Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Chapter 5 Bölüm 5 Demand Estimation and Forecasting Talep Tahmini ve Öngörü.

Benzer bir sunumlar


... konulu sunumlar: "Chapter 5 Bölüm 5 Demand Estimation and Forecasting Talep Tahmini ve Öngörü."— Sunum transkripti:

1 Chapter 5 Bölüm 5 Demand Estimation and Forecasting Talep Tahmini ve Öngörü

2 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-2 Chapter Outline Bölüm Taslağı Regression analysis Limitation of regression analysis The importance of business forecasting Prerequisites of a good forecast Forecasting techniques Regresyon analizi Regresyon analizinin sınırlamaları Firmalarda öngörüde bulunmanın önemi İyi bir öngörünün ön gerekleri Öngörü teknikleri

3 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-3 Learning Objectives Öğrenme amaçları Understand the importance of forecasting in business Know how to specify and interpret a regression model Describe the major forecasting techniques used in business and their limitations Explain basic smoothing methods of forecasting, such as the moving average and exponential smoothing Firmalarda öngörü yapmanın önemini anlamak Bir regresyon modelini belirleyip yorumlamanın usulünü bilmek Firmalarda kullanılan başlıca öngörü tekniklerini ve bunların sınırlamalarını göstermek Hareketli ortalama ve üstel düzgünleştirme gibi öngörü yapmanın temel düzgünleştirici yöntemlerini açıklamak

4 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-4 Data Collection Veri toplama Statistical analyses are only as good as the accuracy and appropriateness of the sample of information that is used. Several sources of data for business analysis: –buy from data providers (e.g. ACNielsen, IRI) –perform a consumer survey –focus groups –technology: point-of-sale data sources İstatistiksel analizler, sadece kullanılan örneklem bilgisinin doğruluğu ve uygunluğu ölçüsünde iyidir. Firmaların analizi için birkaç kaynak: -veri sağlayıcılardan (örneğin ACNielsen, IRI) satın almak -tüketici anketi uygulamak -odak grupları - teknoloji: satış noktası veri kaynakları

5 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-5 Regression Analysis Regresyon analizi Regression analysis: a procedure commonly used by economists to estimate consumer demand with available data Two types of regression: –cross-sectional: analyze several variables for a single period of time –time series data: analyze a single variable over multiple periods of time Regresyon analizi: mevcut verilerle tüketici talebini tahmin etmek için iktisatçılar tarafından yaygın bir şekilde kullanılan bir yordam/prosedür İki tür regresyon vardır: –yatay kesit: tek zaman döneminde birkaç değişkeni analiz eder –zaman serisi verileri: tek bir değişkeni birkaç zaman dönemi içinde analiz eder

6 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-6 Regression Analysis Regresyon analizi Regression equation: linear, additive eg: Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 Y: dependent variable a: constant value, y-intercept X n : independent variables, used to explain Y b n : regression coefficients (measure impact of independent variables) Regresyon denklemi: doğrusal, toplamsal örneğin: Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 Y: bağımlı değişken a: sabit değer, y-kesim noktası X n : bağımsız değişkenler, Y’yi açıklamakta kullanılır b n : regresyon katsayıları (bağımsız değişkenlerin ilketkisini ölçer)

7 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-7 Regression Analysis Regresyon analizi Interpreting the regression results: Coefficients: –negative coefficient shows that as the independent variable (X n ) changes, the variable (Y) changes in the opposite direction –positive coefficient shows that as the independent variable (X n ) changes, the dependent variable (Y) changes in the same direction –The regression coefficients are used to compute the elasticity for each variable Regresyon sonuçlarının yorumlanması : Katsayılar: - negatif katsayı, bağımsız değişken (X n ) değiştikçe, (Y) değişkeninin zıt yönde değiştiğini gösterir - pozitif katsayı, bağımsız değişken (X n ) değiştikçe, bağımlı değişkenin (Y) aynı yönde değiştiğini gösterir - regresyon katsayıları her bir değişkenin esnekliğini hesaplamakta kullanılır

