|
|
Главная \ Методичні вказівки \ Статистичне моделювання та прогнозування
Статистичне моделювання та прогнозування« Назад
Статистичне моделювання та прогнозування 18.09.2016 04:04
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ ДЕРЖАВНИЙ ВИЩИЙ НАВЧАЛЬНИЙ ЗАКЛАД «КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ ЕКОНОМІЧНИЙ УНІВЕРСИТЕТ імені ВАДИМА ГЕТЬМАНА» Факультет інформаційних систем та технологій Кафедра статистики
МЕТОДИЧНІ МАТЕРІАЛИ щодо змісту та організації самостійної роботи студентів , поточного і підсумкового контролю їх знань з дисципліни «Статистичне моделювання та прогнозування» освітній ступінь бакалавр галузь знань 0305 «Економіка і підприємництво» спеціальність 6.030506 «Прикладна статистика»
ПОГОДЖЕНО:
Завідувач кафедри __________І.Г. Манцуров
Начальник навчально- методичного відділу___________Т.В.Гуть
Київ-2016
Укладач:Васечко О.О., д.е.н., професор Мазуренко О.К.,к.е.н., доцент
Рецензент :Бараник З.П. д.е.н.,професор ,заступник завідувача кафедри статистики
ЗМІСТ
1. ВСТУП Мета науки (дисципліни) – оволодіння методами статистичного моделювання та прогнозування соціально-економічних явищ і процесів з використанням прикладних комп’ютерних програм, реалізованих в інтегрованій системі обробки даних Statistica. Завдання науки (дисципліни) визначається тими функціями, які виконують економіко-статистичні моделі (ЕСМ) у системі управління, зокрема: вивчення методологічних принципів розвідувального аналізу даних; діагностики стану об’єктів, що підлягають моделюванню; вивчення причинно-наслідкового механізму формування варіації та динаміки соціально-економічних явищ, прогнозування і верифікації прогнозів. Предмет науки (дисципліни) – закономірності формування і розвитку соціально-економічних систем на мікро-, мезо- і макрорівні. По завершенню опанування науки (дисципліни) студент повинен знати і вміти застосувати на практиці:
Знання та навички статистичного моделювання та прогнозування соціально-економічних систем є однією з передумов поглиблення аналітичної роботи і обґрунтування управлінських рішень на всіх щаблях системи управління.
Перелік компетенцій, яких набуде студент після опанування даної науки (дисципліни):
2. ТЕМАТИЧНИЙ ПЛАН НАУКИ “Статистичне моделювання та прогнозування” для студентів спеціальності 6.030506 денної та заочної форм навчання
3. ЗМІСТ НАУКИ (ДИСЦИПЛІНИ) ЗА ТЕМАМИ
Тема 1. Методологічні засади статистичного моделювання та прогнозуванняЛогіка прикладного статистичного моделювання. Основні функції моделей в системі управління. Об’єкти моделювання. Системний підхід при описуванні об’єктів. Етапи статистичного моделювання. Класифікація моделей. Моделювання поновлюваних (рухливих) сукупностей. Основне рівняння поновлення. Використання моделей поновлення в демографії та в актуарних розрахунках. Основні принципи статистичного прогнозування. Види прогнозів. Етапи прогнозування. Прогнозна екстраполяція. Верифікація прогнозів. Комп’ютерні технології статистичного моделювання в інтегрованій системі Statistica.
Тема 2. Формування інформаційної бази статистичних моделей Інформаційна одиниця об’єкту моделювання. Формування інформаційної бази моделі залежно від просторових і часових меж об’єкту моделювання. Уніфікація типів ознак, відтворення пропущених даних. Обгрунтування і специфікація ознакових множин моделі. Метод експертних оцінок в моделюванні та прогнозуванні. Оцінювання надійності групової експертизи. Коефіцієнт конкордації. Визначення вагових коефіцієнтів окремих ознак. Формування інформаційної бази моделі в системі Statistica.
Тема 3. Розвідувальний аналіз структури даних Інструменти і стратегіїрозвідувального аналізу даних. Структура і аналітичні можливості модуля Basic Statistics and Tables. Частотний аналіз структури первинних даних. Критерії узгодженості розподілів. Тестування сукупності на однорідність і нормальність розподілу, ідентифікація аномальних спостережень. Розвідувальний аналіз кореляцій. Перевірка істотності зв’язків. Однофакторний дисперсійний аналіз (Anova). Графічна підтримка аналізу взаємозв’язків. Таблиці крос-табуляції.
Тема 4. Моделі багатовимірної класифікації Методологічні засади багатовимірної класифікації. Відстань як міра подібності об’єктів. Види відстаней. Міри подібності багатовимірного простору. Оцінювання латентних явищ за допомогою інтегральних показників. Суть та функції інтегральних оцінок (рейтингів), їх види, етапи конструювання та сфера використання. Типологія на основі інтегральних оцінок. Кластерні процедури класифікації. Ієрархічні кластер-процедури Дендрограми. Кластеризація за алгоритмом пошуку згущення об’єктів. Метод k-середніх. Функціонал якості класифікації. Класифікація на основі дискримінантної функції (два класи). Аналітична роль відстані Махаланобіса. Використання дискримінантних функцій в прогнозуванні.
Тема 5. Моделювання та прогнозування тенденцій розвитку Динамічність та інерційність розвитку. Типи економічної динаміки. Методологічні засади моделювання динаміки. Трансформації часових рядів. Декомпозиція часового ряду. Трендові моделі: поліноми, експоненти. Обґрунтування типу моделі, перевірка її адекватності. Оцінка параметрів трендових моделей. Екстраполяція тренду як метод прогнозування. Етапи розробки та верифікації прогнозів, визначення довірчих меж. Ретроспективна оцінка точності та надійності прогнозів. Аналітичні і прогнозні можливості процедур модуля Time series forecasting в системі Statistica.
Тема 6. Моделювання процесів з ефектом насичення Особливості моделювання процесів з ефектом насиченням. Зміст параметрів і сфери використання таких моделей як: модифікована експонента, крива Гомперца, логістична крива (Перла-Ріда). Оцінювння параметрів моделей методом «трьох сум». Аналітичні і прогнозні можливості модуля Нелінійне оцінювання в системі Statistica. Практика моделювання процесів, пов’язаних з розвитком популяцій, ринкових та інноваційних процесів.
Тема 7. Адаптивні моделі прогнозування Суть і процедури згладжування динамічних рядів. Ковзна і адаптивна середні. Середні з експоненціально розподіленими вагами, вибір параметра згладжування. Короткострокове прогнозування методом експоненціального згладжування. Використання експоненціальних середніх в моніторингу економічної кон’юнктури. Сезонна декомпозиція часового ряду. Тренд-циклічна компонента. Згладжування і фільтрація сезонних коливань. Аналіз випадкової складової, перевірка адекватності моделі. Гармонійна модель періодичних коливань.
Тема 8. Інтегрована модель авторегресії та ковзної середньої (ARIMA) Особливості внутрішньої структури динамічних рядів. Лаги. Автокореляційна функція. Авторегресійне моделювання та прогнозування. Інтегрована модель авторегресії та ковзної середньої (ARIMA): ідентифікація моделі, вибір параметрів, прогнозні властивості. Види моделей ARIMA для несезонних процесів. Повна сезонна модель ARIMA. Сфера використання моделі ARIMA.
Тема 9. Типи статистичних моделей взаємозв’язку Методологічні засади статистичного моделювання функціональних і кореляційних зв’язків. Види моделей. Формування ознакової множини моделі. Модельна специфікація. Матричні моделі. Балансова модель «витрати-випуск», основне рівняння моделі. Напрями використання моделі «витрати-випуск». Багатофакторні індексні моделі: методологічні засади побудови, ступінь деталізації, сфера використання. Діагностичні функції індексних систем. Індексно-матричні моделі в аналізі збалансованості розвитку. Особливості моделювання кореляційних зв’язків. Роль регресійних моделей в аналізі і прогнозуванні соціально-економічних явищ і процесів.
