Глоссарий. Автокорреляция – наличие сильной корреляционной зависимости между

Автокорреляция	–	наличие сильной корреляционной зависимости между последовательными значениями уровней временного ряда.
Анализ	–	метод научного исследования объекта или их совокупности путем рассмотрения их отдельных сторон и частей.
Верификация прогноза	–	оценка достоверности статистических прогнозов.
Дисконтирование информации	–	взвешивание информации по степени значимости для построения точных и надежных прогнозов.
Единица статистической совокупности	–	каждый отдельно взятый элемент данного множества, обладающих определенными признаками.
Инерционность	–	предполагает сохранение присущих социально-экономическим явлениям и процессам тенденций и закономерностей прошлого и настоящего в будущем.

Классификация статистических моделей:

– В зависимости от уровня социально-экономического явления:

¨ Макроэкономические;

¨ Межотраслевые;

¨ Отраслевые;

¨ Территориальные;

¨ Социальные;

¨ Социометрические.

– По характеру развития объектов во времени:

¨ Дискретные;

¨ Интервальные;

¨ Циклические.

– По характеру используемой информации:

¨ Пространственные;

¨ Временные;

¨ Пространственно-временные.

– По степени информационного обеспечения:

¨ С полным информационным обеспечением;

¨ С неполным информационным обеспечением.

– По размерности:

¨ Сублокальные с числом факторных признаков до 3;

¨ Локальные – от 4 до 14;

¨ Субглобальные – от 15 до 35;

¨ Глобальные – свыше 100.

– По сложности:

¨ Сверхпростые;

¨ Простые;

¨ Сложные;

¨ Сверхсложные.

Классификация прогнозов:

– В зависимости от цели исследования:

¨ Поисковые;

¨ Нормативные.

– В зависимости от области применения:

¨ Естествоведческие;

¨ Научно-технические;

¨ Обществоведческие.

– По сложности:

¨ Сверхпростые;

¨ Простые;

¨ Сложные.

– По масштабности объекта:

¨ Глобальные;

¨ Макроэкономические;

¨ Структурные;

¨ Региональные;

¨ Прогнозы развития экономических комплексов;

¨ Отраслевые;

¨ Микроэкономические.

– По времени упреждения:

¨ Текущие;

¨ Краткосрочные;

¨ Среднесрочные;

¨ Долгосрочные;

¨ Дальнесрочные.

Количественные признаки	–	это признаки, имеющие числовое выражение, и они могут быть измерены по каждой единице совокупности.
Интервальный ряд динамики	–	ряд числовых значений определенного статистического показателя, характеризующего размеры изучаемого явления за определенные промежутки /периоды, интервалы/ времени.
Моделирование	–	воспроизведение основных характеристик исследуемого объекта на другом объекте, специально созданном для этих целей.
Модель	–	это отображение или аналог явления или процесса в основных существенных для него чертах.
Моментный ряд	–	ряд числовых значений определенного статистического показателя, характеризующего размеры изучаемого явления на определенные даты, моменты времени.
Объективизация прогноза	–	процедура выбора метода прогнозирования.
Предсказание	–	это предвидение таких событий, количественная характеристика которых невозможна или затруднена.
Период упреждения	–	это отрезок времени от момента, для которого имеются последние фактические данные об изучаемом объекте до момента, к которому относится прогноз.
Признак	–	общее свойство, характерная черта или иная особенность единиц совокупности, которые могут быть наблюдаемы или измерены.
Принцип инерционности	–	предполагает сохранение, присущих социально-экономическим явлениям, тенденций и закономерностей прошлого и настоящего в будущем.
Прогноз	–	это количественное вероятностное утверждение в будущем о состоянии объекта, с относительно высокой степенью достоверности, на основе анализа тенденций и закономерностей прошлого и настоящего.
Прогнозирование	–	это научно-обоснованное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятных путей развития явлений и процессов.
Ранг	–	порядковый номер значения признака, расположенного в порядке возрастания или убывания величин.
Ранжирование	–	общее свойство, характерная черта или иная особенность единиц совокупности, которые могут быть наблюдаемы или измерены.
Результативный признак	–	предполагает сохранение, присущих социально-экономическим явлениям, тенденций и закономерностей прошлого и настоящего в будущем.
Ряд динамики	–	это количественное вероятностное утверждение в будущем о состоянии объекта, с относительно высокой степенью достоверности, на основе анализа тенденций и закономерностей прошлого и настоящего.
Связные временные ряды	–	это научно-обоснованное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятных путей развития явлений и процессов.
Статистическая информация	–	порядковый номер значения признака, расположенного в порядке возрастания или убывания величин.
Статистическая закономерность	–	форма проявления причинной связи, выражающаяся в последовательности, регулярности, повторяемости событий с достаточно высокой степенью вероятности, если причины, порождающие события, не изменяются или изменяются незначительно. Статистические закономерности устанавливаются на основе анализа массовых данных.
Статистическая совокупность	–	множество единиц, обладающих массовостью, однородностью, определенной целостностью, взаимозависимостью состояний отдельных единиц и наличием вариации.
Тенденция	–	основное направление, закономерность развития явления.
Тенденция автокорреляции	–	тенденция изменения связи между отдельными уровнями временного ряда.
Тенденция дисперсии	–	это изменения отклонений эмпирических значений временного ряда от значений, полученных по уравнению тренда.
Тенденция среднего уровня	–	аналитически выражается в виде математической функции, вокруг которой варьируют фактические значения изучаемого явления.
Тренд	–	это некоторая математическая функция f (t), которая описывает тенденцию изменения явления.
Факторные признаки	–	это признаки, оказывающие влияние на изменение результативного признака.
Экономико-статистический анализ	–	это разработка экономических основ на широком применении традиционных статистических и математико-статистических методов с целью контроля адекватного отражения исследуемого явления.
Экстраполяция	–	нахождение уровней за пределами изучаемого временного ряда, то есть продление временного ряда на основе выявленной закономерности изменения уровней в изучаемый отрезок времени.

