Mertens / Rässler Prognoserechnung

6. Auflage 2005
ISBN: 978-3-7908-1606-8
Verlag: Physica-Verlag HD
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 512 Seiten

Mit diesem Buch liegen kompakte Beschreibungen von Prognoseverfahren vor, die vor allem in Systemen der betrieblichen Informationsverarbeitung eingesetzt werden. In Beiträgen von Praktikern mit langjähriger Prognoseerfahrung wird zusätzlich gezeigt, wie die einzelnen Methoden in der Unternehmung Verwendung finden können und wo die Probleme beim Einsatz liegen. So wendet sich dieses Buch gleichermaßen an Wissenschaft und Praxis. Das Spektrum reicht von einfachen Verfahren der Vorhersage über neuere Ansätze der künstlichen Intelligenz und Zeitreihenanalyse bis hin zur Prognose von Softwarezuverlässigkeit. Mit der sechsten, völlig überarbeiteten und erweiterten Auflage werden neuere Entwicklungen und Anwendungsgebiete der Vorhersagemethodik insbesondere im Finanzmarkt- und Unternehmensbereich berücksichtigt.

Autoren/Hrsg.

Mertens, Peter

Rässler, Susanne

Inhaltsverzeichnis

1;Vorwort zur sechsten Auflage;5
2;Inhaltsverzeichnis;7
3;Autorenverzeichnis;19
4;1 Prognoserechnung - Einführung und Überblick;22
4.1;1.1 Zur Bedeutung der Prognoserechnung;22
4.2;1.2 Uberblick;23
4.3;1.3 Voraussetzungen beim Leser;26
4.4;1.4 Literatur;26
5;2 Einfiihrung in die kurzfristige Zeitreihenprognose und Vergleich der einzelnen Verfahren;28
5.1;2.1 Uberblick;28
5.2;2.2 Allgemeine Uberlegungen ;28
5.3;2.3 Modelle zur Abbildung von Zeitreihen;32
5.4;2.4 Methoden zur Abschatzung der Modellkoeffizienten;35
5.5;2.5 Möglichkeiten und Grenzen der Zeitreihenextrapolation;57
6;3 Einführung in die Prognose saisonaler Zeitreihen mithilfe exponentieller Glättungstechniken und Vergleich der Verfahren von Winters und Harrison;59
6.1;3.1 Einleitung;59
6.2;3.2 Das Holt- Winters- Verfahren ;60
6.3;3.3 Das SEATREND-Verfahren von Harrison;70
6.4;3.4 Verfahrensvergleich und Ausblick;76
6.5;3.5 Literatur;78
7;4 Prognose bei unregelmäßigem Bedarf;80
7.1;4.1 Abgrenzung zwischen regelmäßigem und unregelmäßigem bzw. sporadischem Bedarf ;80
7.2;4.2 Vorhersage bei unregelmäßigem Bedarf - Verfahren von Trux;81
7.3;4.3 Das Modell zur Vorhersage für sporadische Nachfragemengen von Wedekind;83
7.4;4.4 Ein „ dynamisches" Vorhersagemodeil zur Prognose bei unregelmäßigem Bedarf ;86
8;5 Ein gemischt deterministisch-stochastisches Prognoseverfahren;92
8.1;5.1 Prinzip der gemischt deterministisch-stochastischen Prognoseverfahren;92
8.2;5.2 Beispiel einer gemischt deterministisch-stochastischen Prognose;92
8.3;5.3 Kritische Würdigung;95
8.4;5.4 Literatur;95
9;6 Prognose mithilfe von Verweilzeitverteilungen;96
9.1;6.1 Die Grundgedanken des Verfahrens;96
9.2;6.2 Die analytische Vorstufe der Prognose;96
9.3;6.3 Die Prognose;102
9.4;6.4 Schlussbetrachtung;108
9.5;6.5 Literatur;108
10;7 Punkt-, Intervallprognose und Test auf Strukturbruch mithilfe der Regressionsanalyse;110
10.1;7.1 Einleitung;110
10.2;7.2 Prognose im Fall einfacher linearer Regression ;110
10.3;7.3 Prognose im Fall multipler ( k- dimensionaler) linearer Regression;117
