Реферат: Принципы эконометрического анализа
Содержание
1. Общие принципы системного анализа
2. Основные этапы построения эконометрических моделей ииспользования их для прогнозирования
3. Экстраполяция трендов
4. Экстраполяция и ее использование в анализе
5. Правила составления информации подсистем
6. Модель «спрос-предложение»
Список использованной литературы
1. Общие принципы системного анализа
Принципы экономического анализа — это общие для многихобластей познания принципы: системность, научность, конкретность, комплексность,объективность и т.д.[2, c.136].
Экономический анализ как наука представляет собой систему специальныхзнаний, связанную с:
исследованием экономических процессов в их взаимосвязи, складывающихсяпод воздействием объективных экономических законов и факторов субъективного порядка;
научным обоснованием бизнес-планов, объективной оценкой их выполнения;
выявлением положительные и отрицательных факторов и количественнымизмерением их действия;
раскрытием тенденций и пропорций хозяйственного развития, определениемнеиспользованных внутрихозяйственных резервов;
принятием оптимальных управленческих решений.
Наиболее важные моменты анализа — установление взаимосвязи, взаимозависимостии взаимообусловленности причин и факторов.
Содержание экономического анализа как научной дисциплины вытекаетиз его функций:
1) изучение характера действия экономических законов, установлениезакономерностей и тенденций экономических явлений и процессов в конкретных условияхпредпринимательства;
2) научное обоснование текущих и перспективных планов;
3) контроль за выполнением планов и управленческих решений, экономнымиспользованием ресурсов;
4) поиск резервов повышения эффективности производства;
5) оценка результатов работы предприятия по выполнению планов,достигнутого уровня развития экономики, использование имеющихся возможностей;
6) разработка мероприятий по использованию выявленных резервов.
Предмет экономического анализа — хозяйственные процессы предприятий,объединений, ассоциаций, социально-экономическая эффективность и конечные финансовыерезультаты их деятельности, складывающиеся под воздействием объективных и субъективныхфакторов, получающие отражение через систему экономической информации [4, c.89].
Базовые принципы экономического анализа:
1. Принцип научности, который предусматривает глубокое познаниеобъективной реальности функционирования экономической системы, влияния объективныхфакторов на ее изменение и развитие; применение научной методики и организации аналитическихисследований.
2. Принцип системности, который предусматривает исследованиеэкономических явлений и процессов как сложных систем с функционально-структурнымстроением элементов взаимосвязи и взаимообусловленности их составляющих.
3. Принцип комплексности тесно связан с принципом системногоподхода: определяется тем, что в анализе экономических явлений и процессов как сложныхсистем следует комплексно оценивать входные параметры функционально-структурногостроения, их изменение и развитие на исследуемом объекте в пространстве и времени,количественные, качественные признаки, исходные (результативные) параметры этогопроцесса.
4. Принцип конкретности и действенности экономического анализаозначает целевую направленность исследований на конкретную практику и результативностьв достижении поставленной цели.
5. Принцип рейтинговой оценки предусматривает определение приоритетовв достижении поставленной цели, очередности осуществления мероприятий, направленныхна целевое изменение и развитие экономических систем. Рейтинговая оценка проводитсяпо критериям, которые определяют конечную цель функционирования экономической системы.Для достижения промежуточных целей могут использоваться другие критерии рейтинговойоценки.
6. Принцип демократичности, массовости экономического анализапредполагает участие в аналитическом процессе широкого круга заинтересованных лиц,а не только специалистов-аналитиков, а также широкую доступность, прозрачность,убедительность выводов и предложений. Этот подход позволяет наиболее полно выявитьимеющиеся резервы и недостатки, более взвешенно принимать решение.
Соблюдение названных принципов является необходимым условиемпроведения аналитических исследований, гарантом достижения поставленных целей ирешения конкретных задач.
2. Основные этапы построения эконометрических моделейи использования их для прогнозирования
Построение эконометрических моделей осуществляется в несколькоосновных шагов, этапов [1, c.284]:
1) Постановочный этап: определяются конечные цели исследования,моделирования, набор участвующих в модели факторов и показателей и их роли.
2) Априорный этап: предмодельный анализ экономической сущностиизучаемого явления, формирование и формализация априорной информации и исходныхдопущений, предположений, гипотез на основе экономической теории.
3) Этап параметризации и спецификации модели: собственно моделирование,то есть выбор вида модели, функции регрессии, в том числе, состава и формы входящихв нее связей между переменными.
4) Информационный этап: наблюдение и сбор необходимой информации,статистических данных, их обработка.
