№ 79-2 (том 2): ОБРАЗОВАНИЕ И НАУКА В XXI ВЕКЕ, Октябрь, 2026
Научно-образовательные статьи

АНАЛИЗ ВРЕМЕННЫХ РЯДОВ И ПРОГНОЗИРОВАНИЕ В ЭКОНОМИЧЕСКОЙ СТАТИСТИКЕ: МЕТОДЫ, ОГРАНИЧЕНИЯ И ПРАКТИКА ПРИМЕНЕНИЯ

Оразмяммедов Ярсахет
Туркменский государственный институт экономики и управления

Опубликован 21.10.2026

Ключевые слова

  • временной ряд; тренд; сезонная компонента; декомпозиция ряда; стационарность; прогнозирование; точность прогноза; ложная регрессия; скользящая средняя; экономическая статистика; сезонные индексы

Как цитировать

Я. Оразмяммедов. (2026). АНАЛИЗ ВРЕМЕННЫХ РЯДОВ И ПРОГНОЗИРОВАНИЕ В ЭКОНОМИЧЕСКОЙ СТАТИСТИКЕ: МЕТОДЫ, ОГРАНИЧЕНИЯ И ПРАКТИКА ПРИМЕНЕНИЯ. ОБРАЗОВАНИЕ И НАУКА В XXI ВЕКЕ, 79-2 (том 2). https://mpcareer-google.ru/index.php/journal/article/view/6200

Аннотация

В статье рассматриваются теоретические и практические аспекты анализа временных рядов и построения прогнозов в экономической статистике. Актуальность темы обусловлена тем, что решения в области экономической политики, планирования производства и управления запасами принимаются на основании ожиданий будущих значений показателей, тогда как экономические ряды содержат тренд, сезонные колебания, структурные сдвиги и случайные возмущения, требующие различения при анализе.

Временной ряд понимается в работе как последовательность значений показателя, измеренных в упорядоченные моменты времени. Показано, что корректный анализ начинается с декомпозиции ряда на составляющие и проверки стационарности, а выбор модели определяется характером ряда, длиной наблюдений и горизонтом прогноза. На условном примере продемонстрированы выделение линейного тренда, расчёт сезонных индексов, построение прогноза на шесть периодов и оценка его точности на данных, не использованных при обучении.

Особое внимание уделено ограничениям прогнозирования: опасности ложной регрессии, влиянию структурных сдвигов, невозможности точного предсказания при внешних шоках, а также необходимости сообщать интервал неопределённости. Подчёркивается, что формальная модель сама по себе не гарантирует качества прогноза: результат достигается лишь при продуманной диагностике данных, сопоставлении с простыми базовыми методами и содержательной экономической интерпретации.

Библиографические ссылки

  1. Елисеева И. И., Юзбашев М. М. Общая теория статистики. — М.: Финансы и статистика.
  2. Box, George E. P., Jenkins, Gwilym M., Reinsel, Gregory C. Time Series Analysis: Forecasting and Control. Wiley.
  3. Dickey, David A., Fuller, Wayne A. “Distribution of the Estimators for Autoregressive Time Series with a Unit Root.” Journal of the American Statistical Association, 1979.
  4. Granger, Clive W. J., Newbold, Paul. “Spurious Regressions in Econometrics.” Journal of Econometrics, 1974.
  5. Hamilton, James D. Time Series Analysis. Princeton University Press, 1994.
  6. Hyndman, Rob J., Athanasopoulos, George. Forecasting: Principles and Practice. OTexts.
  7. Makridakis, Spyros, Spiliotis, Evangelos, Assimakopoulos, Vassilios. “The M4 Competition: 100,000 Time Series and 61 Forecasting Methods.” International Journal of Forecasting, 2020.