10.4;7.4 Nichtlineare Regression;123
10.5;7.5 Literatur;123
11;8 Prognose mit Paneldaten;124
11.1;8.1 Einleitung;124
11.2;8.2 Lineare Modellspezifikationen für Paneldaten;124
11.3;8.3 Schätzverfahren und ihre Eigenschaften;127
11.4;8.4 Möglichkeiten zur Prognose;129
11.5;8.5 Abschließende Bemerkungen;130
12;9 Prognose mit nichtparametrischen Verfahren;132
12.1;9.1 Einleitung;132
12.2;9.2 Nichtparametrische Verfahren ;132
12.3;9.3 Anwendung auf Volatilitäten;139
13;10 Adaptive Einflussgrößenkombination (AEK) - Prognosen mit schrittweiser Regression und adaptivem Gewichten;144
13.1;10.1 Einleitung und Überblick;144
13.2;10.2 Beschreibung des Verfahrens der adaptiven Einflussgrößenkombination;148
13.3;10.3 Vergleich der adaptiven Einflussgrößenkombination mit anderen Vorhersageverfahren;155
13.4;10.4 Beispiele für den praktischen Einsatz des Verfahrens der adaptiven Einflussgrößenkombination;170
14;11 Mittel- und langfristige Absatzprognose auf der Basis von Sättigungsmodellen;188
14.1;11.1 Einleitung;188
14.2;11.2 Systematik und grober Überblick;189
14.3;11.3 Grundmodelle ;190
14.4;11.4 Flexible Modelle ;200
14.5;11.5 Erweiterte Modelle für Erstkäufe ;204
14.6;11.6 Modelle mit Komponenten für Wiederholungskäufe;211
14.7;11.7 Entscheidungsunterstützung über Testmärkte;217
14.8;11.8 Verwendungsbreite und Vergleich;219
14.9;11.9 Schlussbemerkung und Ausblick;219
14.10;11.10 Literatur;220
15;12 Indikatorprognosen;223
15.1;12.1 Einführung;223
15.2;12.2 Ablauf des Indikatorverfahrens;223
15.3;12.3 Methoden der Lag- Bestimmung;224
15.4;12.4 Prognoseverfahren ;225
15.5;12.5 Validierung der Prognosen;228
15.6;12.6 Ein Beispiel;229
16;13 Lineare Filter und integrierte autoregressive Prozesse;233
16.1;13.1 Einleitung;233
16.2;13.2 Lineare Filter;233
16.3;13.3 Integrierte autoregressive Moving- Average- Prozesse ;239
16.4;13.4 Anwendungen^;243
16.5;13.5 Ex post Prognose mithilfe von ARIMA- Interventionsanalysen ;250
17;14 Prognose uni- und multivariater Zeitreihen;257
17.1;14.1 Einführung;257
17.2;14.2 Die Theorie der linearen Kleinst- Quadrate- Prognose;258
17.3;14.3 Die Prognose aus unendlicher Vergangenheit;260
17.4;14.4 AR- und ARMA- Prozesse;262
17.5;14.5 Die Schätzung der Prädiktoren für ARMA- Systeme;265
17.6;14.6 ARMAX- Modelle und bedingte Prognose;268
17.7;14.7 Die Prognose gesamtwirtschaftlicher Größen;270
17.8;14.8 Absatzprognose;273
17.9;14.9 Literatur;276
18;15 Die Input-Output-Rechnung als Hilfsmittel der Prognose;279
18.1;15.1 Einleitung;279
18.2;15.2 Input- Output- Tabellen als Informationssystem für die Prognose ;280
18.3;15.3 Input- Output- Analyse als Hilfsmittel der Prognose;284
18.4;15.4 Input- Output- Auswertungsprogramme;293
18.5;15.5 Literatur;294
19;16 Prognose mithilfe von Markovprozessen;297
19.1;16.1 Einführung;297
19.2;16.2 Reguläre Markovprozesse;299
19.3;16.3 Absorbierende Markovprozesse;309
19.4;16.4 Periodische l\/ larkovprozesse ;314
19.5;16.5 Bewertete Markovprozesse ;317
19.6;16.6 Fazit;321
19.7;16.7 Literatur;321
20;17 Der Beitrag der Künstlichen Intelligenz zur betrieblichen Prognose;322
