Результативность основных информационных критериев при выборе лучшей модели краткосрочного экономического прогнозирования

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Любая теория базируется на некотором аксиоматическом ядре, в которое включаются аксиомы и постулаты. К последним относят выводы и результаты других теорий или разделов наук, которые в данной теории принимаются без доказательства. К таким постулатам, принятым в современном экономическом прогнозировании, относят информационные критерии, с помощью которых выбирают лучшую прогнозную модель из множества конкурирующих. Чаще всего прогнозисты используют два основных критерия — Акаике и Шварца. В статье на примере краткосрочного прогнозирования 120 различных рядов данных с помощью авторегрессий AR(p) показывается, что на практике этот инструмент работает не так хорошо, как ожидается. Альтернативой информационным критериям может выступить критерий, основанный на байесовской проверке гипотез, излагаемый в статье. Этот критерий включает информацию о правдоподобии описания априорных и апостериорных данных, перекрестный учет которых соответствует байесовскому выбору. Сравнительный анализ применения информационных критериев и нового критерия, результаты которого приведены в статье, свидетельствует в пользу последнего критерия, который и рекомендуется применять на практике.

Полный текст

Доступ закрыт

Об авторах

С. Г. Светуньков

Санкт-Петербургский политехнический университет Петра Великого

Автор, ответственный за переписку.
Email: sergey@svetunkov.com
Россия, Санкт-Петербург

Список литературы

  1. Аистов А. В., Николаева Т. П. (2019). Гипотеза о стимулирующем воздействии туризма на ВВП // Прикладная эконометрика. Т. 56. С. 5–24. [Aistov A. V., Nikolaeva T. P. (2019). Hypothesis about the stimulating impact of tourism on GDP. Applied Econometrics, 56, 5–24 (in Russian).]
  2. Светуньков И. С., Светуньков С. Г. (2024). Методы и модели социально-экономического прогнозирования. Учебник и практикум для академического бакалавриата. Т. 1. «Теория и методология прогнозирования». М.: Издательство Юрайт. 351 с. [Svetunkov I. S., Svetunkov S. G. (2024). Methods and models of socio-economic forecasting. Textbook and practical training for the academic bachelor’s degree. Vol. 1. Theory and methodology of forecasting. Moscow: Yurait Publishing House. 351 p. (in Russian).]
  3. Светуньков С. Г. (2023). К вопросу о выборе лучшей прогнозной модели. В сб.: «Фундаментальные и прикладные исследования в области управления, экономики и торговли». Сборник трудов Всероссийской научно-практической и учебно-методической конференции. Санкт-Петербург, 15–19 мая 2023 года. Часть 2. С. 258–266. [Svetunkov S. G. (2023). On the issue of choosing the best forecast model. In: “Fundamental and applied research in management, economics and trade”. Collection of proceedings of the All-Russian scientific, practical and educational conference. St. Petersburg, May 15–19, 2023. Part 2, 258–266 (in Russian).]
  4. Тимофеев В. С., Фаддеенков А. В., Щеколдин В. Ю. (2015). Эконометрика. Учебник. Новосибирск: Изд-во НГТУ. 354 с. [Timofeev V. S., Faddeenkov A. V., Shchekoldin V.Yu. (2015). Econometrics: Textbook. Novosibirsk: NSTU Publishing House. 354 p. (in Russian).]
  5. Akaike H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19, 6, 716–723.
  6. Akaike H. (1973). Information theory as an extension of the maximum likelihood principle. Second International Symposium on Information Theory. Edited by B. N. Petrov and F. Csaki. Budapest: Akademiai Kiado, 267–281.
  7. Berrar D. (2019). Cross-validation. In: “Encyclopedia of Bioinformatics and Computational Biology”. Reference module in Life Sciences, 1. Amsterdam: Elsevier, 542–545. doi: 10.1016/B978-0-12-809633-8.20349-X
  8. Degiannakis S., Filis G., Klein T., Walther T. (2022). Forecasting realized volatility of agricultural commodities. International Journal of Forecasting, 38, 1, 74–96.
  9. Emmert-Streib F., Liu J., Cherifi H., Kauffman S., Yli-Harja O. (2024). Moving beyond simulation and learning: Unveiling the potential of complexity data science. PLOS Complex Systems, 1 (2). doi: 10.1371/journal.pcsy.0000002
  10. Gilliand M. (2020). The value added by machine learning approaches in forecasting. International Journal of Forecasting, 36, 1, 161–166.
  11. Gold C. (2020). Fighting churn with data. N.Y.: Manning Publications. 504 p.
  12. Knafl G. J., Ding K. (2016). Adaptive regression for modeling nonlinear relationships. Springer International Publishing. 375 p.
  13. Knuppel M. (2014). Efficient estimation of forecast uncertainty based on recent forecast errors. International Journal of Forecasting, 30, 2, 257–267.
  14. Kolassa S. (2020). Will deep and machine learning solve our forecasting problems? Foresight, 57, Spring, 13–18.
  15. Makridakis S., Hibon M. (2000). The M3-competition: Results, conclusions and implications. International Journal of Forecasting, 16, 451–476.
  16. Mills T. C. (2019). Applied time series analysis: A practical guide to modeling and forecasting. London: Elsevier Science. 354 p.
  17. Ord K., Fildes R., Kourentzes N. (2017). Principles of business forecasting. N.Y.: Wessex Press, Inc. 544 p.
  18. Pritularga K. F., Svetunkov I., Kourentzes N. (2021). Stochastic coherency in forecast reconciliation. International Journal of Production Economics, 240 (7), 108221. doi: 10.1016/j.ijpe.2021.108221
  19. Schwarz G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6, 2, 461–464.
  20. Shaikh A. A., Irfan Ali A. A., Cárdenas-Barrón L.E. (2021). Optimal decision making in operations research and statistics: Methodologies and applications. Abingdon: CRC Press. 434 p.
  21. Shittu O. I. (2009). Comparison of criteria for estimating the order of autoregressive process: A Monte Carlo approach. European Journal of Scientific Research, 30, 3, 409–416.
  22. Svetunkov S., Svetunkov I. (2024). On the issue of choosing the best predictive model based on Bayesian principles. In: T. C. Devezas, M. A. Berawi, S. E. Barykin, T. Kudryavtseva (eds.) “Understanding the digital transformation of socio-economic-technological systems. Lecture Notes in Networks and Systems”. Vol. 951. Cham: Springer. doi: 10.1007/978-3-031-56677-6_8
  23. Tallman E. W., Zaman S. (2017). Forecasting inflation: Phillips curve effects on services price measures. International Journal of Forecasting, 33, 2, 442–457.
  24. Weakliem D. L. (2016). Hypothesis testing and model selection in the social sciences. N.Y.: The Guilford Press. 202 p.
  25. Zhang J., Yang Y., Ding J. (2023). Information criteria for model selection. WIREs Computational Statistics, 15 (5), e1607. doi: 10.1002/wics.1607

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025