Курс МВА по прогнозированию в бизнесе
|
Эта книга относится к тематике: Эта книга будет интересна: Студент
|
Предлагаемая читателю книга - первое на русском языке систематическое изложение курса прогнозирования, соответствующее обучению по программе МВА в наиболее престижных западных школах бизнеса. Основная цель издания - научить практическому применению изучаемых моделей, в первую очередь при планировании и принятий решений в сфере бизнеса. Читатель сможет начать самостоятельно прогнозировать уже после прочтения первых двух глав книги. В книге рассматриваются мало известные российскому читателю современные методы ex post прогнозирования, применяемые для изучения временной динамики изменения бизнес-процессов; модели альтернативного выбора, широко использующиеся в политологии, психологии и социологии; методы отбора, тестирования и мониторинга моделей. Учебник написан в непринужденном, характерном для лекций стиле. Все необходимые понятия и результаты из теории вероятности и статистики рассматриваются по ходу изложения. В приложениях к главам приводятся доказательства теорем и вывод основных формул. Книга рассчитана на практикующих менеджеров, студентов школ бизнеса и экономических факультетов университетов, изучающих эконометрику и прогнозирование.
Содержание
Посмотреть содержание »
Предисловие 7
Глава 1. ПОДГОНКА КРИВЫМИ 11
1.1. Основные понятия статистики 11
1.2. Метод нахождения кривой подгонки 16
1.3. Основные виды кривых подгонки 22
Приложение к главе 1 31
Вставка 1. Формулы из теории вероятности 31
Вывод формул для коэффициентов линейного
уравнения регрессии 32
Другие формулы, относящиеся к уравнению
линейной регрессии 34
Корректировка модели 35
Глава 2. ВВЕДЕНИЕ В ПРОГНОЗИРОВАНИЕ 39
2.1. Коэффициент детерминации 39
2.2. Другие способы оценки моделей 43
2.3. Ex post как имитация процесса прогнозирования 46
Приложение к главе 2 51
Формула разложения для дисперсии Y для линейного
уравнения регрессии 51
Формулы для коэффициента детерминации 52
Глава 3. МОДЕЛИ СГЛАЖИВАНИЯ И СЕЗОННОЕ
ПРОГНОЗИРОВАНИЕ 55
3.1. Наивная модель 55
3.2. Способы устранения тренда 57
3.3. Модели сглаживания для временных рядов,
не имеющих тренда 60
3.4. Определение начальных значений модели 70
3.5. Модели сглаживания с трендом 75
3.6. Сезонные модели 82
Глава 4. МОДЕЛЬ ПАРНОЙ РЕГРЕССИИ 97
4.1. Случайные величины 98
4.2. Основы статистического моделирования 107
4.3. Линейное уравнение регрессии 112
4.4. Прогнозирование в условиях неопределенности 120
Приложение к главе 4 132
Статистические свойства коэффициентов
линейного уравнения регрессии 133
Глава 5. МОДЕЛЬ МНОЖЕСТВЕННОЙ РЕГРЕССИИ 143
5.1. Основные свойства 143
5.2. Отбор регрессоров 150
5.3. Бета-представление 158
5.4. Мультиколлинеарность 162
Приложение 5.1 170
Теорема Гаусса-Маркова 170
Отклонение гипотезы о том, что коэффициент регрессии
р, = 0 при уровне значимости 5% 174
Приложение 5.2 175
Основные результаты из теории матриц. Применение
матриц к модели линейной регрессии 175
Глава 6. ПРАКТИКА ПРОГНОЗИРОВАНИЯ 193
6.1. Прогнозирование и планирование 193
6.2. Значения данных, сильно отличающиеся
от смоделированных значений 198
6.3. Построение модели линейной регрессии 204
6.4. Пропущенная информация. Инструментальные
переменные 206
6.5. Фиктивные регрессоры 211
6.6. Модели бинарного и множественного выбора.