8 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-8 Regression Analysis Regresyon analizi Statistical evaluation of regression results: –t-test: test of statistical significance of each estimated coefficient (whether the coefficient is significantly different from zero) b=estimated coefficient SE b =standard error of estimated coefficient Regresyon sonuçlarının istatistiksel değerlendirmesi: - t-testi: tahmin edilen her katsayının istatistiksel olarak anlamı ile ilgili test (katsayının sıfırdan önemli ölçüde farklı olup olmadığı) b = tahmin edilen katsayı SE b = tahmin edilen katsayının standart hatası

9 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-9 Regression Analysis Regresyon analizi Statistical evaluation of regression results: –‘rule of 2’: if absolute value of t is greater than 2, estimated coefficient is significant at the 5% level (for large samples-for small samples, need to use a t table) –if coefficient passes t-test, the variable has a significant impact on demand Regresyon sonuçlarının istatistiksel değerlendirmesi : - ‘2 kuralı’: şayet t’nin mutlak değeri 2’den büyük ise tahmin edilen katsayı (büyük örneklem için) %5 düzeyinde anlamlıdır (küçük örneklem için t tablosunun kullanılması gerekir) - şayet katsayı t testini geçerse, değişkenin talep üzerinde gerçek bir ilketkisi vardır

10 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-10 Regression Analysis Regresyon analizi Statistical evaluation of regression results –R 2 (coefficient of determination): percentage of variation in the variable (Y) accounted for by variation in all explanatory variables (X n ) R 2 value ranges from 0.0 to 1.0 The closer to 1.0, the greater the explanatory power of the regression. Regresyon sonuçlarının istatistiksel değerlendirmesi –R 2 (determinasyon katsayısı): tüm açıklayıcı değişkenlerdeki (X n ) değişme tarafından izah edilen (Y) değişkenindeki değişme yüzdesi R 2 değeri 0.0 ilâ 1.0 arasında yer alır R 2 değeri 1.0’a ne kadar yaklaşırsa, regresyonun açıklama gücü o kadar büyük olacaktır

11 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-11 Regression Analysis Regresyon analizi Statistical evaluation of regression results –F-test: measures statistical significance of the entire regression as a whole (not each coefficient) Regresyon sonuçlarının istatistiksel değerlendirmesi –F-testi: (tek tek katsayıların değil) bir bütün olarak regresyonun tamamının istatistiksel önemini ölçer

12 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-12 Regression Analysis Regresyon analizi Steps for analyzing regression results –check coefficient signs and magnitudes –compute elasticity coefficient –determine statistical significance Regresyon sonuçlarını analiz adımları –katsayıların işaret ve büyüklüğünü kontrol edin –Esneklik katsayılarını hesaplayın –İstatistiksel anlamlılığı belirleyin

13 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-13 Regression Analysis Regresyon analizi Textbook example: Management lessons from estimating demand for pizza –demand for pizza affected by 1.price of pizza 2.price of complement (soda) –managers can expect price decreases to lead to lower revenue –tuition and location are not significant Kitaptaki örnek: pizza talebi tahmininden çıkarılacak yönetim dersleri –pizza talebini etkileyen faktörler 1. pizzanın fiyatı 2. tamamlayıcı malın (kola, vb.) fiyatı –yöneticiler fiyattaki azalmaların düşük hâsılata yol açacağını bekleyebilirler –okul ücreti ve mevki (konum) önemli değildir

14 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-14 Regresyon analizi, örnek Q = 70 – 10P + 4P R + 50I (3) (1.8) (30) 1.Katsayıların yorumu: -Fiyat değişkeni katsayısının negatif olması, fiyatla miktar arasında ters yönlü bir ilişkiye işaret etmektedir. Fiyatta 1 birimlik bir artış miktarda 10 birimlik azalışa yol açmaktadır. -P R değişkeninin katsayısı pozitiftir. ilişkili malın ikame /rakip mal olduğu anlaşılmaktadır. Rakip malın fiyatında 1 birimlik artış talebi 4 birim artırmaktadır. -I’nın işareti pozitiftir. Bu da malın normal hatta talebin gelir esnekliğine bağlı olarak lüks (üstün) bir mal olabileceğini göstermektedir.

