• Принципи економічного аналізу
  • Базові принципи економічного аналізу
  • Екстраполяція


  • Дата конвертації25.03.2017
    Розмір27.69 Kb.
    Типреферат

    Скачати 27.69 Kb.

    Принципи економетричного аналізу

    зміст

    1. Загальні принципи системного аналізу

    2. Основні етапи побудови економетричних моделей і використання їх для прогнозування

    3. Екстраполяція трендів

    4. Екстраполяція і її використання в аналізі

    5. Правила складання інформації підсистем

    6. Модель "попит-пропозиція"

    Список використаної літератури


    1. Загальні принципи системного аналізу

    Принципи економічного аналізу - це загальні для багатьох областей пізнання принципи: системність, науковість, конкретність, комплексність, об'єктивність і т.д. [2, c.136].

    Економічний аналіз як наука являє собою систему спеціальних знань, пов'язану з:

    дослідженням економічних процесів в їх взаємозв'язку, що складаються під впливом об'єктивних економічних законів і факторів суб'єктивного порядку;

    науковим обґрунтуванням бізнес-планів, об'єктивною оцінкою їх виконання;

    виявленням позитивні і негативних факторів і кількісним вимірюванням їх дії;

    розкриттям тенденцій і пропорцій господарського розвитку, визначенням невикористаних внутрішньогосподарських резервів;

    прийняттям оптимальних управлінських рішень.

    Найбільш важливі моменти аналізу - встановлення взаємозв'язку, взаємозалежності і взаємозумовленості причин і факторів.

    Зміст економічного аналізу як наукової дисципліни випливає з його функцій:

    1) вивчення характеру дії економічних законів, встановлення закономірностей і тенденцій економічних явищ і процесів у конкретних умовах підприємництва;

    2) наукове обгрунтування поточних і перспективних планів;

    3) контроль за виконанням планів і управлінських рішень, економним використанням ресурсів;

    4) пошук резервів підвищення ефективності виробництва;

    5) оцінка результатів роботи підприємства по виконанню планів, досягнутого рівня розвитку економіки, використання наявних можливостей;

    6) розробка заходів по використанню виявлених резервів.

    Предмет економічного аналізу - господарські процеси підприємств, об'єднань, асоціацій, соціально-економічна ефективність і кінцеві фінансові результати їх діяльності, що складаються під впливом об'єктивних і суб'єктивних факторів, що одержують відображення через систему економічної інформації [4, c.89].

    Базові принципи економічного аналізу:

    1. Принцип науковості, який передбачає глибоке пізнання об'єктивної реальності функціонування економічної системи, впливу об'єктивних факторів на її зміну і розвиток; застосування наукової методики та організації аналітичних досліджень.

    2. Принцип системності, який передбачає дослідження економічних явищ і процесів як складних систем з функціонально-структурною будовою елементів взаємозв'язку і взаємозумовленості їх складових.

    3. Принцип комплексності тісно пов'язаний з принципом системного підходу: визначається тим, що в аналізі економічних явищ і процесів як складних систем слід комплексно оцінювати вхідні параметри функціонально-структурної будови, їх зміну і розвиток на досліджуваному об'єкті в просторі і часі, кількісні, якісні ознаки , вихідні (результативні) параметри цього процесу.

    4. Принцип конкретності і дієвості економічного аналізу означає цільову спрямованість досліджень на конкретну практику і результативність в досягненні поставленої мети.

    5. Принцип рейтингової оцінки передбачає визначення пріоритетів у досягненні поставленої мети, черговості здійснення заходів, спрямованих на цільове зміна і розвиток економічних систем. Рейтингова оцінка проводиться за критеріями, які визначають кінцеву мету функціонування економічної системи. Для досягнення проміжних цілей можуть використовуватися інші критерії рейтингової оцінки.

    6. Принцип демократичності, масовості економічного аналізу передбачає участь в аналітичному процесі широкого кола зацікавлених осіб, а не тільки фахівців-аналітиків, а також широку доступність, прозорість, переконливість висновків і пропозицій. Цей підхід дозволяє найбільш повно виявити наявні резерви і недоліки, більш виважено приймати рішення.