5) Этап идентификации модели: статистическое оценивание неизвестныхпараметров модели по собранным данным, статистический анализ модели.
6) Этап верификации модели: сопоставление фактических, реальныхданных и смоделированных, проверка адекватности модели, оценка ее точности и прогностическихсвойств.
3. Экстраполяция трендов
Экстраполяция трендов — это одна из наиболее широко используемыхтехник прогнозирования. Во-первых необходимо выявить тренд. Это может быть практическилюбой феномен, выразимый в количественных показателях с видимой структурой измененияво времени. К этим феноменам относятся и население и его размещение по территории,производительность труда, или размер территории государства. Тренд отсылает к историческимданным, экстраполяция подразумевает что эти данные проецируются в будущее.
Для описания феномена необходимы исторические количественныеданные. В ряде случаев, это возможно: к примеру, несложно найти данные о численностии структуре населения. Многие феномены такого описания не имеют, некоторые по причиненовизны (например телевидение), а иногда их нельзя выразить в количественных показателях(например представления о приемлемом риске). Дополнительной проблемой является появлениеранее ненаблюдаемого фактора: так, скачкообразный рост численности заболевших ракомщитовидной железы в Восточной Европе после Чернобыльской аварии объясняется исключительнотем, что раньше этому параметру никто не уделял особого внимания и не отслеживалего.
Экстраполяция может убедительно указать масштаб изменений, которыепоследуют при развитии тренда во времени. Резкий рост может со временем сделатьмалый феномен значительным. Иногда экстраполяция трендов приводит к результатамкоторые являются откровенно невозможными. Это указывает на границы применяемой методики.Если, например, рост числа работников занятых неполный трудовой день, опережаетрост населения в целом, это не значит, что в будущем собаки, кошки или роботы тожестанут такими работниками. Это значит что линейная экстраполяция достигла своихграниц. При этом, подобные экстраполяции часто производят серьезные содержательныеошибки.
Классическим примером подобной ошибки в прогнозе является результатработы комиссии Форрестера, породивший «экологическое движение». Участникикомиссии экстраполировали уравнение и пришли к выводу о конечности ресурсов Земли,массовом загрязнении всего всем и т.п. При этом, никто не поставил вопрос о ролитехнологических скачков и фазовых переходов в развитии человеческой цивилизации.
Другой пример: есть ряд авторов, утверждающих, что во ВторойМировой войне Советский Союз потерял не 20, а 50 миллионов человек, причем толькоубитыми. Используя стандартные статистические приемы, чтобы определить число раненых,искалеченных и пленных, получаем, что к концу войны страна имела отрицательную численностьработоспособного населения. Что-то около минус сорока миллионов человек.
Экстраполяция трендов, как методика, имеет ряд встроенных проблем:
1. Количественные данные могут быть неверными или ошибочно подобранными.
2. Результаты экстраполяции могут легко быть неверно интерпретированы.
3. Неспособность метода оценить движущие факторы изменений и эволюцию этих факторов.
4. Качественные изменения могут оказывать серьезное влияние на количественныеданные
5. Могут быть не замечены качественные изменения.
6. Оценки границ экстраполяции могут базироваться на недостаточной информации.
4. Экстраполяция и ее использование в анализе
Экстраполяция — это прогнозирование неизвестных значенийпутем продолжения функций за границы области известных значений [4, c.235]. Зачастую, прогностические модели используются для построенияпрогноза отклика для произвольных точек, которые не были включены в множество. Такогорода прогнозы называются экстраполяцией. Нужно с большой осторожностью относитьсяк прогнозам, полученным с помощью прогностической модели для данных, лежащих назначительном расстоянии от множества. В таких областях предсказания становятся ненадежными.
Методы экстраполяции тенденций являются, пожалуй, самыми распространеннымии наиболее разработанными среди всей совокупности методов прогнозирования. Использованиеэкстраполяции в прогнозировании имеет в своей основе. предположение о том, что рассматриваемыйпроцесс изменения переменной представляет собой сочетание двух составляющих--регулярнойи случайной:
Считается, что регулярная составляющая f (a, х) представляетсобой гладкую функцию от аргумента (в большинстве случаев — времени), описываемуюконечномерным вектором параметров а, которые сохраняют свои значения на периодеупреждения прогноза. Эта составляющая называется также трендом, уровнем, детерминированнойосновой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представлениео какой-то очищенной от помех сущности анализируемого процесса. Интуитивное, потомучто для большинства экономических, технических, природных процессов нельзя однозначноотделить тренд от случайной составляющей. Все зависит от того, какую цель преследуетэто разделение и с какой точностью его осуществлять.
