднее изменение за год)
Уравнение тренда имеет следующий вид:
y= -4441,786t +2424640,429
График после сглаживаний выглядит следующим образом:
За счет применения выравнивания по скользящей средней заменяется фактический уровень ряда расчетным, который муже не так сильно подвержен колебаниям.
Это способствует более четкому проявлению тенденции развития тренда, как мы видим из графика, ведущую к снижению численности населения.
Наивный прогноз
И вот, мы подобрались к самой сути исследования,
Данный метод прогнозирования основывается на предположение, что прогнозируемое потребление будущего периода равно потреблению предшествующего периода.
Исходя из определения можно построить вспомогательную таблицу данных (таблица 3), для последующего построения графика следующую таблицу данных:
Год
Фактические значения
Наивный прогноз
Экстраполяция по линейному тренду
2014
2418348
0
2420199
2015
2414913
2418348
2415757
2016
2412800
2414913
2411315
2017
2408901
2412800
2406873
2018
2404195
2408901
2402431
2019
2397763
2404195
2397990
2020
2391193
2397763
2393548
2021
2391193
2389106
2022
2384664
таблица 3
Данный метод прогнозирования предельно прост, а потому не нуждается в дальнейших комментариях.
Прогноз методом экстраполяции по линейному тренду
Прогнозирование методом экстраполяции является одним из главных способов прогноза, который основывается на прогнозировании событий на основе показателей прошлых годов (при этом, не менее чем за 5 – 8 лет). Существует множество уравнений, способных выделить тенденции процессов развития явления, но в данном исследовании мною был применен один из простейших – линейный.
Для построения данного прогноза нам понадобится уравнение тренда: y= -4441,786t +2424640,429
Любой прогноз, как правило, нацелен на будущее. Потому необходимо построить его на 2 уровня вперед. Исходя из условия, мы имеем 7 уровней - 7 лет. Осталось найти за 2021 и 2022 года.
за 2021 год = -4441,786*8 + 2424640,429 = 2389106 чел.
за 2022 год = -4441,786*9 + 2424640,429 = 2384664 чел.
Все предельно просто.
Объединение двух графиков:
Экспериментальная часть
И вот, наступает главный, финальный этап – построить прогнозы и сравнить их с реальными данными, для создания финального впечатления.
Так как на будущее данных нет, мы можем представить, что года стали стремиться в другую сторону. При этом, мы ничего не нарушим и у прогнозов будет возможность состояться.
Возьмем данные с 2020 по 2000 года, как уже было сказано – наоборот.
Отчет будет вестись уже с известного нам 2014 года. При этом:
1 - Для построения наивного прогноза мы станем от предшествующего года отнимать будущий.
2 - Для прогноза методом экстраполяции по линейному тренду станем не отнимать, а прибавлять 4442.
Таким образом, получается таблица (таблица 4):
2000
2644022
2667886
2482387
2001
2623183
2644022
2477945
2002
2581705
2623183
2473503
2003
2577702
2581705
2469061
2004
2560880
2577702
2464619
2005
2545326
2560880
2460177
2006
2526977
2545326
2455735
2007
2513808
2526977
2451293
2008
2507676
2513808
2446851
2009
2505577
2507676
2442409
2010
2428750
2505577
2437967
2011
2427954
2428750
2433525
2012
2424355
2427954
2429083
2013
2422026
2424355
2424641
2014
2418348
2422026
2420199
2015
2414913
2418348
2415757
2016
2412800
2414913
2411315
2017
2408901
2412800
2406873
2018
2404195
2408901
2402431
2019
2397763
2404195
2397990
2020
2391193
2397763
2393548
2021
2391193
2389106
2022
2384664
Таблица 4
График выглядит следующим образом:
Как мы видим, линейный тренд далеко заблуждался по поводу нашего прошлого и даже наивный прогноз, не смотря на свою «недальновидность», смог обеспечить лишь приблизительную точность.
Заключение
Подводя итог проделанной работе, сравнивая полученные значения с предшествующими и последующими им, делаю вывод, что данные методы прогнозирования достаточно неточны и доверять им полностью не стоит. Однако, если нужен приблизительный и быстрый прогноз, то данные способы подходят замечательно)
Использованные источники:
1. Афанасьев, В. Н. Анализ временных рядов и прогнозирование: учебник для вузов / В.Н. Афанасьев, М. М. Юзбашев. – Москва: Финансы и статистика, 2001
2. Рогачева О.А. Статистика. Учебное пособие – Иркутск, 2017 г.
3. Кувайскова Ю.Е., Клячкин В.Н. Статистические методы прогнозирования. Учебное пособие
4. Статистическое прогнозирование https://studopedia.ru/9_183405_statisticheskoe-prognozirovanie.html
5. Вуколов, Э. А. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов Statistica и Excel4
6. Четыркин Е.М. Статистические методы прогнозирования