Здобути знання про майбутнє [1] можна за допомогою традиційних і нових методів математики і статистики. Існує лише обмеження глибини ретроспективи і репрезентативності на інформацію про минуле. Дев'ятнадцятирічна історія незалежності нестабільність економіки України, значна кількість форс-мажорних обставин не дозволяють виконувати адекватний аналіз статистичних даних і здійснювати ефективне прогнозування. Методи аналітичної обробки даних, що з'явилися в останні десятиріччя, розширили область економічного передбачення навіть при малій ретроспективі.

Сучасні тенденції до взаємопроникнення ідей та методів формують нині вимоги до одержання та підготовки початкових даних для аналізу. Визначально актуальними вони є для аналізу економічних показників.

Успішне розв'язання задач прогнозування неможливе без попередньої підготовки даних.

Препроцесінгу апріорної інформації присвячені численні монографії та статті. У більшості випадків він зводиться до визначення інформативних або значущих ознак, вирівнювання їх розподілу та приведення до безрозмірного вигляду.

Ефективна підготовки початкових даних [2] здійснюватиме визначальний вплив на якість планування майбутньої діяльності.

Першим етапом цього процесу є центрування даних, на наступному кроці дані нормалізують, тобто здійснюють ділення на певну величину, зміст якої залежить від того, в якому діапазоні зручніше одержувати результат. Нормовані величини мають ще одну властивість - вони безрозмірні, що дозволяє використовувати їх композицію у реальних економічних задачах. Однією з головних задач після одержання безрозмірних величин і їх нормалізації є максимізація ентропії.

Невеликий час існування підприємств, етап зміни власника, грошова реформа є причинами обмеженості, "короткості" часової ретроспективи аналізу. В той же час значна невизначеність, яка залишається в даних із-за їх нерівномірного розподілу, і є причиною значної ентропії вихідних характеристик. Крім того, на неї впливає ще і статистична залежність значень факторів. Відомо [3], що якщо два фактори є статистично залежними, то їх сумісна ентропія менша, ніж сума індивідуальних ентропій. Саме тому, добиваючись статистичної незалежності входів, ми збільшуємо інформаційне насичення вхідної інформації і здійснюємо точніше прогнозування вихідних характеристик. Максимізує сумісну ентропію перетворення, яке називають "вибілюванням" входів. У його результаті одержуються некорельовані фактори із середнім значенням рівним нулю і одиничною дисперсією. За рахунок вирівнювання розподілу даних, таке перетворення збільшує сумісну ентропію початкових значень вхідних факторів і покращує якість передбачення значень вихідної характеристики.

Не всі вхідні фактори є однаково корисними для прогнозування. Враховуючи те, що складність методів значно зростає із зростанням кількості факторів, які необхідно враховувати, робимо висновок про необхідність обмеження їх кількості. Доречним тут є використання методу головних компонент, сутність якого полягає у тому, що за обчисленими власними значеннями та власними векторами кореляційної матриці формується матриця головних компонент, елементами якої є вектори, що спричинюють найбільшу дисперсію початкових даних. Ті ж вектори, яким відповідають малі за абсолютною величиною власні числа, вилучаються, оскільки між ними та іншими входами існує лінійна залежність. Таким чином, досягається зниження розмірності входів при мінімальних втратах у точності. Кожна із розглянутих процедур здійснює свій внесок у процес підготовки початкових даних для прогнозування економічних показників.

Технологія, яка пропонується, полягає у композиційному використанні ланцюжка методів: <центруванням> —> <нормалізація> —> <усунення мультиколінеарності > -> <"вибілювання" входів> —> <визначення головних компоненті Головна ціль, яку вона реалізує, полягає у збільшенні інформативної насиченості даних, особливо в умовах малої ретроспективи та їх одноплановості, що в свою чергу веде до адекватного використання економіко-математичних методів, як відомих, так і нових та точного, якісного прогнозування економічних показників.

ЛІТЕРАТУРА

1. Згуровський М.З. Сценарний аналіз як системна методологія перед бачення // Системні дослідження та інформаційні технології. - 2002.- №1. – С. 7-38.
2. Ляшенко І.М., Снитюк О.І. Прогнозування динаміки сільськогосподарського виробництва на базі "коротких" вибірок // Статистика України. - 2003. -№3.-С. 11-16.
3. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. - М.: МИФИ, 1998. - 224 с.