پیشینه و مبانی نظری پيش بيني و مدل هاي پيش بيني

لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل :  word (..doc) ( قابل ويرايش و آماده پرينت )
تعداد صفحه : 41 صفحه

 قسمتی از متن word (..doc) : 
 

‏پيش ‏‏بيني و مدل‏‏هاي پيش ‏‏بيني
‏تعريف پيش ‏‏بيني
‏در يک تعريف کلي، فرايند پيشگويي شرايط و حوادث آينده را پيش‏‏بيني ناميده و چکونگي انجام اين عمل را پيش‏‏بيني کردن ناميده مي‏‏شود (بوکوتا، 2002).
‏هر سازماني جهت تصميم‏‏گيري آگاهانه بايد قادر به پيش‏‏بيني کردن باشد. از آنجايي که پيش‏‏بيني وقايع آينده در فرآيند تصميم‏‏گيري در سازمان نقش عمده اي را ايفا مي کند، پيش‏‏بيني کردن براي بسياري از سازمانها و نهادها حائز اهميت بالقوه‏‏اي است. بنابراين بيشتر تصميمات مديريت در تمام سطوح سازمان به طور مستقيم و يا غير مستقيم به حالتي از پيش‏‏بيني آينده بستگي دارد.
‏در مديريت استراتژيک، پيش‏‏بيني شرايط عمومي اقتصاد، نوسانات قيمت و هزينه‏‏ي تغييرات تکنولوژي، رشد بازار و امثال آن در ترسيم آينده بلند‏‏مدت شرکت موثر است. به همين دليل است که کنترل هر فرايند، منوط به پيش‏‏بيني رفتار دوره فرآيند در آينده است. براي مثال ممکن است که در يک دوره فرآيند دستگاهي بيش از حد معين کار کند و تعداد اقلام معيوب توليد شده افزايش يابد. بنابراين براي شناسايي به موقع اين نقص بايد از روش هاي مناسب پيش‏‏بيني استفاده نموده و نسبت به تصحيح و يا حذف آن با توجه به شرايط موجود اقدام نمود (ريفنس، 1997).
‏مدل ‏‏هاي پيش ‏‏بيني
‏ابزارهاي عيني و رياضي که براي پردازش و تجزيه و تحليل داده‏‏ها مورد استفاده قرار مي‏‏گيرند مدل‏‏هاي پيش‏‏بيني ناميده مي‏‏شوند. به عبارت ديگر، الگويي از يک واقعيت که ساده و کوچک شده و روابط بين متغيرهاي آن واقعيت يا سيستم را نشان مي
‏‏د‏‏هد، مدل خوانده مي‏‏شود. بنابراين، هنگامي که متغيرهاي مورد نظر به صورتي منظم، ساده و قابل فهم در جهت اهداف پيش‏‏بيني در کنار يکديگر قرار گرفتند و الگويي از روابط را بوجود آوردند، يک مدل پيش‏‏بيني شکل مي‏‏گيرد.
‏سري ‏‏هاي زماني ‏-Time series
‏به روند مقادير يک متغير در طول زمان که به صورت دوره‏‏هاي زماني با فواصل معين و يکسان تنظيم شده‏‏اند ‏سري زماني‏ گفته مي‏‏شود. در تحليل سري زماني وضعيت تغييرات يک متغير در گذشته مورد بررسي قرارگرفته و به آينده تعميم داده مي‏‏شود. به طور کلي مدل‏‏هايي که در تحليل سري‏‏هاي زماني مورد استفاده قرار مي‏‏گيرند به دو دسته مدل‏‏هاي خطي و غير‏‏خطي تقسيم مي‏‏شوند.
‏مدل‏‏هاي خطي مانند مدل‏‏هاي باکس ـ جنکينز ‏-Box-Jenkins
‏ و يکنواخت سازي نمايي براي سري‏‏هاي زماني خطي مناسب هستند، ولي در مدل‏‏سازي سري‏‏هاي زماني مالي و غير‏‏خطي با مشکل مواجه مي‏‏شوند.
‏مدل‏‏هاي غير‏‏خطي از قبيل مدل‏‏هاي غير‏‏کاهنده آستانه‏‏اي، يک تابع غير‏‏خطي خاص و از پيش تعيين شده را پيش‏‏بيني مي‏‏کنند. به عبارتي تابع خطي مورد استفاده در اين روش‏‏ها مشخص است. نوع ديگر مدل‏‏هاي غير خطي شبکه‏‏هاي عصبي مصنوعي هستند که مي توانند هر تابعي را تخمين بزنند و فرايندهاي با رفتار ناشناخته را مدل نمايند‏.
‏سري‏‏هاي زماني بدنبال مقادير يک صفت متغير در طول زمان هستند. مشاهدات عموما بايد در تاريخ‏‏هاي معين يعني در فواصل زماني تقريبا ثابت به عمل آيند. مقادير يک صفت متغير ممکن است مربوط به يک لحظه زماني و يا مربوط به يک فاصله يا دوره زماني باشد. که در حالت اول سري زماني را لحظه‏‏اي و در حالت دوم سري زماني را دوره
‏‏اي و يا فاصله‏‏اي مي‏‏نامند. قيمت سهام شرکت‏‏ها در آخرين روز ماه و ماه‏‏هاي متوالي و همچنين تعداد بهره برداري‏‏هاي کشاورزي در سال‏‏هاي متوالي از نوع سري‏‏هاي زماني لحظه‏‏اي است و حجم بازرگاني خارجي در سال‏‏هاي متوالي و تعداد نامه‏‏هاي پست شده در ماه‏‏هاي متوالي و يا سال‏‏هاي متوالي از نوع سري‏‏هاي زماني دوره‏‏اي يا فاصله‏‏اي مي باشند.
‏مطالعه سري‏‏هاي زماني در اکثر رشته‏‏ها مانند جامعه شناسي، بازرگاني، زيست‏‏شناسي، زمين‏‏شناسي و به خصوص زمينه مسائل اقتصادي پيشرفت فراوان داشته و از نظر آمارشناسان اقتصادي نه تنها تشريح وضع فعلي درباره مسائل اقتصادي، ضروري است، بلکه پيش‏‏بيني وضع براي آينده نزديک و دور نيز ضروري است. بديهي است هيچ پيش‏‏بيني بدون اطلاع از گذشته نمي‏‏تواند به عمل آيد و تهيه سري‏‏هاي زماني به منظور تامين اطلاع و آشنايي نسبت به گذشته است.
‏مدل باکس ـ جنکينز - Box & Jenkins
‏مدل باکس ـ جنکينز يا آريما - Autoregressive- IntegratedMoving Average
‏ عبارتست از برازاندن يک الگوي ميانگين متحرک - Moving Average
‏ تلفيق شده با خود‏‏رگرسيو - Autoregressive
‏ به مجموعه داده‏‏ها و بدست آوردن الگوي رياضي شرطي در يک سري زماني است. يک مدل آريما سه جزء دارد (خالوزاده، 1999).
‏خود رگرسيو
‏ميانگين يکپارچه -Integrated Average
‏ميانگين متحرک