Samenvatting International Finance &
Economics 2 (IFE 2)
(Hoofdstuk 16)
Boek: ‘statistics for managers using Microsoft Excel ’
(7th edition) (David M. Levine – David F. Stephan – Kathryn A.
Szabat)
Bryan Cuperus
BEV.2A
Student
Bedrijfseconomie
Hanzehogeschool
Groningen
,Inhoudsopgave
Hoofdstuk 16.1, the importance of business forecasting ....................................................................... 3
Hoofdstuk 16.2, component factors of time-series models.................................................................... 3
Hoofdstuk 16.3, smoothing and annual time series ............................................................................... 4
Hoofdstuk 16.4, least-squares trend fitting and forecasting .................................................................. 5
Hoofdstuk 16.6, choosing an appropriate forecasting model................................................................. 7
Hoofdstuk 16.7, time-series forecasting of seasonal data ...................................................................... 8
Oefententamen vragen bespreken ....................................................................................................... 10
2
,Hoofdstuk 16.1, the importance of business forecasting
Economische condities veranderen over tijd. Managers moeten op de hoogte blijven van de effecten
die deze veranderingen op de organisatie hebben. Een techniek die hierbij helpt is forecasting. Er
wordt toezicht gehouden op de veranderingen die zich voordoen en de toekomst wordt hieraan
voorspeld.
• Qualitative forecasting wordt gebruikt als historische gegevens niet tot de beschikking zijn.
Ze zijn erg subjectief en dus over te discussiëren.
• Quantitative forecasting maakt gebruik van historische gegevens, het doel is om de toekomst
te voorspellen met het verleden.
o Time-series forecasting, dit is puur gebaseerd op de present value en past value van
variabelen. Voorbeelden hiervan zijn het CPI, het GDP en de closing prijs van een
aandeel op de aandelemarkt. Er worden variabelen bekeken waarvan de uitkomsten
(de data) op vaste tijdsintervervallen is waargenomen.
o Casual forecasting, bij deze worden verschillende variabelen gebruikt om de
variabele die jij wil forecasten uit te rekenen.
Hoofdstuk 16.2, component factors of time-series models
De time-serie methodes gaan ervanuit dat het verleden en het heden zich in de toekomst ongeveer
op dezelfde wijze zal herhalen. Dit is van belang omdat er dan zichtbaar kan worden gemaakt of de
vermoedens kloppen (1), of er aanleidingen zijn waarom op bepaalde momenten afwijkende
uitkomsten te zien zijn (2) en dit maakt het mogelijk om voorspellingen te maken voor de toekomst
(3).
De toekomst wordt bepaald op basis van 4 factoren:
1. Trend, een lange termijn stijging of daling van de variabele.
2. Cyclisch effect, de mate waarin en hoeveel de grafiek op en neer beweegt. Vaak variëren
cyclische effecten in een aantal jaar, zoals bij de conjunctuur van een land. Soms zullen de
waarden dus hoger of lager zijn dan de trend voorspelt, dan zijn de waarden in de piek van
de cyclus of in het dal van de cyclus.
3. Random effect, elke waarde die niet volgens de trend en het cyclisch effect werd wordt
gezien als een random waarde.
4. Seizoensgebonden effect, het seizoensgebonden effect moet ook te zien zijn in het cyclisch
effect. Omdat op sommige punten in de cyclus hogere of lagere waarden zijn door het
moment waarin het zich afspeelt. Deze cyclisch wordt elke tijdseenheid met hetzelfde
patroon afgespeeld. De tijdseenheid kan per week, maand, kwartaal, jaar, decennia
enzovoort zijn.
De eerste stap in een tijdreeksanalyse is altijd het visualiseren van de gegevens, door een grafiek te
maken. Er moet ontdekt worden of de trend omhoog of omlaag gaat. Deze trend wordt berekend via
exponential smoothing of moving averages om de serie waarde glad te strijken (paragraaf 3). Als er
wel een trend is kunnen er verschillende time-serie forecasting methodes worden toegepast
(paragraaf 4, 5 en 7).
3
, Hoofdstuk 16.3, smoothing and annual time series
Soms is het niet duidelijk of de trend omhoog of naar beneden gaat, dit kan doordat een grafiek eerst
omhoog en dan naar beneden gaat (seizoensgebonden effect), of omdat het ongeveer altijd
hetzelfde blijft met een paar uitschieters. Ook kan het zo zijn dat er random waarden in de time-serie
zitten. Om een betere impressie te krijgen van de beweging van de
data, dan kan je de moving averages of de exponential smoothing
gebruiken om de waarden glad te strijken.
