pobierz - Wydział Nauk Ekonomicznych SGGW w Warszawie

DOKŁADNOŚĆ DŁUGOOKRESOWYCH PROJEKCJI NA RYNKU ROLNYM ... 51kilku pierwszych miesiącach tego roku. Drugim etapem oceny modeli było porównaniezdolności prognostycznych modelu FAPRI na tle zdolności prognostycznych innych modeliprognostycznych. Polegało to na ocenie porównawczej dokładności prognoz z modeluFAPRI i prognoz otrzymanych z wykorzystaniem innych modeli. Przykładowo, projekcjaFAPRI z 1999 roku została porównana z prognozami, które by uzyskano prognozującza pomocą innych modeli w tym samym momencie. Problemem jest to, że obecnie jestdostępna wiedza o tym, co się w rzeczywistości wydarzyło po 1999 roku i co wpływa nawybór i specyfikację metod prognostycznych wykorzystywanych do porównań. W dalszejkonsekwencji prognozy wygasłe mogą być obciążone taką wiedzą, która w normalnychwarunkach nie byłaby brana pod uwagę.W opracowaniu starano się zniwelować ten problem, zakładając w miarę automatycznąi jednolitą procedurę. Wykorzystuje się w tym celu najczęściej metody szeregów czasowych,które znajdują zastosowanie w prognozowaniu gospodarczym. W metodach tych przyjmujesię postawę pasywną, dzięki czemu ingerencja badacza jest w dużym stopniu ograniczana, coprzyczynia się do obiektywizacji oceny. Oceniając zdolności prognostyczne metod oraz zasadnośćprognozowania, najczęściej dokonuje się porównań prognoz analizowanej (badanej)metody z prognozami otrzymanymi na podstawie metody naiwnej. W niniejszych badaniazrezygnowano z tego podejścia z uwagi na występujące trendy w znacznej części zjawisk(rys. 1.-5. chodzi o okres sprzed weryfikacji ex post) oraz długookresowy charakter prognoz.Z uwagi na to, że przedmiotem ocen są prognozy długookresowe, benchmarkiembyły prognozy formułowane z wykorzystaniem modeli ekstrapolacji funkcji trendu.Spośród różnych modeli szeregów czasowych te wydają się najbardziej odpowiednie douchwycenia długookresowych tendencji w przypadku dysponowania krótkimi szeregamiczasowymi. Trzeba zaznaczyć, że po wybraniu tej metody badawczej należy dokonaćidentyfikacji typu postaci analitycznej funkcji trendu oraz okresu, na podstawie któregomodele te byłyby szacowane.Generalnie trendy liniowe są bardziej stabilne, jeżeli chodzi o długookresowe prognozy,niż nieliniowe. Natomiast te pierwsze nie pozwalają ująć zmian krzywoliniowych, charakterystycznychdla trendów technologicznych oraz efektów wygaszania, które wynikają zmalejących efektów krańcowych. Również niektóre dane empiryczne, głównie dla Polski,charakteryzowały się w początkowym okresie nieliniowymi zmianami.Im większa głębokość retrospekcji, tym można uzyskać trafniejsze prognozy, co wynikaz faktu dysponowania większym zasobem wiedzy. Jednak w warunkach pewnych zmianstrukturalnych lepiej jest oprzeć się na aktualnym trendzie, co wiąże się ze stosowaniemadaptacyjnego podejścia do prognozowania. W tym kontekście istotne znaczenie ma teżuchwycenie występujących zmian strukturalnych i ich implementacja w modelu.Z uwagi na powyższe uwarunkowania i potrzebę zachowania obiektywności (niekierowaniesię przy wyborze modelu znajomością tego, co wydarzyło się w okresieprognozowanym), wykorzystano dwa modele. Pierwszy był to model trendu liniowegoopisany równaniem:Y t= a + b x t + ε t,gdzie:a, b – parametry strukturalne,tt – zmienna czasowa,ε – składnik losowy.t