Тема 10. Забезпечення адекватності регресійних моделей Зміст і оцінювання параметрів регресійної моделі. Формування ознакової множини моделі. Специфікація моделей. Алгоритми побудови регресійних моделей. Аналітичні можливості модуля Multiply Regression системи Statistica Логіко-статистичні передумови регресійного моделювання. Оцінка адекватності моделей реальному процесу. Аналітичні і прогнозні можливості лінійних регресійних моделей. Оцінка ступеня використання об’єктивних можливостей та резервів.
Тема 11. Адаптація регресійних моделей до соціально-економічноїінформаціїРегресія на змішаних факторних множинах і згрупованих даних. Dummy-змінні, їх властивості. Зміст параметрів при dummy-змінних. Специфікація моделей. Адаптація регресійної моделі до неоднорідних сукупностей. Змінні взаємодії. Специфікація моделей dummy-змінними і змінними взаємодії. Регресія на комбінаційних групуваннях: формування інформаційної бази моделі, інтерпретація параметрів. Поєднання моделей регресійного і дисперсійного аналізу, зміст параметрів моделі. Перехід до центрованих ефектів впливу факторів. Модель стандартизованих групувань. Стандартизовані середні і центровані ефекти впливу, методика їх визначення. Аналітичні можливості моделі стандартизованих групувань. Використання dummy-змінних для описування і прогнозування тенденції за даними «розірваних» динамічних рядів. Тема 12. Багатофакторні динамічні моделі Суть та основні принципи побудови багатофакторних динамічних моделей. Відображення в них динамічності та інерційності розвитку. Врахування запізнення впливу, лагові зміни. Роль змінних динамічної взаємодії. Особливості оцінки адекватності моделей динаміки, тестування автокореляції залишків. Критерій Дарбіна-Ватсона. Прогнозування на основі багатофакторних динамічних моделей. Нелінійні динамічні моделі. Функції попиту, виробничі функції. Коефіцієнти еластичності. Оцінка впливу екстенсивних та інтенсивних факторів на економічний розвиток. Особливості прогнозування на основі просторово-динамічних рядів. Динамізація просторових моделей. Панельна модель, її структура, аналітичні і прогнозні можливості. Порівняльна оцінка методів багатофакторного прогнозування.
Тема 13. Моделі компонентного аналізу Концептуальні засади компонентного аналізу. Модель головних компонент, етапи її побудови. Інформаційна база моделі. Декомпозиція сумарної варіації, факторні навантаження, критерії числа головних компонент, оцінка адекватності моделі. Пошук простої структури моделі шляхом обертання. Вимірювання та ідентифікація головних компонент. Метод головних компонент в системі Statistica Регресія на головних компонентах. Канонічні кореляції.
Тема 14. Структурне моделювання причинних комплексів Причинність і причинний аналіз. Прямий і опосередкований вплив, графічне зображення причинних відношень. Модель як система рівнянь. Методологічні засади структурного моделювання. Системи одночасних рівнянь. Ендогенні та екзогенні змінні. Двоступеневий МНК. Проблеми ідентифікації моделей. Прогнозування на основі системи одночасних рівнянь. Інструменти структурного моделювання в системі Statistica. Суть рекурентної моделі. Принципи її побудови, інтерпретація параметрів. Методика обчислення та економічна суть повних коефіцієнтів регресії. Використання рекурентних моделей для машинної імітації та прогнозування.
4. ПЛАНИ ЗАНЯТЬ 4.1. ПЛАНИ ЛЕКЦІЙ Лекція 1. Методологічні засади статистичного моделювання та прогнозування1. Суть та етапи статистичного моделювання 2. Об’єкти моделювання 3. Класифікація моделей 4. Моделювання поновлюваних (рухливих) сукупностей. 5. Основні принципи статистичного прогнозування. Верифікація прогнозів.
Лекція 2. Формування інформаційної бази моделі 1. Формування інформаційних баз моделей на просторових і часових рядах 2. Специфікація ознакових множин моделей 3. Метод експертних оцінок в моделюванні 4. Комп’ютерні технології статистичного моделювання в інтегрованій системі Statistica.
Лекція 3. Розвідувальний аналіз структури даних
Лекція 4. Моделі багатовимірної класифікації 1. Оцінювання латентних явищ за допомогою інтегральних показників 2. Ієрархічні кластер-процедури класифікації 3. Кластеризація за алгоритмом пошуку згущення об’єктів 4. Класифікація на основі дискримінантної функції
Лекція 5. Моделювання та прогнозування тенденцій розвитку 1. Типи економічної динаміки 2. Трендові моделі. Обґрунтування типу моделі, перевірка її адекватності 3. Екстраполяція тренду як метод прогнозування 4. Оцінка точності та надійності прогнозів
Лекція 6. Моделювання процесів з ефектом насичення 1. Особливості моделювання процесів з ефектом насичення 2. Зміст параметрів і сфери використання моделей з ефектом насичення 3. Аналітичні і прогнозні можливості модуля Нелінійне оцінювання 4. Практика моделювання процесів, пов’язаних з розвитком популяцій, ринкових та інноваційних процесів
Лекція 7. Адаптивні моделі прогнозування
3. Сезонна декомпозиція часового ряду. 4.Гармонійна модель періодичних коливань
Лекція 8. Інтегрована модель авторегресії та ковзної середньої (ARIMA) 1. Особливості внутрішньої структури динамічних рядів 2. Авторегресійне моделювання та прогнозування 3. Ідентифікація моделі ARIMA, вибір параметрів, прогнозні властивості 4. Сфера використання моделі ARIMA
Лекції 9-10. Типи статистичних моделей взаємозв’язку
кореляційних зв’язків. Види моделей 2. Матричні моделі, сфера їх використання 3. Багатофакторні індексні моделі 4. Діагностичні функції індексних систем
Лекція 11. Забезпечення адекватності регресійних моделей 1. Роль регресійних моделей в аналізі і прогнозуванні соціально-економічних явищ і процесів 2. Аналітичні і прогнозні можливості лінійних регресійних моделей 3. Логіко-статистичні передумови регресійного моделювання 4. Комп’ютерні технології регресійного моделювання
Лекції 12. Адаптація регресійних моделей до соціально-економічноїінформації1. Регресія на змішаних факторних множинах. Dummy-змінні, їх властивості 2. Роль зминних взаємодії. 3. Специфікація моделей зі структурними змінними і змінними взаємодії
Лекція 13. Адаптація регресійних моделей до неоднорідних сукупностей 1. Поєднання моделей регресійного і дисперсійного аналізу 2. Модель стандартизованих групувань
Лекція 14-15. Багатофакторні динамічні моделі 1. Суть і структура багатофакторної динамічної моделі 2. Особливості оцінки адекватності моделей динаміки. Критерій Дарбіна-Ватсона 3. Нелінійні динамічні моделі. Функції попиту, виробничі функції. 4. Оцінка впливу екстенсивних та інтенсивних факторів на економічний розвиток 5. Моделювання на основі просторово-динамічних рядів. Панельні моделі
Лекція 16-17. Моделі компонентного аналізу 1. Завдання і етапи побудови моделі головних компонент 2. Вимірювання та ідентифікація головних компонент 3. Регресія на головних компонентах. Канонічні кореляції
Лекція 18. Структурне моделювання причинних комплексів 1. Причинність і причинний аналіз. Модель як система рівнянь 2. Методологічні засади структурного моделювання. Проблеми ідентифікації моделей 3. Суть і сфера використання рекурентних моделей 4. Роль структурного моделювання в макроекономічному аналізі і прогнозування
4.2. ПЛАНИ ПРАКТИЧНИХ ЗАНЯТЬ І семестр ЗАНЯТТЯ 1Тема 1. Методологічні засади статистичного моделювання та прогнозування
План заняття: 1. Формування масивів інформації для моделювання реальних об’єктів 2. Прогнозна екстраполяція 3. Моделювання поновлюваних (рухливих) сукупностей 4. Комп’ютерні технології статистичного моделювання
За результатами занять студент повинен знати: логіку прикладного статистичного моделювання і прогнозування; види статистичних моделей і прогнозів; аналітичні можливості інтегрованої системи обробки даних Statistica; уміти: відповідно до мети статистичного дослідження вибирати об’єкт моделювання, визначати його просторові і часові межі; обирати адекватне програмне забезпечення
Фахові компетенції, що формуються за результатами заняття: – Засвоєння основ базових знань з професії – Навики управління інформацією (уміння знаходити та аналізувати інформацію з різних джерел) – Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 2Тема 2. Формування інформаційної бази статистичних моделей
План заняття: 1. Уніфікація типів ознак, відтворення пропущених даних 2. Метод експертних оцінок в моделюванні та прогнозуванні 3. Формування інформаційної бази моделі в системі Statistica
За результатами заняття студент повинен знати: способи відтворення пропущених даних та ідентифікації аномальних спостережень; сутність і сферу використання експертних оцінок; аналітичні можливості інтегрованої системи обробки даних Statistica; уміти: відповідно до мети статистичного дослідження описувати об’єкт моделювання, відтворювати пропущені дані; уніфікувати типи ознак; формувати інформаційну базу моделі; оцінювати узгодженість експертних висновків
Фахові компетенції, що формуються за результатами заняття: Здатність до аналізу і синтезу Здатність працювати самостійно Дослідницькі навики і уміння.
