Top 3 Techniken der Nachfrageprognose | Produkte | Wirtschaft

Die folgenden Punkte heben die drei wichtigsten Techniken der Nachfrageprognose hervor. Die Techniken umfassen: 1. Erhebungsmethoden 2. Meinungsumfragemethoden 3. Statistische Methoden.

1. Erhebungsmethoden :

Unter Erhebungsmethoden werden Erhebungen über die Absichten der Verbraucher, Meinungen von Experten, Erhebungen über Managementpläne oder über Märkte durchgeführt. Die mit diesen Methoden erhaltenen Daten werden analysiert und bei Bedarf Prognosen erstellt. Diese Methoden werden im Allgemeinen verwendet, um kurzfristige Bedarfsprognosen zu erstellen.

Verbraucherumfrage :

Die Methode der Verbraucherbefragung zur Bedarfsprognose umfasst die direkte Befragung der potenziellen Verbraucher. Verbraucher werden einfach vom Interviewer kontaktiert und gefragt, wie viel sie bereit wären, ein bestimmtes Produkt bei einer Reihe von alternativen Produktpreisniveaus zu kaufen.

Die Verbraucherumfrage kann in folgender Form erfolgen:

ein. Vollständige Aufzählung

b. Beispielumfrage oder

c. Endanwendungsmethode

ein. Vollständige Aufzählungsmethode:

In einer vollständigen Aufzählung werden alle Verbraucher des Produkts kontaktiert und gebeten, ihre Pläne für den Kauf der betreffenden Produktion für den Prognosezeitraum anzugeben.

Die Bedarfsprognose für den Gesamtverbrauch der Volkszählung ergibt sich einfach durch Addition des beabsichtigten Bedarfs aller Verbraucher als:

DF = ID 1 + ID 2 + ……… .. ID n … (2.1)

Wo,

DF = Nachfrageprognose für alle Verbraucher

ID 1 = vorgesehene Nachfrage des Verbrauchers 1.

ID 2 = vorgesehene Nachfrage des Verbrauchers 2.

Die wahrscheinliche Nachfrage aller Verbraucher wird summiert, um die Verkaufsprognose zu erhalten. Diese Methode erleichtert das Sammeln von Informationen aus erster Hand und ist frei von Verzerrungen. Die Methode hat auch einige Nachteile. Diese Methode kann nur bei Produkten angewendet werden, deren Verbraucher in einer bestimmten Region ansässig sind. Wenn die Verbraucher des Produkts breit gestreut sind, erweist sich diese Methode als kostspielig und zeitaufwendig. Eine Bedarfsschätzung mit dieser Methode ist möglicherweise nicht zuverlässig, da die Verbraucher nicht im Voraus überlegt haben, was sie in diesen hypothetischen Situationen tun würden.

Ebenfalls:

(i) Die Verbraucher sind sich möglicherweise ihrer genauen Nachfrage nicht bewusst und sind daher möglicherweise nicht in der Lage oder bereit, die Fragen zu beantworten.

(ii) Die Verbraucher können hypothetische Antworten auf hypothetische Fragen geben.

(iii) Ihre Antworten können nach ihren eigenen Erwartungen in Bezug auf die Marktbedingungen verzerrt sein.

(iv) Ihre Pläne können sich aufgrund von Änderungen der Faktoren ändern, die nicht im Fragebogen enthalten sind, und

(v) Wenn wir zu den Effekten der Werbung auf Abruf kommen, treten die Probleme eines solchen direkten Interviewansatzes noch mehr auf.

b. Beispiel Umfragemethode:

Nützliche Daten für die Bedarfsprognose können auch aus Umfragen von Verbraucherplänen abgerufen werden. Im Gegensatz zur vollständigen Aufzählungsmethode werden bei der Stichprobenerhebungsmethode nur wenige potenzielle Verbraucher aus dem relevanten Markt befragt, die durch eine geeignete Stichprobenmethode ausgewählt wurden. Die Umfrage kann entweder per Direktinterview oder per Fragebogen per Post an die Stichprobenverbraucher durchgeführt werden.

Der Gesamtbedarf kann mit Hilfe der folgenden Formel prognostiziert werden:

Wo,

N die Bevölkerung der Verbraucher

n Stichprobe befragt.

