Здесь можно найти образцы любых учебных материалов, т.е. получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Работа № 86686


Наименование:


Курсовик Применение методов прогнозирования на индексе потребительских цен, в % к предыдущему месяцу

Информация:

Тип работы: Курсовик. Добавлен: 06.04.2015. Сдан: 2014. Страниц: 86. Уникальность по antiplagiat.ru: < 30%

Описание (план):



Кафедра Информационных систем в экономике


Расчетно-графическая работа
по дисциплине «Методы социально-экономического прогнозирования»
на тему «Применение методов прогнозирования
на индексе потребительских цен, в % к предыдущему месяцу»


Содержание
Введение 3
1. Подготовка исходных данных и их графическое изображение 4
2. Проверка гипотезы о наличии тренда 16
3. Сглаживание временных рядов с помощью скользящей средней 24
4. Анализ динамики развития с помощью кривых роста 30
5. Характеристики точности моделей 45
6. Построение точечных и интервальных оценок прогнозов. 50
7. Проверка качества построенной модели. 59
8. Статистический анализ прогнозирования сезонных колебаний 66
9. Экспоненциальное сглаживание в Statistica 75
Заключение 85
Список использованной литературы 86


Введение
Для решения задач, связанных с анализом данных, предназначен мощный аппарат прикладной статистики, составляющей частью которого являются статистические методы прогнозирования. Эти методы позволяют выявлять закономерности на фоне случайностей, делать обоснованные прогнозы и оценивать вероятность их выполнения.
Статистические методы прогнозирования — научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных; развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования; методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических моделей. Научной базой статистических методов прогнозирования является прикладная статистика и теория принятия решений.
Прогноз – это научно-обоснованное описание возможных состояний объектов в будущем путей и сроков достижения этого состояния.
Многочисленны примеры ситуаций, связанных с социальными, технологическими, экономическими, политическими, экологическими и другими рисками. Именно в таких ситуациях обычно и необходимо прогнозирование. Известны различные виды критериев, используемых в теории принятия решений в условиях неопределенности (риска).
Современные компьютерные технологии прогнозирования основаны на интерактивных статистических методах прогнозирования с использованием баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, математико-статистические и моделирующие блоки.
Подготовка исходных данных и их графическое изображение
Для исследования и прогнозирования значений временного ряда необходимо подготовить данные в виде таблицы, состоящей из двух столбцов длины n, где n – число наблюдений. Один столбец представляет собой номер периода наблюдения t, другой столбец – уровни анализируемого временного ряда в период t: y(t).
Анализ временного ряда рассмотрим на примере данных об Индексе потребительских цен, в период с января 1999 года по январь 2010 года, в % к предыдущему месяцу.
Таблица 1 – Исходные данные
дата t Yt дата t Yt
01.01.99 1 111,8 01.07.04 67 101,3
01.02.99 2 104,9 01.08.04 68 100,3
01.03.99 3 104,8 01.09.04 69 100,1
01.04.99 4 104,7 01.10.04 70 101,3
01.05.99 5 102,2 01.11.04 71 101
01.06.99 6 101,6 01.12.04 72 101,1
01.07.99 7 104,6 01.01.05 73 101,5
01.08.99 8 101,8 01.02.05 74 101
01.09.99 9 103,7 01.03.05 75 101,3
01.10.99 10 100,8 01.04.05 76 101,9
01.11.99 11 100,6 01.05.05 77 100,4
01.12.99 12 101,1 01.06.05 78 100,4
01.01.00 13 103,5 01.07.05 79 100,3
01.02.00 14 100,4 01.08.05 80 99,6
01.03.00 15 101,1 01.09.05 81 100,2
01.04.00 16 101,1 01.10.05 82 100,9
01.05.00 17 102,3 01.11.05 83 100,8
01.06.00 18 102,3 01.12.05 84 100,6
01.07.00 19 102,1 01.01.06 85 103
01.08.00 20 101,1 01.02.06 86 102
01.09.00 21 101,1 01.03.06 87 100,1
01.10.00 22 101,6 01.04.06 88 100,2
01.11.00 23 101,5 01.05.06 89 100
01.12.00 24 101,8 01.06.06 90 100,1
01.01.01 25 102,5 01.07.06 91 100,8
01.02.01 26 101,2 01.08.06 92 99,7
01.03.01 27 105 01.09.06 93 99,9
01.04.01 28 101,7 01.10.06 94 100,1
01.05.01 29 102 01.11.06 95 100,7
01.06.01 30 101,8 01.12.06 96 100,6
01.07.01 31 99,8 01.01.07 97 101,7
01.08.01 32 99,2 01.02.07 98 101,3
01.09.01 33 100,6 01.03.07 99 100,6
01.10.01 34 101,3 01.04.07 100 100,5
01.11.01 35 101,1 01.05.07 101 100,7
01.12.01 36 100,9 01.06.07 102 100,7
01.01.02 37 103,2 01.07.07 103 101
01.02.02 38 101,6 01.08.07 104 100,4
01.03.02 39 101,3 01.09.07 105 101,1
01.04.02 40 100,8 01.10.07 106 102
01.05.02 41 101,9 01.11.07 107 101,5
01.06.02 42 99,9 01.12.07 108 101
01.07.02 43 101,1 01.01.08 109 103,7
01.08.02 44 100,2 01.02.08 110 101,1
01.09.02 45 100 01.03.08 111 101,5
01.10.02 46 100,5 01.04.08 112 101,1
01.11.02 47 101,9 01.05.08 113 100,9
01.12.02 48 101,7 01.06.08 114 100,7
01.01.03 49 102,6 01.07.08 115 100,3
01.02.03 50 101,3 01.08.08 116 100,5
01.03.03 51 101,5 01.09.08 117 100
01.04.03 52 100,3 01.10.08 118 101,1
01.05.03 53 100,7 01.11.08 119 101
01.06.03 54 100,5 01.12.08 120 100,6
01.07.03 55 101 01.01.09 121 101,5
01.08.03 56 99,3 01.02.09 122 102,8
01.09.03 57 100,2 01.03.09 123 101,1
01.10.03 58 102,3 01.04.09 124 100,4
01.11.03 59 101,1 01.05.09 125 100,6
01.12.03 60 100,9 01.06.09 126 100,5
01.01.04 61 102,6 01.07.09 127 100,7
01.02.04 62 101,1 01.08.09 128 100,1
01.03.04 63 101,2 01.09.09 129 101,1
01.04.04 64 100,7 01.10.09 130 99,9
01.05.04 65 100,3 01.11.09 131 100,4
01.06.04 66 100,2 01.12.09 132 100,2
01.01.10 133 100,9


