Если  статистику доступны данные об истории  объекта исследования, следует применять  методы количественного прогнозирования (quantitative forecasting methods). Эти методы позволяют предсказать состояние объекта в будущем на основе данных о его прошлом. Методы количественного прогнозирования разделяются на две категории: анализ временных рядов и методы анализа причинно-следственных зависимостей.

      Временной ряд (time series) – это набор числовых данных, полученных в течение последовательных периодов времени.

      Метод анализа временных рядов (time-series forecasting methods) позволяет предсказать значение числовой переменной на основе ее прошлых и настоящих значений.

      Например, ежедневные котировки акций на Нью-Йоркской фондовой бирже образуют временной ряд. Другим примером временного ряда являются ежемесячные значения индекса потребительских цен, ежеквартальные величины валового внутреннего продукта и ежегодные доходы от продаж какой-нибудь компании.

      Методы  анализа причинно-следственных зависимостей (causal forecasting methods) позволяют определить, какие факторы влияют на значения прогнозируемой переменной. К ним относятся методы множественного регрессионного анализа с запаздывающими переменными, эконометрическое моделирование, анализ лидирующих индикаторов, методы анализа диффузионных индексов и других экономических показателей.

      Введем  основные понятия.

      Линия тренда – графическое представление трендов в рядах данных. Линии тренда могут быть добавлены к ряду данных плоской диаграммы, линейчатой, гистограмме, графику, точечному графику.

      Метка линии тренда – текст для линии тренда, который формируется электронной таблицей и может содержать уравнение регрессии и (или) среднее квадратическое отклонение. Тренд – не единственный компонент временного ряда. Кроме него, данные имеют циклический и нерегулярный компоненты.

      Циклический компонент (cyclical component) описывает колебание данных вверх и вниз, часто коррелируя с циклами деловой активности. Его длина изменяется в интервале от 2 до 10 лет. Интенсивность, или амплитуда, циклического компонента также не постоянна. В некоторые годы данные могут быть выше значения, предсказанного трендом (т.е. находиться в окрестности пика цикла), а в другие годы – ниже (т.е. быть на дне цикла). Любые наблюдаемые данные, не лежащие на кривой тренда и не подчиняющиеся циклической зависимости, называются иррегулярными или случайными компонентами (irregular, or random, component). Если данные записываются ежедневно или ежеквартально, возникает дополнительный компонент, называемый сезонным (seasonal component).

      Регрессионный анализ (экстраполяция) – форма статистического анализа, используемая при прогнозировании. Оценивается отношение между переменными, в результате чего одна переменная может быть предсказана через другие.

      Среднее квадратическое отклонение – вычисляемое значение, которое в регрессионном анализе характеризует достоверность линии тренда для прогнозирования. Среднее квадратическое отклонение помогает определить наиболее подходящую линию тренда. Близость ее к нулю означает низкую степень соответствия, близость к единице – высокую, вполне достоверную линию тренда.

      Основные  инструменты охватывают две группы:

      1) Средства построения графического и математического выражения тренда, куда относится опция «Добавить линию тренда» и ее диалоговые окна:

      – тип – выбор формы тренда;

      – формат линии тренда;

      – параметры – добавление на график метки тренда, а также задание количества периодов для графического прогноза по тренду;

      2) Средства получения прогноза в числовом виде и его оценки:

      – для расчета прогноза в одной точке на основе линейного тренда предназначена функция ПРЕДСКАЗ из группы статистических функций;

      – для одновременного сглаживания исходных уравнений и расчета прогноза в нескольких точках по разным трендам предлагается использовать однофакторную what-if модель и ее опцию Таблица подстановки;

      – для расчета доверительного интервала прогноза используется инструмент из группы средств анализа данных (Описательные статистики), если рассматривается генеральная совокупность; в других случаях применяется серия стандартных статистических функций:

      СТАНДОТКЛОН и СТАНДОТКЛОНП – соответственно стандартное отклонение по выборке и по генеральной совокупности;

      СЧЕТ – количество чисел (наблюдений) или размер совокупности;

     ДОВЕРИТ – доверительный интервал.

Список  использованных источников

1. Борисевич, В.И. Прогнозирование и планирование экономики: учебн. пособие / В.И. Борисевич. – М.: Интерпресссервис, Экоперспектива,  
   2001. – 380 с.
2. Вертакова, Ю.В. Прогнозирование и индикативное планирование в регионе: учебн. пособие / Ю.В. Вертакова. – Курск: КГТУ, 2001. – 124 с.
3. Гранберг, А.Г. Статистическое моделирование и прогнозирование: учебн. пособие / А.Г. Гранберг. – М.: Финансы и статистика, 2000. – 93 с.
4. Ивантер, В.В. Долгосрочный прогноз развития экономики  
   России. / В.В. Ивантер. – М.: Институт народнохозяйственного прогнозирования РАН, 2007. – 86 с.
5. Льюис, К.Д. Методы прогнозирования экономических показателей. / Е.З. Демиденко. – М.: Финансы и статистика, 1986. – 418 с.
6. Хасаев, Г.Р. Технология прогнозирования регионального развития: опыт разработки и использования. / Г.Р. Хасаев, В.А. Цыбатов. – Самара: Самарский государственный экономический университет, 2008. – 16 с.