Dann wird der wahrscheinliche Bedarf, der von jeder ausgewählten Einheit ausgedrückt wird, summiert, um den Gesamtbedarf für den Prognosezeitraum zu erhalten. Der Gesamtbedarf der Stichprobe wird dann mit dem Verhältnis der Anzahl der verbrauchenden Einheiten in der Grundgesamtheit zur Anzahl der verbrauchenden Einheiten in der Stichprobe multipliziert. Wenn die ausgewählte Stichprobe für die Bevölkerung angemessen repräsentativ ist, ist es wahrscheinlicher, dass die Ergebnisse der Stichprobe mit den Ergebnissen der Bevölkerung übereinstimmen. Diese Methode ist einfacher, wirtschaftlicher und zeitsparender als die vollständige Aufzählung.

Umfragen zur Verbrauchernachfrage können zwar nützliche Daten für Prognosen liefern, ihr Wert hängt jedoch stark von den Fähigkeiten ihrer Urheber ab. Um aussagekräftige Umfragen durchführen zu können, muss jeder Phase des Prozesses besondere Aufmerksamkeit geschenkt werden. Fragen müssen präzise formuliert sein, um Mehrdeutigkeiten zu vermeiden. Die Stichprobe der Umfrage muss ordnungsgemäß ausgewählt werden, damit die Antworten für alle Kunden repräsentativ sind. Schließlich sollten die Methoden der Umfrageverwaltung eine hohe Rücklaufquote aufweisen und die Antworten der Befragten nicht verzerren. Schlecht formulierte Fragen oder eine nicht zufällige Stichprobe können zu Daten führen, die von geringem Wert sind.

Selbst die sorgfältigsten Umfragen sagen die Verbrauchernachfrage nicht immer mit großer Genauigkeit voraus. In einigen Fällen verfügen die Befragten nicht über genügend Informationen, um festzustellen, ob sie ein Produkt kaufen würden. In anderen Situationen könnten die Befragten unter Zeitdruck stehen und nicht bereit sein, über ihre Antworten nachzudenken.

Manchmal kann die Antwort den Wunsch widerspiegeln (entweder bewusst oder unbewusst), sich in ein günstiges Licht zu rücken oder die Zustimmung der Befragten zu erhalten. Aufgrund dieser Einschränkungen stützen sich Prognosen selten ausschließlich auf Ergebnisse von Verbraucherumfragen. Vielmehr gelten diese Daten als ergänzende Informationsquellen für die Entscheidungsfindung.

c. Endanwendungsmethode:

Die Endanwendungsmethode der Bedarfsprognose weist sowohl theoretische als auch praktische Werte auf. Diese Methode umfasst eine Befragung von Unternehmen in allen Branchen, die das Produkt verwenden, und projiziert den Verkauf des betreffenden Produkts auf der Grundlage einer Nachfragebefragung der Branchen, die dieses Produkt als Zwischenprodukt verwenden. Die Nachfrage nach dem Endprodukt ist die Endverbrauchsnachfrage des Zwischenprodukts, das bei der Herstellung dieses Endprodukts verwendet wird.

Die Endanwendungsmethode der Bedarfsprognose besteht aus vier verschiedenen Schätzungsstufen:

(1) Informieren Sie sich über die möglichen Verwendungen des betreffenden Produkts.

(2) Ermittlung geeigneter technischer Verbrauchsnormen für jede Verwendung des untersuchten Produkts.

(3) Für die Anwendung der Normen ist es erforderlich, die gewünschten oder angestrebten Produktionsmengen der einzelnen Wirtschaftszweige für das Bezugsjahr sowie die wahrscheinliche Entwicklung anderer wirtschaftlicher Tätigkeiten, die das Produkt verwenden, und die wahrscheinlichen Produktionsziele zu kennen.

(4) Schließlich wird der produktbezogene Inhalt des Artikels, für den die Nachfrage prognostiziert werden soll, aggregiert, was die Schätzung der Nachfrage für das gesamte Produkt für das betreffende Endjahr ergibt.

Daher kann die Bedarfsschätzung für den Endverbrauch eines Zwischenprodukts viele Endproduktindustrien betreffen, die dieses Produkt im In- und Ausland verwenden. Sobald die Nachfrage nach Endverbrauchsgütern einschließlich ihres Exports abzüglich der Importe bekannt ist, kann die Nachfrage nach dem Produkt, das mit Hilfe von Input-Output-Koeffizienten als Zwischenprodukt bei der Herstellung dieser Endverbrauchsgüter verwendet wird, geschätzt werden. Die Input-Output-Tabellen mit Input-Output-Koeffizienten für bestimmte Zeiträume werden in jedem Land entweder von der Regierung oder von Forschungsorganisationen zur Verfügung gestellt.