Этапы анализа:

– Формулировка целей анализа;

– Критическая оценка данных;

– Сравнительная оценка и обеспечение сопоставимости данных;

– Формирование системы обобщенных показателей;

– Регистрация и обоснование существенных свойств, сходств и различий, связей и закономерностей изучаемых явлений и процессов;

– Формулировка заключительных выводов и практических предложений о резервах развития изучаемого явления.

Список рекомендуемой литературы

Основная литература

1. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: учебник. – М.: ФиС, 2001.

2. Вайну Я.Я. Корреляция рядов динамики. – М.: Статистика, 1977.

3. Статистическое моделирование и прогнозирование: учебное пособие / под ред. Д. Гранберг. – М.: Финансы и статистика, 1990.

4. Дуброва Т.А. Статистические методы прогнозирования. – М.: ЮНИТИ, 2003.

5. Иващенко Т.А., Кильдишев Г.С., Шмойлова Р.А. Статистическое изучение основной тенденции и взаимосвязи в рядах динамики. – Томск, издательство Томского университета, 1985.

6. Королев Ю.Г., Рабинович П.М., Шмойлова Р.А. Статистическое моделирование и прогнозирование. Учебное пособие. – М.: МЭСИ, 1985.

7. Четыркин Е.М. Статистические методы прогнозирования. – М.: Статистика, 1977.

Дополнительная литература

1. Андерсен Т. Статистический анализ временных рядов. – М.: Мир, 1976.

2. Венсель В.В. Интегральная регрессия и корреляция: cтатистическое моделирование рядов динамики. – М.: Финансы и статистика, 1983.

3. Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. – М.: Статистика, 1973.

4. Ковалева Л.Н. Многофакторное прогнозирование на основе рядов динамики. – М.: Статистика, 1980.

5. Лизер Р. Эконометрические методы краткосрочного прогнозирования. – М.: Статистика, 1979.

6. Льюис Х.Д. Методы прогнозирования экономических показателей. – М.: Статистика, 1986.

7. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. – М.: Статистика, 1979.

8. Манелля А.B., Юзбашев М.М. Статистический анализ тенденций колеблемости. – М., Финансы и статистика, 1983.

9. Френкель А.А. Математические методы анализа и прогнозирования производительности труда. – М.: Экономика, 1972.

10. Эконометрика / под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2001.

Заключение

В предложенном учебном пособии рассмотрена методология комплексной оценки и анализа реальных социально-экономических явлений и процессов, представленных одномерными и многомерными временными рядами, в разрезе выявления, характеристики и моделирования тенденции и методов ее прогнозирования с учетом особенностей и специфики применяемых методов и изучаемого объекта исследования.

Статистическая методология анализа временных рядов и прогнозирования находит широкое применение во многих областях знаний как на макро-, так и на микроуровнях экономического развития, оценке эффективности, финансового состояния и финансовой устойчивости, деловой активности сегментов различных рынков и организационно-правовых структур.

Наиболее эффективным и целесообразным является широкое использование прикладного программного обеспечения при решении задач исследования конкретных социально-экономических явлений и процессов, что существенно ускоряет проведение расчетов. В этой связи распространены следующие программные продукты, такие как стандартные пакеты прикладных программ STATISTIKA, ОЛИМП, SPSS, STATGRAPHICS и другие.

Дата добавления: 2015-08-03