Принципы, заложенные в систему ПАТТЕРН, позволяют осуществить прогноз и провести анализ в любой области деятельности. Рассматриваемая система позволяет: выбрать объект прогноза; выявить внутренние закономерности его развития; написать сценарий; сформулировать задачи и главную цель прогноза; провести анализ иерархии и декомпозицию целей; понять внутреннюю и внешнюю структуры объекта прогнозирования; провести анкетирование экспертов; выполнить математическую обработку данных анкетирования; количественно оценить структуры; верифицировать результаты; разработать алгоритм распределения ресурсов; провести распределение ресурсов; оценить распределение ресурсов.
Сравнение методов прогнозного графа и метода ПАТТЕРН показывает, что основное преимущество последнего состоит в наличии механизма реализации прогноза.
Метод ПАТТЕРН можно назвать комбинацией методов прогнозирования и стратегического планирования.
3. ПРОВЕРКА АДЕКВАТНОСТИ И СРЕДСТВА ВЕРИФИКАЦИИ ПРОГНОЗНЫХ МОДЕЛЕЙ
Для обеспечения точности и достоверности результатов прогнозирования необходима проверка адекватности или верификация прогнозной модели.
Проверка адекватности модели выполняется с использованием формальных статистических критериев. Однако такая проверка возможна при наличии надежных статистических параметров как оригинала (объекта прогнозирования), так и модели. Если по каким-то причинам такие оценки отсутствуют, то осуществляют сравнение отдельных свойств оригинала и модели. При этом первоначально должна проверяться истинность реализуемых функций, затем истинность структуры и, наконец, истинность достигаемых при этом значений параметров. Для этого помимо модели необходимо иметь функционирующий оригинал, то есть проводить сопровождающее моделирование.
Таблица 3.1. Методы верификации прогнозных моделей
Метод верификации | Технология верификаци |
Прямая верификация | Разработка модели того же объекта с использованием иного метода прогнозирования |
Косвенная верификация | Сопоставление результатов, полученных с использованием данной модели, с данными, полученными из других источников |
Консеквентная верификация | Верификация результатов моделирования путем аналитического или логического выведения прогноза из ранее полученных прогнозов |
Верификация оппонентом | Верификация путем опровержения критических замечаний оппонента по прогнозу |
Верификация экспертом | Сравнение результатов прогноза с мнением эксперта |
Инверсная верификация | Проверка адекватности прогнозной модели и объекта в ретроспективном периоде |
Частичная целевая верификация | Построение условных подмоделей, эквивалентных полной модели, в типовых для проектируемой системы ситуациях |
Структурная верификация | Сопоставление структур без экспериментальной проверки сопоставления в целом |
Верификация модели - оценка ее функциональной полноты, точности и достоверности с использованием всей доступной информации в тех случаях, когда проверка адекватности по тем или иным причинам невозможна.
В прогнозировании чаще используют верификацию, так как в большинстве случаев реальный объект отсутствует или разрабатываются новые (еще не существующие) функции объекта прогнозирования. В таблице 3.1 представлены наиболее часто используемые методы верификации.
В прогнозировании случай совершенного прогноза достигается крайне редко, поэтому проблема верификации прогнозной модели является одной из важнейших в прогностике. Степень совершенства прогнозов выражают через различные измерители точности прогнозирования. Точность точечного прогноза в момент f, определяется разностью между прогнозом Р, и фактическим значением Fh прогнозируемого показателя в этот момент времени. Отдельный точечный прогноз не определяет точность конкретной процедуры прогнозирования в целом, то есть потребуется некоторая выборка {(Pj, fj)}, на основе которой рассчитывается значение некоторого измерителя точности прогнозирования.
Важность проблемы точности прогнозирования определяет важность анализа различных ее измерителей. В настоящее время нет достаточно полного исследования всевозможных критериев точности, что затрудняет оценивание возможностей различных моделей и опыта их применения в прикладных работах по прогнозированию конкретных процессов [10].