Mit Ausnahme von Zwischenprodukten ist eine Bedarfsprognose nach der Endverbrauchsmethode weder wünschenswert noch machbar. Darüber hinaus wird es mit zunehmender Anzahl von Endbenutzern eines Produkts immer unbequemer, diese Methode zu verwenden. Diese Methode ist sehr nützlich für Industrien wie Aluminium, in denen es sich hauptsächlich um Erzeugerprodukte handelt.

Um mit dieser Methode Prognosen zu erstellen, muss ein Zeitplan für die voraussichtliche Gesamtnachfrage nach Inputs erstellt werden, die in Zukunft von Verbrauchsbranchen und verschiedenen Sektoren erstellt wird. Bei dieser Methode werden technologische, strukturelle und andere Veränderungen, die die Nachfrage beeinflussen könnten, bereits im Vorfeld der Schätzung berücksichtigt. Dieser Aspekt des Endverwendungsansatzes ist von besonderer Bedeutung.

Vorteile der Endanwendungsmethode:

(1) Es hilft, die zukünftige Nachfrage nach einem Industrieprodukt nach Art und Größe sehr detailliert abzuschätzen. Durch die Untersuchung des gegenwärtigen Verwendungsmusters des Verbrauchs des Produkts bietet der Endverwendungsansatz jede Gelegenheit, die Typen, Kategorien und Größen zu bestimmen, die in Zukunft wahrscheinlich nachgefragt werden.

(2) Die Methode hilft, jederzeit zu verfolgen und zu bestimmen, wo und warum der tatsächliche Verbrauch von der geschätzten Nachfrage abgewichen ist. Auf der Grundlage einer solchen Prüfung können auch von Zeit zu Zeit geeignete Überarbeitungen vorgenommen werden.

2. Methoden der Meinungsumfrage :

Bei den Meinungsumfragemethoden wird die Nachfrage geschätzt, indem Meinungen von Marktkenntnissen wie professionellen Marketingexperten und -beratern, Vertriebsmitarbeitern und Führungskräften herangezogen werden. Das kollektive Urteil sachkundiger Personen kann eine wichtige Informationsquelle sein.

In der Tat basieren einige Prognosen fast ausschließlich auf persönlichen Erkenntnissen der wichtigsten Entscheidungsträger. Dieser Prozess kann Manager einbeziehen, die auf der Grundlage ihrer Einschätzung der wirtschaftlichen Bedingungen, denen das Unternehmen ausgesetzt ist, Projektionen entwickeln. Unter anderen Umständen kann das Verkaufspersonal des Unternehmens gebeten werden, die Zukunftsaussichten zu bewerten. In anderen Fällen können Berater eingesetzt werden, um Prognosen auf der Grundlage ihrer Branchenkenntnisse zu erstellen.

Diese Methoden umfassen:

ich. Expertenmeinung:

Der Forscher identifiziert die Experten für die Ware, deren Nachfrageprognose versucht wird, und prüft mit ihnen die wahrscheinliche Nachfrage nach dem Produkt im Prognosezeitraum. Diese Methode besteht darin, die Ansichten der Verkäufer und / oder des Vertriebsleitungspersonals zu sichern. Es gibt viele Variationen.

Die kombinierte Sicht der Vertriebsmitarbeiter auf zukünftige Vertriebserwartungen kann sichergestellt werden, indem die aufeinanderfolgenden Führungsebenen sorgfältig geprüft werden und die zukünftigen Vertriebsschätzungen von den Vertriebsmitarbeitern einzeln vorgelegt werden. Eine andere Methode wäre, sich bei der Erstellung von Verkaufsprognosen nur auf das Fachwissen der Vertriebsleiter des Unternehmens zu stützen.

Die Vorteile dieser Methode bestehen aus:

(a) Diese Methode stützt sich auf Fachkenntnisse von Personen, die dem Markt am nächsten stehen.

(b) den Verkäufern mehr Vertrauen in die Entwicklung von Verkaufsquoten gibt;

(c) Höhere Stabilität durch Probengröße;

(d) Übertragung der Verantwortung für die Prognosen auf diejenigen, von denen Ergebnisse erwartet werden.