Рекомендована література:
ЗАНЯТТЯ 3Тема 3. Розвідувальний аналіз структури даних
1. Тестування сукупностей на однорідність та нормальність розподілу. 2.Розвідувальний аналіз кореляцій і крос-кореляцій 3. Однофакторний дисперсійний аналіз (Anova) 4. Розвідувальний аналіз даних за допомогою інструментів модуля Basic statistics/Tables.
За результатами заняття студент повинен знати: етапи розвідувального аналізу даних; логіку тестування сукупності на однорідність та нормальність; аналітичні можливості модуля Basic Statistics and Tables; уміти: аналізувати структуру даних, оцінювати їх однорідність, ідентифікувати аномальні спостереження; оцінювати взаємозв’язки між ознаками; здійснювати розвідувальний аналіз даних в системі Statistica.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.1),. (В.2).
ЗАНЯТТЯ 4Тема 4. Моделі багатовимірної класифікації
План заняття: 1. Визначення рейтингів суб’єктів економічних відносин 2. Типологія на основі інтегральних оцінок 3. Ієрархічна кластерізація 4. Кластеризація методом К-середніх 5. Класифікація на основі дискримінантної функції
За результатами заняття студент повинен знати: логіку багатовимірної класифікаціЇ; види метрик, за якими здійснюється об’єднання схожих між собою об’єктів в однорідні класи; сферу використання ієрархічних агломеративних кластер-процедур; правила формування кластерів за принципом k – середніх; аналітичні можливості реалізованих в системі обробки даних Statistica модулів кластерного і дискримінантного аналізу; уміти: відповідно до мети статистичного дослідження вибирати метод багатовимірної класифікаціЇ; формувати інформаційну базу моделі; оцінювати латентні явища за допомогою інтегральних показників і застосовувати їх для порівняльного аналізу об’єктів; аналізувати структуру даних за даними кластерного і дискримінантного аналізу з використанням модулів Cluster analysis та Discriminant analysis;
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.1).
ЗАНЯТТЯ 5-6Тема 5. Моделювання та прогнозування тенденцій розвитку
План заняття: 1. Обґрунтування типу трендової моделі, оцінка параметрів та перевірка адекватності її реальному процесу 2. Екстраполяція тренду, визначення прогнозних рівнів і довірчих меж 3. Оцінка точності і надійності прогнозів 4. Авторегресійне прогнозування в модулі Time Series / Forecasting
За результатами заняття студент повинен знати: методологічні засади моделювання динаміки; функціональне призначення трансформацій часових рядів; складові часового ряду, особливості їх моделювання; види трендових моделей, за якими здійснюється екстраполяція виявлених закономірностей розвитку; уміти: перевіряти часовий ряд на стаціонарність; вимірювати автокореляції і кроскореляції часових рядів; обгрунтовувати вид трендової моделі; визначати прогнози соціально-економічних явищ на основі трендових моделей; оцінювати адекватність моделей реальним процесам і точність прогнозів; використовувати процедури модуля Time Series / Forecasting системи Statistica для аналізу характера динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Боровиков И.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2000.
ЗАНЯТТЯ 7-8Тема 6. Моделювання процесів з ефектом насичення
План заняття: 1. Моделювання процесів з насиченням за допомогою S-функцій: модифікованої експоненти, логістичної кривої, кривої Гомперца в модулі „Nonlinear estimation” системи Statistica
За результатами заняття студент повинен знати: методологічні засади моделювання повних циклів; аналітичні можливості S-функцій; особливості моделювання процесів з ефектом насиченням; уміти: обгрунтовувати вид моделі; визначати прогнози соціально-економічних явищ на основі S-функцій; оцінювати адекватність моделей реальним процесам і точність прогнозів; використовувати процедури модуля Nonlinear Estimation.
Фахові компетенції, що формуються за результатами заняття: Здатність до навчання Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
ЗАНЯТТЯ 9-10Тема 7. Адаптивні моделі прогнозування
План заняття: 1. Згладжування методом ковзної та експоненційної середньої 2. Вибір параметрів згладжування 3. Сезонна декомпозиція в модулі Seasonal decomposition 4. Гармонійний аналіз сезонних коливань в модулі Fourier (Spectral) Analysis
За результатами заняття студент повинен знати: методологічні основи короткострокового прогнозування; експоненційне згладжування як метод адаптивного прогнозування; елементи технічного аналізу; принципи сезонної декомпозиції часового ряду; умови використання гармонійного аналізу для моделювання періодичних коливань; уміти: визначати прогнози на основі моделі експоненційного згладжування; здійснювати сезонну декомпозицію часових рядів, коригувати прогнози на сезонність; оцінювати адекватність моделей і точність прогнозів; використовувати процедури модулів Seasonal decomposition (Census 1) і Fourier (Spectral) Analysis системи Statistica задля аналізу характера динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Боровиков И.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2000.
ЗАНЯТТЯ 11Тема 7. Інтегрована модель авторегресії та ковзної середньої (ARIMA)
План заняття: 1. Ідентифікація інтегрованої моделі авторегресії та ковзної середньої 2. Вибір параметрів і практична реалізація моделі 3. Прогнозування несезонних і сезонних процесів в модулі ARIMA
За результатами заняття студент повинен знати: методологічні основи, сферу використання та прогнозні можливості моделі ARIMA; принципи ідентифікації моделі; особливості використання моделі ARIMA для розірваного часового ряду; уміти: обирати параметри моделі ARIMA; оцінювати адекватність моделей і точність прогнозів; використовувати процедури модуля ARIMA для аналізу характеру динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков И.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2000.