    Дотримання названих принципів є необхідною умовою проведення аналітичних досліджень, гарантом досягнення поставлених цілей і вирішення конкретних завдань.


    2. Основні етапи побудови економетричних моделей і використання їх для прогнозування

    Побудова економетричних моделей здійснюється в кілька основних кроків, етапів [1, c.284]:

    1) Постановочний етап: визначаються кінцеві цілі дослідження, моделювання, набір беруть участь в моделі факторів і показників і їх ролі.

    2) Апріорний етап: предмодельний аналіз економічної сутності досліджуваного явища, формування і формалізація апріорної інформації і вихідних припущень, припущень, гіпотез на основі економічної теорії.

    3) Етап параметризації і специфікації моделі: власне моделювання, тобто вибір виду моделі, функції регресії, в тому числі, складу і форми входять до неї зв'язків між змінними.

    4) Інформаційний етап: спостереження і збір необхідної інформації, статистичних даних, їх обробка.

    5) Етап ідентифікації моделі: статистичне оцінювання невідомих параметрів моделі за зібраними даними, статистичний аналіз моделі.

    6) Етап верифікації моделі: зіставлення фактичних, реальних даних і змодельованих, перевірка адекватності моделі, оцінка її точності і прогностичних властивостей.


    3. Екстраполяція трендів

    Екстраполяція трендів - це одна з найбільш широко використовуваних технік прогнозування. По-перше необхідно виявити тренд. Це може бути практично будь-який феномен, виразність у кількісних показниках з видимої структурою зміни в часі. До цих феноменам відносяться і населення і його розміщення по території, продуктивність праці, або розмір території держави. Тренд відсилає до історичних даних, екстраполяція на увазі що ці дані проектуються в майбутнє.

    Для опису феномена необхідні історичні кількісні дані. У ряді випадків, це можливо: приміром, нескладно знайти дані про чисельність і структуру населення. Багато феномени такого опису не мають, деякі через новизни (наприклад телебачення), а іноді їх не можна виразити в кількісних показниках (наприклад уявлення про прийнятний ризик). Додатковою проблемою є поява раніше неспостережуваного фактора: так, стрибкоподібне зростання чисельності хворих на рак щитовидної залози в Східній Європі після Чорнобильської аварії пояснюється виключно тим, що раніше цим параметром ніхто не приділяв особливої ​​уваги і не відстежував його.

    Екстраполяція може переконливо вказати масштаб змін, які підуть при розвитку тренда в часі. Різке зростання може з часом зробити малий феномен значним. Іноді екстраполяція трендів призводить до результатів які є відверто неможливими. Це вказує на межі застосовуваної методики. Якщо, наприклад, зростання числа працівників зайнятих неповний трудовий день, випереджає зростання населення в цілому, це не означає, що в майбутньому собаки, кішки або роботи теж стануть такими працівниками. Це означає що лінійна екстраполяція досягла своїх кордонів. При цьому, подібні екстраполяції часто виробляють серйозні змістовні помилки.

    Класичним прикладом подібної помилки в прогнозі є результат роботи комісії Форрестера, що породив "екологічний рух". Учасники комісії екстраполювали рівняння і прийшли до висновку про кінцівки ресурсів Землі, масовому забрудненні всього всім і т.п. При цьому, ніхто не поставив питання про роль технологічних стрибків і фазових переходів в розвитку людської цивілізації.

    Інший приклад: є ряд авторів, які стверджують, що в Другій Світовій війні Радянський Союз втратив не 20, а 50 мільйонів чоловік, причому тільки убитими. Використовуючи стандартні статистичні прийоми, щоб визначити число поранених, покалічених і полонених, отримуємо, що до кінця війни країна мала негативну чисельність працездатного населення. Щось близько мінус сорока мільйонів чоловік.

    Екстраполяція трендів, як методика, має ряд вбудованих проблем:

    1. Кількісні дані можуть бути невірними або помилково підібраними.

    2. Результати екстраполяції можуть легко бути невірно інтерпретовані.