Применение в социальных науках 227
6.7. Мониторинг процесса прогнозирования 234
6.8. Комбинирование прогнозов, полученных с помощью
различных моделей. Моделирование ошибок ex post
прогнозов 239
6.9. Прогнозирование со стохастическим регрессором 243
Приложение к главе 6 250
Нахождение комбинированного прогноза с минимальным
стандартным отклонением ошибки прогноза 250
Модель линейной регрессии со стохастическим регрессором 251
Дисперсия ошибки, получающейся при моделировании
нормальной случайной величины ее выборочным средним 252
Дополнение. Х-12-АШМА - ПРОГРАММА XXI ВЕКА 255
Выбросы 257
Уровневые сдвиги 258
Временные изменения 258
Скаты 259
Заключение. ПРОГНОЗИРОВАНИЕ БЕЗ ГРАНИЦ 261
Список литературы 269
Предметный указатель 271
Глава 1. ПОДГОНКА КРИВЫМИ 11
1.1. Основные понятия статистики 11
1.2. Метод нахождения кривой подгонки 16
1.3. Основные виды кривых подгонки 22
Приложение к главе 1 31
Вставка 1. Формулы из теории вероятности 31
Вывод формул для коэффициентов линейного
уравнения регрессии 32
Другие формулы, относящиеся к уравнению
линейной регрессии 34
Корректировка модели 35
Глава 2. ВВЕДЕНИЕ В ПРОГНОЗИРОВАНИЕ 39
2.1. Коэффициент детерминации 39
2.2. Другие способы оценки моделей 43
2.3. Ex post как имитация процесса прогнозирования 46
Приложение к главе 2 51
Формула разложения для дисперсии Y для линейного
уравнения регрессии 51
Формулы для коэффициента детерминации 52
Глава 3. МОДЕЛИ СГЛАЖИВАНИЯ И СЕЗОННОЕ
ПРОГНОЗИРОВАНИЕ 55
3.1. Наивная модель 55
3.2. Способы устранения тренда 57
3.3. Модели сглаживания для временных рядов,
не имеющих тренда 60
3.4. Определение начальных значений модели 70
3.5. Модели сглаживания с трендом 75
3.6. Сезонные модели 82
Глава 4. МОДЕЛЬ ПАРНОЙ РЕГРЕССИИ 97
4.1. Случайные величины 98
4.2. Основы статистического моделирования 107
4.3. Линейное уравнение регрессии 112
4.4. Прогнозирование в условиях неопределенности 120
Приложение к главе 4 132
Статистические свойства коэффициентов
линейного уравнения регрессии 133
Глава 5. МОДЕЛЬ МНОЖЕСТВЕННОЙ РЕГРЕССИИ 143
5.1. Основные свойства 143
5.2. Отбор регрессоров 150
5.3. Бета-представление 158
5.4. Мультиколлинеарность 162
Приложение 5.1 170
Теорема Гаусса-Маркова 170
Отклонение гипотезы о том, что коэффициент регрессии
р, = 0 при уровне значимости 5% 174
Приложение 5.2 175
Основные результаты из теории матриц. Применение
матриц к модели линейной регрессии 175
Глава 6. ПРАКТИКА ПРОГНОЗИРОВАНИЯ 193
6.1. Прогнозирование и планирование 193
6.2. Значения данных, сильно отличающиеся
от смоделированных значений 198
6.3. Построение модели линейной регрессии 204
6.4. Пропущенная информация. Инструментальные
переменные 206
6.5. Фиктивные регрессоры 211
6.6. Модели бинарного и множественного выбора.
Применение в социальных науках 227
6.7. Мониторинг процесса прогнозирования 234
6.8. Комбинирование прогнозов, полученных с помощью
различных моделей. Моделирование ошибок ex post
прогнозов 239
6.9. Прогнозирование со стохастическим регрессором 243
Приложение к главе 6 250
Нахождение комбинированного прогноза с минимальным
стандартным отклонением ошибки прогноза 250
Модель линейной регрессии со стохастическим регрессором 251
Дисперсия ошибки, получающейся при моделировании
нормальной случайной величины ее выборочным средним 252
Дополнение. Х-12-АШМА - ПРОГРАММА XXI ВЕКА 255
Выбросы 257
Уровневые сдвиги 258
Временные изменения 258
Скаты 259
Заключение. ПРОГНОЗИРОВАНИЕ БЕЗ ГРАНИЦ 261
Список литературы 269
Предметный указатель 271