20.1;17.1 Einleitung;322
20.2;17.2 Expertensysteme;322
20.3;17.3 Künstliche Neuronale Netze;329
20.4;17.4 Vergleich der vorgestellten Prognosemodelle;335
20.5;17.5 Hybridsysteme;339
20.6;17.6 Ausblick;343
20.7;17.7 Literatur;343
21;18 Monitoring von Prognosemodellen;351
21.1;18.1 Übersicht;351
21.2;18.2 Ausreißertypen und ihre Konsequenzen;353
21.3;18.3 Monitore in exponentiellen Glättungsmodellen ;360
21.4;18.4 Monitore in Box-Jenkins-IVIodellen;370
21.5;18.5 Schlussbemerkungen;376
21.6;18.6 Literatur;378
22;19 Evaluation, Kombination und Auswahl betriebswirtschaftlicher Prognoseverfahren;382
22.1;19.1 Überblick;382
22.2;19.2 Evaluation der Prognosegenauigkeit ;383
22.3;19.3 Kombination von Prognosen ;401
22.4;19.4 Prognosewettbewerbe ;406
22.5;19.5 Auswahl von Prognoseverfahren ;409
22.6;19.6 Schlussbemerkungen;413
22.7;19.7 Literatur;415
23;20 Modellgestützte Marktanteilsprognose auf Basis von Paneldaten;420
23.1;20.1 Problemstellung;420
23.2;20.2 Paneldaten als Grundlage für Marketing- Mix- Modelle;421
23.3;20.3 Prognosen mit Scanner- Handelspanel- Modellen;423
23.4;20.4 Prognosen mit Scanner- Verbraucherpanel- Modellen ;428
23.5;20.5 Modellauswahl und Fazit;432
24;21 Die Verbindung von Absatzplanung und Prognoserechnung - ein Beispiel aus der Praxis;434
24.1;21.1 Die Absatzplanung in der vernetzten Welt;434
24.2;21.2 Die Planungsstrukturen;434
24.3;21.3 Der Planungsablauf;437
24.4;21.4 Die Wahl der Planungsebene;438
24.5;21.5 Methodeneinsatz in der Planung;439
24.6;21.6 Ein Prognosebeispiel;441
24.7;21.7 Fazit;444
24.8;21.8 Literatur;445
25;22 Kundenwertprognose;446
25.1;22.1 Einleitung;446
25.2;22.2 Der Begriff Kundenv\^ert;446
25.3;22.3 Ein Modell zur Prognose des Kundenwerts;447
25.4;22.4 Zusammenfassung;452
25.5;22.5 Literatur;452
26;23 Qualitätsvergleiche bei Kreditausfallprognosen;454
26.1;23.1 Qualitative versus quantitative Prognosen;454
26.2;23.2 Trennschärfe und Kalibrierung;454
26.3;23.4 Skalarwertige Abweichungsmaße;460
26.4;23.5 Literatur;461
27;24 Beratung mithilfe von statistischen Prognosen. Welches Instrument ist das sinnvollste?;463
27.1;24.1 Einleitung;463
27.2;24.2 Expertensysteme zur Programmauswahl;463
27.3;24.3 Definition des optimalen Instruments;464
27.4;24.4 Identifikation der individuellen Prognosen;465
27.5;24.5 Schätzung der individuellen Prognosen;467
27.6;24.6 Auswahl der besten Maßnahme;468
27.7;24.7 Praktische Anwendung: Arbeitsmarktliche Maßnahmen in der Schweiz;469
27.8;24.8 Fazit;471
27.9;24.9 Literatur;471
28;25 Prognose von Softwarezuverlässigkeit, Softwareversagensfällen und Softwarefehlern;473
28.1;25.1 Einleitung;473
28.2;25.2 Softwarezuverlässigkeitswachstumsmodelle;474
28.3;25.3 Weitere Modellklassen;494
28.4;25.4 Abschließende Bemerkung;499
28.5;25.5 Literatur;499
29;26 Kooperative Vorhersage in Unternehmensnetzwerken;502
29.1;26.1 Von der Einzelprognose zur kooperativen Vorhersage;502
29.2;26.2 Der CPFR- Prozess;502
29.3;26.3 Vorhersagemethoden der Standardsoftware;503
29.4;26.4 Herausforderungen;506
29.5;26.5 Kritische Würdigung;512
30;Stichwortverzeichnis;515

