Другую группу методов представляют методы статистического моделирования. Наиболее распространенные из них представлены на рис.2.
Рис.2. Группы методов статистического моделирования
Деление методов на статические и динамические связано с характером исследуемой информации. Методы статистического моделирования могут быть использованы на основе информации в статике (по совокупности предприятий, фирм, регионов) и по системе связанных рядов динамики. В первом случае они относятся к классу статических методов, а во втором — динамических.
Статические методы включают методы регрессии, с помощью которых моделируемый объект представлен в виде математической функции от ряда факторов: y=f(x1, x2, …, хр). Сложные экономические процессы могут описываться системой взаимосвязанных уравнений.
Применение этой группы методов в прогнозировании предполагает инерционность процессов. Качество прогноза моделируемого объекта зависит от реальности прогноза факторов.
Динамические методы статистического моделирования основаны на подробном изучении временных рядов. В частности, уровни динамического ряда рассматриваются как функция тенденции, периодических (сезонных) и случайных колебаний. На моделировании этих компонентов разложения уровней динамического ряда основаны методы агрегатного моделирования динамики. Прогноз строится как аддитивная или мультипликативная модель этих компонентов динамики.
Регрессия по взаимосвязанным рядам динамики (особенно как система уравнений) широко применяется для прогнозирования макроэкономических показателей. При этом модель включает обычно не только набор факторов как экономических переменных, но и лаговые переменные, т. е. сдвинутые во времени на определенный интервал (например, в качестве факторов используется моделируемый показатель или собственно фактор за предыдущий год).
Своеобразие методов регрессии для прогноза имеет место при использовании пространственно-временной информации. Для каждого года динамического ряда строится регрессионная модель по совокупности предприятий. Прогноз основывается на экстраполяции параметров регрессии. Данный подход возможен в условиях достаточно стабильной экономики, когда круг охватываемых предприятий во времени мало изменчив.
Методы статистического моделирования входят в группу методов многофакторного моделирования, к которым относятся также логическое моделирование, включающее моделирование по исторической аналогии, методы сценариев и дерева целей.
Прогнозирование по исторической аналогии основано на использовании аналога объекта прогнозирования. Этот подход предполагает перенесение на новую действительность концепции развития той или иной страны, соотношение темпов роста отдельных показателей. Качество прогноза в этом случае полностью зависит от правильности выбора аналога объекта прогнозирования.
Метод сценариев, как и метод дерева целей, представляет собой метод прогнозирования сложных систем. В методе сценариев подробно описывается моделируемая ситуация и дается обзор информации, которая должна быть учтена при прогнозировании. Метод дерева целей предполагает, что для объекта прогноза существует несколько иерархических уровней, и прогноз осуществляется последовательно по отдельным стадиям, блокам — от низшего уровня к более высоким. Методы логического моделирования могут в качестве вспомогательных инструментов прогноза использовать методы экстраполяции и методы статистического моделирования.
Рассмотренная классификация методов статистического прогнозирования достаточно условна, ибо на практике при прогнозировании нередко методы переплетаются: методы скользящей средней дополняются уравнением тренда, авторегрессионными преобразованиями; экстраполяция тенденций дополняется авторегрессией остатков; уравнение регрессии может включать показатели тенденции развития объекта и т. п.
Поможем написать любую работу на аналогичную тему