Первое представление о свойствах временного ряда может быть получено на основании его графика (рисунок 1).

Рисунок 1. График динамики индекса потребительских цен
Графическое изображение ряда свидетельствует о том, что в рассматриваемом периоде наблюдается слабо выраженная тенденция к снижению индекса потребительских цен, подвержен колебаниям разной частоты, начиная с сезонных.
Максимальный уровень индекса потребительских цен наблюдается в январе 1999 года, равен 111,8%. Минимальный – 99,2%, август 2001 г.

Проверка временного ряда на равномерность и наличие выбросов методом Ирвина.
Проверим временной ряд на равномерность с помощью коэффициента вариации, который определяется по формуле ? ?=?/y ? ?30%, где ? ?- коэффициент вариации ?; ? – среднее квадратичное отклонение, y ? – среднее значение ряда.
Получаем, что y ?=101,26 и ?=1,43, тогда ?v=1,43/101,26=0,014=1,4%<30%. Значит можно сделать вывод, что временной ряд является равномерным.
Предварительный анализ временного ряда заключается также в выявлении и устранении аномальных значений уровня ряда, а также в определении наличия тренда в исходном временном ряде.
Для выявления аномальных уровней временного ряда используем метод Ирвина.
?t=|yt-yt-1|/?y,
?_y=v((?_(t=1)^n-?(y_t-?y)?^2 )/(n-1)),
?табл(0,05)= 1,
?y=101,26,
?_y=v(273.61/(133-1))=1,44,
?2=|104.9-111,8|/1,44=4,79.