Leseproben

14 Prognose uni- und multivariater Zeitreihen (S. 239)

von Manfred Deistler und Klaus Neusser

14.1 Einführung

Zeitlich ablaufende zufällige Vorgänge können durch stochastische Prozesse modelliert werden. Insbesondere ist es in diesem Rahmen möglich, Unsicherheit über die Zukunft zu beschreiben. Für stationäre Prozesse wurde bereits vor ca. 60 Jahren eine elegante Prognosetheorie von Kolmogorov [26] und Wiener [39] entwickelt. Ein weiterer wesentlicher Beitrag geht auf Kaiman [25] zurück. Diese Theorie behandelt die lineare Kleinst-Quadrate-Prognose unter der Voraussetzung, dass die zweiten Momente des zugrunde liegenden Prozesses bekannt sind. In den meisten Fällen sind diese zweiten Momente jedoch nicht bekannt und müssen geschätzt werden, sodass das Prognoseproblem mit einem Identifikationsproblem einhergeht.

Die Theorie der linearen Kleinst-Quadrate-Prognose stationärer Prozesse bei bekannten zweiten Momenten und die Theorie der Identifikation von AR-, ARMA- und Zustandsraumsystemen stellen die beiden Herzstücke der theoretischen Analyse des Prognoseproblems dar. Unsere Darstellung beschränkt sich auf diese lineare Kleinst-Quadrate-Prognose und die Identifikation von linearen dynamischen Systemen. Nichtlineare Prognosefunktionen und von den quadratischen abweichende Kostenfunktionen werden demnach nicht behandelt, wenn es nicht ausdrücklich erwähnt ist. Die Praxis hat gezeigt, dass diese linearen Ansätze auch bei offensichtlich nichtlinearen Mechanismen erstaunlich erfolgreich sind.

In der Praxis müssen bei der Entwicklung von Prognosealgorithmen der Verwendungszweck, die vorhandenen a priori Informationen und die spezifischen Besonderheiten der Daten berücksichtigt werden. Was die Verwendung betrifft, so sind unter anderem zu überlegen: die Fristigkeit, die gewünschte Genauigkeit, die sich auch im Aufwand für die Modellierung niederschlägt, und der erforderliche Rechenaufwand. Im Speziellen kann man zwei Extremfälle unterscheiden: zum einen schnell verfügbare, relativ ungenaue Prognosen, bei denen auf eine detaillierte Modellierung der Daten weitgehend verzichtet wird. Solche Verfahren könnte man als „automatisierte Kurvenlineale" bezeichnen. Sie finden z. B. in der Absatzprognose Verwendung (siehe Abschnitt 14.8). Zum anderen Prognosen, bei denen eine möglichst hohe Genauigkeit erwünscht und daher eine detaillierte und zeitaufwändige Modellierung der Daten angezeigt ist. Ein Beispiel hierfür liefert die Prognose der Industrieproduktion (vgl. Abschnitt 14.7). In vielen Fällen stehen zusätzlich a priori Informationen zur Verfügung, die aber im Bereich der Wirtschaftswissenschaften, im Gegensatz zu vielen Anwendungen in den Naturwissenschaften oder den technischen Wissenschaften, oft unpräzise oder schwer quantifizierbar sind. Andererseits ist die Information aus den Daten in vielen Fällen alleine nicht ausreichend. In der Entscheidung über Art und Ausmaß der verwendeten a priori Information zeigt sich ganz wesentlich die Kunst des Prognostikers. Abschnitte 14.7 und 14.8 bieten konkrete Beispiele für die bei der Prognose auftretenden Überlegungen und Vorgangsweisen.