Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Моделирование интервальных оценок при прогнозировании тренд-сезонных экономических процессов

Диссертация: Моделирование интервальных оценок при прогнозировании тренд-сезонных экономических процессов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Прогноз, полученный с использованием математической модели, может быть достоверен настолько, насколько использованная математическая модель соответствует самому социально-экономическому процессу. В экономическом прогнозировании роль неучтенных и случайных факторов достаточно велика, поэтому прогноз всегда носит в определенной мере вероятностный характер, и совпадение фактических данных будущего… Читать ещё >

Содержание

  • Глава 1. Сезонные колебания в социально-экономических процессах
    • 1. 1. Исследование сезонности в социально-экономических процессах
    • 1. 2. Анализ критериев наличия сезонности
    • 1. 3. Показатели измерения сезонности
    • 1. 4. Математические модели тренд-сезонных процессов
  • Глава 2. Прогнозирование экономических показателей, подверженных сезонным колебаниям
    • 2. 1. Экономико-математические подходы исследования тренд-сезонных процессов
    • 2. 2. Анализ методов и критериев, используемых при построении доверительных интервалов
    • 2. 3. Исследование способов построения доверительных интервалов в различных математических моделях

Моделирование интервальных оценок при прогнозировании тренд-сезонных экономических процессов (реферат, курсовая, диплом, контрольная)

Исследование социально-экономических процессов и явлений в подавляющем большинстве случаев включает такой естественный и необходимый элемент, как экономико-математические методы и модели. Использование математики в экономике позволяет, во-первых, выделить и формально описать существенные экономические связи исследуемых объектов. Во-вторых, сформировать группу наиболее существенных эндогенных переменных, определяющих исследуемый объект. В третьих, оценить их взаимовлияние и возможные воздействие на них внешних факторов, использовать полученные результаты для прогнозирования и принятия решений.

В рыночной экономике прогнозирование является основой всей системы управления, развитая система альтернативных прогнозов позволяет избежать нежелательных негативных ситуаций. Потребность в перспективной оценке, например, хозяйствующего объекта, связана с тем, что руководителю важнее предотвратить возможный в перспективе неудачный исход, чем исправлять или компенсировать фактически полученный ущерб. В этой связи особо востребованными для практического использования оказались методы прогнозирования экономических показателей.

Экономическое прогнозирование характеризует будущее развитие, исходя из гипотезы, что основные тенденции, действующие факторы и зависимости прошлого и текущего периода сохранятся на период прогноза, либо можно предопределить и учесть направление их изменений в рассматриваемой перспективе. Развитие прогнозируемых социально-экономических процессов в этом случае должно быть представлено в виде.

• определенной траектории, то есть процессы в той или иной мере должны обладать инерционностью. Использование перечисленных предположений основано на специфике прогноза как одного из способов познания. Это объясняется тем, что при прогнозировании на первый план выдвигается исследование не того, что есть, а того, что будет, то есть необходимо смоделировать процесс и с помощью модели воспроизвести его характеристики в перспективе. В философии такой способ познания называют опережающим отражением. Оно возможно при выполнении следующих предпосылок:

— прогнозируемая система в своем развитии имеет определенные объективные черты, закономерности, проявляющиеся в повторяемости и устойчивости ряда связей и отношений;

— в развитии системы имеют место сходные, циклически повторяющиеся ситуации, которые позволяют накопить достаточно информации о познавательных сходных ситуациях и на этой основе создать условия для выработки запаздывающего отражения;

— запаздывающее отражение не приводит непосредственно к опережающему отражению, поскольку в развитии любой сложной системы не бывает точного повторения одних и тех же ситуаций и накопленная информация не может непосредственно использоваться для прогнозирования, необходимо наличие активного субъекта, который переработал бы информацию о развитии прогнозируемого объекта, окружающей его среды и в результате своей деятельности воспроизвел бы этот образ в прогнозируемом периоде.

Математические модели, используя апостериорную информацию, позволяют воспроизвести запаздывающее отражение, переводя его в опережающее отражение. Прогноз возможен только в случае осмысления и переработки информации, полученной с помощью моделей, активным субъектомлицом принимающим решение (ЛПР).