Moving averages (=voortschrijdend gemiddelde)
Het voortschrijdend gemiddelde is het gemiddelde van een vast aantal
opeenvolgende elementen in een tijdreeks. Bepaalde periodieke
verschijnselen in een tijdreeks kunnen door een geschikte keuze van de
periode uitgemiddeld worden, zodat het voortschrijdend gemiddelde
het verloop op de langere termijn toont. Rechts staat een voorbeeld.
Uit die tabel komt de volgende grafiek:
X = 104,67
Y = 109
Duidelijk is te zien dat de MA later begint dan de gewone harde data, omdat de eerste (bij 3MA) en
de eerste 2 (bij 5MA) niet berekend kunnen worden.
Deze 2 voorbeelden waren voorbeelden van oneven gewogen gemiddelden. Als een even gewogen
gemiddelde gebruikt wordt, dan wordt het eerste en het laatste getal voor de helft meegerekend.
Een 4MA in dit voorbeeld zou zijn geweest: (59,5 + 97 + 86 + 131 + 52,5) / 4 = 106,5. De uitkomst
wort dan net als bij 5MA in de derde kolom gezet, waardoor de eerste 2 kolommen niet ingevuld
worden en dus leeg blijven.
Exponential smoothing
Deze methode is gebaseerd op middeling waarbij de verschillende gegevens ongelijke gewichten
krijgen: recente data telt sterker mee dan oudere data. Als je de lijn smoother wil maken door
ongewilde random waarde eruit wil halen, dan is het verstandig om de weging hiervan laag mee te
laten tellen.
Als de weging hoger is wordt de werkelijke waarde van de huidige periode meer meegerekend en
hierdoor volgt het de oorspronkelijke reeks meer dan als er een lagere weging gebruikt wordt.
In de grafiek begint deze exponential smoothing lijn niet later dan de gewone getallenreeks, de MA-
lijn doet dit wel.
Met deze ES-methode kan slechts één periode vooruit voorspelt kan worden, maar dat zodra er een
nieuwe waarneming binnen is kan er direct weer een nieuwe voorspelling gemaakt worden.
4
Economics 2 (IFE 2)
(Hoofdstuk 16)
Boek: ‘statistics for managers using Microsoft Excel ’
(7th edition) (David M. Levine – David F. Stephan – Kathryn A.
Szabat)
Bryan Cuperus
BEV.2A
Student
Bedrijfseconomie
Hanzehogeschool
Groningen
,Inhoudsopgave
Hoofdstuk 16.1, the importance of business forecasting ....................................................................... 3
Hoofdstuk 16.2, component factors of time-series models.................................................................... 3
Hoofdstuk 16.3, smoothing and annual time series ............................................................................... 4
Hoofdstuk 16.4, least-squares trend fitting and forecasting .................................................................. 5
Hoofdstuk 16.6, choosing an appropriate forecasting model................................................................. 7
Hoofdstuk 16.7, time-series forecasting of seasonal data ...................................................................... 8
Oefententamen vragen bespreken ....................................................................................................... 10
2
,Hoofdstuk 16.1, the importance of business forecasting
Economische condities veranderen over tijd. Managers moeten op de hoogte blijven van de effecten
die deze veranderingen op de organisatie hebben. Een techniek die hierbij helpt is forecasting. Er
wordt toezicht gehouden op de veranderingen die zich voordoen en de toekomst wordt hieraan
voorspeld.
• Qualitative forecasting wordt gebruikt als historische gegevens niet tot de beschikking zijn.
Ze zijn erg subjectief en dus over te discussiëren.
• Quantitative forecasting maakt gebruik van historische gegevens, het doel is om de toekomst
te voorspellen met het verleden.
o Time-series forecasting, dit is puur gebaseerd op de present value en past value van
variabelen. Voorbeelden hiervan zijn het CPI, het GDP en de closing prijs van een
aandeel op de aandelemarkt. Er worden variabelen bekeken waarvan de uitkomsten
(de data) op vaste tijdsintervervallen is waargenomen.
o Casual forecasting, bij deze worden verschillende variabelen gebruikt om de
variabele die jij wil forecasten uit te rekenen.