    3. Нездатність методу оцінити рушійні фактори змін і еволюцію цих факторів.

    4. Якісні зміни можуть чинити серйозний вплив на кількісні дані

    5. Чи можуть бути не помічені якісні зміни.

    6. Оцінки кордонів екстраполяції можуть базуватися на недостатньої інформації.


    4. Екстраполяція і її використання в аналізі

    Екстраполяція - це прогнозування невідомих значень шляхом продовження функцій за межі області відомих значень [4, c.235]. Найчастіше, прогностичні моделі використовуються для побудови прогнозу відгуку для довільних точок, які не були включені в безліч. Такого роду прогнози називаються екстраполяцією. Потрібно з великою обережністю ставитися до прогнозів, отриманим за допомогою прогностичної моделі для даних, що лежать на значній відстані від безлічі. У таких областях передбачення стають ненадійними.

    Методи екстраполяції тенденцій є, мабуть, найпоширенішими і найбільш розробленими серед всієї сукупності методів прогнозування. Використання екстраполяції в прогнозуванні має в своїй основі. припущення про те, що даний процес зміни змінної являє собою поєднання двох складових - регулярної і випадкової:

    Вважається, що регулярна складова f (a, х) є гладкою функцією від аргументу (в більшості випадків - часу), яка описується конечномірні вектором параметрів а, які зберігають свої значення на періоді попередження прогнозу. Ця складова називається також трендом, рівнем, детермінованою основою процесу, тенденцією. Під усіма цими термінами лежить інтуїтивне уявлення про якийсь очищеної від перешкод суті аналізованого процесу. Інтуїтивне, тому що для більшості економічних, технічних, природних процесів не можна однозначно відокремити тренд від випадкової складової. Все залежить від того, яку мету переслідує цей поділ і з якою точністю його здійснювати.

    Випадкова складова n (х) зазвичай вважається некорреліровани випадковим процесом з нульовим математичним очікуванням. Її оцінки необхідні для подальшого визначення точностних характеристик прогнозу. Екстраполяційні методи прогнозування основний упор роблять на виділення найкращого в деякому сенсі опису тренда і на визначення прогнозних значень шляхом його екстраполяції. Методи екстраполяції багато в чому перетинаються з методами прогнозування по регресійний моделям. Іноді їх відмінності зводяться лише до відмінностей в термінології, позначення або написанні формул. Проте, сама по собі прогнозна екстраполяція має ряд специфічних рис і прийомів, що дозволяють зараховувати її до деякого самостійного виду методів прогнозування.

    Специфічними рисами прогнозної екстраполяції можна назвати методи попередньої обробки числового ряду з метою перетворення його до вигляду, зручного для прогнозування, а також аналіз логіки і фізики прогнозованого процесу, що робить істотний вплив як па вибір виду екстраполюючої функції, так і на визначення меж зміни її параметрів.


    5.Правила складання інформації підсистем

    Одним з основних властивостей економічної інформаційної системи є подільність на підсистеми, яка має ряд переваг з точки зору розробки і експлуатації економічної інформаційною системою, до яких належать [3, c.148]:

    спрощення розробки та модернізації економічної інформаційної системи в результаті спеціалізації груп проектувальників по підсистемах;

    спрощення впровадження та постачання готових підсистем відповідно до черговості виконання робіт;

    спрощення експлуатації економічної інформаційної системи внаслідок спеціалізації працівників предметної області.

    Зазвичай виділяють функціональні і забезпечують підсистеми. Функціональні підсистеми економічної інформаційної системи інформаційно обслуговують певні види діяльності економічної системи (підприємства), характерні для структурних підрозділів економічної системи і (або) функцій управління. Інтеграція функціональних підсистем в єдину систему досягається за рахунок створення і функціонування підсистем, таких, як інформаційна, програмна, математична, технічна, технологічна, організаційна та правова підсистеми.

    Функціональна підсистема економічної інформаційної системи є комплекс економічних завдань з високим ступенем інформаційних обмінів (зв'язків) між завданнями. При цьому під завданням будемо розуміти певний процес обробки інформації з чітко визначеним безліччю вхідний і вихідний інформації (наприклад, нарахування відрядної заробітної плати, облік приходу матеріалів, оформлення замовлення на закупівлю і т.д.).

