Качественные методыпрогнозирования



При отсутствии количественных данных (или когда их получение явля- ется дорогостоящим делом) используются качественные методы прогнозиро- вания (рис. 2.13).

Кратко рассмотрим каждый из методов.

а) Дельфийский метод – метод экспертных оценок, представляет собой процедуру, позволяющую приходить к согласию группе экспертов из самых разных, но взаимосвязанных областей. Работа над составлением прогноза этим методом организуется следующим образом. Каждому эксперту незави- симо рассылается вопросник по поводу рассматриваемой проблемы.


Мнение сбытовиков
Метод консенсуса
Историческая аналогия
Изучение рынка
Дельфийский метод
Ответы экспертов ложатся в основу подготовки следующего вопросника и так далее (обычно 3-4 захода), до тех пор, пока эксперты не приходят к со- гласию (при запрете на открытые дискуссии).

 

 

Качественные методы

 

 

Рис. 2.13.Классификация качественных методов прогнозирования

б) Изучение рынка – модель ожидания потребителя. Прогноз строится на основании разнообразных опросов потребителей с последующей статисти- ческой обработкой.

в) Метод консенсуса или мнение жюри. Заключается в соединении и ус- реднении мнений группы экспертов в процессе «мозгового» штурма.

г) Совокупное мнение сбытовиков. Метод опирается на мнение контак- тирующих с потребителями торговых агентов и специалистов по сбыту на предприятиях.

д) Историческая аналогия. Используется в тех случаях, когда нужно дать прогноз события по своим характеристикам близкого к ранее встречающим- ся.

Точность прогнозов зависит от предсказания. Считается, что самый длинный по срокам и дорогой по цене метод прогнозирования – изучение рынка. На рис. 2.14 отражены данные по точности прогнозирования. Не трудно сделать вывод, что наибольшую точность на любой срок прогнозиро- вания обеспечивает дельфийский метод.

 

Корреляционный и регрессионныйанализ

Понятие о корреляционныхсвязях

Во многих отраслях экономики невозможно корректное решение многих проблем без применения статистических зависимостей между исследуемыми


 

а                                          б                                            в

d

 

mp

gh

 

1   2  3   4   5                    1  2   3   4  5                      1  2   3   4   5

 

Рис. 2.14. Точность прогнозов качественных методов: d – дельфийский, m – изучение рынка, p – метод консенсуса, g – линия сбытовиков, h – историческая аналогия. а), б), в) – соответственно краткосрочный, сред- несрочный, долгосрочный прогнозы. 1, 2, 3, 4, 5 – соответственно про- гнозы плохой, средний, хороший, отличный,превосходный

факторами. Это вызвано тем, что подавляющее число взаимосвязей между величинами имеет не функциональный (детерминированный) характер, а стохастический (случайный).

Так, например, объем продаж продукции невозможно точно прогнозиро- вать с изменением цены, производительность обработки заготовок на станках вероятностно зависит от режимов резания, качество шлифованных поверх- ностей так же с какой-то долей вероятности определяется величиной зерни- стости абразивного инструмента и т. д. Практически вся эконометрия зиж- дется на статистических зависимостях.

В математике для описания связей между переменными величинами ис- пользуют понятие функции F, которая ставит в соответствие каждому опре- деленному значению независимой переменной X определенное значение за- висимой переменной Y. Поэтому полученная зависимость Y = F(X) называ- ется функциональной. Эта зависимость однозначна, т.е. для данного значе- ния X будет существовать единственное значение Y.

В тоже время для стохастических процессов связь между переменными может быть выявлена чаще всего только после соответствующей обработки данных.

Допустим, например, что производится механическая обработка загото- вок типа тел вращения на токарном станке с разной глубиной резания s при постоянной подаче. Очевидно, что объем снятого материала Q при увеличе- нии глубины резания будет пропорционально расти. Функциональная зави- симость объема от глубины резания выразится уравнением Q = k·s, где k – постоянный множитель. В действительности при изменении глубины резания прирост объема снятого материала не будет точно подчиняться приведенно- му уравнению, так как в процессе резания на резец и деталь действуют слу- чайные факторы в виде динамических возмущений, изменяющие значения


показателей процесса, рассчитанных в приведенном уравнении на какие-то постоянные условия обработки. Эти постоянные условия заложены в посто- янный множитель k. К динамическим факторам резания относятся темпера- тура резания, износ режущей кромки резца, вибрации элементов технологи- ческой системы и др. Возможный график стохастической зависимости объе- ма материала от глубины резания имеет вид, отраженный на рис. 2.15.

Q, см3

 

 

1
s, мм

Рис. 2. 15. Стохастическая зависимость переменных Q

и s. 1 – линия регрессии

Такого рода статистическая зависимость между переменными величина- ми называются корреляционной.Корреляционная зависимость возникает тогда, когда один из признаков зависит не только от второго, но и от ряда случайных факторов или условий, от которых зависят оба фактора. Корреля- ционные связи не могут рассматриваться как свидетельство причинно- следственной зависимости. Они свидетельствуют лишь о том, что изменения одного признака, как правило, соответствуют определенному изменению другого. При этом неизвестно, находится ли причина изменений в одном из признаков или она оказывается за пределами исследуемой пары признаков [17].

Виды корреляционных связей между измеренными признаками могут быть линейными и нелинейными, положительными или отрицательными. Варианты корреляционных связей отражены на рис. 2.16 (а - г). Возможна также ситуация, когда между переменными невозможно установить какую- либо зависимость (рис. 2.16 г). В этом случае говорят об отсутствии корреля- ционной связи. С целью выявления характеристик корреляционных зависи- мостей применяют корреляционный анализ.

Прежде чем начать исследование парной стохастической зависимости, необходимо убедиться, что массив данных характеризует наличие только двух переменных, корреляционные связи которых надо раскрыть. То есть на- до проанализировать собранную информацию на предмет расслоениядан- ных измерения, проверить возможность вмешательства в одну из перемен- ных дополнительного стратифицирующего фактора.


 

n =30 r ¸- 0,9
у  n =30 r¸0,9                                                                            у

 

7                                                                                                       7

 

6                                                                                                       6

 

5                                                                                                       5

 

4                                                                                                       4

 

3                                                                                                       3

 

2                                                                                                       2

 

1                                                                                                       1

 


0

0   1   2   3   4   5   6   7   x

 

a

 

у   n =30 r¸0,0


0

0    1    2    3    4   5    6    7    x

 

б

n =30
Выбросы
у


 

7                                                                                                       7

 

6                                                                                                       6

 

5                                                                                                       5

 

4                                                                                                       4

 

3                                                                                                       3

 

2                                                                                                       2

 

1                                                                                                       1

 


0

0   1   2   3   4   5   6   7   х


0

0    1    2    3    4    5    6    7    х


в                                                                                 г

Рис. 2. 16. Диаграммы рассеяния: а) положительная корреляция, б) отрицательная корреляция, в) корреляция отсутствует,

г) выбросы измерений из поля корреляции

В задачи корреляционного анализа входит:

- установление направления (положительное или отрицательное) и формы (линейная или нелинейная) связи между варьирующимипризнаками,

- измерение тесноты связи (значения коэффициентовкорреляции),

- проверка уровня значимости коэффициентовкорреляции.

 


Дата добавления: 2018-02-15; просмотров: 168;