Прогноз, полученный с использованием математической модели, может быть достоверен настолько, насколько использованная математическая модель соответствует самому социально-экономическому процессу. В экономическом прогнозировании роль неучтенных и случайных факторов достаточно велика, поэтому прогноз всегда носит в определенной мере вероятностный характер, и совпадение фактических данных будущего периода с данными, полученными при прогнозировании маловероятно. Это объясняется следующими причинами: во-первых, использованная для прогнозирования модель не является всеобъемливающей и единственной для описания исследуемого процесса, во-вторых, прогноз осуществляется с использованием ограниченной информационной базы, и случайные компоненты, присущие уровням исходных данных, влияют на результат прогноза, в-третьих, непредвиденные события в политической и экономической жизни общества могут изменить прогнозируемую тенденцию развития изучаемого процесса. Необходимо отметить, что прогноз без указания границ, задающих пределы отклонения фактических данных от прогнозируемых, не является прогнозом, так как не обладает никакой надежностью. В связи с этим, необходимо определять пределы возможного изменения прогнозируемого показателя, так как именно границы моделируемого интервала характеризуют амплитуду отклонений фактических данных от прогнозируемых. Накопленный опыт создания и использования экономико-математических методов для решения теоретических и практических задач, показал сложность и многообразие этого процесса. Значительный вклад в развитие методов прогнозирования внесли Т. Андерсон, Дж. Бокс, A.M. Гинзбург, А. А. Горчаков, Г. Дженкинс, В. И. Зеркальцев, М. Кендэлл, Н. Б. Кобелев, Ю. П. Лукашин, А. И. Новиков, В. А. Половников, Л. М. Скучалина, А. Стьюарт, А. А. Френкель, Е. М. Четыркин, И. М. Шатаев, В. В. Швырков, Т. С. Швыркова и многие другие.

Рынок, даже регулируемый государством, склонен к стихийности и подвержен колебаниям, как случайным, так и постоянно повторяющимся, в том числе с выраженной годовой периодичностью. Первопричиной возникновения последних являются различные факторы, в том числе природно-климатические, связанные со сменой года, и эти колебания определяются как сезонные. Наиболее ярко сезонность наблюдается в отраслях перерабатывающих сельскохозяйственную продукцию, в добывающих отраслях, в легкой промышленности, в бытовом обслуживании, в транспорте.

Сезонность в экономике обычно отрицательно сказывается на результатах производственной деятельности, вызывая аритмию производственных процессов, полную или частичную незанятость работников и оборудования, что в итоге отражается на производительности труда и социальных показателях уровня жизни населения.

В современных условиях сложного переплетения хозяйственных связей сезонные колебания наблюдаются не только в производственной сфере, но на и рынке ресурсов, товаров и услуг, домохозяйств, финансовом рынке. Здесь сезонные изменения социально-экономических процессов и явлений определяются уже не только климатическими факторами, но и социальными, экономическими, юридическими.

В этой связи особое значение приобретает прогнозирование развития социально-экономических процессов с учетом сезонных колебаний. Степень колеблемости экономических показателей в разные периоды года (кварталы, месяцы) является, как правило, различной. Поэтому при моделировании границ возможного нахождения прогнозируемой величины необходимо учитывать различную степень сезонной колеблемости уровней исследуемого процесса. Отсутствие учета такого явления в существующих методах и моделях приводит к неадекватному отображению процесса и искажению будущего поведения системы. По этой причине разработка методики прогнозирования, учитывающей различную в течение года степень колеблемости сезонных процессов, в настоящее время является особенно актуальной.

Цель и задачи исследования

Цель диссертации заключается в исследовании экономико-математических моделей, используемых для прогнозирования тренд-сезонных процессов с созданием методики моделирования интервальных оценок при прогнозировании тренд-сезонных экономических процессов.

Целевая направленность диссертационной работы потребовала решения следующих задач:

• анализ сезонных колебаний в социально-экономических процессах;

• исследование существующих подходов и экономико-математических моделей, используемых для моделирования тренд-сезонных экономических процессов;

• анализ экономико-математических методов и моделей, используемых для прогнозирования экономических процессов;

• выбор и обоснование критериев и методов, применяемых при интервальном оценивании показателей;

• разработка методики моделирования интервальных оценок при прогнозировании тренд-сезонных экономических процессов, учитывающих различную степень колеблемости сезонной компоненты в течение года.

