7 Млн 371 тыс. Штук. Прогнозирование продаж с использованием абсолютного

прироста, составившего 306 тыс. за 10 лет, дает нам значение 7 млн 260 тыс.

штук, т. е. прирост, равный 4,4%. Это значение близко значению, которое мы

получаем, продлевая линию уже имеющихся наблюдений. Последнее значение

представляется наиболее точной оценкой. Хотя при определенных условиях

подобный тип прогнозирования может быть достаточно точным, большинство

специалистов по прогнозам посчитали бы, что можно получить более точную

"Цепку, особенно учитывая сезонную природу спроса на прохладительные на-

питки. Поэтому Фрэнк проведет анализ временнбго ряда, используя уравне-

ние наименьших квадратов, а также определит

сезонные особенности продаж ≪Citronade≫.

Р И С У Н О К 5.5

Полулогарифмический

график изменения продаж

≪Citronade≫ Анализ временного ряда

В этом разделе мы продолжим исследования

временного ряда. Однако вместо визуальных

оценок мы будем использовать более точный статистический метод: метод наи-

меньших квадратов. Этот метод был представлен ранее и использовался для

оценки спроса. Тогда как оценка спроса требует использования одной или не-

скольких независимых переменных и взаимодействия этих переменных имеют

большую важность, в контексте анализа временного ряда существует только

одна независимая переменная —время. Таким образом, эта система прогнози-

рования является ≪простой≫, потому что она не объясняет причины измене-

ний, а просто утверждает, что прогнозируемый набор чисел изменяется как

функция от времени.

Несмотря на механическую природу этого типа прогнозирования, анализ

временного ряда имеет массу достоинств:

1) не сложен в вьгчислениях. Сейчас доступно много пакетов программ;

2) не требует от аналитика проницательности или особых аналитических

способностей;

3) наиболее приемлемо описывает линию и дает информацию, касающую-

ся статистических ошибок и статистической значимости;

4) в краткосрочном периоде этот метод является достаточно надежным,

если только не происходит абсолютного изменения временного ряда.

Тот факт, что анализ временного ряда не учитывает причинные факторы,

не означает, что аналитик, использующий этот метод, не должен рассматри-

вать дополнительную информацию об изменениях основополагающих факто-

ров. Любой аналитик, использующий этот простой метод прогнозирования, дол-

жен пытаться получить точные выводы на основе информации, которая может

повлиять на результаты.9

Данные за несколько периодов в прошлом обычно демонстрируют четыре

различные характеристики:

3.

1. Тренд. Это направление изменения денных за относительно долгий пе-

риод времени (как снижение, так и увеличение значений).

2. Циклические изменения. Это отклонение от тренда вследствие общих

экономических условий. Например, в ходе наблюдения данных ВВП

будет очевиден тренд прироста в долгосрочном периоде. Также будут

заметны изменения данных вокруг тренда, когда экономика будет де-

монстрировать более быстрый или медленный рост (или спад).

Сезонные изменения. Ежегодная манера изменения, которая характери-

зует многие товары. Продажи игрушек имеют тенденцию к росту перед

Рождеством. Сезонами модной продукции являются осень и весна. В от-

расли прохладительных напитков можно ожидать более высоких про-

даж в теплое время года (т. е. с июня по сентябрь). Таким образом, вре-

менной ряд, в котором данные собираются чаще чем раз в год (т. е. на

ежемесячной или поквартальной основе), может демонстрировать сезон-

ные изменения.