ЗАНЯТТЯ 12. Написання модульної контрольної роботи
ІІ СЕМЕСТР ЗАНЯТТЯ 13Тема 9. Типи статистичних моделей взаємозв’язку
План заняття: 1. Балансова модель «витрати-випуск» 2. Багатофакторні індексні моделі 3. Використання індексних моделей для діагностики збалансованості розвитку
За результатами заняття студент повинен знати: завдання вимірювання і типи моделей взаємозв’язку; загальну схему балансової таблиці «витрати–випуск»; основні балансові співвідношення таблиці і сферу їх використання; логічну основу і принципи побудови багатофакторних індексних моделей; уміти: на основі балансової таблиці «витрати – випуск» аналізувати взаємозв‘язки між видами економічної діяльності, виявляти найважливіші економічні пропорції; застосовувати багатофакторні індексні моделі в аналізі економічних явищ і процесів, для діагностики збалансованості розвитку.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 14Тема 9. Типи статистичних моделей взаємозв’язку. Класична регресія План заняття: 1. Зміст і оцінювання параметрів регресійної моделі 2. Формування ознакового простору моделей 3. Регресійне моделювання та прогнозування в інтегрованій системі обробки даних Statistica. Модуль Multiple regression.
За результатами заняття студент повинен знати: сутність, завдання та аналітичні можливості регресійних моделей; логічні і математико-статистичні передумови регресійного аналізу; аналітичні можливості реалізованого в системі Statistica модуля Multiple Regression; уміти: відповідно до мети статистичного дослідження формувати інформаційну базу регресійної моделі; реалізувати регресійну модель складних соціально-економічних явищ з використанням процедур модуля Multiple Regression; аналізувати параметри моделі і на їх основі обґрунтовувати управлінські рішення.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998.
ЗАНЯТТЯ 15-17Тема 10. Забезпечення адекватності регресійних моделей
План заняття: 1. Оцінка адекватності моделей реальному процесу. Аналіз залишків 2. Оцінка ступеня використання об’єктивних можливостей та резервів на основ регресійних моделей 3. Прогнозування на основі регресійних моделей.
За результатами заняття студент повинен знати: методологічні підходи до оцінювання адекватності регресійної моделі; умови забезпечення адекватності моделі; процедури перевірки сукупності на однорідність і залишків – на незалежність; уміти: оцінювати адекватність моделі, перевіряти дотримання умов мультиколінеарності та гомоскедатичності; на основі регресійної моделі оцінювати ступінь використання об’єктивних можливостей об’єктів моделювання та невикористаних резервів розвитку.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998.
ЗАНЯТТЯ 18-20Тема 11. Адаптація регресійних моделей до соціально-економічноїінформації
План заняття: 1. Регресія на змішаних факторних множинах 2. Dummy-змінні, їх властивості. 3. Адаптація регресійної моделі до неоднорідних сукупностей 4. Специфікація моделі, формування її інформаційної бази 5. Поєднання моделей регресійного і дисперсійного аналізу 6. Модель стандартизованих групувань.
За результатами заняття студент повинен знати: правила введення в модель dummy-змінних; умови адаптації регресійної моделі до неоднорідної сукупності, зміст змінних взаємодії; особливості регресії на групуваннях; необхідність стандартизації ефектів впливу; уміти: здійснювати специфікацію регресійної моделі; адаптувати модель до неоднорідної сукупності; за допомогою dummy-змінних відображати в моделі злами тенденцій розвитку; визначати стандартизовані ефекти впливу.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998.
ЗАНЯТТЯ 21-22Тема 12. Багатофакторні динамічні моделі
План заняття: 1. Подубова багатофакторних динамічних моделей з врахування запізнення впливу та динамічної взаємодії 2. Оцінка адекватності моделей динаміки, критерій Дарбіна-Ватсона 3. Прогнозування на основі динамічних моделей. Оцінка точності прогнозів 4. Динамізація просторових моделей 5. Аналітичні можливості і прогнозування на основі панельних моделей
За результатами заняття студент повинен
знати: особливості моделювання взаємозв’язаних часових рядів; природу часових лагів і умови їх використання в регресійних моделях; переваги і недоліки формування інформаційної бази моделей об’єднанням динамічних і просторових рядів; уміти: відповідно до мети статистичного дослідження і наявної інформації обирати тип багатофакторної динамічної моделі; формувати інформаційну базу моделі; моделювати динамічні процеси на основі панельних даних; оцінювати адекватність динамічних моделей і точність прогнозів.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 23Тема 12. Багатофакторні динамічні моделі План заняття: 1. Побудова нелінійних регресійних моделей. Модифікації степеневих моделей 2. Виробничі функції і функції споживання 3. Оцінка впливу екстенсивних та інтенсивних факторів на економічний розвиток.
За результатами заняття студент повинен знати: сутність і сферу використання нелінійних динамічних моделей; аналітичні властивості виробничих функцій; уміти: застосовувати степеневі функції для описування закономірностей розвитку об’єктів моделювання; на основі виробничої функції оцінювати внесок екстенсивних й інтенсивних факторів в економічний розвиток;
Фахові компетенції, що формуються за результатами заняття: Здатність до аналізу і синтезу Дослідницькі навики і уміння Здатність застосовувати знання на практиці.
Рекомендована література:
ЗАНЯТТЯ 24--25Тема 13. Моделі компонентного аналізу План заняття: 1. Формування інформаційної бази і етапи побудови моделі головних компонент 2. Декомпозиція сумарної варіації, оцінка адекватності моделі 3. Оцінювання та змістовна інтерпретація головних компонент 4. Аналітичні можливості модуля Principial components 5. Канонічна кореляція.
За результатами заняття студент повинен знати: сутність та сферу використання компонентного аналізу; логіку та етапи вимірювання латентних явищ; правила виокремлення та ідентифікації головних компонент; аналітичні можливості реалізованих в системі Statistica модулів факторного аналізу, зокрема, Principial components; уміти: відповідно до мети статистичного дослідження формувати інформаційну базу моделі головних компонент; оцінювати рівень факторизації моделі; ідентифікувати виокремлені головні компоненти; визначати індивідуальні значення компонент в межах досліджуваної сукупності; застосовувати моделі головних компонент в дослідженнях взаємозв’язків та тенденцій розвитку.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.2).
ЗАНЯТТЯ 26. Написання модульної контрольної роботи
ЗАНЯТТЯ 27-28Тема 14. Структурнемоделювання причинних комплексів План заняття: 1. Побудова графів зв’язку і на їх основі моделей у вигляді системи рівнянь 2. Проблеми ідентифікації моделей одночасних рівнянь 3. Прогнозування на основі системи одночасних рівнянь 4. Суть і принципи побудови рекурентної моделі; 4. Використання рекурентних моделей для машинної імітації та прогнозування 5. Інструменти структурного моделювання в системі Statistica
За результатами заняття студент повинен знати: логіку структурного моделювання взаємозв’язків у складних системах; особливості одночасних і рекурентних систем рівнянь; сутність і правила перевірки ідентифікації моделей; методи оцінювання параметрів надідентифікованих одночасних рівнянь; програмне забезпечення структурного моделювання в системі Statistica; аналітичні можливості рекурентних моделей; уміти: відповідно до мети статистичного дослідження формувати інформаційну базу моделі і описувати взаємозв’язки в складних системах графічно або таблично; перевіряти ідентифікованість системи рівнянь; вибирати метод оцінювання параметрів моделі; оцінювати параметри моделі і тестувати адекватність її реальним процесам за процедурами структурного моделювання, реалізованими в модулі Sepath.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998. 4.3. ПЛАНИ КОНТАКТНИХ ЗАНЯТЬ студентів заочної форми навчання,
ЗАНЯТТЯ 1
План заняття: 1. Формування масивів інформації для моделювання реальних об’єктів 2. Прогнозна екстраполяція 3. Моделювання поновлюваних (рухливих) сукупностей 4. Уніфікація типів ознак, відтворення пропущених даних 5. Метод експертних оцінок в моделюванні та прогнозуванні 6. Формування інформаційної бази моделі в системі Statistica
За результатами занять студент повинен знати: логіку прикладного статистичного моделювання і прогнозування; види статистичних моделей і прогнозів; способи відтворення пропущених даних та ідентифікації аномальних спостережень; сутність і сферу використання експертних оцінок; аналітичні можливості інтегрованої системи обробки даних Statistica; аналітичні можливості інтегрованої системи обробки даних Statistica; уміти: відповідно до мети статистичного дослідження вибирати об’єкт моделювання, визначати його просторові і часові межі; обирати адекватне програмне забезпечення, відтворювати пропущені дані; уніфікувати типи ознак; формувати інформаційну базу моделі; оцінювати узгодженість експертних висновків
Фахові компетенції, що формуються за результатами заняття: – Засвоєння основ базових знань з професії – Навики управління інформацією (уміння знаходити та аналізувати інформацію з різних джерел) – Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 2
План заняття: 1. Метод експертних оцінок в моделюванні та прогнозуванні 2. Формування інформаційної бази моделі в системі Statistica 3. Тестування сукупностей на однорідність та нормальність розподілу. 4.Розвідувальний аналіз кореляцій і крос-кореляцій 5. Однофакторний дисперсійний аналіз (Anova) 6. Розвідувальний аналіз даних за допомогою інструментів модуля Basic statistics/Tables.