Предметом исследования в настоящей работе являются экономико-математические методы и модели, позволяющие учитывать сезонные колебания и их неоднородность при моделировании и прогнозировании социально-экономических процессов. В качестве объекта исследования в диссертации избраны производственные предприятия и финансовые рынки.

Методология исследования. Теоретической и методологической основой данного исследования являются, как общенаучные методы познания: анализ и синтез, обобщение, сравнение и группировка, так и специальные методы: экономико-математические, вероятностно-статистические, вычислительной математики.

В процессе исследования проанализирован ряд работ отечественных и зарубежных авторов, специалистов в области математического моделирования, статистики, экономического и финансового анализа, информационных технологий, а также теоретические и практические материалы аналитических рыночных исследований.

Обработка данных велась на ПЭВМ с использованием пакета «ОЛИМП: СтатЭксперт», а также разработанных автором программ анализа и прогнозирования тренд-сезонных временных рядов, функционирующих в среде табличного процессора EXCEL.

Научная новизна. Обосновано в работе, что для получения адекватного прогноза сезонных процессов, необходимо учитывать неоднородность сезонной компоненты в различные месяцы (кварталы), так как степень колеблемости сезонной компоненты в различные месяцы (кварталы) существенно различается.

Предложены математические модели интервальных оценок прогноза тренд-сезонных процессов, учитывающих различную степень колеблемости сезонной компоненты в различные периоды года (месяцы, кварталы).

Разработана методика моделирования интервальных оценок прогноза для тренд-сезонных экономических процессов, которая включает разработку новых моделей и алгоритмов, повышающих точность, надежность и обоснованность функционирования изучаемого процесса в будущем.

На защиту выносятся следующие основные результаты диссертационного исследования:

• анализ и оценка возможностей области применения математических методов для моделирования тренд-сезонных экономических процессов;

• обоснование необходимости учета степени колеблемости сезонной компоненты в различные кварталы (месяцы) при анализе и прогнозировании тренд-сезонных экономических процессов;

• методика моделирования интервальных оценок при прогнозировании тренд-сезонных экономических процессов с различной (квартальной, месячной) степенью колеблемости;

• комплексная модель, позволяющая реализовать полный цикл анализа, моделирования и прогнозирования тренд-сезонных процессов;

• программные средства исследования и прогнозирования тренд-сезонных экономических процессов.

Информационной базой исследования являются данные статистических сборников Госкомстата РФ, Тульского управления статистики, балансовые данные коммерческих банков.

Практическая значимость проведенного исследования состоит в возможности непосредственного применения разработанного теоретического и методологического аппарата для моделирования и компьютеризации процессов по управлению и прогнозированию деятельности субъектов хозяйствования в различных сферах экономики.

Апробация и внедрение результатов исследования. Полученные теоретические, методологические и практические результаты работы обсуждались на всероссийских, межрегиональных, областных, межвузовских научно-практических конференциях.

Разработанная методика прошла апробацию и внедрена в Тульском отделении № 8604 Сбербанка России и АКБ «Спиритбанк». Теоретические и методологические положения выполненного исследования используются при подготовке специалистов в финансово-банковской сфере и в учебном процессе в преподавании дисциплин «Экономико-математические методы и прикладные модели», «Финансовая математика».

Практическое использование результатов исследования подтверждено актами о внедрении, выданными Тульским отделением № 8604 Сбербанка России и АКБ «Спиритбанк».

Публикации. Основные положения и выводы диссертационной работы изложены в 8 печатных работах, общим объемом 2,78 п.л.

Структура работы. Диссертация состоит из введения, трех глав, заключения, списка литературы и приложения.

Основные результаты работы состоят в следующем:

1. Проведен анализ возможностей и области применения математических методов для моделирования тренд-сезонных экономических процессов. Обоснована необходимость изучения и учета сезонности при анализе и прогнозировании процессов, происходящих на финансовых рынках. Выявлено, что происходящие на них колебания часто обусловлены не только климатическими, но и социальными, экономическими и юридическими и иными факторами.

