Сторінка
3
Нарешті, відношення коваріацій вимірює, наскільки корельованими між собою є прогнозований і реальний ряди. Рівність нулю є свідченням того, що прогнозований і реальний ряди ідеально корелюють. Необхідно зазначити, що:
+ + = 1.
Точки перегину є важливими, оскільки деякі моделі можуть мати велику точність, але можуть погано спрацьовувати при прогнозуванні зміни трендів (і, наприклад, циклів). Інші моделі можуть бути менш точними, але можуть мати більш багатий динамічний характер. Резюмуючи, можна сказати про компроміс між точністю і динамічними властивостями. Однак не існує формального тесту цих властивостей. Разом з тим візуальна перевірка прогнозованих і реальних рядів дозволяє швидко визначити – включає модель точки перегину, чи ні.
Іншим важливим тестом якості моделі є аналіз чутливості до початкових умов. Якщо модель дає результати в цілому грубо незалежні від початкових умов, то така модель є якісною. У противолежному випадку залежність результатів прогнозування від початкових умов вимагає додаткового дослідження моделі і забезпечення її робастності.
Розроблену модель використовують у складі системи підтримки прийняття рішень при прогнозуванні фінансово-економічних показників, що впроваджена в деяких банках України. Даний підхід буде також корисним при побудові систем підтримки прийняття рішень при прогнозуванні податкових надходжень. Застосування даної функції до прогнозування інфляції на 1–3 кроки показало, що помилка прогнозу не перевищує 10–15%.
Отже, зроблено математичну модель інфляції у вигляді авторегресії з ковзним середнім АРСС (2, 1), побудовану на основі статистичних даних і яка відрізняється високим ступенем адекватності. Знайдено рішення отриманого різницевого рівняння, що використано для побудови функції короткострокового прогнозування. Простота моделі і високий ступінь адекватності дозволяють використовувати її для прогнозування інфляції з прийнятною точністю на один і більше кроків.
Перспективними дослідженнями в напрямі удосконалення побудованої математичної моделі процесу інфляції є наступні: введення додаткових регресорів, що істотно впливають на інфляцію; застосування інших типів моделей процесу – на основі методу групового врахування аргументів, нейронних мереж, нейромережі + нечітка логіка та ін. Комплексний підхід до прогнозування дозволить істотно збільшити ймовірність правильного прогнозу в умовах високої динаміки всіх макроекономічних процесів.
Література:
1. Enders W. Applied Econometric Time Series. – New York: Wiley and Sons, 1995. – 450 p.
2. Korbicz J., Bidyuk P. State and Parameter Estimation. – Zielona Gora: TUZG, 1993. – 303 p.
3. Бідюк П.І., Половців О.В. Аналіз і моделювання економічних процесів перехідного періоду. – К.: НТУ “КПІ”, 1999. – 230 с.