- Код статьи
- S0424738825020094-1
- DOI
- 10.31857/S0424738825020094
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 61 / Номер выпуска 2
- Страницы
- 118-127
- 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.
- Ключевые слова
- краткосрочный прогноз информационный критерий Акаике информационный критерий Шварца модель авторегрессии выбор лучшей модели прогнозирования
- Дата публикации
- 19.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 20
Библиография
- 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