    Склад функціональних підсистем багато в чому визначається особливостями економічної системи, її галузевою належністю, формою власності, розміром, характером діяльності підприємства.

    Функціональні підсистеми економічної інформаційної системи можуть будуватися за різними принципами:

    предметного;

    функціональному;

    проблемному,

    змішаного (предметно-функціональним).

    Так, з урахуванням предметної спрямованості використання ЕІС в господарських процесах промислового підприємства виділяють підсистеми, відповідні управління окремими ресурсами:

    управління збутом готової продукції;

    керування виробництвом;

    управління матеріально-технічним постачанням;

    управління фінансами;

    управління персоналом.


    6. Модель "попит-пропозиція"

    При аналізі попиту або пропозиції часто виникає необхідність для їх прогнозування. Щоб правильно зробити прогноз необхідно спочатку згладити або побудувати деяку модель, по якій можна буде робити прогноз [3, c.93].

    При побудові лінійної моделі попиту або пропозиції найчастіше враховуються не тільки значення показників, але важливе місце відводиться факторів, що впливає на попит і пропозицію. Наприклад, на попит дуже часто впливає рівень доходів населення, сезонність, ставки відсотків в банку і багато інших чинників. Так і на пропозицію можуть впливати підвищені ціни на ресурси, науково-технічний прогрес, податки і багато іншого.

    Розглянемо першої модель, найбільш часто що застосовується не тільки для побудови моделей попиту і пропозиції, а й багатьох інших економічних показників.

    де t - часовий чинник, протягом якого змінюється попит і пропозиція; а 0 і а 1 - розрахункові параметри.

    Модель, наведена вище, називається трендової моделлю економічної динаміки, інакше крива зростання для економічних процесів. Її основна мета - на основі її зробити прогноз про розвиток досліджуваного процесу на майбутній проміжок часу.

    В даний час налічується велика кількість типів кривих зростання для економічних процесів. Найбільш часто в економіці використовуються поліноміальні, експоненціальні і S-образні криві зростання. Показана вище модель відноситься до розряду поліноміальних кривих зростання. Це найпростіші криві зростання, які можуть приймати і інший вид:

    (Поліном першого ступеня)

    (Поліном другого ступеня)

    (Поліном третього ступеня)

    Параметр а 1 називають лінійним приростом, параметр а 2 - прискоренням зростання, параметр а 3 - зміною прискорення зростання. Для розрахунку параметрів застосовують метод найменших квадратів або записують рівняння в матричній формі. Оскільки до матричної формі знаходження параметрів ми повернемося пізніше, то запишемо знаходження параметрів за допомогою методу найменших квадратів. Для полінома першого ступеня:

    Для полінома другого ступеня:

    Для полінома третього ступеня:

    Таким чином, можуть бути отримані всі параметри поліноміальних моделей.

    Щоб правильно підібрати найкращу криву зростання для моделювання і прогнозування економічного явища, необхідно знати особливості кожного виду кривих. Але найчастіше при побудова лінійних моделей попиту і пропозиції доводиться використовувати для прогнозування ту модель, яка при її аналізі дає кращі результати. Аналіз моделі проводиться за випадковою величиною et. Початкові параметри записуються в вигляді , де (Або інша поліноміальна крива зростання), а et - випадкова величина. Є дві основні можливі причини випадковості:

    1. Прогнозування на основі часового ряду економічних показників відноситься до одновимірних методів прогнозування, що базуються на екстраполяції, тобто на продовження на майбутньому тенденції, що спостерігалася в минулому. При такому підході передбачається, що прогнозований показник формується під впливом великої кількості факторів, виділити які неможливо, або щодо яких відсутня інформація. Таким чином, наша модель є спрощенням дійсності.

    2. Труднощі в вимірі даних (присутні помилки вимірювань), а також помилка утворюється при округленні розрахункових значень.

    Хід вимірювання даного показника в тимчасовому ряді пов'язують не з фактором, а з плином часу, що проявляється в утворенні одновимірних часових рядів.