2. Исследованы модели с аддитивной и мультипликативной связью между трендовой и сезонной составляющей, способные отображать сезонную волну, как с постоянным, так и с переменным характером.

3. При рассмотрении экономико-математических подходов к исследованию тренд-сезонных процессов, выявлено, что в настоящее время методика моделирования интервальных оценок, учитывающих сезонные изменения уровней временного ряда не разработана.

4. Рекомендован новый подход к определению интервальных оценок прогноза тренд-сезонных временных рядов, учитывающих неоднородность сезонных колебаний в различные периоды года. Разработаны новые формулы доверительных интервалов прогноза, учитывающие сезонные колебания в обобщенных моделях аддитивного и мультипликативного типа, адаптивной модели Хольта-Уинтерса с сезонными коэффициентами аддитивного и мультипликативного типа.

5. Анализ существующих программных средств показал, что стандартные программные методы не производят расчета доверительных интервалов прогноза с учетом неоднородности сезонной компоненты, что делает прогноз не корректным и существенно затрудняет применение пакетов для прогнозирования экономических процессов.

Предложена методика получения интервальных оценок при прогнозировании тренд-сезонного процесса на базе разработанных формул, учитывающих неоднородность колеблемости сезонной компоненты. Разработанный на базе методики алгоритм позволяет организовать полный цикл исследования, моделирования и прогнозирования тренд-сезонных процессов и показывает практическую пригодность предложенного подхода и разработанной методики и ее более высокую точность и эффективность по сравнению с существующими.

Заключение

.