Hoofdstuk 16.2, component factors of time-series models
De time-serie methodes gaan ervanuit dat het verleden en het heden zich in de toekomst ongeveer
op dezelfde wijze zal herhalen. Dit is van belang omdat er dan zichtbaar kan worden gemaakt of de
vermoedens kloppen (1), of er aanleidingen zijn waarom op bepaalde momenten afwijkende
uitkomsten te zien zijn (2) en dit maakt het mogelijk om voorspellingen te maken voor de toekomst
(3).
De toekomst wordt bepaald op basis van 4 factoren:
1. Trend, een lange termijn stijging of daling van de variabele.
2. Cyclisch effect, de mate waarin en hoeveel de grafiek op en neer beweegt. Vaak variëren
cyclische effecten in een aantal jaar, zoals bij de conjunctuur van een land. Soms zullen de
waarden dus hoger of lager zijn dan de trend voorspelt, dan zijn de waarden in de piek van
de cyclus of in het dal van de cyclus.
3. Random effect, elke waarde die niet volgens de trend en het cyclisch effect werd wordt
gezien als een random waarde.
4. Seizoensgebonden effect, het seizoensgebonden effect moet ook te zien zijn in het cyclisch
effect. Omdat op sommige punten in de cyclus hogere of lagere waarden zijn door het
moment waarin het zich afspeelt. Deze cyclisch wordt elke tijdseenheid met hetzelfde
patroon afgespeeld. De tijdseenheid kan per week, maand, kwartaal, jaar, decennia
enzovoort zijn.
De eerste stap in een tijdreeksanalyse is altijd het visualiseren van de gegevens, door een grafiek te
maken. Er moet ontdekt worden of de trend omhoog of omlaag gaat. Deze trend wordt berekend via
exponential smoothing of moving averages om de serie waarde glad te strijken (paragraaf 3). Als er
wel een trend is kunnen er verschillende time-serie forecasting methodes worden toegepast
(paragraaf 4, 5 en 7).
3
, Hoofdstuk 16.3, smoothing and annual time series
Soms is het niet duidelijk of de trend omhoog of naar beneden gaat, dit kan doordat een grafiek eerst
omhoog en dan naar beneden gaat (seizoensgebonden effect), of omdat het ongeveer altijd
hetzelfde blijft met een paar uitschieters. Ook kan het zo zijn dat er random waarden in de time-serie
zitten. Om een betere impressie te krijgen van de beweging van de
data, dan kan je de moving averages of de exponential smoothing
gebruiken om de waarden glad te strijken.
Moving averages (=voortschrijdend gemiddelde)
Het voortschrijdend gemiddelde is het gemiddelde van een vast aantal
opeenvolgende elementen in een tijdreeks. Bepaalde periodieke
verschijnselen in een tijdreeks kunnen door een geschikte keuze van de
periode uitgemiddeld worden, zodat het voortschrijdend gemiddelde
het verloop op de langere termijn toont. Rechts staat een voorbeeld.
Uit die tabel komt de volgende grafiek:
X = 104,67
Y = 109
Duidelijk is te zien dat de MA later begint dan de gewone harde data, omdat de eerste (bij 3MA) en
de eerste 2 (bij 5MA) niet berekend kunnen worden.
Deze 2 voorbeelden waren voorbeelden van oneven gewogen gemiddelden. Als een even gewogen
gemiddelde gebruikt wordt, dan wordt het eerste en het laatste getal voor de helft meegerekend.
Een 4MA in dit voorbeeld zou zijn geweest: (59,5 + 97 + 86 + 131 + 52,5) / 4 = 106,5. De uitkomst
wort dan net als bij 5MA in de derde kolom gezet, waardoor de eerste 2 kolommen niet ingevuld
worden en dus leeg blijven.
Exponential smoothing
Deze methode is gebaseerd op middeling waarbij de verschillende gegevens ongelijke gewichten
krijgen: recente data telt sterker mee dan oudere data. Als je de lijn smoother wil maken door
ongewilde random waarde eruit wil halen, dan is het verstandig om de weging hiervan laag mee te
laten tellen.
Als de weging hoger is wordt de werkelijke waarde van de huidige periode meer meegerekend en
hierdoor volgt het de oorspronkelijke reeks meer dan als er een lagere weging gebruikt wordt.
In de grafiek begint deze exponential smoothing lijn niet later dan de gewone getallenreeks, de MA-
lijn doet dit wel.
Met deze ES-methode kan slechts één periode vooruit voorspelt kan worden, maar dat zodra er een
nieuwe waarneming binnen is kan er direct weer een nieuwe voorspelling gemaakt worden.
4
