Взгляд в будущее

Недавно в разговоре с одним из моих друзей всплыла фраза:

— Вы прогнозисты такие-сякие, — говорит он. — Вам не нужны объяснения и причинно-следственные связи. Вам лишь бы модель оценить, да прогноз дать! А что там за модель получилась и имеет ли она смысл — вам до фени! Хлебом вас не корми — дай поэкстраполировать… Извращенцы несчастные!

Честно говоря, это не первый раз, когда я слышу подобное мнение о том, чем я занимаюсь. Мол, те же эконометристы, например, строят модели для того, чтобы вскрыть причинно-следственные связи, смотрят в глубину, глядят в душу… а прогнозисты — только и знают, что тренды да прогнозные интервалы клепать. Поверхностные какие-то и совершенно несерьёзные ребята. Ну, и, конечно же, вот такое вот мнение о прогнозистах встречается:

Прогнозистус экстраполятус

Прогнозистус экстраполятус
(картинка взята из этих ваших интернетов)

Но на самом деле всё не так. Мы не такие. Мы вполне себе серьёзные! Нас причины интересуют не меньше, чем следствия. А всё потому что, если ты не знаешь, что привело, например, к резкому росту продаж тестов на беременность в январе 2025, то какой ты к чёрту прогнозист?! Что ты сможешь сделать, используя свои модели, если ты не понял, что вызвало такой неожиданный рост рождаемости в октябре 2025? Как ты можешь учесть риски, если не знаешь, к чему может привести принятие какого-нибудь очередного безумного закона о запрете презервативов с 31 декабря 2024?! В общем, прогнозист должен знать причины тех или иных событий и понимать, как их можно учесть в будущем.

Поэтому мы так же, как и эконометристы, используем регрессионный анализ. Нам так же, как и эконометристам, нужно учитывать важные, существенные переменные. У нас, так же как и у эконометристов, должны получаться качественные модели (и желательно без всяких там автокорреляций, гетероскедастичностей и мультиколлинеарностей). Но при этом модель для нас не является самоцелью. Нам не настолько важно, как она там аппроксимировала ряд данных (то есть, насколько хорошо коэффициенты подогнали её к ряду), какой процент дисперсии «объяснила» и какими распрекрасными статистическими свойствами обладают её коэффициенты. Да и в проверку статистических гипотез не все из нас верят (гореть мне в эконометрическом аду!)… Нам, на самом деле, намного важнее, чтобы модель работала на практике, чтобы она давала точный прогноз. И вот в этом как раз и заключается главное различие между прогнозистами и многими другими «-истами»: взгляд в будущее.

Вы спросите: раз вы такие крутые, что же вы строем не ходите что же вы эти самые регрессии не используете на каждом углу и не пользуетесь всей этой наиполезнейшей информацией о связях между переменными? Ответ банален и прост. Для того, чтобы дать прогноз с помощью регрессии, нужно иметь в распоряжении будущие значения каждой из включённых в модель переменных. Для этого надо либо обладать некой уникальной информацией (например, о том, что в магазинах города наша компания готовит акцию: «Купи тортик, получи бутыль самогона в подарок»), либо спрогнозировать каждую из переменных, используя экстраполяционные методы. Как вы понимаете, в некоторых ситуациях бывает проще просто экстраполировать один ряд, нежели несколько. Но, конечно же, не всегда.

P.S. Вообще же методы прогнозирования не ограничиваются лишь математическими моделями. Экспертные методы никто не отменял, аналогов им в некоторых ситуациях просто нет. А практически любой экспертный метод учитывает прямо или косвенно те самые причинно-следственные связи.

P.P.S. Так что не надо мне тут «бла-бла-бла»!

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *