Прогнозирование в коротких временных рядах: методологические и методические аспекты

Прогнозирование будущих значений временного ряда на основе его исторических значений является основой для планирования, управления и оптимизации объемов производства сельскохозяйственной продукции. Эта задача решается путем создания модели, адекватно описывающей исследуемый процесс. Наиболее широко используются авторегрессионные и нейросетевые модели, однако их применение ограничивается рядами динамики значительной длины. Чаще в сфере АПК исследователь располагает короткими рядами динамики, что вынуждает применять лишь простые трендовые и адаптивные регрессионные модели, которые не обеспечивают требуемую точность. Это актуализирует данное исследование, цель которого - повышение надежности прогноза в коротких рядах. Решение поставленной задачи требует адекватного ИТ-инструментария. В этой связи для построения регрессионных моделей использован пакет статистических программ BM SPSS Statistics Base 22, обладающий рядом преимуществ в сравнении с пакетом Excel . На примере статистического анализа исторических данных по динамике урожайности зерновых культур в Орловской области в период 1960-2009 гг. в работе выявлены следующие закономерности, носящие общий характер и имеющие определенное методологическое и методическое значение: при прогнозировании по регрессионным моделям следует анализировать не только результаты точечного прогноза, но и интервального, при этом аналитические расчеты необходимо дополнять анализом графиков модельных кривых с линиями доверительных границ; прогноз в коротких временных рядах по адаптивным моделям допустим лишь на шаг вперед, а по трендовым моделям - на один-два шага вперед, прогнозирование на больший горизонт допустимо только в целях выявления тенденции; применение квадратичных и кубических моделей недопустимо вследствие высокой вероятности изменения характера динамики временного ряда при экстраполяции моделей за пределами исторических данных; для повышения надежности прогнозирования следует строить объединенные прогнозы путем усреднения частных прогнозов по конкурирующим моделям; дальнейшее повышение качества прогнозов требует обращения к экспертной информации.