За результатами заняття студент повинен знати: етапи розвідувального аналізу даних; логіку тестування сукупності на однорідність та нормальність; аналітичні можливості модуля Basic Statistics and Tables; уміти: уніфікувати типи ознак; формувати інформаційну базу моделі; оцінювати узгодженість експертних висновків; аналізувати структуру даних, оцінювати їх однорідність, ідентифікувати аномальні спостереження; оцінювати взаємозв’язки між ознаками; здійснювати розвідувальний аналіз даних в системі Statistica.
Фахові компетенції, що формуються за результатами заняття: Здатність до аналізу і синтезу Здатність працювати самостійно Дослідницькі навики і уміння.
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.1),. (В.2).
ЗАНЯТТЯ 3
План заняття: 1. Визначення рейтингів суб’єктів економічних відносин 2. Типологія на основі інтегральних оцінок 3. Ієрархічна кластерізація 4. Кластеризація методом К-середніх 5. Класифікація на основі дискримінантної функції
За результатами заняття студент повинен знати: логіку багатовимірної класифікаціЇ; види метрик, за якими здійснюється об’єднання схожих між собою об’єктів в однорідні класи; сферу використання ієрархічних агломеративних кластер-процедур; правила формування кластерів за принципом k – середніх; аналітичні можливості реалізованих в системі обробки даних Statistica модулів кластерного і дискримінантного аналізу; уміти: відповідно до мети статистичного дослідження вибирати метод багатовимірної класифікаціЇ; формувати інформаційну базу моделі; оцінювати латентні явища за допомогою інтегральних показників і застосовувати їх для порівняльного аналізу об’єктів; аналізувати структуру даних за даними кластерного і дискримінантного аналізу з використанням модулів Cluster analysis та Discriminant analysis;
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.1).
ЗАНЯТТЯ 4 -5
План занять: 1. Обґрунтування типу трендової моделі, оцінка параметрів та перевірка адекватності її реальному процесу 2. Екстраполяція тренду, визначення прогнозних рівнів і довірчих меж 3. Оцінка точності і надійності прогнозів 4. Авторегресійне прогнозування в модулі Time Series / Forecasting
За результатами заняття студент повинен знати: методологічні засади моделювання динаміки; функціональне призначення трансформацій часових рядів; складові часового ряду, особливості їх моделювання; види трендових моделей, за якими здійснюється екстраполяція виявлених закономірностей розвитку; уміти: перевіряти часовий ряд на стаціонарність; вимірювати автокореляції і кроскореляції часових рядів; обгрунтовувати вид трендової моделі; визначати прогнози соціально-економічних явищ на основі трендових моделей; оцінювати адекватність моделей реальним процесам і точність прогнозів; використовувати процедури модуля Time Series / Forecasting системи Statistica для аналізу характера динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Боровиков И.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2000.
ЗАНЯТТЯ 6
План заняття: 1. Моделювання процесів з насиченням за допомогою S-функцій: модифікованої експоненти, логістичної кривої, кривої Гомперца в модулі „Nonlinear estimation” системи Statistica
За результатами заняття студент повинен знати: методологічні засади моделювання повних циклів; аналітичні можливості S-функцій; особливості моделювання процесів з ефектом насиченням; уміти: обгрунтовувати вид моделі; визначати прогнози соціально-економічних явищ на основі S-функцій; оцінювати адекватність моделей реальним процесам і точність прогнозів; використовувати процедури модуля Nonlinear Estimation.
Фахові компетенції, що формуються за результатами заняття: Здатність до навчання Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
ЗАНЯТТЯ 7
План заняття: 1. Згладжування методом ковзної та експоненційної середньої 2. Вибір параметрів згладжування 3. Сезонна декомпозиція в модулі Seasonal decomposition 4. Гармонійний аналіз сезонних коливань в модулі Fourier (Spectral) Analysis
За результатами заняття студент повинен знати: методологічні основи короткострокового прогнозування; експоненційне згладжування як метод адаптивного прогнозування; елементи технічного аналізу; принципи сезонної декомпозиції часового ряду; умови використання гармонійного аналізу для моделювання періодичних коливань; уміти: визначати прогнози на основі моделі експоненційного згладжування; здійснювати сезонну декомпозицію часових рядів, коригувати прогнози на сезонність; оцінювати адекватність моделей і точність прогнозів; використовувати процедури модулів Seasonal decomposition (Census 1) і Fourier (Spectral) Analysis системи Statistica задля аналізу характера динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 8
План заняття: 1. Ідентифікація інтегрованої моделі авторегресії та ковзної середньої 2. Вибір параметрів і практична реалізація моделі 3. Прогнозування несезонних і сезонних процесів в модулі ARIMA
За результатами заняття студент повинен знати: методологічні основи, сферу використання та прогнозні можливості моделі ARIMA; принципи ідентифікації моделі; особливості використання моделі ARIMA для розірваного часового ряду; уміти: обирати параметри моделі ARIMA; оцінювати адекватність моделей і точність прогнозів; використовувати процедури модуля ARIMA для аналізу характеру динаміки і прогнозування.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
ЗАНЯТТЯ 9
План заняття: 1. Багатофакторні індексні моделі 2. Класична регресія 3. Регресійне моделювання та прогнозування в інтегрованій системі обробки даних Statistica. Модуль Multiple regression.
За результатами заняття студент повинен знати: завдання вимірювання і типи моделей взаємозв’язку; загальну схему балансової таблиці «витрати–випуск»; основні балансові співвідношення таблиці і сферу їх використання; логічну основу і принципи побудови багатофакторних індексних моделей; сутність, завдання та аналітичні можливості регресійних моделей; логічні і математико-статистичні передумови регресійного аналізу; аналітичні можливості реалізованого в системі Statistica модуля Multiple Regression; уміти: на основі балансової таблиці «витрати – випуск» аналізувати взаємозв‘язки між видами економічної діяльності, виявляти найважливіші економічні пропорції; застосовувати багатофакторні індексні моделі в аналізі економічних явищ і процесів, для діагностики збалансованості розвитку; відповідно до мети статистичного дослідження формувати інформаційну базу регресійної моделі; реалізувати регресійну модель складних соціально-економічних явищ з використанням процедур модуля Multiple Regression; аналізувати параметри моделі і на їх основі обґрунтовувати управлінські рішення. Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 10
План заняття: 1. Оцінка адекватності моделей реальному процесу. Аналіз залишків 2. Оцінка ступеня використання об’єктивних можливостей та резервів на основ регресійних моделей 3. Прогнозування на основі регресійних моделей.