Die vorgebrachten Nachteile sind:

(a) Verkäufer sind schlechte Schätzer, die übermäßig optimistisch sind;

(b) Verkäufer sind sich der breiten Wirtschaftsmuster häufig nicht bewusst und können langfristige Trends nicht vorhersagen.

(c) Die Zeit des Verkaufspersonals wird auf diese Weise für die Hauptaufgabe des Verkaufs verkürzt; und;

(d) Verkäufer können die Nachfrage absichtlich unterschätzen, wenn auf der Grundlage dieser Informationen Quoten festgelegt werden.

ii. Delphi-Methode:

Die Delphi-Methode ist ein vereinfachter Prozess, um innerhalb einer Gruppe anonymer Teilnehmer einen Konsens zu erzielen. Der Moderator sendet jedem Mitglied der Delphi-Gruppe einen Prognose-Fragebogen. Anonymität ist bei dieser Methode von entscheidender Bedeutung, um zu verhindern, dass einige Gruppenmitglieder die Entscheidung dominieren. Wenn der Fragebogen zurückgesandt wird, werden die Antworten statistisch zusammengefasst und an die Gruppe zurückgesendet. Jedes Delphi-Mitglied hat die Möglichkeit, seine vorherigen Antworten basierend auf den Antworten der Gruppe zu ändern. Dies ist ein sich wiederholender Prozess, der fortgesetzt wird, bis ein Konsens erreicht ist.

Die Delphi-Methode wird für neue Produkte oder für Prognosen mit sehr großer Reichweite verwendet. Es ist jedoch ein zeitaufwändiger Prozess, der in hohem Maße von der Qualität der Fragebögen abhängt. Darüber hinaus können die Teilnehmer unzureichende Antworten geben, da keine Rechenschaftspflicht besteht.

Unter der Delphi-Methode werden Meinungen von Experten gesammelt und Anstrengungen unternommen, um diese zusammenzuführen. Dies geschieht, indem die Experten zusammengebracht werden, Treffen vereinbart werden und ein enger Bereich für die Prognose festgelegt wird, in dem versucht wird, die Intervallprognose direkt anzugeben, und eine Punktprognose erreicht wird, indem die Gesamtbewertung des Forschers oder des Koordinators der Vorhersageübung.

Im Allgemeinen durchläuft die Prognose die folgenden Phasen:

(i) Alle Experten des Produkts werden gebeten, ihre individuellen Schätzungen für die wahrscheinliche Nachfrage abzugeben.

(ii) Wenn der Unterschied in den Prognosen signifikant ist, werden die Experten zu einer Konferenz zu diesem Thema eingeladen, um das Problem in Bezug auf Unterschiede in ihren Schätzungen darzulegen. Durch Streiten, Überzeugen und Überzeugen sowie durch den Meinungsaustausch mit Kollegen werden Anstrengungen unternommen, um die Grenzen der wahrscheinlichen Nachfrage einzugrenzen.

(iii) Wenn der Variationsbereich immer noch groß ist, wird die Übung fortgesetzt, bis der Koordinator in der Lage ist, einen akzeptablen Bereich zu erreichen.

(iv) Deklarieren Sie den so erhaltenen Bereich als Intervallbedarfsprognose für das Produkt für den Zeitraum, für den es ausgeführt wird.

(v) Nehmen Sie einen einfachen Durchschnitt der unteren und oberen Werte der Vorhersage und deklarieren Sie die Punktvorhersage für die Variable unter Vorhersage.

Die Verwendung der Delphi-Technik kann anhand eines einfachen Beispiels veranschaulicht werden. Angenommen, ein Gremium aus sechs externen Experten wird gebeten, die Umsätze eines Unternehmens für das nächste Jahr vorherzusagen. Unabhängig voneinander prognostizieren zwei Panelmitglieder eine Steigerung um 8 Prozent, drei Mitglieder eine Steigerung um 5 Prozent und eine Person keine Umsatzsteigerung. Basierend auf den Antworten der anderen Personen wird jeder Experte gebeten, eine überarbeitete Umsatzprognose zu erstellen. Einige derjenigen, die ein schnelles Umsatzwachstum erwarten, werden nach Einschätzung ihrer Mitbewerber im zweiten Durchgang möglicherweise weniger optimistische Prognosen abgeben.

