3. метод экспоненциального сглаживания,
4. метод скользящих средних,
5. адаптивный метод,
6. методы моделирования (структурное, сетевое, матричное, имитационное).
Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения экономического явления в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития. Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия "измерителей" по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. Этот способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы. Кроме указанных достоинств, он имеет несколько существенных недостатков. Во-первых, все фактические наблюдения являются результатом закономерности и случайности, следовательно, основываться на последнем наблюдении неправомерно. Во-вторых, нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае. В-третьих, данный подход не позволяет сформировать интервал, в который попадает прогнозируемая величина. В связи с этим метод экстраполяции не дает точных результатов на длительных срок прогноза, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов – на 5-7 лет. Для повышения точности экстраполяции используются различные приемы. Один из них состоит, например, в том, чтобы экстраполируемую часть общей кривой развития (тренда) корректировать с учетом реального опыта развития отрасли-аналога исследований или объекта, опережающий в своем развитии прогнозируемый объект.
Метод наименьших квадратов — один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.
Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.
Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.
Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов.
Метод экспоненциального сглаживания еще может быть использован для краткосрочных прогнозов будущей тенденции на один период вперед и автоматически корректирует любой прогноз в свете различий между фактическим и спрогнозированным результатом.
При прогнозировании с применением метода сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет проводится по следующей формуле:
fk = fk-1 + a (xk-1– fk-1),
где: fk-1 - прогноз в момент времени k-1;
fk- прогноз на момент времени tk, следующий за периодом k-1;
xk-1 - реальное значение показателя в момент времени tk-1;
a- постоянная сглаживания (0< a >1)определяет степень сглаживания.
Если при сравнении прогноза с реальными значениями сглаженные данные при выбранном aзначительно отличаются от исходного ряда, необходимо перейти к другому параметру сглаживания (чем больше значение a, тем больше сглаживание)
Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель. Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях.
Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии. Но, если базой для прогнозируемого скользящего среднего являются всего лишь одно или два наблюдения, то такой прогноз может стать слишком упрощенным. В частности, он будет отражать тенденции в данных, на которых он строится, ничуть не лучше, чем сама базовая линия. Чтобы определить, сколько наблюдений желательно включить в скользящее среднее, нужно исходить из предыдущего опыта и имеющейся информации о наборе данных. Необходимо выдерживать равновесие между повышенным откликом скользящего среднего на несколько самых свежих наблюдений и большой изменчивостью этого среднего. Одно отклонение в наборе данных для трехкомпонентного среднего может исказить весь прогноз. А чем меньше компонентов, тем меньше скользящее среднее откликается на сигналы и больше — на шум. В этом методе следует опираться на знания и опыт.
Методы адаптивного прогнозированияоснованы на адаптации к данным или к другой информации, на базе которой строится прогноз. Основное свойство таких методов: при поступлении новых данных значение прогноза меняется, адаптируясь к вновь поступившей информации, и становится более чувствительным к ней. При небольшом изменении значений данных прогноз также будет мало изменяться.
Многочисленные адаптивные методы базируются на моделях Брауна и Хольта и модели авторегрессии, различаясь между собой алгоритмом оценки параметров, способом определения параметра адаптации, компоновкой и областью применения. На основании изучения исходных статистических данных с учетом цели исследования и логического анализа протекания изучаемого процесса отбирается наиболее приемлемый адаптивный метод (модель) прогнозирования. Окончательное решение о выборе адаптивного метода может быть принято после определения параметров модели прогнозирования и верификации прогноза по ретроспективному ряду. Поэтому для прогнозирования используют несколько адаптивных методов, чтобы после оценки точности выбрать наиболее подходящий.
Моделирование — исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Распространенной методикой прогнозирования тех или иных процессов и явлений служит моделирование. Моделирование считается достаточно эффективным средством прогнозирования возможного явления новых или будущих технических средств и решений. Впервые для целей прогнозирования построение операционных моделей было предпринято в экономике. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования. Поэтому вопрос о качестве такого отображения – адекватности модели объекту – правомерно решать лишь относительно определенной цели. Конструирование модели на основе предварительного изучения и выделения его существенных характеристик, экспериментальный и теоретический анализ модели, сопоставление результатов с данными объекта, корректировка модели, составляют содержание метода моделирования. Одним из методов моделирования является метод математического моделирования. Под математической моделью понимается методика доведения до полного описания процесса получения, обработки исходной информации и оценки решения рассматриваемой задачи в достаточно широком классе случаев. Использование математического аппарата для описания моделей (включая алгоритмы и их действия) связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска метода их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.
Применение математических методов является необходимым условием для разработки и использования методов прогнозирования, обеспечивающим высокие требования к обоснованности, действенности и временности прогнозов.
При структурном моделировании моделируемая система задается в виде структурной схемы, в которую могут быть включены и отдельные ее реальные элементы (регуляторы, исполнительные органы и т.п.). В структурной схеме задаются параметры основных звеньев и указываются ориентировочные пределы изменения варьируемых параметров, например, коэффициентов усиления и постоянных времени звеньев. Моделирование каждого звена системы-оригинала осуществляется в отдельности, а затем из моделей звеньев составляется общая модель, точно воспроизводящая структурную схему оригинала.