За результатами заняття студент повинен знати: методологічні підходи до оцінювання адекватності регресійної моделі; умови забезпечення адекватності моделі; процедури перевірки сукупності на однорідність і залишків – на незалежність; уміти: оцінювати адекватність моделі, перевіряти дотримання умов мультиколінеарності та гомоскедатичності; на основі регресійної моделі оцінювати ступінь використання об’єктивних можливостей об’єктів моделювання та невикористаних резервів розвитку.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
ЗАНЯТТЯ 11-12
План заняття: 1. Регресія на змішаних факторних множинах 2. Dummy-змінні, їх властивості. 3. Адаптація регресійної моделі до неоднорідних сукупностей 4. Специфікація моделі, формування її інформаційної бази 5. Поєднання моделей регресійного і дисперсійного аналізу 6. Модель стандартизованих групувань.
За результатами заняття студент повинен знати: правила введення в модель dummy-змінних; умови адаптації регресійної моделі до неоднорідної сукупності, зміст змінних взаємодії; особливості регресії на групуваннях; необхідність стандартизації ефектів впливу; уміти: здійснювати специфікацію регресійної моделі; адаптувати модель до неоднорідної сукупності; за допомогою dummy-змінних відображати в моделі злами тенденцій розвитку; визначати стандартизовані ефекти впливу.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998.
ЗАНЯТТЯ 13
План заняття: 1. Подубова багатофакторних динамічних моделей з врахування запізнення впливу та динамічної взаємодії 2. Оцінка адекватності моделей динаміки, критерій Дарбіна-Ватсона 3. Прогнозування на основі динамічних моделей. Оцінка точності прогнозів 4. Динамізація просторових моделей 5. Аналітичні можливості і прогнозування на основі панельних моделей
За результатами заняття студент повинен
знати: особливості моделювання взаємозв’язаних часових рядів; природу часових лагів і умови їх використання в регресійних моделях; переваги і недоліки формування інформаційної бази моделей об’єднанням динамічних і просторових рядів; уміти: відповідно до мети статистичного дослідження і наявної інформації обирати тип багатофакторної динамічної моделі; формувати інформаційну базу моделі; моделювати динамічні процеси на основі панельних даних; оцінювати адекватність динамічних моделей і точність прогнозів.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
ЗАНЯТТЯ 14
План заняття: 1. Побудова нелінійних регресійних моделей. Модифікації степеневих моделей 2. Виробничі функції і функції споживання 3. Оцінка впливу екстенсивних та інтенсивних факторів на економічний розвиток.
За результатами заняття студент повинен знати: сутність і сферу використання нелінійних динамічних моделей; аналітичні властивості виробничих функцій; уміти: застосовувати степеневі функції для описування закономірностей розвитку об’єктів моделювання; на основі виробничої функції оцінювати внесок екстенсивних й інтенсивних факторів в економічний розвиток;
Фахові компетенції, що формуються за результатами заняття: Здатність до аналізу і синтезу Дослідницькі навики і уміння Здатність застосовувати знання на практиці.
Рекомендована література:
ЗАНЯТТЯ 15--16
План заняття: 1. Формування інформаційної бази і етапи побудови моделі головних компонент 2. Декомпозиція сумарної варіації, оцінка адекватності моделі 3. Оцінювання та змістовна інтерпретація головних компонент 4. Аналітичні можливості модуля Principial components
За результатами заняття студент повинен знати: сутність та сферу використання компонентного аналізу; логіку та етапи вимірювання латентних явищ; правила виокремлення та ідентифікації головних компонент; аналітичні можливості реалізованих в системі Statistica модулів факторного аналізу, зокрема, Principial components; уміти: відповідно до мети статистичного дослідження формувати інформаційну базу моделі головних компонент; оцінювати рівень факторизації моделі; ідентифікувати виокремлені головні компоненти; визначати індивідуальні значення компонент в межах досліджуваної сукупності; застосовувати моделі головних компонент в дослідженнях взаємозв’язків та тенденцій розвитку.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння
Рекомендована література:
Янковой А.Г. Многомерный анализ в системе Statistica: Учебн. пос. – Вип. 1,2. – Одесса: Optimum. – 2001. – (В.2).
ЗАНЯТТЯ 17
План заняття: 1. Побудова графів зв’язку і на їх основі моделей у вигляді системи рівнянь 2. Проблеми ідентифікації моделей одночасних рівнянь 3. Прогнозування на основі системи одночасних рівнянь 4. Суть і принципи побудови рекурентної моделі; 4. Використання рекурентних моделей для машинної імітації та прогнозування 5. Інструменти структурного моделювання в системі Statistica
За результатами заняття студент повинен знати: логіку структурного моделювання взаємозв’язків у складних системах; особливості одночасних і рекурентних систем рівнянь; сутність і правила перевірки ідентифікації моделей; методи оцінювання параметрів надідентифікованих одночасних рівнянь; програмне забезпечення структурного моделювання в системі Statistica; аналітичні можливості рекурентних моделей; уміти: відповідно до мети статистичного дослідження формувати інформаційну базу моделі і описувати взаємозв’язки в складних системах графічно або таблично; перевіряти ідентифікованість системи рівнянь; вибирати метод оцінювання параметрів моделі; оцінювати параметри моделі і тестувати адекватність її реальним процесам за процедурами структурного моделювання, реалізованими в модулі Sepath.
Фахові компетенції, що формуються за результатами заняття: Здатність працювати самостійно Здатність до аналізу і синтезу Дослідницькі навики і уміння.
Рекомендована література:
Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows. – М.: Информационно-издательский дом «Филинъ», 1998.
4.4. ПЛАНИ НАВЧАЛЬНОЇ РОБОТИ студентів заочної форми навчання в міжсесійний період
* За рішенням кафедри студентам, які брали участь у позанавчальній науковій діяльності — участь у конференції, підготовці наукових публікацій тощо — можуть присуджуватись додаткові бали за поточну успішність, але не більше 10 балів.
5. САМОСТІЙНА РОБОТА СТУДЕНТІВ Метою самостійної роботи студентів є засвоєння в повному обсязі навчального матеріалу, передбаченого даною Робочою програмою, та послідовне формування у студентів самостійності як риси характеру, що відіграє суттєву роль у формуванні сучасного професіонала з прикладної статистики. Організація самостійної роботи студентів регулюється Положенням «Про організацію самостійної та індивідуально-консультативної роботи студентів і викладачів», затвердженим наказом ректора №1032 від 27.12.2012 року. Самостійна робота студентів з науки (дисципліни) «Статистичне моделювання та прогнозування» включає:
Індивідуальні завдання є однією з форм самостійної роботи студентів, яка передбачає створення умов для реалізації творчих можливостей студентів і має на меті поглиблення, узагальнення та закріплення знань, які студенти одержують в процесі навчання, а також застосування цих знань на практиці. Згідно тематичного плану робочої програми науки (дисципліни) «Статистичне моделювання та прогнозування» до індивідуальних завдань належать:
Індивідуальні завдання виконуються студентами самостійно. В окремих випадках, коли завдання мають комплексний характер, до їх виконання залучаються кілька студентів (3-4 особи). Відповідно до «Положення про організацію самостійної та індивідуально-консультативної роботи студентів і викладачів» від 20.12.2012 року перелік завдань для самостійної роботи студентів включається до «Карти самостійної роботи студента»
Довідкова інформація:
6. ПОТОЧНИЙ І ПІДСУМКОВИЙ КОНТРОЛЬ ЗНАНЬ 6.1. Очна форма навчання Карта самостійної роботи студента студента з науки (дисципліни) __Статистичне моделювання та прогнозування__ 7 семестр
* Види семінарських (практичних, лабораторних занять) затверджуються робочою навчальною програмою науки (дисципліни). ** Кількість модульних (контрольних) робіт з однієї науки (дисципліни) визначає кафедра. За семестр не повинно проводитись більше 2-х модульних (контрольних) робіт.