Полученные значения для данного критерия представлены в таблице 2.
Таблица 2 – Результаты расчета критерия Ирвина
Yt yt-yt-1 (yt-yср)^2 ?t Yt yt-yt-1 (yt-yср)^2 ?t
111,8 111,0409 100,2 -0,1 1,128707 0,069458
104,9 -6,9 13,23209 4,79257 101,3 1,1 0,001413 0,764033
104,8 -0,1 12,51457 0,069458 100,3 -1 0,926225 0,694575
104,7 -0,1 11,81705 0,069458 100,1 -0,2 1,351188 0,138915
102,2 -2,5 0,879082 1,736438 101,3 1,2 0,001413 0,83349
101,6 -0,6 0,11397 0,416745 101 -0,3 0,068857 0,208373
104,6 3 11,13953 2,083726 101,1 0,1 0,026376 0,069458
101,8 -2,8 0,289007 1,944811 101,5 0,4 0,056451 0,27783
103,7 1,9 5,941864 1,319693 101 -0,5 0,068857 0,347288
100,8 -2,9 0,213819 2,014269 101,3 0,3 0,001413 0,208373
100,6 -0,2 0,438782 0,138915 101,9 0,6 0,406526 0,416745
101,1 0,5 0,026376 0,347288 100,4 -1,5 0,743744 1,041863
103,5 2,4 5,006827 1,666981 100,4 0 0,743744 0
100,4 -3,1 0,743744 2,153184 100,3 -0,1 0,926225 0,069458
101,1 0,7 0,026376 0,486203 99,6 -0,7 2,763594 0,486203
101,1 0 0,026376 0 100,2 0,6 1,128707 0,416745
102,3 1,2 1,076601 0,83349 100,9 0,7 0,131338 0,486203
102,3 0 1,076601 0 100,8 -0,1 0,213819 0,069458
102,1 -0,2 0,701564 0,138915 100,6 -0,2 0,438782 0,138915
101,1 -1 0,026376 0,694575 103 2,4 3,019233 1,666981
101,1 0 0,026376 0 102 -1 0,544045 0,694575
101,6 0,5 0,11397 0,347288 100,1 -1,9 1,351188 1,319693
101,5 -0,1 0,056451 0,069458 100,2 0,1 1,128707 0,069458
101,8 0,3 0,289007 0,208373 100 -0,2 1,593669 0,138915
102,5 0,7 1,531639 0,486203 100,1 0,1 1,351188 0,069458
101,2 -1,3 0,003895 0,902948 100,8 0,7 0,213819 0,486203
105 3,8 13,96961 2,639386 99,7 -1,1 2,441113 0,764033
101,7 -3,3 0,191488 2,292099 99,9 0,2 1,85615 0,138915
102 0,3 0,544045 0,208373 100,1 0,2 1,351188 0,138915
101,8 -0,2 0,289007 0,138915 100,7 0,6 0,316301 0,416745
99,8 -2 2,138631 1,389151 100,6 -0,1 0,438782 0,069458
99,2 -0,6 4,253519 0,416745 101,7 1,1 0,191488 0,764033
100,6 1,4 0,438782 0,972406 101,3 -0,4 0,001413 0,27783
101,3 0,7 0,001413 0,486203 100,6 -0,7 0,438782 0,486203
101,1 -0,2 0,026376 0,138915 100,5 -0,1 0,581263 0,069458
100,9 -0,2 0,131338 0,138915 100,7 0,2 0,316301 0,138915
103,2 2,3 3,75427 1,597523 100,7 0 0,316301 0
101,6 -1,6 0,11397 1,111321 101 0,3 0,068857 0,208373
101,3 -0,3 0,001413 0,208373 100,4 -0,6 0,743744 0,416745
100,8 -0,5 0,213819 0,347288 101,1 0,7 0,026376 0,486203
101,9 1,1 0,406526 0,764033 102 0,9 0,544045 0,625118
99,9 -2 1,85615 1,389151 101,5 -0,5 0,056451 0,347288
101,1 1,2 0,026376 0,83349 101 -0,5 0,068857 0,347288
100,2 -0,9 1,128707 0,625118 103,7 2,7 5,941864 1,875353
100 -0,2 1,593669 0,138915 101,1 -2,6 0,026376 1,805896
100,5 0,5 0,581263 0,347288 101,5 0,4 0,056451 0,27783
101,9 1,4 0,406526 0,972406 101,1 -0,4 0,026376 0,27783
101,7 -0,2 0,191488 0,138915 100,9 -0,2 0,131338 0,138915
102,6 0,9 1,789158 0,625118 100,7 -0,2 0,316301 0,138915
101,3 -1,3 0,001413 0,902948 100,3 -0,4 0,926225 0,27783
101,5 0,2 0,056451 0,138915 100,5 0,2 0,581263 0,138915
100,3 -1,2 0,926225 0,83349 100 -0,5 1,593669 0,347288
100,7 0,4 0,316301 0,27783 101,1 1,1 0,026376 0,764033
100,5 -0,2 0,581263 0,138915 101 -0,1 0,068857 0,069458
101 0,5 0,068857 0,347288 100,6 -0,4 0,438782 0,27783
99,3 -1,7 3,851037 1,180778 101,5 0,9 0,056451 0,625118
100,2 0,9 1,128707 0,625118 102,8 1,3 2,364195 0,902948
102,3 2,1 1,076601 1,458608 101,1 -1,7 0,026376 1,180778
101,1 -1,2 0,026376 0,83349 100,4 -0,7 0,743744 0,486203
100,9 -0,2 0,131338 0,138915 100,6 0,2 0,438782 0,138915
102,6 1,7 1,789158 1,180778 100,5 -0,1 0,581263 0,069458
101,1 -1,5 0,026376 1,041863 100,7 0,2 0,316301 0,138915
101,2 0,1 0,003895 0,069458 100,1 -0,6 1,351188 0,416745
100,7 -0,5 0,316301 0,347288 101,1 1 0,026376 0,694575
100,3 -0,4 0,926225 0,27783 99,9 -1,2 1,85615 0,83349
100,4 0,5 0,743744 0,347288
100,2 -0,2 1,128707 0,138915
100,9 0,7 0,131338 0,486203