Umgekehrt können einige derjenigen, die ein langsames Wachstum vorhersagen, ihre Reaktionen nach oben korrigieren. Es kann jedoch auch Mitglieder des Gremiums geben, die entscheiden, dass eine Anpassung ihrer ursprünglichen Prognose nicht gerechtfertigt ist. Angenommen, eine zweite Reihe von Prognosen des Panels enthält eine Schätzung einer Umsatzsteigerung von 2 Prozent, eine von 5 Prozent, zwei von 6 Prozent und zwei von 7 Prozent.

Die Experten werden erneut aufgefordert, ihre Prognosen weiter zu überdenken. Dieser Prozess wird fortgesetzt, bis ein Konsens erreicht ist oder bis weitere Iterationen kaum oder keine Änderung der Umsatzschätzungen bewirken. Die Delphi-Methode ist recht solide, kann aber langwierig und kostspielig sein.

In Situationen, in denen die Anzahl der Experten nicht zu groß und kooperativ ist und der Forscher über die erforderlichen Mittel und Befugnisse verfügt, um die Aufgabe auszuführen, kann die Delphi-Methode für die Bedarfsprognose geeignet sein.

Der Wert der Delphi-Technik besteht darin, dass sie einzelnen Panelmitgliedern bei der Beurteilung ihrer Prognosen hilft. Implizit sind sie gezwungen zu überlegen, warum sich ihr Urteil von dem anderer Experten unterscheidet. Idealerweise sollte dieser Bewertungsprozess mit jeder Iteration genauere Vorhersagen generieren. Der Nutzen von Expertenmeinungen hängt von den Fähigkeiten und Erkenntnissen der Experten ab, die für Vorhersagen eingesetzt werden.

Ein Problem mit der Delphi-Methode kann sein Aufwand sein. Häufig sind die sachkundigsten Personen in einer Branche in der Lage, hohe Honorare für ihre Tätigkeit als Berater zu verlangen. Sie können von der Firma angestellt werden, haben jedoch andere wichtige Verantwortlichkeiten, was bedeutet, dass die Einbeziehung in den Planungsprozess erhebliche Opportunitätskosten verursachen kann.

Darüber hinaus sind Experten nicht bereit, sich von den Vorhersagen anderer Panel-Mitglieder beeinflussen zu lassen. Obwohl Prognosen von Experten nicht immer das Produkt von „harten Daten“ sind, sollte deren Nützlichkeit nicht unterschätzt werden. In der Tat können die Erkenntnisse derjenigen, die eng mit einer Branche verbunden sind, für die Prognose von großem Wert sein

iii. Umfragen von Managementplänen:

Umfragen von Managementplänen können eine wichtige Datenquelle für Prognosen sein. Der Grund für die Durchführung solcher Erhebungen ist, dass Pläne im Allgemeinen die Grundlage für zukünftige Maßnahmen bilden. Beispielsweise werden Investitionsbudgets für große Unternehmen in der Regel frühzeitig geplant. Eine Untersuchung der Investitionspläne solcher Unternehmen sollte daher eine hinreichend genaue Prognose der künftigen Nachfrage nach Investitionsgütern liefern.

iv. Marktexperimente:

Marktexperimente (tatsächlich oder simuliert) werden durchgeführt, um Nachfrageprognosen zu erstellen. Ein potenzielles Problem bei der Umfragemethode besteht darin, dass Umfrageantworten möglicherweise nicht zum tatsächlichen Verbraucherverhalten führen. Verbraucher tun nicht unbedingt das, was sie zu tun sagen. Diese Schwäche kann teilweise durch Marktexperimente überwunden werden, die darauf abzielen, Daten vor der vollständigen Einführung eines Produkts oder der Umsetzung einer Richtlinie zu generieren.

Marktexperimente können in zwei Formen durchgeführt werden:

(a) Testmarkt:

Um ein Marktexperiment durchzuführen, wählt das Unternehmen zunächst einen Testmarkt aus, der aus mehreren Städten, einer Region des Landes oder einer Stichprobe von Verbrauchern aus einer Mailingliste bestehen kann. Das Experiment kann eine Reihe von Merkmalen beinhalten, beispielsweise die Bewertung der Wahrnehmung eines neuen Produkts durch den Verbraucher auf dem Testmarkt. In anderen Fällen können in verschiedenen Städten unterschiedliche Preise für ein vorhandenes Produkt festgelegt werden, um die Nachfrageelastizität zu bestimmen. Eine dritte Möglichkeit wäre ein Test der Verbraucherreaktion auf eine neue Werbekampagne.