Показать весь текст

Список литературы

  1. С. А. Енюков И.С., Мешалкин Л. Д. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное издание под ред. Айвазяна С. А. — М.: Финансы и статистика, 1983. — 471 с.
  2. Т. Введение в многомерный статистический анализ. -М.: Физматгиз, 1963. 500 с.
  3. Т. Статистический анализ временных рядов. -М.: Мир, 1976. -755 с.
  4. Ю.Н., Шелобаев С. И. Оптимизация банковских процессов и принятия решений. М.: Высшая школа, 1999. — 608 с.
  5. В.Н., Юзбашев М. М. Анализ временных рядов и прогнозирование.- М.: Финансы и статистика, 2001. 228 с.
  6. М.И., Шеремет А. Д. Теория экономического анализа. М.: Финансы и статистика, 1993. — 288 с.
  7. Ю. Г. Дойников А.Н. Королев М. Ф., Юровский А. Ю. Прикладной анализ временных рядов с программой ЭВРИСТА. Центр СП «Диалог» МГУ, 1991.-328 с.
  8. Л.П. Устойчивость коммерческих банков. М.: ЮНИТИ, 1996. -192 с.
  9. Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989.-540 с.
  10. Дж., Пирсол А. Применение корреляционного и спектрального анализа. М.: Мир, 1979. — 311 с.
  11. Дж. Управление производством. Количественный подход. М.: Мир, 1993.-305 с.
  12. Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Пер. с англ. М.: Мир, вып.1, 1974. — 197 с.
  13. Д. Временные ряды. Обработка данных и теория. М.: Мир, 1980. -536 с.
  14. Я.Я. Ф. Корреляция рядов динамики. — М.: Статистика, 1977. — 118 с.
  15. Вестник Банка России. 1995, № 5(45) 7февр. — с.7.
  16. A.M. Сезонность и сезонные колебания. М.: Гостехиздат, 1929. — 39 с.
  17. В.Е. Теория вероятностей и математическая статистика. М.: Высшая школа, 2000. — 479 с.
  18. А.И. Теоретическая разработка вопросов исчисления сезонных изменений и новый метод их исчисления. В кн.: Труды конъюнктурного института. -М.: Изд. ЦСУ СССР, 1929.- с. 19−33.
  19. Н.А., Френкель А. А. Новые направления в анализе и прогнозировании временных рядов. В сб.: Методологические проблемы анализа и прогноза краткосрочных процессов. — М.: Наука, 1979. — с.27−58.
  20. А.А. К вопросу использования адаптивных методов в экономическом прогнозировании. В сб.: Вопросы эффективности и качества в системах управления народным хозяйством. М.: МЭСИД980, с. 78−82.
  21. А.А. Прогнозирование сезонных колебаний. В сб.: Вопросы эффективности и качества в системах управления народным хозяйством. М.: МЗСИ, 1980, с. 82−95.
  22. А.А. К вопросу классификации адаптивных методовкраткосрочного экономического прогнозирования. В сб.: Проблемы применения Экономико-математических методов в управлении народным хозяйством. М.: МЗСИ, 1981, с. 99−104.
  23. А.А. Прогнозирование сезонных процессов на основе метода Тейла-Вейджа //Проблемные вопросы конструирования АСУ — М.: МЭСИ, 1985. с.75−81.
  24. Горчаков A. JL, Орлова Н. В. Компьютерные экономико-математические модели. М.: ЮНИТИ, 1995. 136 с.
  25. И.С., Рыжик И. М. Таблицы интегралов, сумм, рядов и произведений. М.: Физматгиз, 1962.
  26. К., Хатанака М. Спектральный анализ временных рядов в экономике. Пер. с англ. М.: Статистика, 1972. — 311 с.
  27. Г., Ватте Д. Спектральный анализ и его приложения. Пер. с англ. М.: Мир, вып I, 1971. — 316 с.
  28. Г., Ватте Д. Спектральный анализ и его приложения. Пер. с англ. М.: Мир, вып.2, 1971. — 455 с.
  29. Дж. Эконометрические методы. М.: Статистика, 1980. — 444 с.
  30. К. Введение в эконометрику. М.: ИНФРА-М, 1997. — 402 с.
  31. В.В., Трошин С. В., Шибаев JI.JI. Шелобаева И. С. Информационная безопасность в банковском деле. Тула, изд. Центр ТГПУ им. Л. Н. Толстого, 2001, — 186 с.
  32. В.И. Обоснование выбора регрессионной модели для анализа и прогнозирования процессов топливоснабжения с сезонной составляющей. -Изв. АН СССР, сер.: Энергетика и транспорт, № 3, 1978. с. 135−143.
  33. В.И. Влияние сезонного фактора на промышленное производство СССР. Известия СО АН СССР, серия общественных наук, 1978, № 2.
  34. М., Стьюарт А. Многомерный статистический анализ и временные ряды. Пер. с англ. М.: Наука, 1976. — 736 с.
