В.В.
Домбровский - Эконометрика
Глава 8. АНАЛИЗ И ПРОГНОЗИРОВАНИЕ КОРОТКИХ ВРЕМЕННЫХ РЯДОВ С ПРИВЛЕЧЕНИЕМ ЭКСПЕРТНОЙ ИНФОРМАЦИИ 8.3. Методы прогнозирования при непротиворечивых экспертных суждениях Если экспертные суждения
непротиворечивы, то система
неравенств (8.14) совместна и оценки
параметров трендовой модели (8.10)
будут удовлетворять одновременно
всем неравенствам системы (8.14).
В общем случае существует не
единственный вектор параметров 8.3.1. Оценивание параметров как решение задачи квадратичного программирования Выберем в качестве меры близости наблюдаемых и оцененных значений ряда на периоде основания прогноза сумму квадратов остатков модели
Тогда задача оценивания
вектора параметров модели
формулируется следующим образом:
необходимо минимизировать
квадратичный критерий (8.15) по вектору
Данная задача относится к классу задач квадратичного программирования и при условии непротиворечивости экспертных суждений, имеет единственное решение. Решение оптимизационной задачи (8.15), (8.16) можно получить только численно. Существуют эффективные численные методы решения подобных задач (они изучаются в курсе "Исследование операций"), которые реализованы во многих пакетах программ, в том числе в Excel. После того, как оценки параметров получены, строим прогнозную последовательность
где 8.3.2. Оценивание параметров как решение задачи линейного программирования Более простой для численного решения является задача линейного программирования. В связи с этим, сформулируем задачу оценивания параметров трендовой модели в виде задачи линейного программирования. В качестве меры близости наблюдаемых и оцененных значений ряда на периоде основания прогноза возьмем сумму модулей (абсолютных величин) остатков модели
Таким образом, необходимо минимизировать функцию (8.18) при ограничениях (8.16). Функция (8.18) не является линейной, однако сформулированную задачу можно свести к задаче линейного программирования, используя следующий прием. Введем вспомогательные переменные
Нетрудно видеть, что имеют место равенства
Учитывая равенства (8.19), (8.20), задачу минимизации критерия (8.18) при ограничениях (8.16) можно сформулировать в виде следующей эквивалентной задачи линейного программирования: минимизировать линейную функцию
по вектору параметров
Решая задачу линейного
программирования (8.21) - (8.23), (8.16), находим вектор
оценок параметров Таким образом, процедура прогнозирования временного ряда состоит из следующих шагов. 1) На основе экспертных суждений составляем систему линейных ограничений (8.16), которым должны удовлетворять параметры модели тренда. 2) Решаем задачу линейного программирования (8.21) - (8.23), (8.16), определяем вектор оценок параметров модели. 3) Строим последовательность прогнозных значений временного ряда, используя уравнение (8.17). Замечание Численное решение задачи линейного программирования существенно проще, чем задачи квадратичного программирования. Для ее решения можно использовать эффективные методы, например, широко известный симплексный метод (он изучается в курсе "Исследование операций"), который реализован во многих пакетах прикладных программ. Пример 8.2 Пусть известны наблюдения временного ряда: 2; 3,5; 4. На основе содержательного анализа изучаемого явления установлен вид функции тренда
Два эксперта высказали
суждения: "значение временного ряда
в момент t = 5 периода упреждения
окажется не больше 5" и "значение
временного ряда в момент Выполним прогнозирование ряда на периоде упреждения длительностью m = 5 с учетом экспертных суждений. 1)
Представим экспертные суждения в
виде системы неравенств
Второе неравенство можно переписать в виде
или, замечая, что ![]() ![]() 2)
Составим задачу линейного
программирования: минимизировать
функцию
при ограничениях, составленных на первом шаге и дополнительных ограничениях вида
Решая эту задачу, находим значения оценок ![]() ![]() 3)
Строим прогнозную
последовательность, используя
уравнение (8.24).
Получаем 8.3.3. Частный случай: прогнозирование по двухпараметрической трендовой модели В практических приложениях часто бывает достаточно использовать для прогноза относительно простые модели тренда. Рассмотрим одну из таких моделей, которую можно построить без применения аппарата квадратичного программирования. Пусть модель описывается уравнением
где функция
с учетом ограничений, накладываемых в соответствии с суждениями экспертов. Суждения экспертов интервального типа задаются линейными неравенствами вида
Данная задача относится к классу задач квадратичного программирования, однако, оказывается, ее можно решить без привлечения сложных численных алгоритмов. Учет одного экспертного суждения Рассмотрим сначала простой случай, когда учитывается только одно экспертное суждение. Поскольку функция (8.26) строго выпукла, решение единственно и находится либо внутри области (полосы)
допустимых решений
Учитывая это, для определения
оптимального решения можно поступить
следующим образом. Сначала
минимизировать функцию (8.26) без учета
ограничений (8.29).
