Стр. 46 - Социально-экономическое прогнозирование

СОЦИАЛЬНО-ЭКОНОМИЧЕСКОЕ ПРОГНОЗИРОВАНИЕ
44
где у - расчетное значение результирующего показателя; я, - коэффициенты
множественной регрессии.
Множественная корреляция характеризует тесноту связи между
результирующим показателем и несколькими факторами. С этой целью
определяются:
− коэффициенты корреляции, определяющие тесноту связи между
функцией и одним из факторов;
− коэффициенты корреляции, показывающие на связь между двумя факторами.
Стоит отметить, что регрессионный анализ не лишен недостатков. Так, по
результатам регрессионного анализа могут быть сделаны ошибочные выводы,
потому что в модели могут участвовать факторы с высокой корреляцией, но
абсолютно не связанные между собой. Кроме того, из-за учета при создании
модели всего объема имеющейся статистики, включая «шум», могут
возникнуть неточности в определении хода линии регрессии. Также особое
внимание стоит обратить на репрезентативность выборки.
Методы прогнозирования в экономике, основанные на теории
корреляционно-регрессионного анализа, получили наибольшее
распространение. Они часто используются при определении состояния
промышленных предприятий в будущем.
2.4. Адаптивные методы
Многие отечественные и зарубежные специалисты в области
прогнозирования выделяют адаптивные методы прогнозирования. Причем в
вопросах классификации данных методов существуют разные мнения. В
данной работе к адаптивным методам прогнозирования будут отнесены
наиболее упоминаемые в данном качестве методы.
Считается, что характерной чертой адаптивных методов прогнозирования
является их способность непрерывно учитывать эволюцию динамических
характеристик изучаемых процессов, «подстраиваться» под эту эволюцию,
придавая, в частности, тем больший вес и тем более высокую информационную
ценность имеющимся наблюдениям, чем ближе они к текущему моменту
прогнозирования. Общее значение термина заключается, по-видимому, в том, что
«адаптивное» прогнозирование позволяет обновлять прогнозы с минимальной
задержкой и с помощью относительно несложных математических процедур [1].
Большинство адаптивных методов основаны на спектральной теории, с
использованием спектральной плотности как индикатора наличия
гармонических составляющих в представлении анализируемого временного
ряда. Успех или неудача прогнозного алгоритма, разработанного на базе
подобных адаптивных методов, на 50% определяется качеством полученной
оценки спектральной плотности мощности (СПМ). Ведь для того, чтобы каким-
либо образом использовать интересующие циклы в будущем алгоритме,
необходимо предварительно определить, какие гармонические составляющие