Повышение достоверности экономического прогноза за счет проверки нормальности распределения массива данных

Одной из ошибок прогнозирования тенденций экономического развития является отсутствие первоначальной проверки нормальности распределения данных как неотъемлемое условие применимости статистических процедур. Применимость данных методов к искаженным данным приводит к неточности и снижению качества экономического прогноза. Цель работы – провести поэтапную проверку нормальности распределения данных для обеспечения более высокой достоверности экономического прогноза на основе тестов симметрии, таких как коэффициент вариации, графики квантилей, среднее абсолютное отклонение, диапазон размаха варьирования и статистика Жарка–Бера. Обработка данных, основанная на распределении валового внутреннего продукта РФ с 2000 по 2020 г., показала наличие нормального распределения массива, что способствует достоверному экономическому прогнозу и оценки перспектив изменений в будущем с целью минимизации ошибок и искажению результатов.

1. Litimein O., Laksaci A., Ait-Hennani L., Mechab B., Rachdi M. Asymptotic normality of the local linear estimator of the functional expectile regression. Journal of Multivariate Analysis. 2024;202(2):10528. https://doi.org/10.1016/j.jmva.2023.105281

2. Mohammedi M., Bouzebda S., Laksaci A.The consistency and asymptotic normality of the kernel type expectile regression estimator for functional data. Journal of Multivariate Analysis. 2021;181:104673. https://doi.org/10.1016/j.jmva.2020.104673

3. Aneiros-Pérez G., Cao R., Ricardo F., Genest Ch., Vieu Ph. Recent advances in functional data analysis and high-dimensional statistics. Journal of Multivariate Analysis. 2019;170:3–9. https://doi.org/10.1016/j.jmva.2018.11.007

4. Bellini F., Bignozzi V., Puccetti G. Conditional expectiles, time consistency and mixture convexity properties. Insurance: Mathematics and Econo mics. 2018;82:117–123. https://doi.org/10.1016/j.insmatheco.2018.07.001

5. Костюхин Ю.Ю., Богачев А.С. Управление инвестиционной привлекательностью предприятия в период высокой волатильности рынка на основе прогнозирования ожиданий. Экономика промышленности. 2024;17(1):20–28. https://doi.org/10.17073/2072-1633-2024-1-1265

6. Kara-Zaitri L., Laksaci A., Rachdi M., Vieu Ph. Data-driven KNN estimation in nonparametric functional data analysis. Journal of Multivariate Analysis. 2017;153:176–188. https://doi.org/10.1016/j.jmva.2016.09.016

7. Litimein O., Laksaci A., Mechab B., Bouzebda S. Local linear estimate of the functional expectile regression. Statistics & Probability Letters. 2023;192(2):109682. https://doi.org/10.1016/j.spl.2022.109682

8. Ding H., Lu Zh., Zhang J., Zhang R. Semi-functio nal partial linear quantile regression. Statistics & Probability Letters. 2018;142(6):92–101. https://doi.org/10.1016/j.spl.2018.07.007

9. Pisică D., Dammers R., Boersma E., Volovici V. Tenets of good practice in regression analysis. A brief tutorial. World Neurosurgery. 2022;161:230–239.e6. https://doi.org/10.1016/j.wneu.2022.02.112

10. Yurii А.R. A complex approach to evaluating the innovation strategy of a company to determine its investment attractiveness. Procedia – Social and Behavioral Sciences. 2013;99:562–571. https://doi.org/10.1016/j.sbspro.2013.10.526

11. Shinno H., Yoshioka S., Marpaung S., Hachiga S. Qualitative SWOT analysis on the global competiveness of machine tool industry. Journal of Engineering Design. 2006;17(3):251–258.

12. Barberis N. Investing for the long run when returns are predictable. Journal of Finance. 2000;55(1):225–264.

13. Antunes F., Ribeiro B., Pereira F. Probabilistic mo deling and visualization for bankruptcy prediction. Applied Soft Computing. 2017;60:831–843. https://doi.org/10.1016/j.asoc.2017.06.043

14. Daemi A., Kodamana H., Huanga B. Gaussian process modelling with Gaussian mixture likelihood. Journal of Process Control. 2019;81(С):209–220. https://doi.org/10.1016/j.jprocont.2019.06.007

15. Dierkes M., Erner C., Zeisberger S. Investment horizon and the attractiveness of investment strategies: A behavioral approach. Journal of Banking & Finance. 2010:34(5):1032–1046. https://doi.org/10.1016/j.jbankfin.2009.11.003

16. Xiao J., Yu P., Song X., Zhang Z. Statistical inference in the partial functional linear expectile regression mo del. Science China Mathematic. 2022;65(12):2601–2630. https://doi.org/10.1007/s11425-020-1848-8

17. Chen C., Guo S., Qiao X. Functional linear regression: Dependence and error contamination. Journal of Business & Economic Statistics. 2022;40(1):444–457. https://doi.org/10.1080/07350015.2020.1832503

18. Rachdi M., Laksaci A., Al-Kandari N.M. Expectile regression for spatial functional data analysis (sFDA). Metrika. 2022;85(5):627–655. https://doi.org/10.1007/s00184-021-00846-x

19. Cui X, Lin H, Lian H. Partially functional linear regression in reproducing kernel Hilbert spaces. Computational Statistics & Data Analysis. 2020;150(6):106978. https://doi.org/10.1016/j.csda.2020.106978

20. Daouia A., Girard S., Stupfler G. Extremiles: A new perspective on asymmetric least squares. Journal of the American Statistical Association. 2019;114(527):1366–1381. https://doi.org/10.1080/01621459.2018.1498348