Es gibt mehrere Faktoren, die Manager bei der Auswahl eines Testmarkts berücksichtigen sollten. Der Standort sollte überschaubar sein. Wenn die Fläche zu groß ist, kann es teuer und schwierig sein, das Experiment durchzuführen und die Daten zu analysieren. Zweitens sollten die Bewohner des Testmarktes in Bezug auf Alter, Bildung und Einkommen repräsentativ für die Gesamtbevölkerung der Vereinigten Staaten sein, da die Ergebnisse sonst möglicherweise nicht auf andere Gebiete anwendbar sind. Schließlich sollte es möglich sein, Werbung zu kaufen, die sich nur an diejenigen richtet, die getestet werden.

(b) Labortests:

Eine andere Möglichkeit zur Durchführung von Marktexperimenten ist das Experiment einer Verbraucherklinik oder eines kontrollierten Labors. Hier wird den Verbrauchern etwas Geld gegeben, um in einem bestimmten Geschäft Waren mit unterschiedlichen Preisen, Verpackungen, Displays usw. zu kaufen, und die Reaktion der Verbraucher auf diese Abweichungen wird untersucht. Somit liefert das Laborversuch die gleichen Ergebnisse wie das Feldmarktversuch.

Marktexperimente haben gegenüber Umfragen den Vorteil, dass sie das tatsächliche Verbraucherverhalten widerspiegeln, aber immer noch Einschränkungen aufweisen. Ein Problem ist das damit verbundene Risiko. In Testmärkten, in denen die Preise steigen, können Verbraucher auf Produkte von Wettbewerbern umsteigen. Sobald das Experiment beendet und der Preis auf das ursprüngliche Niveau gesunken ist, ist es möglicherweise schwierig, diese Kunden wiederzugewinnen.

Ein weiteres Problem ist, dass das Unternehmen nicht alle Faktoren kontrollieren kann, die die Nachfrage beeinflussen. Die Ergebnisse einiger Marktexperimente können durch schlechtes Wetter, sich ändernde wirtschaftliche Bedingungen oder die Taktik der Wettbewerber beeinflusst werden. Da die meisten Experimente von relativ kurzer Dauer sind, sind sich die Verbraucher möglicherweise der Preisgestaltung oder der Änderungen der Werbung nicht vollständig bewusst. Daher können ihre Antworten die wahrscheinlichen Auswirkungen dieser Änderungen unterschätzen.

Einschränkungen:

Die Marktexperimentmethoden weisen bestimmte schwerwiegende Einschränkungen auf, die die Zuverlässigkeit der Methode erheblich verringern:

ich. Experimentelle Methoden sind sehr teuer, daher können sich kleine Unternehmen diese nicht leisten. Da Experimente teuer sind, werden sie in der Regel in einem zu kleinen Maßstab durchgeführt, um eine Verallgemeinerung mit einem hohen Maß an Zuverlässigkeit zu ermöglichen.

ii. Experimentelle Methoden basieren auf kurzfristigen und kontrollierten Bedingungen, die in einem unkontrollierten Markt möglicherweise nicht existieren. Daher sind die Ergebnisse möglicherweise nicht auf die unkontrollierbaren langfristigen Marktbedingungen anwendbar.

iii. Änderungen der sozioökonomischen Bedingungen, die während der Feldversuche stattfinden, wie lokale Streiks oder Entlassungen, Werbeprogramme von Wettbewerbern, politische Veränderungen, Naturkatastrophen, können die Ergebnisse ungültig machen. Das Herumbasteln von Preiserhöhungen kann zu einem dauerhaften Verlust von Kunden für wettbewerbsfähige Marken führen, die möglicherweise ausprobiert wurden.

Trotz dieser Einschränkungen wird die Marktexperimentmethode häufig verwendet, um eine alternative Bedarfsschätzung bereitzustellen und um die Ergebnisse statistischer Studien zu überprüfen. Außerdem werden mit dieser Methode Elastizitätskoeffizienten generiert, die für die statistische Analyse von Nachfragebeziehungen erforderlich sind.

3. Statistische Methoden :

Wir haben Umfragen und experimentelle Methoden der Nachfrageprognose diskutiert. Diese Methoden sind besser geeignet, um die Nachfrage nach einem Produkt kurzfristig zu schätzen.