15 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-15 Regresyon analizi, örnek 2. Esnekliklerin bulunması: Bu hesaplamayı bağımsız değişkenlerin belirli değerleri için yapmak gerekir. P=100 P R = 120I=25 Q = 70 – 10(100) + 4(120) + 50(25) Q=800

16 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-16 Regresyon analizi, örnek 3. İstatistiksel anlamlılığın belirlenmesi -2 kuralını uygularsak P ve P R ‘nin istatistiksel olarak anlamlı olduğunu görürüz, t değerleri 2’den büyük. I ise anlamlı değil, çünkü t= değeri 0.47 ; bu da Q’da meydana gelen değişmelerin % 47’sinin üç açıklayıcı değişken tarafından izah edildiğini göstermektedir. Yatay kesit verileri için bu değerin orta derecede yüksek bir değer olduğu söylenebilir.

17 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-17 Regression Analysis Regresyon analizi (Bu ve sonraki slaytlar final sınavına dahil değildir) Challenges –Identification –Multicollinearity –Autocorrelation Sorunlar -Özdeşleştirme - Çoklu eşdoğrusallık -Kendiyle ilgileşim/Otokorelasyon

18 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-18 Regression Analysis Regresyon analizi Challenge 1: Identification problem: –The estimation of demand may produce biased results due to simultaneous shifting of supply and demand curves. –Solution: use of advanced correction techniques, such as two-stage least squares and indirect least squares may compensate for the bias Birinci sorun: Özdeşleştirme sorunu: –Arz ve talep eğrilerinin eşanlı olarak kayması nedeniyle talep tahmini sapmalı sonuçlar verebilir - Çözüm: iki aşamalı en küçük kareler ve dolaylı en küçük kareler gibi ileri düzeltme tekniklerinin kullanılması sapmayı telâfi edebilir

19 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-19 Regression Analysis Regresyon analizi Challenge 2: Multicollinearity problem –Two or more independent variables are highly correlated, thus it is difficult to separate the effect each has on the dependent variable. –Solution: a standard remedy is to drop one of the closely related independent variables from the regression İkinci sorun: Çoklu eşdoğrusallık sorunu –İki veya daha fazla bağımsız değişkenin büyük ölçüde bağlantılı olması, bu nedenle her birinin bağımlı değişken üzerindeki etkisini ayrıştırmanın zor olması - Çözüm: standart bir çare, yakından ilişkili bağımsız değişkenlerden birini regresyondan çıkarmak

20 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-20 Regression Analysis Regresyon analizi Challenge 3: Autocorrelation problem –Also known as serial correlation, occurs when the dependent variable relates to the Y variable according to a certain pattern –Note: possible causes include omitted variables, or non-linearity; Durbin-Watson statistic is used to identify autocorrelation –Solution: to correct autocorrelation consider transforming the data into a different order of magnitude or introducing leading or lagging data Üçüncü sorun: Kendiyle ilgileşim/Otokorelasyon sorunu – Serisel ilgileşim olarak da bilinir, bağımlı değişken Y değişkeni ile belirli bir kalıba göre ilişkili ise söz konusu olur - Not: muhtemel nedenler dışlanmış değişkenleri veya doğrusal dışılığı kapsar; kendiyle ilgileşimi/otokorelasyonu belirlemek için Durbin-Watson statistiği kullanılır - Çözüm: kendiyle ilgileşim/otokorelasyon sorununu düzeltmek için verileri değişik bir büyüklük düzenine dönüştürmeyi veya öncü veya gecikmeli verileri dikkate almayı düşünün

