Баженов О.В.кандидат экономических наук, доцент кафедры учета, анализа и аудита, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Российская Федерация 6819@list.ru
Галенкова А.Д.студентка высшей школы экономики и менеджмента, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Российская Федерация agalenkova@mail.ru
Предмет. В условиях глобальной экономической нестабильности совершенствование методов оценки различных явлений, моделирования экономических систем и формирования точных прогнозных данных является одним из приоритетных направлений научной деятельности. Цели. Представление теоретико-методических положений процесса формирования прогнозных данных о состоянии комплексной целевой переменной. Методология. С использованием инструментария метода наименьших квадратов, частных наименьших квадратов и метода экспоненциального сглаживания представлен порядок моделирования комплексных экономических систем. Результаты. Сформулирована и кратко представлена методика прогнозирования экономических явлений в краткосрочной перспективе на основе комплексного описания показателя с помощью методов наименьших квадратов и частных наименьших квадратов, а также формирования прогнозных значений на основе метода экспоненциального сглаживания объясняющих переменных. Полученные результаты могут быть использованы руководством коммерческих организаций, органами исполнительной власти при проведении стратегического анализа, для разработки показателей в ходе осуществления индикативного планирования, а также при обосновании управленческих решений, направленных на достижение целевых показателей. Выводы. При прогнозировании комплексного явления как на долгосрочную, так и на краткосрочную перспективу для получения объективных данных необходимо четко определять особенности формирующих его факторов (показателей, явлений и пр.). Именно поэтому предлагается прогнозировать объясняющие переменные, а не само рассматриваемое явление, и прогнозное значение рассматриваемого явления выводить по моделям, полученным с помощью методов LS и PLS-PM.
Затонский А.В., Сиротина Н.А. Прогнозирование экономических систем по модели на основе регрессионного дифференциального уравнения // Экономика и математические методы. 2014. Т. 50. № 1. С. 91–99.
Баженов О.В. Структура и содержание стратегического плана развития предприятия медной промышленности // Российское предпринимательство. 2013. № 11. С. 74–84.
Мусатов М.В., Львов А.А. Анализ моделей метода наименьших квадратов и методов получения оценок // Вестник Саратовского государственного технического университета. 2009. Т. 4. № 2. С. 137–140.
Вельдяксов В.Н., Шведов А.С. О методе наименьших квадратов при регрессии с нечеткими данными // Экономический журнал Высшей школы экономики. 2014. Т. 18. № 2. С. 328–344.
Ringle C.M., Sarstedt M., Schlittgen R., Taylor C.R. PLS path modeling and evolutionary segmentation. Journal of Business Research, 2013, vol. 66, iss. 9, pp. 1318–1324. doi: 10.1016/j.jbusres.2012.02.031
Athanasopoulou P., Giovanis A.N., Avlonitis G.J. Marketing strategy decisions for brand extension success. Journal of Brand Management, 2015, vol. 22, iss. 6, pp. 487–514. doi: 10.1057/bm.2015.27
Castro I., Roldán J.L. A mediation model between dimensions of social capital. International Business Review, 2013, vol. 22, iss. 6, pp. 1034–1050. doi: 10.1016/j.ibusrev.2013.02.004
Cepeda G., Martelo S., Barroso C., Ortega J. Integrating organizational capabilities to increase customer value: A triple interaction effect. In: New Perspectives in Partial Least Squares and Related Methods. Springer Proceedings in Mathematics & Statistics, 2013, no. 56, pp. 283–293.
Ciavolino E., Nitti M. Using the hybrid two-step estimation approach for the identification of second-order latent variable models. Journal of Applied Statistics, 2013, vol. 40, iss. 3, pp. 508–526. doi: 10.1080/02664763.2012.745837
Dijkstra T.K. PLS' Janus face – response to professor Rigdon's ‘rethinking partial least squares modeling: in praise of simple methods’. Long Range Planning, 2014, vol. 47, iss. 3, pp. 146–153. doi: 10.1016/j.lrp.2014.02.004
Hair J.F., Hult G.T.M., Ringle C.M., Sarstedt M. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). Los Angeles, SAGE, 2013, 329 p.
Becker J.-M., Rai A., Ringle C.M., Völckner F. Discovering unobserved heterogeneity in structural equation models to avert validity threats. MIS Quarterly, 2013, vol. 37, iss. 3, pp. 665–694.
Хазова Д.С. Моделирование устойчивого развития туризма // Теоретические и прикладные аспекты современной науки: сборник научных трудов по материалам IV Международной научно-практической конференции 31 октября 2014 г.: в 3 ч. Белгород: ИП Петрова М.Г., 2014. Ч. II. С. 198–201. URL: Link.
Wold H. Estimation of principal components and related models by iterative least squares. In: Multivariate Analysis II. New York, Academic Press, 1966, pp. 391–420.
Wold H. Nonlinear Iterative Partial Least Squares (NIPALS) Modeling: Some Current Developments. In: Multivariate Analysis II. New York, Academic Press, 1973, pp. 383–407.
Баженов О.В. Построение модели PLS-PM, характеризующей социальную значимость предприятий медной промышленности (на примере компании «Уралэлектромедь») // Цветные металлы. 2016. № 1. С. 7–13.
Керенский А.М. Экспоненциальное сглаживание параметров временного ряда при наличии тренда // Вестник Самарского государственного аэрокосмического университета им. академика С.П. Королева (национального исследовательского университета). 2011. № 3-4. С. 219–223.
Алексеева И.Ю., Степанов В.П., Ведерников А.С. Метод экспоненциального сглаживания линии тренда временного ряда в сочетании с методом индексов сезонности при краткосрочном прогнозировании электропотребления // Вестник Самарского государственного технического университета. Сер.: Технические науки. 2008. № 1. С. 137–143.