Случайная составляющая n (х) обычно считается некоррелированнымслучайным процессом с нулевым математическим ожиданием. Ее оценки необходимы длядальнейшего определения точностных характеристик прогноза. Экстраполяционные методыпрогнозирования основной упор делают на выделение наилучшего в некотором смыслеописания тренда и на определение прогнозных значений путем его экстраполяции. Методыэкстраполяции во многом пересекаются с методами прогнозирования по регрессионныммоделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначенияхили написании формул. Тем не менее, сама по себе прогнозная экстраполяция имеетряд специфических черт и приемов, позволяющих причислять ее к некоторому самостоятельномувиду методов прогнозирования.
Специфическими чертами прогнозной экстраполяции можно назватьметоды предварительной обработки числового ряда с целью преобразования его к виду,удобному для прогнозирования, а также анализ логики и физики прогнозируемого процесса,оказывающий существенное влияние как па выбор вида экстраполирующей функции, таки на определение границ изменения ее параметров.
5. Правила составления информации подсистем
Одним из основных свойств экономической информационной системыявляется делимость на подсистемы, которая имеет ряд достоинств с точки зрения разработкии эксплуатации экономической информационной системой, к которым относятся [3, c.148]:
упрощение разработки и модернизации экономической информационнойсистемы в результате специализации групп проектировщиков по подсистемам;
упрощение внедрения и поставки готовых подсистем в соответствиис очередностью выполнения работ;
упрощение эксплуатации экономической информационной системы вследствиеспециализации работников предметной области.
Обычно выделяют функциональные и обеспечивающие подсистемы. Функциональныеподсистемы экономической информационной системы информационно обслуживают определенныевиды деятельности экономической системы (предприятия), характерные для структурныхподразделений экономической системы и (или) функций управления. Интеграция функциональныхподсистем в единую систему достигается за счет создания и функционирования обеспечивающихподсистем, таких, как информационная, программная, математическая, техническая,технологическая, организационная и правовая подсистемы.
Функциональная подсистема экономической информационной системыпредставляет собой комплекс экономических задач с высокой степенью информационныхобменов (связей) между задачами. При этом под задачей будем понимать некоторый процессобработки информации с четко определенным множеством входной и выходной информации(например, начисление сдельной заработной платы, учет прихода материалов, оформлениезаказа на закупку и т.д.).
Состав функциональных подсистем во многом определяется особенностямиэкономической системы, ее отраслевой принадлежностью, формой собственности, размером,характером деятельности предприятия.
Функциональные подсистемы экономической информационной системымогут строиться по различным принципам:
предметному;
функциональному;
проблемному,
смешанному (предметно-функциональному).
Так, с учетом предметной направленности использования ЭИС в хозяйственныхпроцессах промышленного предприятия выделяют подсистемы, соответствующие управлениюотдельными ресурсами:
управление сбытом готовой продукции;
управление производством;
управление материально-техническим снабжением;
управление финансами;
управление персоналом.
6. Модель «спрос-предложение»
При анализе спроса или предложения часто возникает необходимостьдля их прогнозирования. Чтобы правильно сделать прогноз необходимо сначала сгладитьили построить некоторую модель, по которой можно будет делать прогноз [3, c.93].
При построении линейной модели спроса или предложения чаще всегоучитываются не только значения показателей, но важное место отводится факторам,влияющим на спрос и предложение. Например, на спрос очень часто влияет уровень доходовнаселения, сезонность, ставки процентов в банке и многие другие факторы. Так и напредложение могут влиять повышенные цены на ресурсы, научно-технический прогресс,налоги и многое другое.
Рассмотрим первой модель, наиболее часто применяющуюся не толькодля построения моделей спроса и предложения, но и многих других экономических показателей.
/>
где t — временной фактор, в течение которогоизменяется спрос и предложение; а0и а1 — расчетные параметры.
Модель, приведенная выше, называется трендовой моделью экономическойдинамики, иначе кривая роста для экономических процессов. Ее основная цель — наоснове ее сделать прогноз о развитии изучаемого процесса на предстоящий промежутоквремени.