8 семестр
Очна форма навчання
* Види семінарських (практичних, лабораторних занять) затверджуються робочою навчальною програмою науки (дисципліни). ** Кількість модульних (контрольних) робіт з однієї науки (дисципліни) визначає кафедра. За семестр не повинно проводитись більше 2-х модульних (контрольних) робіт.
Порядок поточного і підсумкового оцінювання знань з науки (дисципліни)
Дисципліна “Статистичне моделювання та прогнозування” вивчається протягом 2-х семестрів з підсумковим контролем в кожному з них у формі іспиту. Другий іспит є підсумковим і має статус державного. Максимальна кількість балів ПМК – 50 (у кожному семестрі), іспиту – 50 (в кожному семестрі), підсумкова оцінка максимум – 100 балів. Поточна успішність оцінюється в діапазоні від 0 до 50 балів і охоплює: а) індивідуальну та колективну роботу на практичних заняттях - max 30 балів за семестр; б) виконання модульних завдань - max 10 балів; в) виконання обовязкових завдань для самостійного опрацювання – 5 балів; г) виконання завдань для самостійного опрацювання за вибором студента -5 балів. Згідно з навчальним планом протягом кожного семестру передбачається проведення 14 практичних занять (28 години), з них 6 в аудиторії, 6 – у комп’ютерному класі, 2 – модульний контроль.
Студент має можливість отримати: а) За індивідуальну та колективну роботу на практичних заняттях. «Ціна» одного заняття в аудиторії 2 бали, в комп’ютерному класі – 3, разом 30 балів
б) протягом семестру студенти мають виконати дві модульних (контрольних) роботи, кожна з яких оцінюється таким чином:
При виконанні завдань для самостійного опрацювання (обовязкові і вибіркові) з використанням комп’ютерних технологій кожне завдання оцінюється таким чином:
Підсумковий контроль
Підсумковий контроль здійснюється у формі іспиту – max 50 балів. Сумарна максимальна кількість балів - 100. Переведення даних 100-бальної шкали оцінювання в 4-х бальну та шкалу ECTS здійснюється за стандартним порядком:
Критерії оцінки знань студентів на іспиті Підсумкове оцінювання знань студентів з дисципліни здійснюється під час екзаменаційної сесії. Іспит проводиться у письмовій формі протягом 2 академічних годин. Екзаменаційний білет містить п’ять завдань-задач. Кожне завдання екзаменаційного білету оцінюється окремо за шкалою: 10; 8; 6; 0 балів. Для оцінювання результатів розв'язку задач студентом використовуються такі критерії: - відмінний рівень (10 балів) означає арифметичний розв'язок задачі, обґрунтування методики розв'язку та змістовна інтерпретація отриманих результатів; - достатній рівень (8 балів) – означає арифметичний розв'язок задачі та змістовна інтерпретація отриманих результатів без обґрунтування методики розрахунку; - задовільний рівень (6 балів) означає арифметичний розв'язок задачі без обґрунтування методики розрахунку та відсутність інтерпретації кінцевих результатів; - незадовільний рівень (0 балів) - відсутність розрахунків або невірна відповідь.
6.2. ЗАОЧНА ФОРМА НАВЧАННЯ
Карта самостійної роботи студента 7 семестр
8 семстр
Порядок поточного і підсумкового оцінювання знань з науки
Дисципліна “Статистичне моделювання та прогнозування” вивчається протягом 2-х семестрів з підсумковим контролем в кожному з них у формі іспиту. Другий іспит є підсумковим і має статус державного. Максимальна кількість балів ПМК – 50 (у кожному семестрі), іспиту – 50 (в кожному семестрі), підсумкова оцінка максимум – 100 балів.
Поточна успішність кожному семестрі оцінюється в діапазоні від 0 до 50 балів: а) експрес-контроль на міні-лекції – 6 балів; б) семінар-вирішення ситуаційних вправ (5 занять по 1 балу) - max 5 балів. в) тестовий контроль знань або виконання практичних завдань (5 занять по 1 балу) - max 5 балів; г) поточний модульний контроль (всього 4 задачі, з них 2 по 4 бали і 2 по 3 бали), разом 14 балів. Семінар-вирішення ситуаційних вправ та експрес-контроль на міні-лекції оцінюються:
Індивідуальна та колективна робота на контактних заняттях
Виконання самостійної контрольної роботи – max 10 балів. Виконання індивідуальних робіт за вибором з презентацією – max 10 балів. Підсумкове оцінювання знань студентів з дисципліни здійснюється під час екзаменаційної сесії. Іспит проводиться у письмовій формі протягом двух академічних годин. Екзаменаційний білет містить 5 завдань-задач. Кожне завдання екзаменаційного білету оцінюється окремо за шкалою: 10; 8; 6; 0 балів.
6.3. ПРИКЛАДИ ТИПОВИХ ЗАВДАНЬ, ЩО ВИНОСЯТЬСЯ НА ЕКЗАМЕН
1. За даними поквартальної динаміки експорту високотехнологічної продукції і ліцензій (млн.USD) складено прогноз на період упередження v =1, 2,3. Використовуючи похибку апроксимації, порівняйте точність прогнозів, зробіть висновок.
За допомогою критерію Граббса перевірте однорідність гірничо-збагачувальних підприємств за ціною і собівартістю концентрату. Висновок зробіть з імовірністю 0,95
Перевірте узгодженість розподілу сільськогосподарських підприємств за урожайністю винограду з нормальним розподілом за допомогою критерія Пірсона c2. Висновок зробіть з імовірністю 0,95.
4. З метою збільшення податкових надходжень до бюджету експерти пропонують три стратегії поведінки щодо збиткових підприємств: А – документальна перевірка, Б – консультування, В – порушення справи про банкрутство. За даними матриці переваг, наданих експертами кожній стратегії, ранжуйте їх за вагомістю. Зробіть висновки.
5. На основі параметрів податкового навантаження розрахована матриця відстаней між регіонами. Використовуючи ієрархічну кластер-процедуру (алгоритм одиничного зв’язку), здійсніть класифікацію регіонів за рівнем податкового навантаження, побудуйте дендрограму:
6. Групи респондентів здійснили ранжування дестабілізуючих факторів економіки:
Оцініть ступінь узгодженості думок респондентів, висновок зробіть з імовірністю 0,95. 7. За даним про приток води в шахту (м3/год) і кількості метану на 1 т середньомісячного видобутку вугілля (м3) шахти поділяються на дві групи: перша об’єднує шахти з безпечними умовами праці, друга - з небезпечними. Дискримінантна функція класифікації шахт за рівнем безпеки праці має вигляд: f = 0,42 a1 + 2,05 a2. Визначте центроїди груп та процедуру класифікації шахт; класифікуйте нові шахти за наведеними даними:
8. Використовуючи основне рівняння оновлення, визначте, скільки об’єктів необхідно ввести в експлуатацію через 1-6 років в умовах простого відтворення, якщо термін їхньої служби три роки, а імовірність вибуття становить: Р1=0,2; Р2=0,3; Р3=0,5.
Використовуючи метод експоненційного згладжування (а = 0,2), визначте прогнозний рівень біржової ціни акції на понеділок наступного тижня. 10. Сезонність дорожньо-транспортних пригод описується моделлю гармонійного аналізу (перша гармоніка) Yt = 46 - 11,1 cos t + 5,7 sin t. Оцініть адекватність моделі реальному процесу, якщо загальна варіація помісячних даних характеризується дисперсією s2 = 97,3.
