Details

Целью выпускной квалификационной работы является решение проблемы размерности матрицы коэффициентов в моделях векторной авторегрессии как эффективном способе краткосрочного прогнозирования. Методы, используемые при подготовке к исследованию и его реализации: дедукция, индукция, исторический метод, метод аналогий, анализа и синтеза. Основные результаты исследования: 1) проанализировано актуальное состояние прогностической науки на предмет многообразия моделей прогнозирования, их преимуществ и недостатков; 2) доказано, что векторные авторегрессии способны давать более точные результаты краткосрочного прогнозирования в сравнении с другими моделями; 3) доказано, что комплексные векторные авторегрессии – перспективное направление, способное обеспечить высокую точность при меньшем количестве оцениваемых коэффициентов; 4) разработана методика построения нелинейных моделей векторной авторегрессии с доказанной эффективностью; 5) обоснована и доказана эффективность замены метода оценивания параметров векторных авторегрессий минимизацией ковариационно-дисперсионной матрицы на метод поэлементного оценивания дисперсий. Область применения результатов ВКР – краткосрочное прогнозирование социально-экономических процессов. Научная новизна диссертационного исследования заключается в разработке метода формирования нелинейных векторных авторегрессий и обосновании эффективности замены метода оценивания параметров векторных авторегрессий минимизацией ковариационно-дисперсионной матрицы на метод поэлементного оценивания дисперсий.

The purpose of the graduate qualification work is to solve the problem of dimensionality of the coefficient matrix in vector autoregression models as an effective method of short-term forecasting. Methods used in preparation for the research and its implementation: deduction, induction, historical method, method of analogies, analysis and synthesis. The main results of the study: 1) the current state of prognostic science was analyzed for the variety of forecasting models, their advantages and disadvantages; 2) it is proved that vector autoregressions can give more accurate results of short-term forecasting in comparison with other models; 3) it is proved that complex vector autoregressions are a promising direction that can provide high accuracy with a smaller number of estimated coefficients; 4) a methodology for constructing nonlinear vector autoregression models with proven efficiency has been developed; 5) the efficiency of replacing the method of estimating vector autoregression parameters by minimizing the covariance-dispersion matrix with the method of element-by-element estimation of dispersions is justified and proved. The field of application of the results of the research is short-term forecasting of socio-economic processes. Scientific novelty of the dissertation research consists in the development of the method of formation of nonlinear vector autoregressions and justification of the effectiveness of replacing the method of estimating the parameters of vector autoregressions by minimizing the covariance-dispersion matrix by the method of element-by-element estimation of dispersions.