  35. М. Временные ряды. -М.: Финансы и статистика, 1981. 197 с.
  36. Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. М.: Статистика, 1973. — 103 с.
  37. Н.Б. Методы оптимального управления отраслью обслуживания населения М.: Изд-во лег. пищ. пром., 1981.
  38. Н.Б., Шатаев И. М. Системное решение проблем управления в сфере обслуживания населения. М.: Легкая индустрия, 1979. — 214 с.
  39. Н.Б. Практика применения экономико-математических методов и моделей. М.: Финстатинформ, 2000. — 246 с.
  40. Н.Е., Кузьмин В. И. Точность экономико-математических моделей. М.: Финансы и статистика, 1981. -254 с.
  41. Г. Математические методы статистики. Пер. с англ.- М.: Мир, 1975.- 648 с.
  42. В.И., Половников В. А., Новиков А. И. Методы научно-технического прогнозирования. М.: МЭСИ, 1980. — 126 с.
  43. А.П. Методы и средства анализа данных в среде Windows. М.: Информатика и компьютеры, 1998. — 270 с.
  44. В.Б. Основы финансовой и страховой математики. М.: Дело, 1998.-304 с.
  45. И.Н. Понятие и сущность сезонных экономических явлений. В сб.: Труды конъюнктурного института. — М.: Изд. ЦСУ СССР, 1929. — с.5−19.
  46. Е.М. Адаптивные экономические модели. Новосибирск: Наука, 1981, — 222 с.
  47. Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979. 253 с.
  48. А.И. Системный анализ сезонности перевозок грузов морским флотом. /Системное моделирование внешнеторговых процессов. -Межведомств. Семинар. М.: 1979. — с.31−33.
  49. А.И. Математико-статистический анализ сезонности в отрасли. -В сб.: Методы и модели экономической кибернетики. М.: МЭСИ, 1980. с.71
  50. А.И. Применение многомерного спектрального анализа к исследованию сезонных процессов в отрасли. В сб.: Организация, экономика и технология материально-технического снабжения сельского хозяйства: Труды ВНИИМС, вып.II. Рязань. 1980.
  51. А.И. Адекватные статистические оценки уровня сезонности. //Вестник статистики, № 3, 1984. — с. 67−69.
  52. И.В. Экономико-математические методы и модели. Выполнение расчетов в среде Excel. М.: Финстатинформ, 2000. — 136 с.
  53. В.А. Анализ и прогнозирование транспортной работы морского флота. М.: Транспорт, 1983. — 224 с.
  54. В.А., Горчаков А. А. Использование метода адаптивной фильтрации в прогнозировании бытовых услуг. В сб.: Применение методов вычислительной математики в экономике. М.: МЭСИ, 1981, с. 85−91.
  55. В.А., Горчаков А. А. Модели и методы экономического прогнозирования. М.: МЭСИ, 1980. -116 с.
  56. В.А., Орлова И. В., Шелобаева И. С., Мордвинов В. В. Финансовая математика. Методические указания по изучению дисциплины. -М.: Экономическое образование, 1999.-67 с.
  57. В.А., Скучалина JI.M. Методы и модели экономического прогнозирования. М.: МЭСИ, 1981. -78 с.
  58. М.Г., Первозванский А. А. Выявление скрытых периодичностей. М.: Наука, 1965. — 244 с.
  59. Справочник по прикладной статистике. В 2-х т. Т. 1: Пер. с англ. /Под ред Э. Ллойда, У. Ледермана, Ю. Н. Тюрина. М.: Финансы и статистика, 1989. -510с.
  60. Справочник по прикладной статистике. В 2-х т. Т. 2: Пер. с англ. /Под ред Э. Ллойда, У. Ледермана, С. А. Айвазяна, Ю. Н. Тюрина. М.: Финансы и статистика, 1990. — 526 с.
  61. СтатЭксперт. Программа статистического анализа и прогнозирования
  62. СтатЭксперт: Руководство пользователя М.: Росэкспертиза, 1996. — 196 с.
  63. СтатЭксперт. Программные продукты серии «Олимп». М.: Росэкспертиза, 1996. — 87 с.
  64. Г. Введение в эконометрию. Пер. с немецк. М.: Статистика, 1965. — 361 с.
  65. Г., Фелс Э. Методы экономических исследований. М.: Прогресс, 1971. — 151 с.
  66. Ю.Н., Макаров А. А. Статистический анализ данных на компьютере. М.: ИНФРА-М, 1998. — 528 с.
  67. Т.Дж., К. Паррамоу Количественные методы в финансах. М.: ЮНИТИ, 1999.-527 с.
  68. Э. Итеративный метод определения сезонных колебаний финансово-экономических показателей. В сб.: Математико-статистические методы исследования взаимосвязей в экономике. — М.: Статистика, 1977. — с. 142−171.