21 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-21 Forecasting Öngörü “Forecasting is very difficult, especially into the future.” Common subjects of business forecasts: –gross domestic product (GDP) –components of GDP examples: consumption expenditure, producer durable equipment expenditure, residential construction –industry forecasts example: sales of products across an industry –sales of a specific product “öngörü zor bir iştir, özellikle de geleceğe dönük olarak.” Firmaların yaygın öngörü konuları: - gayrisafi yurtiçi hâsıla (GDP) - GDP’nin bileşenleri örnekler: tüketim harcamaları, üreticilerin dayanıklı donanım/teçhizat harcamaları, konut inşaatı - endüstri öngörüleri örnek, bir endüstrinin genelinde ürün satışları - belirli bir ürünle ilgili satışlar

22 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-22 Forecasting Öngörü A good forecast should: –be consistent with other parts of the business –be based on knowledge of the relevant past –consider the economic and political environment as well as changes –be timely İyi bir öngörünün özellikleri: –firmanın diğer kısımlarıyla tutarlı olmalı. (Örneğin satışlarda %10 artış bekleniyorsa kapasite buna uygun olmalı, yeterli işgücü bulunmalı) –konu ile ilgili geçmiş bilgilere dayanmalı. (Geçmişe dair bilgi yoksa, değer yargıları ön plana çıkar, uzman görüşüne başvurulur) –hem iktisadî ve siyasal ortamı hem de bunlardaki değişmeleri göz önüne almalı –Vakitli olmalı (çok geç elde edilen bir öngörü işe yaramaz)

23 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-23 Forecasting Techniques Öngörü Teknikleri Factors in choosing the right forecasting technique: –item to be forecast –interaction of the situation with the forecasting methodology--the value and costs –amount of historical data available –time allowed to prepare forecast Doğru öngörü tekniğini seçmek için göz önüne alınması gereken faktörler: –öngörülecek husus (nedir?; tarihsel bir eğilimin devamı mı tahmin edilecektir yoksa bir dönüm noktası mı?) –durumun öngörü yöntemiyle etkileşimi – değer ve maliyetler (Daha az maliyetli bir yöntem varsa o kullanılmalı) –eldeki tarihsel veri miktarı –öngörüyü hazırlamak için verilen zaman

24 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-24 Forecasting Techniques Öngörü Teknikleri Six forecasting techniques –expert opinion –opinion polls and market research –surveys of spending plans –economic indicators –projections –econometric models Altı öngörü tekniği –Uzman fikri –Kamuoyu anketleri ve piyasa araştırması –Harcama planlarına ilişkin anketler –İktisadî göstergeler –Projeksiyonlar –Ekonometrik modeller

25 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-25 Forecasting Techniques Öngörü Teknikleri Approaches to forecasting –qualitative forecasting is based on judgments expressed by individuals or group –quantitative forecasting utilizes significant amounts of data and equations Öngörüye yönelik yaklaşımlar –niteliksel öngörü bireyler veya grup tarafından ifade edilen yargılara dayanır –niceliksel öngörü, önemli miktarda veri ve denklem kullanır

26 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-26 Forecasting Techniques Öngörü Teknikleri Approaches to quantitative forecasting: –naïve forecasting projects past data without explaining future trends –causal (or explanatory) forecasting attempts to explain the functional relationships between the dependent variable and the independent variables Niceliksel öngörüye ilişkin yaklaşımlar: –naif (safdil)öngörü, gelecekteki yönelimleri açıklamaksızın geçmiş verilerin izdüşümünü alır –nedensel (veya açıklayıcı) öngörü, bağımlı değişkenle bağımsız değişkenler arasındaki fonksiyonel ilişkileri açıklamaya çalışır

27 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-27 Forecasting Techniques Öngörü Teknikleri Expert opinion techniques –Jury of executive opinion: forecasts generated by a group of corporate executives assembled together Uzman fikri teknikleri –Yönetici jürisi fikri: bir araya gelen bir grup şirket yöneticisi tarafından oluşturulan öngörüler

28 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-28 Forecasting Techniques Öngörü Teknikleri Expert opinion techniques –The Delphi method: a form of expert opinion forecasting that uses a series of questions and answers to obtain a consensus forecast, where experts do not meet Uzman fikri teknikleri –Delphi yöntemi: Konsensüse dayalı bir öngörü elde etmek için bir dizi soru ve cevabı kullanan uzman fikri öngörüsü şekli olup burada uzmanlar bir araya gelmez.