    Крім поліноміальних кривих зростання одним з найбільш поширених способів моделювання тенденції часового ряду є побудова аналітичної нелінійної функції, що характеризує залежність ряду від часу. Оскільки залежність від часу може приймати різні форми, для її формалізації можна використовувати різні види функцій. Для побудови економетричних моделей попиту і пропозиції найчастіше використовують експонентний тренд: .

    Оскільки ми розглянули вже досить багато моделей, за якими можна будувати прогнози попиту і пропозиції в залежності від часу, то необхідно визначити яка з них буде краще аналізувати вихідний параметр, тобто визначити тип тенденції.

    Існує кілька способів визначення типу тенденції. До числа найбільш поширених способів відносяться якісний аналіз досліджуваного процесу, побудова і візуальний аналіз графіка залежності рівнів ряду від часу, розрахунок деяких основних показників динаміки. З цією метою можна використовувати і коефіцієнт автокореляції рівнів ряду. Тип тенденції можна визначити шляхом порівняння коефіцієнтів автокореляції першого порядку, розраховані по вихідним і перетвореним рівнями ряду. Якщо часовий ряд має лінійну тенденцію, то його сусідні рівні ytі yt-1 тісно корелюють. У цьому випадку коефіцієнт автокореляції першого порядку рівнів вихідного ряду повинен бути високим. Якщо часовий ряд містить нелінійну тенденцію, експоненти, то коефіцієнт автокореляції першого порядку по логарифмам рівнів вихідного ряду буде вище, ніж відповідний коефіцієнт, розраховані за рівнями ряду. Чим сильніше виражена нелінійна тенденція в досліджуваному часовому ряді, тим більшою мірою будуть відрізнятися значення зазначених коефіцієнтів.

    Можливий випадок ще однієї моделі - статечної, що має вигляд:

    Перейдемо до аналізу параметрів моделі в нелінійних трендах. Всі вони можуть бути отримані за допомогою методу найменших квадратів, якщо нелінійну модель привести до лінійного вигляду. Так експонентний тренд буде мати вигляд: . Звідси знаходимо a і b:

    Зворотним переходом знайдемо параметри а і b.

    Для статечної моделі маємо вигляд: . Для знаходження параметрів a і bрешаем систему нормальних рівнянь:

    Залежність попиту і пропозиції від часу часто не яскраво виражена. Кращою для аналізу цих явищ будуть моделі так званої множинної регресії, в яких попит або пропозицію залежать від багатьох факторів. Такі моделі частіше застосовуються оскільки дозволяють прогнозувати значення показника при зміні того чи іншого фактора.

    Наприклад, припустимо попит на картоплю (показник y) залежить від заробітної плати (фактор х 1), пори року (фактор х 2), місця розташування області (фактор х 3), накопичень населення в банках (фактор х 4), рівня інфляції в місяць (фактор х 5). Деякі фактори можна прийняти за числові значення, наприклад пори року: зима - 2, весна - 2,5, літо - 3, осінь - 3,5 (або по місяцях). Тоді можна побудувати багатофакторну модель регресії: . Така модель буде яскраво показувати що станеться з попитом на картоплю, якщо зміниться заробітна плата, і (або) інфляція і т.д.

    Для знаходження параметрів моделі використовують або метод найменших квадратів, або матричну запис.

    Матриця Х - показує чинники, матриця Y - показник, матриця А - коефіцієнти регресії.

    ; ;

    Таким чином, рівняння множинної регресії набуде вигляду: .

    За допомогою елементарних дій над матрицями знайдемо вираз матриці А: , Де X '- транспонована матриця Х.

    У теорії попиту і пропозиції можуть зустрічатися не тільки лінійні або нелінійні моделі. Багато економістів виводять різні залежності між попитом і перекладанням. Наприклад, існує економетричні модель попиту і пропозиції кейнсіанського типу, побудована на системі спільних, одночасних рівнянь.

    де - Попит на товар в момент часу t;

    - Пропозиція на товар в момент часу t;

    - Ціна товару в момент часу t;

    - Дохід у момент часу t;

    - Ціна товару в попередній період.