11. Динаміка чистого прибутку банку залежить від розміру активів, прибутковості активів та структури доходів від активних операцій, яка представлена часткою чистого прибутку в доходах від операцій. За поточний квартал чистий прибуток банку збільшився з 200 до 209 тис. грн. Визначте абсолютний вплив зазначених факторів на динаміку чистого прибутку.
12. Залежність споживання яловичини ( кг на душу населення за рік) від ціни P та середньодушового доходу D (грн.) характеризується коефіцієнтами регресії:
Середній рівень споживання яловичини – 24 кг. Порівняйте ефекти впливу факторів.
13. Регресійна модель урожайності зернових культур має вигляд: У = - 4,82 + 0,073х1 + 2,89 х2 + 0,47 х3 + 0,48 х4 Факторні ознаки : х1 – якість грунту, балів; х2 – кількість мінеральних добрив, внесених на 1 га зернових, ц діючої речовини; х3 – вартість силових і робочих машин на 100 га ріллі, тис. грн.; х4 – трудозабезпеченість (кількість середньорічних працівників на 100 га сільськогосподарських угідь), чол. Визначте резерви підвищення урожайності зернових в групі аутсайдерів сільськогосподарського виробництва, за умови, що включені в модель фактори будуть довести до рівня лідерів сучасної агрокультури.
14. У таблиці подано бета-коефіцієнти рекурентної моделі, яка описує залежність питомих витрат нафтопродуктів на транспорті (х5).
В модель включені фактори: х1 – частка автомобільного транспорту в сумарному вантажообороті; х2 – співвідношення вантажообороту автомобільного транспорту і ВВП; х3 – споживання нафтопродуктів на одиницю ВВП; х4 – частка світлих нафтопродуктів у загальному обсязі продукції нафтопереробки. На основі частинних бета- коефіцієнтів рекурентної моделі обчислить повні, поясніть їх зміст.
15. За наведеними даними визначте темпи приросту ВНП кожної країни, оцініть вплив на динаміку ВНП екстенсивних та інтенсивних факторів.
20. Компонентний аналіз розвитку соціальної інфраструктури міста здійснено за даними динамічних рядів показників: х1 – забезпеченість населення міста житлом; х2 – частка комплексно упорядженого житла; х3 – забезпеченість телефонними апаратами на 1000 мешканців; х4 - надання побутових послуг на 1000 мешканців; х5 – обсяг роздрібного товарообороту на одного мешканця. Виокремлено дві головні компоненти, факторні навантаження яких становлять:
Визначте внесок кожної компоненти в сумарну дисперсію. Оцініть ступінь факторизації моделі.
16. Динаміка біржових цін акцій компанії на торгах минулого тижня характеризується даними:
Використовуючи метод експоненційного згладжування (а = 0,2), визначте прогнозний рівень біржової ціни акції на понеділок наступного тижня. 18. Визначте рейтинги країн за рівнем економічного розвитку. Обгрунтуйте вибір узагальнюючої оцінки, класифікуйте показники на стимулятори і дестимулятори.
19. Компонента, яку можна ідентифікувати як рівень злочинності, навантажує чотири показники. За нормованими значеннями показників в одному з регіонів оцініть: а) рівень злочинності в регіоні; б) повноту факторизації моделі. Зробіть висновки.
8.4. Зразок екзаменаційного білета 7 семестр
Державний вищий навчальний заклад «Київський національний економічний університет імені Вадима Гетьмана» Освітньо-кваліфікаційний рівень «Бакалавр» Напрям підготовки «Прикладна статистика» Семестр 7 Навчальна дисципліна «Статистичне моделювання та прогнозування»
Екзаменаційний білет №_____
2. Групи респондентів здійснили ранжування дестабілізуючих факторів економіки:
Оцініть ступінь узгодженості думок респондентів, висновок зробіть з імовірністю 0,95. 3. За допомогою таксономічного показника оцініть рівень розвитку малого підприємництва в регіонах. В таблиці наведено стандартизовані значення показників: х1 – кількість малих підприємств на 10 000 наявного населення; х2 – середньомісячна заробітна плата одного найманого працівника; х3 – обсяг валових капітальних інвестицій.
4. За результатами дискримінантного аналізу фінансової стійкості туристичного комплексу (стійкий стан, нестійкий стан) отримали дискримінантну функцію на двох ознаках: f = -11,03 + 18,12х1 + 6,25 х2 Класифікуйте, до якого класу слід віднести новий об’єкт за умови, що значення класифікаційних ознак становлять:
5. Тенденція поквартальної реалізації безалкогольних напоїв (млн. дкл.) за останні два роки описується лінійним трендом: Y = 86,0 + 0,13 t, де t =1,2,…7. Визначте прогнозні рівні реалізації безалкогольних напоїв на кожний квартал наступного року, скоригувавши їх на сезонність: для 1-го кварталу – 68 %; для 2-го – 140 %; для 3-го – 122 %; для 4-го – 70 %.
Затверджено на засіданні кафедри статистики. Протокол №____від «____»____________20___року
Завідувач кафедри_________________________________ _________________________ (підпис) (прізвище та ініціали) Екзаменатор___________________ ________________________ (підпис) (прізвище та ініціали) Зразок екзаменаційного білета 8 семестр
Державний вищий навчальний заклад «Київський національний економічний університет імені Вадима Гетьмана» Освітньо-кваліфікаційний рівень «Бакалавр» Напрям підготовки «Прикладна статистика» Семестр 8 Навчальна дисципліна «Статистичне моделювання та прогнозування»
Екзаменаційний білет №_____ 1. Питомі витрати умовного палива на виробництво електроенергії коливаються протягом року. Ці коливання описуються моделлю гармонійного аналізу; за останні два роки параметри моделей становили:
Для кожного року визначте амплітуду сезонних коливань, зробіть висновок, як змінилася сезонність. 2. Регресійна модель продуктивності праці (тис. грн./працюючих) має вигляд: Y = -3,42 + 0,32 х1 - 6,36 х2 + 0,18 х3 , де х1 – ступінь завантаженості устаткування; х2 – оборотність матеріальних запасів; х3 – електроозброєність праці. Для конкретних підприємств визначте ступінь використання об’єктивних можливостей виробництва:
3. За даними про темпи приросту та еластичність фондоозброєності праці в різних галузях промисловості визначте темпи приросту продуктивності праці, а також вплив на динаміку продуктивності праці екстенсивних та інтенсивних факторів.
4. В таблиці подано бета-коефіцієнти рекурентної моделі, яка описує залежність питомих витрат нафтопродуктів на транспорті (х5). В модель включені фактори: х1 – частка автомобільного транспорту в сумарному вантажообороті; х2 – співвідношення вантажообороту автомобільного транспорту і ВВП; х3 – споживання нафтопродуктів на одиницю ВВП; х4 – частка світлих нафтопродуктів у загальному обсязі продукції нафтопереробки.
На основі частинних бета- коефіцієнтів рекурентної моделі обчислить повні, поясніть їх зміст. 5. За наведеними даними оцініть: а) повноту факторизації моделі; б) рівень економіного розвитку двох країн. Зробіть висновки.
Затверджено на засіданні кафедри статистики. Протокол №____від «____»____________20___року
Завідувач кафедри_________________________________ _________________________ (підпис) (прізвище та ініціали) Екзаменатор___________________ ________________________ (підпис) (прізвище та ініціали)
9. РЕКОМЕНДОВАНА ЛІТЕРАТУРА
КомментарииКомментариев пока нет Пожалуйста, авторизуйтесь, чтобы оставить комментарий. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||