29 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-29 Forecasting Techniques Öngörü Teknikleri Opinion polls: sample populations are surveyed to determine consumption trends –may identify changes in trends –choice of sample is important –questions must be simple and clear Kamuoyu anketleri: tüketim yönelimlerini belirlemek üzere örneklem kitleleri araştırılır –yönelimlerdeki değişmeleri özdeşleştirebilir (belirleyebilir) –örneklem seçimi önemlidir –sorular basit ve açık olmalı

30 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-30 Forecasting Techniques Öngörü Teknikleri Market research: is closely related to opinion polling and will indicate not only why the consumer is (or is not) buying, but also –who the consumer is –how he or she is using the product –characteristics the consumer thinks are most important in the purchasing decision Piyasa araştırması: kamuoyu anketleriyle yakından ilgili olup sadece tüketicinin niçin satın aldığını (ya da almadığını) değil fakat aynı zamanda –tüketicinin kim olduğunu –ürünü nasıl kullandığını –satın alma kararında tüketicinin en önemli olduğunu düşündüğü özellikleri içerir

31 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-31 Forecasting Techniques Öngörü Teknikleri Surveys of spending plans: yields information about ‘macro-type’ data relating to the economy, especially: –consumer intentions examples: Survey of Consumers (University of Michigan), Consumer Confidence Survey (Conference Board)* –inventories and sales expectations Harcama planları anketleri: ekonomiye ilişkin ‘makro türde’ veriler hakkında bilgi sağlar, özellikle de: –tüketici niyetleri Örnekler: Survey of Consumers (Michigan Üniversitesi); Consumer Confidence Survey (Conference Board*) –stok ve satış beklentileri

32 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-32 Forecasting Techniques Öngörü Teknikleri Economic indicators: a barometric method of forecasting designed to alert business to changes in conditions –leading, coincident, and lagging indicators –composite index: one indicator alone may not be very reliable, but a mix of leading indicators may be effective İktisadi göstergeler: işletmeleri koşullardaki değişmelere karşı uyarmak üzere tasarlanmış barometrik bir öngörü yöntemi –öncü, eşanlı ve gecikmeli değişkenler –Bileşik indeks: bir değişken tek başına çok da güvenilir olmayabilir, buna karşılık bir öncü göstergeler karışımı daha etkili olabilir

33 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-33 Forecasting Techniques Öngörü Teknikleri Leading indicators predict future economic activity –average hours, manufacturing –initial claims for unemployment insurance –manufacturers’ new orders for consumer goods and materials –vendor performance, slower deliveries diffusion index –manufacturers’ new orders, nondefense capital goods Öncü göstergeler* gelecekteki iktisadi faaliyetler konusunda öndeyide bulunur –işçilerin haftalık (ortalama çalışma saatleri), imalat (sanayi) –(haftalık ortalama) işsizlik sigortası talepleri –imalatçıların yeni tüketim malı ve malzeme siparişleri –satıcı performansı, yavaş teslimat yayılma endeksi –imalatçıların yeni siparişleri, savunma dışı sermaye malları

34 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-34 Forecasting Techniques Öngörü Teknikleri Additional leading indicators to predict future economic activity –building permits, new private housing units –stock prices, 500 common stocks –money supply, M2 –interest rate spread, 10-year Treasury bonds minus federal funds –index of consumer expectations Gelecekteki iktisadi faaliyetler konusunda öndeyide bulunmak için ek öncü göstergeler –inşaat ruhsatları, yeni özel konut birimleri –hisse senedi fiyatları, 500 adi hisse senedi –para arzı, m2 –faiz oranı spredi, 10 yıllık Hazine bonoları ile federal fon faizleri arasındaki fark –tüketici beklentileri indeksi