In diesem Abschnitt wurden statistische Methoden erörtert, die von Zeitreihen- und Querschnittsdaten abhängen und für die langfristige Bedarfsprognose geeignet sind:

Die wichtigsten statistischen Methoden sind:

ich. Trendprojektionsmethoden

ii. Barometrische Methoden und

iii. Ökonometrische Methoden

ich. Trendprojektionsmethoden :

Die Trendprojektion ist eine der am weitesten verbreiteten Techniken der Nachfrageprognose. Ein Trend in Zeitreihen einer Variablen ist die langfristige Änderung in ihr? Diese Methode erfordert lange und zuverlässige Zeitreihendaten. Bei dieser Methode wird davon ausgegangen, dass die Faktoren, die für die vergangenen Trends in der zu projizierenden Variablen verantwortlich sind, auch in Zukunft in gleicher Weise und in demselben Ausmaß wie in der Vergangenheit eine Rolle bei der Bestimmung sowie der Größe und Richtung der Variablen spielen. Es kann lineare oder nichtlineare Nachfragetrends für ein Produkt geben.

Meist werden lineare Trends und konstante Wachstumstendenzen verwendet, um die zukünftige Nachfrage vorherzusagen. Diese Methoden machen eine kostenintensive Marktforschung überflüssig, da die erforderlichen Informationen häufig bereits im Unternehmen vorhanden sind. Da die Methode keinen Zusammenhang zwischen Ursache und Wirkung aufzeigt, wurde sie als „naiver Ansatz“ angesehen.

Trotzdem: „Die Übernahme eines solchen Ansatzes ist nicht unkompliziert. Es ist lediglich eines der verschiedenen Mittel, um einen Einblick in die mögliche Zukunft zu erhalten, und ob die mit diesen Mitteln gemachten Prognosen als am besten geeignet erachtet werden oder nicht, hängt in hohem Maße von der Zuverlässigkeit vergangener Daten und dem Urteil ab, das vorliegt im Endeffekt ausgeübt werden. “

Für die Bedarfsprognose mittels Trendprojektionsmethoden werden die Zeitreihendaten zum Umsatz benötigt. Bei etablierten Unternehmen mit langer Unternehmensgeschichte stehen diese Daten in Verkaufsunterlagen zur Verfügung. Neue Unternehmen können die erforderlichen Daten von den bestehenden Unternehmen der gleichen Branche erhalten.

Im Folgenden werden drei wichtige Techniken der Trendprojektion basierend auf Zeitreihendaten beschrieben:

(i) Grafik-, Inspektions- oder Freihandverfahren:

Bei dieser Methode wird ein Diagramm mit Verlaufsdaten der zu prognostizierenden Variablen erstellt, anschließend visuell bis zum Prognosezeitraum hochgerechnet und schließlich der Wert der Variablen im Prognosezeitraum aus dem Diagramm ausgelesen, um die erforderliche Prognose zu erhalten.

In Abb. 2.1 sind die Verkäufe in Tausend Einheiten auf der Y-Achse und die Zeit zwischen 1994 und 2001 auf der X-Achse dargestellt. Die Verkaufsdaten werden in der Grafik aufgezeichnet und die aufgezeichneten Punkte werden durch eine Linie verbunden. Dann wird eine Linie mit minimalem Abstand von den Punkten gezeichnet. Durch die Erweiterung der Trendlinie können wir einen ungefähren Verkauf für das Jahr 2005 oder 2007 prognostizieren.

Obwohl diese Methode einfach und wirtschaftlich ist, leiden die erhaltenen Prognosen unter der Subjektivität und persönlichen Voreingenommenheit des Analytikers bei der Extrapolation der Kurve. Da jedoch historische Daten, für die in der Regel keine Variablen aufgezeichnet wurden, auf einer glatten Kurve liegen, wäre eine Extrapolation niemals eindeutig, und die Methode würde immer unter Subjektivität leiden.

Die grafische Technik wird anhand der folgenden Abbildung erläutert:

Illustration:

Passen Sie mit der Freihand- oder Grafikmethode einen geraden Trend an die folgenden Zeitreihendaten zum Umsatz eines Unternehmens an.

Durch Auswahl einer geeigneten Skala werden die Jahre entlang der x-Achse und die entsprechenden Verkaufswerte entlang der y-Achse markiert. Die so erhaltenen Punkte werden dann durch eine gerade Linie verbunden, die das Verhalten der Verkaufswerte über den gegebenen Zeitraum zeigt. Dann ziehen wir eine freie Gerade durch die Punkte der tatsächlichen Daten, um die Zeitreihendaten zu glätten und den Trend zu erhalten. Das Verhalten der Istdaten und der Trendlinie ist in Abb. 2.1 dargestellt.