Для измерения точности прогнозирования можно использовать любой коэффициент парной корреляции между последовательностями прогнозных и фактических значений. Классический критерий точности прогнозирования - коэффициент корреляции Пирсона.
Максимальное значение r = 1 достигается при наличии линейной связи
(3.1)
между Р и F, т.е. когда существуют такие а0и а/>0, что Р = oq + at F.
Однако при а0 £ 0 и а, = 1 прогноз не будет совершенным, хотя корреляция полная и положительная; только при Р = F коэффициент корреляции может характеризовать совершенный прогноз.
Коэффициент ранговой корреляции Спирмэна также может быть использован в качестве измерителя точности прогнозирования. Для этого вычисляются ранги {x} и {у} элементов соответствующих последовательностей {PJ и {Ft}. Очевидно, что
(3.2)Если несколько элементов из Pi или Ft имеют одинаковые ранги, то им определяется ранг, равный среднему арифметическому значений мест элементов в данной ранжировке. В этом случае последнее соотношение останется верным. Вычисляются корректирующие множители для связей соответственно для последовательностей xi и уi :
(3.3)где г,- и /, равно числу повторений i-го ранга в соответствующих последовательностях. Вычисляют сумму квадратов разностей рангов
(3.4)Если Tf или Туравно нулю, то коэффициент ранговой корреляции Спирмэна равен:
(3.5)
Коэффициент ранговой корреляции р позволяет характеризовать качественную сторону последовательности прогнозов {Р/j, а именно способность предсказывать точки поворота. Коэффициент ранговой корреляции можно рассматривать как дополнительный измеритель точности прогнозирования при Pi=Fi и г, близким к 1, так как критерий р инвариантен относительно линейной вариации, причем р=1 прогноз может быть далеко не совершенным, так как для этого достаточно лишь совпадения рангов.
В качестве измерителей точности прогнозирования могут быть использованы и другие коэффициенты парной корреляции, например коэффициент ранговой корреляции Кендэлла. Однако для характеристики коэффициентов парной корреляции как некоторого класса измерителей точности прогнозирования достаточно провести анализ этих двух наиболее часто используемых коэффициентов, чтобы выделить общие для этого класса свойства. Во-первых, инвариантность относительно линейной вариации, а во-вторых, полная корреляция еще fie определяют совершенный прогноз. Еще одним важным свойством коэффициентов парной корреляции является возможность проверки их на значимость, так как определены соответствующие законы распределения этих статистик. Например, для коэффициента ранговой корреляции Спирмэна значимость проверяется с п-2 степенями свободы по следующей t-статистике:
(3.6)
Наиболее распространенными оценками точности прогнозирования также являются средняя ошибка аппроксимации
(3.7)
и средняя квадратическая ошибка прогнозов
(3.8)
Точность прогнозирования тем выше, чем меньше значения е или S соответственно. Совершенный прогноз достигается при e=S=0.
Одним из исследователей проблем экономического прогнозирования, Г. Тейлом [10], предложен в качестве меры качества прогнозов коэффициент расхождения V (или коэффициент несоответствия), числителем которого является среднеквадратическая ошибка прогноза, а знаменатель равен квадратному корню из среднего квадрата реализации:
(3.9)
Если У=0, то прогноз абсолютно точен (случай «идеального» прогнозирования). Если F=l, то это означает, что прогноз близок к простой (и наивной) экстраполяции. Если У>1, то прогноз дает худший результат, чем предположение о неизменности тенденций исследуемого явления.
Коэффициент расхождения может быть использован при сопоставлении качества прогнозов, получаемых на основе различных методов и моделей. В этом его несомненное достоинство. Величина V поддается разложению на составляющие (частные коэффициенты расхождения), характеризующие влияние ряда факторов (это достигается разложением числителя, представляющего собой средний квадрат ошибки прогноза).