В современных условиях управленческие решения должны приниматься лишь на основе тщательного анализа имеющейся информации. Для решения подобных задач предназначен аппарат прикладной статистики, составной частью которого являются статистические методы прогнозирования. Эти методы позволяют выявить закономерности на фоне случайностей, сделать обоснованные прогнозы и выявить вероятность их выполнения.

При рассмотрении классической модели регрессии характер экспериментальных данных не имеет принципиального значения. Методы исследования моделей, основанных на данных пространственных выборок и временных рядов, существенно отличаются. Это можно объяснить тем, что наблюдения во временных рядах нельзя считать независимыми.

Прогнозирование – это оценка на основе глубокого анализа тенденций развития социально-экономических явлений и их взаимосвязей. Процесс прогнозирования предполагает выявление возможных альтернатив развития в перспективе для обоснованного их выбора и принятия оптимального решения.

Экономическое прогнозирование невозможно без хорошего знания изучаемого явления и владения различными методами обработки динамических рядов, которые в каждом отдельном случае помогли бы обнаружить общую закономерность изменения, периодичность в повышении или снижении уровней (если она имеет место), корреляцию между отдельными рядами.

Для анализа данных целесообразно рассчитывать показатели: абсолютные приросты (изменения) уровней; темпы роста; темпы прироста (снижения) уровней.

Для обобщающей характеристики динамики исследуемого явления за ряд периодов использовались средние показатели: средний темп роста, средний темп прироста, средний абсолютный прирост.

Целью курсовой работы являлось приобретение практических навыков поиска и систематизации собранного материала для статистического исследования.

Для реализации поставленной цели в дипломной работе будут решены следующие задачи:

1) графический анализ данных об объеме рынка бытовой техники;

2) содержательный анализ данных об объеме рынка бытовой техники;

3) анализ данных об объеме рынка бытовой техники на основе методов прогнозирования;

4) задача прогнозирования на 2009 г., проверка адекватности и точности прогноза и анализ ситуации на рынке бытовой техники г. Уфа в 2009 г;

5) выбор наилучшего метода прогнозирования;

6) задача прогнозирования на 2010 г.;

7) сформулированы выводы.

РАЗДЕЛ 1. ПРИМЕНЕНИЕ ТЕОРИИ ВРЕМЕННЫХ РЯДОВ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ

1.1 Экономические процессы и их прогнозирование

графический анализ прогнозирование

Одним из наиболее сложных этапов прогнозирования, который отнимает много времени и сил, является сбор обоснованных и достоверных данных. Точность любого прогноза ограничивается достоверностью тех данных, на которых он построен. Наиболее сложные модели прогнозирования не сработают, если они будут применяться к недостоверным данным [1, С.85].

Для оценки, будут ли имеющиеся данные полезны для решения поставленной задачи, можно использовать следующие четыре принципа:

1) данные должны быть достоверными и точными. Необходимо позаботиться о том, чтобы данные были получены из достоверного источника, и обратить внимание на то, чтобы они имели требуемую точность;

2) данные должны быть значимыми. Данные должны отражать те обстоятельства, для анализа которых они будут использоваться;

3) данные должны быть согласованными. Если обстоятельства, в отношении которых данные собирались, изменились, необходимо внести корректировки, направленные на сохранение согласованности новых данных с исторически сложившейся структурой;

4) данные должны собираться через определенные интервалы времени. Данные, собранные и подытоженные в строгом хронологическом порядке, представляют наибольший интерес для целей прогнозирования.

Для создания прогнозов представляют интерес два типа данных. К первому типу относят данные, собранные в фиксированный момент времени. Это может быть конкретный час, день, неделя, месяц или квартал. Второй тип представляют данные наблюдений, произведенных с течением времени. Кросс-секционными данными называются наблюдения, собранные в фиксированный момент времени [2, С.85]. Задача состоит в изучении таких данных с последующей экстраполяцией или последующим распространением полученных взаимоотношений на большую генеральную совокупность.

1.2. Анализ временных рядов

1.2.1 Временные ряды и их компоненты

Совокупность наблюдений величины , выполненных в течение некоторого промежутка времени, называют данными временного ряда или просто временным рядом. Чаще всего наблюдения регистрируются через постоянные промежутки времени. В общем случае временные ряды не представляют собой случайную выборку и требуют специальных методов для их исследования. Наблюдения во временных рядах, как правило, зависят друг от друга (автокоррелируют). Эта зависимость образует модель изменения или поведения данных, которую можно использовать для предсказания их будущих значений, а это, в свою очередь, может значительно помочь руководству в управлении деловыми операциями [3, С.180].

Декомпозиция

Один из методов анализа данных временных рядов включает попытку определить составляющие факторы, которые влияют на каждое значение временного ряда. Подобная процедура идентификации называется декомпозицией. Каждая компонента идентифицируется отдельно. Затем вклады каждой компоненты комбинируются с целью получения прогнозов будущих значений временных рядов.

Рассмотрение методов декомпозиции начинается с четырех компонент временных рядов – это трендовая, циклическая, сезонная и нерегулярная (или случайная) компоненты.

1. Тренд. Тренд – это компонента, представляющая основной рост (или спад) во временном ряду. Компонента тренда обозначается буквой .

2. Цикличность. Циклическая компонента – это последовательность волнообразных флуктуации или циклы длительностью более одного года. Изменение экономических условий обычно происходит циклически. Циклическая компонента обозначается буквой .

--> ЧИТАТЬ ПОЛНОСТЬЮ <--