В настоящее время насчитывается большое количество типов кривыхроста для экономических процессов. Наиболее часто в экономике используются полиномиальные,экспоненциальные и S-образные кривые роста. Показанная вышемодель относится к разряду полиномиальных кривых роста. Это простейшие кривые роста,которые могут принимать и другой вид:
/> (полином первой степени)
/> (полином второй степени)
/> (полином третьей степени)
Параметр а1 называют линейным приростом, параметра2 — ускорением роста, параметр а3 — изменением ускоренияроста. Для расчета параметров применяют метод наименьших квадратов или записываютуравнения в матричной форме. Поскольку к матричной форме нахождения параметров мывернемся позднее, то запишем нахождение параметров с помощью метода наименьших квадратов.Для полинома первой степени:
/>
Для полинома второй степени:
/>
Для полинома третьей степени:
/>
Таким образом, могут быть получены все параметры полиномиальныхмоделей.
Чтобы правильно подобрать наилучшую кривую роста для моделированияи прогнозирования экономического явления, необходимо знать особенности каждого видакривых. Но чаще всего при построение линейных моделей спроса и предложения приходитсяиспользовать для прогнозирования ту модель, которая при ее анализе дает лучшие результаты.Анализ модели проводится по случайной величине et. Начальные параметры записываются в виде />, где /> (или другая полиномиальнаякривая роста), а et- случайная величина. Есть две основные возможные причины случайности:
1. Прогнозирование на основе временного ряда экономических показателей относитсяк одномерным методам прогнозирования, базирующимся на экстраполяции, т.е. на продлениина будущем тенденции, наблюдавшейся в прошлом. При таком подходе предполагается,что прогнозируемый показатель формируется под воздействием большого количества факторов,выделить которые невозможно, либо по которым отсутствует информация. Таким образом,наша модель является упрощением действительности.
2. Трудности в измерении данных (присутствуют ошибки измерений), а также ошибкаобразуется при округлении расчетных значений.
Ход измерения данного показателя во временном ряде связываютне с фактором, а с течением времени, что проявляется в образовании одномерных временныхрядов.
Кроме полиномиальных кривых роста одним из наиболее распространенныхспособов моделирования тенденции временного ряда является построение аналитическойнелинейной функции, характеризующей зависимость ряда от времени. Поскольку зависимостьот времени может принимать разные формы, для ее формализации можно использоватьразличные виды функций. Для построения эконометрических моделей спроса и предложениячаще всего используют экспоненциальный тренд: />.
Поскольку мы рассмотрели уже достаточно много моделей, по которымможно строить прогнозы спроса и предложения в зависимости от времени, то необходимоопределить какая из них будет лучше анализировать исходный параметр, т.е. определитьтип тенденции.
Существует несколько способов определения типа тенденции. К числунаиболее распространенных способов относятся качественный анализ изучаемого процесса,построение и визуальный анализ графика зависимости уровней ряда от времени, расчетнекоторых основных показателей динамики. В этих целях можно использовать и коэффициентавтокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентовавтокорреляции первого порядка, рассчитанные по исходным и преобразованным уровнямряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни yt и yt-1 теснокоррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходногоряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, экспоненты,то коэффициент автокорреляции первого порядка по логарифмам уровней исходного рядабудет выше, чем соответствующий коэффициент, рассчитанные по уровням ряда. Чем сильнеевыражена нелинейная тенденция в изучаемом временном ряде, тем в большей степенибудут различаться значения указанных коэффициентов.
Возможен случай еще одной модели — степенной, имеющей вид:
/>
Перейдем к анализу параметров модели в нелинейных трендах. Всеони могут быть получены с помощью метода наименьших квадратов, если нелинейную модельпривести к линейному виду. Так экспоненциальный тренд будет иметь вид: />. Отсюда находимa и b:
/>
Обратным переходом найдем параметры а и b.
Для степенной модели имеем вид: />. Для нахождения параметров a и b решаем систему нормальных уравнений:
/>
Зависимость спроса и предложения от времени часто не ярко выражена.Лучшей для анализа этих явлений будут модели так называемой множественной регрессии,в которых спрос или предложение зависят от многих факторов. Такие модели чаще применяютсяпоскольку позволяют прогнозировать значения показателя при изменении того или иногофактора.
Например, предположим спрос на картофель (показатель y) зависит от заработной платы (фактор х1), временигода (фактор х2), места расположения области (фактор х3),накоплений населения в банках (фактор х4), уровня инфляции в месяц (факторх5). Некоторые факторы можно принять за числовые значения, например временагода: зима — 2, весна — 2,5, лето — 3, осень — 3,5 (или по месяцам). Тогда можнопостроить многофакторную модель регрессии: />. Такая модель будет ярко показыватьчто произойдет со спросом на картофель, если изменится заработная плата, и (или)инфляция и т.д.
Для нахождения параметров модели используют либо метод наименьшихквадратов, либо матричную запись.
Матрица Х — показывает факторы, матрица Y- показатель, матрица А — коэффициенты регрессии.