35 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-35 Forecasting Techniques Öngörü Teknikleri Coincident indicators identify trends in current economic activity –employees on nonagricultural payrolls –personal income less transfer payments –industrial production –manufacturing and trade sales Eşanlı göstergeler cari iktisadi faaliyetlerdeki yönelimleri belirtir –tarım-dışı bordrolu çalışanlar (tarım-dışı kesimde istihdam) –kişisel gelir eksi transfer harcamaları –sınai üretim –imalat sanayi ve ticari satışlar

36 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-36 Forecasting Techniques Öngörü Teknikleri Lagging indicators confirm swings in past economic activity –average duration of unemployment, weeks –ratio, manufacturing and trade inventories to sales –change in labor cost per unit of output, manufacturing (%) Gecikmeli göstergeler geçmiş iktisadi faaliyetlerdeki salınımları doğrular –ortalama işsizlik süresi, hafta –oran, imalat ve ticari envanterin satışlara oranı –imalat sanayinde üretim birimi başına işgücü maliyetindeki değişme (%)

37 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-37 Forecasting Techniques Öngörü Teknikleri Additional lagging indicators confirm swings in past economic activity –average prime rate charged by banks –commercial and industrial loans outstanding –ratio, consumer installment credit outstanding to personal income –change in consumer price index for services Ek gecikmeli göstergeler geçmiş iktisadi faaliyetlerdeki salınımları doğrular –bankaların uyguladığı ortalama prime rate (bankaların en iyi müşterilerine uyguladıkları faiz oranı) faiz oranları –ticari ve endüstriyel ödenmemiş borçlar –tüketicilerin ödenmemiş taksitli kredilerinin kişisel gelire oranı –hizmetlerle ilgili tüketici fiyat endeksindeki değişme

38 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-38 Forecasting Techniques Öngörü Teknikleri Economic indicators: drawbacks –leading indicator index has forecast a recession when none ensued –a change in the index does not indicate the precise size of the decline or increase –the data are subject to revision in the ensuing months İktisadi göstergeler: sakıncalar –öncü gösterge endeksi sonradan bir resesyon gelmediği halde bir resesyon öngörmüştür. –indeksteki bir değişme, gerileme ya da artışın tam büyüklüğünü göstermez –veriler sonraki aylarda düzeltmeye tabidir

39 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-39 Forecasting Techniques Öngörü Teknikleri Trend projections: a form of naïve forecasting that projects trends from past data without taking into consideration reasons for the change –compound growth rate –visual time series projections –least squares time series projection yönelim izdüşümleri (projeksiyonları): naif bir öngörü şekli olup değişmenin nedenlerini göz önüne almadan geçmiş verilerden gelen yönelimlerin izdüşümünü alır –bileşik büyüme oranı –görsel zaman serisi projeksiyonları –enküçük kareler zaman serisi projeksiyonları

40 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-40 Forecasting Techniques Öngörü Teknikleri Compound growth rate: forecasting by projecting the average growth rate of the past into the future –provides a relatively simple and timely forecast –appropriate when the variable to be predicted increases at a constant percentage Bileşik büyüme oranı: geçmişteki ortalama büyüme oranını geleceğe izdüşümlemek suretiyle yapılan öngörü –Nispeten basit ve güncel bir öngörü sağlar –Öndeyide bulunulacak değişkenin sabit bir % ile artması durumunda kullanılması uygundur

41 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-41 Forecasting Techniques Öngörü Teknikleri General compound growth rate formula: E/B = (1+i) n E = final value n = years in the series B = beginning value i = constant growth rate Genel bileşik büyüme oranı formülü: E = B(1+i) n E = nihai değer n = serideki yıl sayısı B = başlangıç değeri i = sabit büyüme oranı