Если полученное решение
удовлетворяет неравенствам (8.27), (8.28) (или (8.29)), что можно проверить
простой подстановкой, то это и будет
оптимальное решение. Если полученное
решение не принадлежит области (8.29), то
необходимо решить задачу минимизации
функции (8.26)
с учетом ограничения в виде равенства
(8.30), и ту же
задачу, но с учетом ограничения в виде
равенства (8.31).
Из полученных таким образом решений
достаточно выбрать то, при котором
значение функции (8.26) минимально. Первая
задача, по - существу, сводится к
обычной задаче оценивания параметров
парной линейной регрессии вида (8.25) по методу
наименьших квадратов, где в качестве
регрессора используется функция Задача минимизации функции (8.26) при ограничении в виде равенства (8.30) (или (8.31)) относится к классу задач на условный экстремум (в нашем случае - условный минимум). Ее решение можно получить, используя метод множителей Лагранжа. Получим решение с учетом ограничения (8.30). Составим функцию Лагранжа
где
Дифференцируя функцию Лагранжа по неизвестным параметрам и приравнивая результат к нулю, получаем следующую систему линейных уравнений:
Решая систему (8.32), получаем оценки
параметров Учет нескольких экспертных суждений Предположим теперь, что имеется несколько непротиворечивых экспертных суждений интервального типа, которым соответствует система неравенств
Область допустимых значений параметров, соответствующая каждому суждению, ограничена двумя прямыми на параметрической плоскости
Пересечение областей вида (8.33)
представляет собой выпуклое
множество M с границами в виде
отрезков прямых. Это множество
является выпуклым многоугольником,
вершины которого обозначим Учитывая приведенные выше соображения, можно предложить следующую многошаговую процедуру решения задачи оценивания параметров модели (8.25). 1) Находится решение задачи оценивания по методу наименьших квадратов без учета ограничений. Если полученное решение удовлетворяет всем ограничениям задачи (это проверяется его подстановкой в неравенства (8.33)), то оптимальные оценки найдены, и процедура поиска решения на этом заканчивается. 2) Если
окажется, что найденное на первом
шаге решение не удовлетворяет хотя
бы одному из ограничений (8.33), то находятся
вершины многоугольника путем
решения четверок систем линейных
уравнений вида
и проверки принадлежности каждого решения многоугольнику M (проверка осуществляется подстановкой решений в неравенства (8.33)). 3)
Вычисляются значения функции (8.26) в
найденных вершинах многоугольника и
находится вершина 4)
Поскольку минимум функции может
достигаться либо в найденной на
предыдущем шаге вершине
многоугольника
и минимизировать функцию (8.26) при ограничении
где ![]() ![]() ![]() ![]() ![]() 5) Проверяем, принадлежат ли найденные на предыдущем шаге решения многоугольнику M, подставляя их в неравенства (8.33). 6)
Среди полученных решений 7)
Используя уравнение (8.25), строим прогнозную
последовательность Пример 8.3. Пусть получены следующие наблюдения временного ряда: 1, 2, 3, 4. Модель тренда имеет вид
Имеются два экспертных
суждения: "значение временного ряда
в момент t = 5 периода упреждения
окажется в интервале [2, 4]", "значение
временного ряда в момент t = 6
периода упреждения окажется в
интервале [3, 5]". Таким образом, в
данном случае n=4, k=2, Необходимо построить прогноз ряда на периоде упреждения m = 5 с использованием модели тренда (8.37), данных наблюдений и экспертных суждений. В соответствии с описанной выше процедурой выполняем следующие шаги. 1)
Находим минимум функции
В результате получаем оценки ![]() ![]() ![]() ![]() ![]() ![]() 2)
Находим вершины многоугольника,
соответствующего ограничениям,
накладываемым экспертными
суждениями. Для этого решаем четыре
системы линейных уравнений
![]() ![]() ![]() ![]() 3)
Вычисляем значения функции (8.38) в
найденных вершинах многоугольника.
Получаем 4)
Точка
5)
Проверяем, принадлежат ли найденные
точки 6)
Значения функции в найденных точках: 7) Строим прогнозную последовательность, используя уравнение (8.37). Имеем
|