  69. А.А., Горелик Н. А. Моделирование сезонных колебаний в экономических процессах. Экономика и математические методы, т. 13, вып. 2, 1977, с. 372−377.
  70. Э.Д. Анализ временных рядов. Пер. с англ. М.: Наука, 1964. -215 с.
  71. Э.Д. Многомерные временные ряды. Пер. с англ. М.: Мир, 1974. — 575 с.
  72. Д. Анализ процессов статистическими методами. М.: Мир, 1973.-957 с.
  73. Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. — 199 с.
  74. Н.С. Методика вычисления сезонной волны в кратковременных рядах. В кн.: Статистические исследования. — М.: Наука, 1975. — с. 146−151.
  75. И.М. Сезонные колебания в бытовом обслуживании. -М.: Легкаяиндустрия, 1977. 49 с.
  76. В.В., Швыркова Т. С. Моделирование внутригодичных колебаний спроса. М.: Статистика, 1973. — 174 с.
  77. И.С. О необходимости факультативного курса «Методы принятия решений» для студентов заочной формы обучения. //Состояние и перспективы финансово-кредитной системы региона: Материалы региональной научной конференции. М.-Тула, 1999. — с. 167−168.
  78. И.С. Теоретические основы анализа данных о доходности ценных бумаг. //Актуальные проблемы социально-политического развития общества: Сб. науч. статей. М.: МГОПУ, 1999 Выпуск 2. с. 105−107.
  79. И.С. Анализ применяемости экономико-математических методов в деятельности банков. //Новые информационно-компьютерные технологии в образовании: Матер, обл. межвуз. Науч.-практ. конф. Тула, 2001. -с. 195−197.
  80. И.С. Моделирование сезонных процессов на финансовых рынках. //Безопасность жизнедеятельности: школа, вуз, общество. Матер. II всероссийской науч.-практ. конф. Тула, 2001. с. 132−134.
  81. И.С. Экономико-математические подходы к разработке проблем исследования тренд-сезонных процессов //Состояние и пути повышения эффективности муниципального управления. Матер, межрег. науч.-практ. конф., Тула, 2002. с. 168−172.
  82. Эконометрика: Учебник /Под ред. И. И. Елисеевой. М.: Финансы и статистика, 2001. — 344 с.
  83. Akaike Н. Markovian representation of stochastic processes and appleation to the analysis of ARMA processes. Ann. Inst. Statist Atath, 26, p. 363−387.
  84. Blackman R.B. Tykey J. The measurement of power spectra from the point of view of communication engineering, Dover Publications, New York, 1958.
  85. Blanc-Lapierre. F. and Fortet R. Theorie des Fonctions Aleatoires. Paris: Masson, 1953.
  86. Box G.E.P., Jenkins G. M. Same statistical aspects of adaptive optimization and control. J. of the Royal Stat. Soc., ser. B, vol. 24, n.2, 1962. — p. 297−331.
  87. Brillinger D.R. Estimation of cross-spectrum of a stationary bivariate Gaussian process from its zeros.J.Roy. Statist. Soc., B. 30, 1968. p. 145−159.
  88. Brown R.G. Smoothing forecasting and prediction of diskrete time series. -New-York, 1963.
  89. Brown R.G., Meyer R.F. The fundamental theorem of exponential smoothing. Oper. Res., vol. 9, n. 5, 1961. — p. 673−687.
  90. Cramer H. On harmonic analysis in certain functional spaces, Arkiv Math, Astr. Fysik, 28, 1942.-p. 1−7.
  91. Daniell P.J. Discussion of paper by M. S. Bartlett. J. Roy. Statist. Soc., Suppl, 1946.-p. 8:27.
  92. Daniels H.E. The estimation of spectral densities, — J.R. Statist., Soc., B, 24. 1962.-p. 185.
  93. Durbin J. Efficient fitting of liner models for continuous stationary time series from discrete data, — BULL. Int. STATIST. Inst., 33(4). 1961. p. 273.
  94. Durbin J., Murphy M.J. Seasonal adjustment based an a mixed-additive-multiplicative model. J.R. Statist. Soc., ser. A., vol. 138, n. 3, 1975. — p. 385−410.
  95. Granger С. and Hatanaka M. Spectral analysis of economic time-series. -Princeton Unit. Press, Princeton N.J., 1964.
  96. Granger C.W.J, and Newbold P. Experience with forecasting univariate time series and the combination of forecasts. J. R. Statist Soc., ser. A, vol. 137, n. 2, 1974. p.131−164.