42 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-42 Forecasting Techniques Öngörü Teknikleri Visual time series projections: plotting observations on a graph and viewing the shape of the data and any trends Görsel zaman serisi projeksiyonları: gözlemlerin bir grafik üzerine işaretlenip verilerin şeklinin ve varsa yönelimlerin incelenmesi

43 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-43 Forecasting Techniques Öngörü Teknikleri An Example in Which the Constant Compound Growth Rate Approach Would Be Misleading Sabit Bileşik Büyüme Oranı Yaklaşımının Yanıltıcı Olacağı Bir Örnek

44 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-44 Forecasting Techniques Öngörü Teknikleri Time series analysis: a naïve method of forecasting from past data by using least squares statistical methods to identify trends, cycles, seasonality, and irregular movements Zaman serisi analizi: yönelimleri, devreleri, mevsimselliği ve düzensiz hareketleri özdeşleştirmek (belirlemek) üzere enküçük kareler istatistik yöntemleri kullanılarak geçmiş verilerle yapılan naif bir öngörü yöntemi

45 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-45 Forecasting Techniques Öngörü Teknikleri Time series analysis: –easy to calculate –does not require much judgment or analytical skill –describes the best possible fit for past data –usually reasonably reliable in the short run Zaman serisi analizi: –hesaplaması kolaydır –fazlaca muhakeme ya da analitik beceri gerektirmez –geçmiş veriler için mümkün olan en iyi uyumu tanımlar –kısa dönemde genellikle oldukça güvenilirdir

46 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-46 Forecasting Techniques Öngörü Teknikleri Time series data can be represented as: Y t = f(T t, C t, S t, R t ) Y t =actual value of the data at time t T t =trend component at t C t =cyclical component at t S t =seasonal component at t R t =random component at t Zaman serisi verileri aşağıdaki şekilde temsil edilebilir: Y t = f(T t, C t, S t, R t ) Y t = t zamanında verilerin gerçek değeri T t = t zamanındaki yönelim bileşeni C t = t zamanındaki döngüsel bileşen S t = t zamanındaki mevsimsel bileşen R t = t zamanındaki rastsal bileşen

47 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-47 Forecasting Techniques Öngörü Teknikleri Time series components: seasonality –need to identify and remove seasonal factors, using moving averages to isolate those factors –remove seasonality by dividing data by seasonal factor Zaman serisi bileşenleri: mevsimsellik - Mevsimsel faktörleri belirleyip giderme ihtiyacı, bu faktörleri tecrit etmek için hareketli ortalamaların kullanılması - Verileri mevsimsel faktöre bölerek mevsimselliğin giderilmesi

48 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-48 Forecasting Techniques Öngörü Teknikleri Time series components: trend –to remove trend line, use least squares method –possible best-fit line styles: straight line: Y = a + b(t) exponential line: Y = ab t quadratic line: Y = a + b(t) + c(t) 2 –choose one with best R 2 zaman serisi bileşenleri: yönelim - yönelim doğrusunu gidermek için enküçük kareler yöntemini kullanın - muhtemel en iyi uyum doğrusu çeşitleri düz doğru: Y = a + b(t) üstel doğru: Y = ab t karesel doğru: Y = a + b(t) + c(t) 2 - en iyi R 2 ‘yi veren eğriyi seçin

49 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-49 Forecasting Techniques Öngörü Teknikleri Time series components: cyclical, random –isolate cyclical components by smoothing with a moving average –random factors cannot be predicted and should be ignored Zaman serisi bileşenleri: döngüsel, rastsal –Bir hareketli ortalamayla düzgünleştirme yoluyla döngünün tecrit edilmesi –Rastsal faktörlerle ilgili olarak öndeyide bulunulamaz, bunlar ihmal edilmelidir

