Применение преобразования Прони для моделирования временных рядов в экономике

Автор: Немирович-данченко М.М.

Журнал: Вестник Алтайской академии экономики и права @vestnik-aael

Рубрика: Экономические науки

Статья в выпуске: 8-1, 2020 года.

Бесплатный доступ

В статье рассматривается решение задач моделирования и прогноза числовых рядов с применением методологии спектрального оценивания. Использование качественных моделей данных позволяет выполнять достоверный прогноз, что является актуальной задачей при принятии управленческих решений. В основе прогнозной методологии лежит преобразование Пронѝ, позволяющее представлять исходный числовой ряд в виде нового ряда - некоторой линейной комбинации экспоненциальных функций. В общем случае комплекснозначные слагаемые нового ряда полностью определяются амплитудой, частотой, фазой и затуханием. В работе приводятся основные понятия и соотношения преобразования Пронѝ, анализируется поведение отдельных компонент преобразования для типичных случаев. Рассмотрены особенности вычисления спектра Пронѝ и отличия его от спектра Фурье. Обсуждаются отдельные этапы работы алгоритма, проблемы конкретной реализации. С применением описанной методики и на основе написанной автором программы строится модель помесячного изменения индекса потребительских цен в России за несколько последних лет, показана возможность прогноза на основе такой модели.

Еще

Временные ряды, моделирование, преобразование прони, прогноз, спектральное оценивание, индекс потребительских цен

Короткий адрес: https://sciup.org/142225294

IDR: 142225294   |   DOI: 10.17513/vaael.1258

Список литературы Применение преобразования Прони для моделирования временных рядов в экономике

  • Чупина С.В. Прогнозирование национальной экономики: Учебное пособие / С. В. Чупина; ГОУ ВПО "Томский государственный педагогический университет". Томск: Изд-во ТГПУ, 2010. 144 с.
  • Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ. М.: Мир, 1990. 584 с.
  • Montgomery D.C., Jennings C.L., Kulahci M. Introduction to time series analysis and forecasting. Hoboken, NJ: John Wiley & Sons, Inc. 2015.
  • Liao T.W. Clustering of time series data - a survey / T. W. Liao // Pattern Recognition. 2005. Vol. 38, no. 11. Pp. 1857-1874. http://www.sciencedirect.com/science/article/pii/S0031320305001305.
  • Corduas, M. Time series clustering and classification by the autoregressive metric / M. Corduas, D. Piccolo // Computational Statistics & Data Analysis. 2008.Vol. 52, no. 4. Pp. 1860-1872. http://www.sciencedirect.com/science/article/pii/S0167947307002368.
  • Хайруллина О.И. Эконометрика: базовый курс / О. И. Хайруллина, О.В. Баянова. Пермь. 2019. 176 с.
  • Афанасьева Т.В. Моделирование нечетких тенденций временных рядов / Т.В. Афанасьева. Ульяновск: УлГТУ, 2013. 215 с.
  • Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. 755 с.
  • Pritz P.J., Perez D., Leung, K.K.: Fast-Fourier-forecasting resource utilization in distributed systems (2020) https://arxiv.org/pdf/2001.04281.pdf.
  • Кулаичев А.П. Методы и средства комплексного анализа данных, ИНФРА-М, 2006. 512 с.
  • Буреева Н.Н., Ершова Ю.С. Влияние Фурье-фильтрации на построение прогноза экономических показателей с использованием аддитивной и мультипликативной моделей // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 3 (2). С. 20-24.
  • Prony R. Essai éxperimental et analytique: Sur les lois de la Dilatabilité des fluides élastiques et sur celles de la Force expansive de la vapeur de l'eau et de la vapeur de l'alkool, à différentes températures. J. l'Ecole Polytechnique. 3(1795). V. 1, cahier 22. P. 24-79.
  • S. Marple, Spectral line analysis via a fast Prony algorithm/ ICASSP ‘82. IEEE International Conference on Acoustics, Speech, and Signal Processing, Paris, France, 1982, pp. 1375-1378.
  • DOI: 10.1109/ICASSP.1982.1171448
  • S.M. Kay and S. L. Marple, "Spectrum analysis A modern perspective", in Proceedings of the IEEE, vol. 69, no. 11, pp. 1380-1419, Nov. 1981.
  • DOI: 10.1109/PROC.1981.12184
  • Немирович-Данченко М.М. Возможности обнаружения множественной трещиноватости сплошной среды на основе оценки спектральной плотности энергии отраженного сигнала // Физ. мезомех. 2013. Т. 16. № 1. С. 105-110.
  • Islyamova A., Nemirovich-Danchenko M., Terre D. Detection of attenuation zones in a time section based on running window filtration // IOP Conference Series: Earth and Environmental Science. IOP Publishing, 2016. Т. 43. № 1. С. 012056.
  • Харкевич А.А. Спектры и анализ. М.: Государственное издательство технико-теоретической литературы, 1957. 236 с.
  • International Labour Office (ILO) and others, Consumer Price Index Manual: Theory and Practice (Geneva, ILO, 2004).
  • https://www.gks.ru/ (дата обращения: 18 июля 2020).
  • https://economics.hse.ru/cmf/cpi_months_rus (дата обращения: 17 июля 2020).
  • Clements M.P., & Hendry D.F. (2007). An overview of economic forecasting (pp. 1-18). Blackwell Publishing Ltd.
Еще
Статья научная