Прогнозирование используется для выявления альтернатив и их вероятности. К количественным методам прогнозирования относятся анализ временных рядов и каузальное моделирование. Под качественными методами понимаются мнения жюри, совокупное мнение сбытовиков и метод экспертных оценок. [c.244]
Рассмотрите два типичных количественных метода прогнозирования анализ временных рядов и каузальное моделирование. [c.245]
Проанализировав раздел о прогнозировании в своем старом учебнике по управлению операциями, Кэти убедилась, что лучше других подойдет каузальная модель. Она требует разработки математической зависимости вида [c.246]
Кэти поняла также, что разным типам мероприятий должны соответствовать и разные модели. Она решила начать с разработки модели для бейсбольных матчей. На первом этапе она идентифицировала каузальные переменные для встраивания их в модель. Оказалось, что одной из таких переменных должно быть число билетов, проданных к моменту, когда до игры остается 24 ч. [c.246]
Обладает ли каузальная модель двумя характеристиками, которые как желательные определила Кэти [c.246]
Можете ли вы предложить другие каузальные переменные для модели прогнозирования посещаемости бейсбольных матчей Помните, что данные по каждой переменной должны быть доступны к моменту, от которого до начала игры остается 24 ч. [c.246]
Какие опасности видите вы в применении каузальной модели для прогнозирования посещаемости мероприятий на стадионе Что можно предпринять, чтобы свести эти опасности к минимуму [c.246]
Корреляция и каузальность. Мы не должны путать корреляцию (взаимосвязь) с каузальностью (причинностью). Корреляция — это технический термин, указывающий на то, что соотношение двух групп данных носит систематический и взаимозависимый характер например, можно обнаружить, что когда возрастет X, возрастет также и К Но это не обязательно означает, что X служит причиной Y. Связь здесь может быть чисто случайной или порождаться каким-либо другим фактором Z, не включенным в анализ. [c.12]
Следите за тем, чтобы, рассуждая на экономические темы, не допускать таких логических ошибок, как логически ошибочное построение, нарушение причинно-следственной связи или смешение корреляции и каузальности. [c.13]
Предпочтения участников вносят в систему элемент нестабильности. Если бы система имела врожденную тенденцию к равновесию, предпочтения участников не смогли бы нарушить ее в худшем случае они могли бы привести к некоторым случайным краткосрочным колебаниям. Но когда каузальные связи являются рефлексивными, предпочтения участников могут породить, поддержать или разрушить порочный круг или круг благоденствия. Кроме того, превалирующие [c.77]
Второй ситуацией является случай с неизвестным каузальным приоритетом среди переменных. Допустим, что мы имеем набор переменных, для которых не известен каузальный порядок причина-следствие, и имеются две гипотезы, каждая по-своему устанавливающая его, постулируя отсутствие тех или иных возможных отношений. Описываемый подход может быть применен как для сравнения этих теорий, так и для их отбрасывания. Заметим, что в процедуре сравнения одна модель-гипотеза может оказаться лучше другой, но никогда — правильной. Более того, если одна из гипотез близка к тому, чтобы описываться полной рекурсивной системой, то обычно она работает, лучше воспроизводя корреляционную матрицу, и, естественно, будет выбираться как более удачная, даже если она весьма далека от истины. [c.223]
Каузальная концепция рассматривает социально- [c.113]
Каузальное понимание социально-экономических систем, сти- [c.129]
Социальная форма движения материи, каузальную логику ко- [c.146]
КАУЗАЛЬНОЕ (ПРИЧИННО-СЛЕДСТВЕННОЕ) МОДЕЛИРОВАНИЕ. Каузальное моделирование — наиболее хитроумный и математически сложный количественный метод прогнозирования из числа применяемых сегодня. Он используется в ситуациях с более чем одной переменной. Уровеньличныхдоходов.демографическис изменения и преобладающая ставка процента по закладным, например, влияют на будущий спрос на новые односемейные дома. КАУЗАЛЬНОЕ МОДЕЛИРОВАНИЕ — это попытка спрогнозировать то, что произойдет в подобных ситуациях, путем исследования статистической зависимости между рассматриваемым фактором и другими переменными. Каузальная модель может показать, что всякий раз, когда ставка процента по закладным увеличивается на 1%, спрос на новые дома падает на 5%. [c.242]
На языке статистики эта зависимость называется корреляцией. Чем теснее корреляция, тем выше пригодность модели для прогнозирования. Полная корреляция (1,000) бывает в ситуации, когда в прошлом зависимость всегда была истинной. Если спрос на цветные телевизоры всегда падал на 10%, когда валовой национальный продукт снижался на 4%, можно с уверенностью утверждать, что то же самое в подобных обстоятельствах произойдет и в будущем. Фирма Корнинг Гласе по сути дела использует каузальную модель, прогнозируя спрос на свои телевизионные труб- [c.242]
Из каузальных самыми сложными являются эконометрические модели, разработанные с целью прогнозирования динамики экономики. К таковым относится Уорто-новская модель Центра прогнозирования Пенсильванского университета. Подобные модели представляют из себя тысячи уравнений, решаемых только с применением [c.242]
Статистическая процедура, рассматривает две или большее количество независимых переменных и устанавливает связь между ними и зависимой переменной. Например, продажи Кока-Колы представляют собой функцию от действия различных факторов цены, затрат на рекламу, вкусовых качеств и цен главных конкурентов. С точки зрения инструментов про гнозировани относится к категории причинных (каузальных) моделей. См. Регрессионный анализ. [c.463]
Предпочтения участников вносят в систему элемент нестабильности. Если бы система имела врожденную тенденцию к равновесию, предпочтения участников не смогли бы нарушить ее в худшем случае они могли бы привести к некоторым случайным краткосрочным колебаниям. Но когда каузальные связи являются рефлексивными, предпочтения участников могут породить, поддержать или разрушить порочный круг или круг благоденствия. Кроме того, превалирующие предпочтения начинают жить собственной жизнью и становятся одной из составных частей кругового взаимодействия. Они находят выражение в спекулятивных перемещениях капитала, которые могут служить противовесом дисбаланса в торговле, что позволяет положительному или отрицательному торговому сальдо превысить как в объеме, так и в продолжительности, уровень, который мог бы поддерживаться при отсутствии превалирующих предпочтений. Когда это происходит, спекуляции оказываются дестабилизирующим фактором. Международное движение капитала, как правило, следует схеме самоусиление/самоуничтожение, сходной с той, которую мы привели лля фондового рынка. Но модель, использованная нами для иллюстрации динамики котировок акций, не может быть при [c.92]
Структурные причинные модели в эконометрике и социологии соединяют теорию объекта с эмпирическими данными на основе графа связей. Структурные модели формализуют гипотезы о причинных отношениях. Встает задача выбора гипотез, обозначаемая иногда в эконометрической и социологической литературе как проблема каузального вывода. Х.Блейлок, изучая этот вопрос как часть общего вопроса о средствах построения социологических теорий, предложил формальный прием, основанный на идеях Г.Саймона о ложной корреляции и каузальной упорядоченности, иногда называемый процедурой Саймона — Блейлока. [c.222]
Очевидна целесообразность использования процедуры Саймона — Блейлока в двух случаях. Во-первых, когда известен причинный приоритет среди переменных. Если в этом случае имеются две гипотезы, постулирующие различные причинные цепи (структуры графа), то, используя процедуру Саймона — Блейлока, можно воссоздать эмпирические корреляции и отвергнуть ту каузальную цепь, где рассогласование слишком большое. Таким образом, мы можем сравнивать теории. [c.222]