    Система спільних, одночасних рівнянь (або структурна модель) зазвичай містить ендогенні і екзогенні змінні.

    Ендогенні змінні позначені в наведеній системі одночасних рівнянь як Q. Це залежні змінні, число яких дорівнює числу рівнянь в системі [2, c.136].

    Екзогенні змінні - все решта. Це зумовлені змінні, що впливають на ендогенні змінні, але не залежать від них.

    Структурна форма такої моделі дозволяє побачити вплив будь-якої екзогенної змінної на значення ендогенної змінної. Змінюючи ціни на товари і доходи, можна заздалегідь мати цільові значення попиту і споживання.

    При аналізі купівельного попиту широко застосовуються однофакторні функції попиту від доходу. Відповідні цим функціям криві (Z - дохід) називаються кривими Енгеля. Форми цих кривих для різних товарів можуть бути різні. Якщо попит на даний товар зростає приблизно пропорційно доходу, то функція буде лінійною. Такий характер має, наприклад, попит на одяг, фрукти і ін. Крива Енгеля для цього випадку представлена ​​на малюнку 1.

    Якщо у міру зростання доходу попит на дану групу товарів зростає все більш високими темпами, то крива Енгеля буде опуклою (рис.2). Так поводиться попит на предмети розкоші.

    Якщо зростання значень попиту, починаючи з певного моменту, в міру насичення попиту відстає від зростання доходу, то крива Енгеля матиме вигляд увігнутої кривої (рис.3). Наприклад, такий характер має попит на товари першої необхідності.


    Той же принцип розмежування груп товарів за типами функції попиту від доходу використовував шведський економіст Л. Торнквіст, який запропонував спеціальні види функцій попиту (функції Торнквиста) для трьох груп товарів: першої необхідності, другої необхідності, предметів розкоші.

    Функція Торквіста для товарів першої необхідності має вигляд:

    і відображає той факт, що зростання попиту на ці першочергові товари зі зростанням доходу поступово сповільнюється і має межу а1 (крива попиту асимптотично наближається до прямої лінії у = а1). Графік функції є увігнутою кривою IНА малюнку 4.

    Функція попиту по Торнквіст на товари другої необхідності виражається формулою:

    Ця функція також має межу А2, але більш високого рівня; при цьому попит на цю групу товарів з'являється лише після того, як дохід досягне величини b2; графік функції - увігнута крива IIна малюнку 4.

    Нарешті, функція Торнквиста для предметів розкоші має вигляд:

    Ця функція не має границі. Попит на ці товари виникає після того, як дохід перевищить величину b3, і далі швидко зростає, так що графік функції - опукла крива IIIна малюнку 4.

    малюнок 4

    Крім зазначених функцій, в аналітичних моделях купівельного попиту використовуються також інші функції, наприклад S-образні. Чи не обмежується і число функцій або моделей за якими можна описувати і прогнозувати пропозицію. У більшості випадків все моделі, побудовані за деякими наявними даними дуже індивідуальні, на одні товари може добре виявляти тенденцію статечна модель, на інші поліноміальна, на треті експоненціальна і дуже багато інших варіантів.


    Список використаної літератури

    1. Магнус Я.Р., Катишев П.К., Пересецького А.А. Економетрика. Початковий курс: Учеб. - 5-е изд., Испр. - М .: Справа, 2001. - 400 с.

    2. Економетрика: Підручник / Під ред.І. І. Єлісєєвої. - М .: Фінанси і статистика, 2002. - 344 с .: іл.

    3. Практикум з економетрики: Учеб. посібник / І.І. Єлісєєва, С.В. Курдишева, Н.М. Гордєєнко і ін .; Під ред.І. І. Єлісєєвої. - М .: Фінанси і статистика, 2002. - 192 с .: іл.

    4. Економіко-математичні методи і прикладні моделі: Учеб. посібник для вузів / В.В. Федосєєв, А.Н. Гармаш, Д.М. Дайітбегов і ін .; Під ред. В.В. Федосєєва. - М .: ЮНИТИ, 2002. - 391 с.