  97. Grenander U. On empirical spectral analysis of stochastic processes. Ark. Mat. 1, 1951.-p. 503−531.
  98. Grenander U. On Toeplitz forms and stationary processes. Ark. Mat. 1, 1951. -p. 551- 571.
  99. Hannan E.J. The estimation of seasonal variation. Journ. of the Amer. statist. Assoc., vol. 2, № 306, 1960.-p. 1−15.
  100. Harrison P.J. Short-term sales forecasting. Applied Statistics. J. of the Royal Stat. Soc., ser. C, vol. 14, n.2, 1965. — p. 102−139
  101. Harrison P.J., Stevens C.F. Bayesian forecasting. J. R. Statist. Soc., ser. B. vol.38, n. 3, 1976.-p. 205−247.
  102. Holt C.C. Forecasting trends and sesonals by exponantially weighted moving averages.- O.N.R. Memorandum, Carnegie inst. of Technology, n.2, 1957. p. 109 118.
  103. Jorgenson D.W. Seasonal Adjustment of data for econometric Analyses. -Journ. of the Amer. Statist. Assoc., vol. 62, № 317, 1967. p. 137−140.
  104. Kalman R.E., Bucy R.S. New results in linear filtering and prediction theory. -J. Of Basic Engineering (Trans. ASMS), vol. 83D, 1961. p. 95−107.
  105. Khintchine A. Korrelationstheorie der stationaren Prozesse, Math. Annalen, 109, 1934.-p. 604−615.
  106. Makridakis S., Hibon M. Accyracy of forecasting: an empirical investigation. -J. R. Stat. Soc., ser. A, vol. 142, part 2, 1972. p. 97−145.
  107. Mc. Kenzie Ed. A comparison of same standard sesonal forecasting systems. The Statistician, vol. 25, n. 1, 1976. p. 3−14.
  108. Neyman J. Fiducial argument and theory of confidence intervals. B, 32, 1941. -p. 128.
  109. Neyman J. On the two different aspects of the representative method: the method of stratified sampling and the method of purposive selection. JRS, 97, 1934. -p. 558.
  110. Neyman J. On the problem of confidence intervals. AMS, 6, 1935. p. 111.
  111. Neyman J. Outline of a theory of statistical estimation based on the classical theory of probability. PTRS, 236, 1937. p. 333.
  112. Parsen E. Multiple time series modelling. In Multicariate Ahalysis II, Ed. P. R Krishnaiah. — New York: Academik, 1969. — p. 389−409.
  113. Pegels C.C. Exponential forecasting some new variations. Management Science, vol. 15, № 5, 1969.
  114. Press H. And Tukey J.W. Power spectral methods of analysis and theii application to problems in airlane dynamics. Bell Telephone System Monograph 2606 1956.
  115. Reid D.J. Forecasting in action: a comparison forecasting techniques in economic time series. Joint conference of O.R. Societys group on long range planning anc forecasting, 1971.
  116. Schuster A. On interference phenomena. Phil. Mag. 37, 1894. — p. 509−545.
  117. Schuster A. On lunar and solar periodicities of earthquakes. Proc. Roy. Soc. 61 1897.-p. 455−465.
  118. Shiskin J. The 10−11 Variant of the Census Method II seasonal Adjustmem Program. Technical Paper No. 15, U.S. Bureau of the Census, 1967.
  119. Shiskin J., Eisenpress H. Seasonal Adjustment by Electronic Computer Methods Journ. of the Amer. Statist. Assoc., vol. 52, № 282, 1957.
  120. Slutsky E. Sur L’extension de la treorie de periodogrammes aux suites des guantites dependentes. Comptes Rendues, 189, 1929. — p. 722−733.
  121. Slutsky E. Alcuni applicazioni di coefficienti di Fourier al analizo di sequenze eventuali coherenti stazionarii. Gion. D. Instituto Italiano degli Atuari. 5, 1934. -p.435−482.
  122. Theil H., Wage S. Some observations on adaptive forecasting. Managemeni Science, vol. 10, n. 2, 1964. — p. 198−206.
  123. Whittle P. The analysis of multiple stationary time series. J. Roy. Statist. Soc. B.15, 1953, — p. 125−139.
  124. Wiener N. Generalized harmonic analysis. Act. Math. 55, 1930. — p. 117−58.
  125. Wiener N. The Extrapolation, Interpolation and Smoothing of Stationary Time Series with Engineering Applications. New York: Wiley, 1949.
  126. Winters P.R. Forecasting sales by exponantially weighted moving averages. -Management Science, vol. 6, n. 3, 1960. p.324−342.
Заполнить форму текущей работой

На отлично!