В результате было найдено несколько аномальных значений (выделены красным), т.к. они не соответствуют неравенству ??1 по таблице Ирвина.
3. Расчет основных показателей динамики...


Заключение
В настоящее время следует отметить непрерывно растущую потребность в прогнозировании и моделировании. Возрастает актуальность повышения качества прогнозных исследований. Это требует более углубленного изучения и разработки основных проблем, возникающих в прогнозировании.
В процессе систематизированного научно обоснованного прогнозирования развития социально-экономических процессов происходило развитие методологии прогнозирования, как совокупности методов, приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных и эндогенных связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его будущего развития.
Прогнозирование не сводится к попыткам предугадать детали будущего (хотя в некоторых случаях это существенно). Прогнозирование может быть эффективно использовано для выбора наиболее вероятного или наиболее желательного, оптимального варианта при обосновании цели, плана, программы, проекта, вообще решения.
Прогнозы должны предшествовать планам, содержать оценку хода, последствий выполнения (или невыполнения) планов, охватывать все, что не поддается планированию, решению. Они могут охватывать в принципе любой отрезок времени. Прогноз и план различаются способами оперирования информацией о будущем. Вероятностное описание возможного или желательного — это прогноз. Директивное решение относительно мероприятий по достижению возможного, желательного — это план. Прогноз и план могут разрабатываться независимо друг от друга. Но чтобы план был эффективным, оптимальным, ему должен предшествовать прогноз, по возможности непрерывный, позволяющий научно обосновывать данный и последующие планы.

Список использованной литературы
1. Айвазян С.А., Мхитарян В.С., Прикладная статистика и основы эконометрики, ? М.: ЮНИТИ, 2008
2. Замков О.О., Толстопятенко А.В., Черемных Ю.Н., Математические методы в экономике, ? М.: МГУ, 20019. Курс экономической теории / Под ред. А.С. Сидоровича. – М.: Учебники МГУ, 1999.
3. Сутягин В. О соотношении научных прогнозов и государственных программ социально-экономического развития // Проблемы прогнозирования. – 1998. - №1.
4. Цыгичко В. Основы прогнозирования систем. – М.: Финансы и статистика, 2005.
5. Агапова Т. Современная экономическая теория: методологическая база и модели // Российский Экономический Журнал. – 1995. - №10.
6. Горелов С. Математические методы в прогнозировании. – М.: Прогресс, 1993.
7. Гранберг А.Г. Математические модели социалистической экономики: Учебное пособие для экономических вузов и факультетов – М.: Экономика., 1978.
8. Дудкин В. Индикативное планирование – механизм координации деятельности государственных и негосударственных субъектов управления // Российский Экономический Журнал. – 1998. - №6.
9. Замков О.О., Толстопятенко А.В., Черемных Ю.Н., Математические методы в экономике, ? М.: МГУ, 2001
10. Курс экономической теории / Под ред. А.С. Сидоровича. – М.: Учебники МГУ, 2009.
11. Основы экономического и социального прогнозирования / Под редакцией Мосина Н. – М.: Высшая школа, 1985.



Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть похожие работы

* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.