/>; />; />
Таким образом, уравнение множественной регрессии примет вид:/>.
С помощью элементарных действий над матрицами найдем выражениематрицы А: />,где X’ — транспонированная матрица Х.
В теории спроса и предложения могут встречаться не только линейныеили нелинейные модели. Многие экономисты выводят различные зависимости между спросоми переложением. Например, существует эконометрические модель спроса и предложениякейнсианского типа, построенная на системе совместных, одновременных уравнениях.
/>
где /> - спрос на товар в момент времениt;
/> - предложение на товар в момент времениt;
/> - цена товара в момент времени t;
/> - доход в момент времени t;
/> - цена товара в предыдущий период.
Система совместных, одновременных уравнений (или структурнаямодель) обычно содержит эндогенные и экзогенные переменные.
Эндогенные переменные обозначены в приведенной системе одновременныхуравнений как Q. Это зависимые переменные, число которыхравно числу уравнений в системе [2, c.136].
Экзогенные переменные — все остальные. Это предопределенные переменные,влияющие на эндогенные переменные, но не зависящие от них.
Структурная форма такой модели позволяет увидеть влияние любойэкзогенной переменной на значение эндогенной переменной. Меняя цены на товары идоходы, можно заранее иметь целевые значения спроса и потребления.
При анализе покупательского спроса широко применяются однофакторныефункции спроса от дохода. Соответствующие этим функциям кривые /> (Z- доход) называются кривыми Энгеля. Формы этих кривых для различных товаров могутбыть различны. Если спрос на данный товар возрастает примерно пропорционально доходу,то функция будет линейной. Такой характер имеет, например, спрос на одежду, фруктыи др. кривая Энгеля для этого случая представлена на рисунке 1.
Если по мере роста дохода спрос на данную группу товаров возрастаетвсе более высокими темпами, то кривая Энгеля будет выпуклой (рис.2). Так ведет себяспрос на предметы роскоши.
Если рост значений спроса, начиная с определенного момента, помере насыщения спроса отстает от роста дохода, то кривая Энгеля будет иметь видвогнутой кривой (рис.3). Например, такой характер имеет спрос на товары первой необходимости.
/>
Тот же принцип разграничения групп товаров по типам функции спросаот дохода использовал шведский экономист Л. Торнквист, который предложил специальныевиды функций спроса (функции Торнквиста) для трех групп товаров: первой необходимости,второй необходимости, предметов роскоши.
Функция Торквиста для товаров первой необходимости имеет вид:
/>
и отражает тот факт, что рост спроса на эти первоочередные товарыс ростом дохода постепенно замедляется и имеет предел а1 (кривая спроса асимптотическиприближается к прямой линии у = а1). График функции является вогнутой кривой I на рисунке 4.
Функция спроса по Торнквисту на товары второй необходимости выражаетсяформулой:
/>
Эта функция также имеет предел а2, но более высокого уровня;при этом спрос на эту группу товаров появляется лишь после того, как доход достигнетвеличины b2; график функции — вогнутая кривая II на рисунке 4.
Наконец, функция Торнквиста для предметов роскоши имеет вид:
/>
Эта функция не имеет предела. Спрос на эти товары возникает послетого, как доход превысит величину b3, и далее быстро возрастает,так что график функции — выпуклая кривая III на рисунке 4.
/>
Рисунок 4
Кроме указанных функций, в аналитических моделях покупательскогоспроса используются также другие функции, например S-образные.Не ограничивается и число функций или моделей по которым можно описывать и прогнозироватьпредложение. В большинстве случаев все модели, построенные по некоторым имеющимсяданным очень индивидуальны, на одни товары может хорошо выявлять тенденцию степеннаямодель, на другие полиномиальная, на третьи экспоненциальная и очень много другихвариантов.
Список использованной литературы
1. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальныйкурс: Учеб. — 5-е изд., испр. — М.: Дело, 2001. — 400 с.
2. Эконометрика: Учебник / Под ред.И. И. Елисеевой. — М.: Финансы истатистика, 2002. — 344 с.: ил.
3. Практикум по эконометрике: Учеб. пособие / И.И. Елисеева, С.В. Курдышева,Н.М. Гордеенко и др.; Под ред.И. И. Елисеевой. — М.: Финансы и статистика, 2002.- 192 с.: ил.
4. Экономико-математические методы и прикладные модели: Учеб. пособиедля вузов / В.В. Федосеев, А.Н. Гармаш, Д.М. Дайитбегов и др.; Под ред. В.В. Федосеева.- М.: ЮНИТИ, 2002. — 391 с.