50 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-50 Forecasting Techniques Öngörü Teknikleri Smoothing techniques –Moving average The larger the number of observations in the average, the greater the smoothing effect. –Exponential smoothing Allows for the decreasing importance of information in the more distant past. Düzgünleştirme teknikleri –Hareketli ortalama Ortalamadaki gözlem sayısı ne kadar çoksa düzgünleştirme etkisi o kadar büyük olacaktır –Üstel düzgünleştirme Daha uzak geçmişteki bilginin azalan önemine imkan verir

51 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-51 Forecasting Techniques Öngörü Teknikleri Moving average: average of actual past results used to forecast one period ahead E t+1 = (X t + X t-1 + … + X t-N+1 )/N E t+1 = forecast for next period X t, X t-1 = actual values at their respective times N = number of observations included in average Hareketli ortalama: average of actual past results used to forecast one period ahead E t+1 = (X t + X t-1 + … + X t-N+1 )/N E t+1 = gelecek dönem öngörüsü X t, X t-1 = zamanlara tekabül eden gerçek değerler N = ortalamaya dahil edilen gözlem sayısı

52 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-52 Forecasting Techniques Öngörü Teknikleri Exponential smoothing: allows for decreasing importance of information in the more distant past, through geometric progression E t+1 = w · X t + (1-w) · E t w = weight assigned to an actual observation at period t Üstel düzgünleştirme: geometrik dizi yoluyla daha uzak geçmişteki bilginin azalan önemine imkân verir E t+1 = w·X t + (1-w) · E t w = t döneminde gerçek bir gözleme verilen ağırlık

53 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-53 Forecasting Techniques Öngörü Teknikleri Econometric models: causal or explanatory models of forecasting –regression analysis –multiple equation systems endogenous variables: dependent variables that may influence other dependent variables exogenous variables: from outside the system, truly independent variables Ekonometrik modeller: nedensel veya açıklayıcı öngörü modelleri –regresyon analizi –çoklu denklem sistemleri içsel değişkenler: diğer bağımlı değişkenleri etkileyebilecek bağımlı değişkenler dışsal değişkenler: sistemin dışından, gerçekten bağımsız değişkenler

54 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-54 Forecasting Techniques Öngörü Teknikleri Illustration of a model of the relationship between the domestic currency and a foreign currency: Et = a + bIt + cRt + dGt –where E = Exchange rate of a foreign currency in terms of the domestic currency –I = Domestic inflation rate minus foreign inflation rate –R = Domestic nominal interest rate minus foreign nominal interest rate –G = Domestic growth rate of GDP minus the growth rate of foreign GDP –t = Time period –a, b, c, d Regression coefficients Ülke parası ile döviz arasındaki ilişki modelinin gösterilmesi: Et = a + bIt + cRt + dGt –Burada E = ülke parası cinsinden yabancı para döviz kuru –I = Yurtiçi enflasyon oranı eksi dış enflasyon oranı –R = Yurtiçi nominal faiz oranı eksi dış nominal faiz oranı –G = GDP’nin yurtiçi büyüme oranı eksi dış GDP büyüme oranı –t = Zaman dönemi –a, b, c, d Regresyon katsayıları

55 Copyright ©2014 Pearson Education, Inc. All rights reserved.5-55 Summary Özet Regression analysis is a primary tool used by businesses to understand demand. Reliable input data and proper estimation and evaluation are needed. Forecasting is an important activity in many organizations. In business, forecasting is a necessity. This chapter summarized and discussed six of the major forecasting techniques used by businesses. Regresyon analizi, talebi anlamak için işletmeler tarafından kullanılan başlıca araçtır. Burada güvenilir girdi verilerine ve uygun tahmin ve değerlendirmeye ihtiyaç vardır. Öngörü birçok örgütte önemli bir faaliyettir. İşletmede öngörü bir gerekliliktir. Bu bölümde, işletmeler tarafından kullanılan altı temel öngörü tekniği özetlenip tartışılmıştır.


"Chapter 5 Bölüm 5 Demand Estimation and Forecasting Talep Tahmini ve Öngörü." indir ppt

Benzer bir sunumlar


Google Reklamları