(ii) Trendanpassung oder Least Square-Methode:

Bei dieser Methode wird versucht, historische Daten durch Schätzung alternativer Trendgleichungen zu extrapolieren.

Eine Trendgleichung ist eine Gleichung, bei der die zu prognostizierende Variable einfach als Funktion der Zeit erstellt wird:

Diese Technik verwendet statistische Formeln, um die Trendlinie zu finden, die am besten zu den verfügbaren Daten passt. Die Trendlinie ist die Schätzgleichung, mit der die Nachfrage prognostiziert werden kann, indem die Linie für die Zukunft extrapoliert und die entsprechenden Umsatzwerte in der Grafik abgelesen werden.

Linearer Trend:

Die geschätzte lineare Trendgleichung des Umsatzes lautet:

Umsatz = a + b (Jahreszahl)

Oder S = a + bT.…… (2.3)

wobei a und b aus vergangenen Daten berechnet werden und

T ist die Jahreszahl, für die die Prognose erforderlich ist.

In der folgenden Abbildung wird erläutert, wie die Bedarfsprognose mithilfe der Least Square-Methode durchgeführt wird.

Illustration:

Die Verkaufsunterlagen eines hypothetischen Unternehmens enthüllen die folgenden Daten

Schätzung des Umsatzes für die Jahre 2003 und 2005.

Lösung - Finden der Werte von a und b in der Trendgleichung S = a + b

Wir müssen die beiden normalen Gleichungen lösen, nämlich.

Wenn wir die obigen Werte in die beiden normalen Gleichungen einsetzen, erhalten wir

270 = 6a + 36b

1.784 = 30a + 286b

Wenn wir diese Gleichungen für a und b lösen, erhalten wir.

a = 1, 53 und

b = 6, 8.

Somit wird die Trendgleichung zu S = 1, 53 + 6, 8T.

Die Jahre 2003 und 2005 nehmen die Jahreszahlen 14 und 16 an. Durch Ersetzen von T. durch diese Werte erhalten wir den Umsatz für diese Jahre als Rs. 96, 73 crores und Rs. 110, 33 crores bzw..

Die Trendmethode ist grundsätzlich eine objektive Methode. Die oben angegebene Trendgleichung geht von einer linearen (oder proportionalen) Änderung des Umsatzes im Zeitverlauf aus. Tatsächlich kann die Trendgleichung eine lineare oder eine nichtlineare Form annehmen.

Nichtlinearer Trend:

Viele Zeitreihendaten zu Geschäfts- und Wirtschaftsaktivitäten, die ein konstantes Anfangswachstum aufweisen und sich keiner bestimmten Obergrenze nähern, lassen sich am besten durch die Exponentialfunktion beschreiben.

Die Exponentialform der Gleichung kann folgende Formen haben:

Nun können wir das übliche Verfahren zum Anpassen des linearen Trends anwenden. Schließlich können die Werte von a und b bestimmt werden, indem Antilogarithmen von a bzw. b genommen werden, dh

a = Antilog a und b = Antilog b

Einfügen dieser Schätzwerte von a und b in Gleichung (2.4). Wir erhalten den gewünschten exponentiellen Trend.

Illustration:

Die Gewinne eines Konzerns für fünf Jahre bis 2001:

Finden Sie die Trendwerte für das Jahr 1997 - 2001 mit einer Gleichung der Form

Y = abX

Lösung:

Die anzupassende Gleichung lautet Y = abX

oder Log Y = log a + T log b

y = A + BX

Dabei ist Y = log Y, A = log a und B = log b

Die Werte von a und b können aus den folgenden Normalgleichungen erhalten werden:

Sy = Na + bS X

SXy = aSX + bSX2… (2.7)

Anpassung des exponentiellen Trends:

Eingabe der Werte aus der Tabelle in 2.2

5, 06803 = 6AA = 1, 1397a = Antilog (1, 1397) = 13, 79

4, 7366 = 10 AB = 0, 4737b = Antilog (0, 4737) = 2, 977

Wenn Sie die Werte von a und b in (2.2) eingeben, lautet der angepasste Trend

Y = (13, 79) (2, 997) x, wobei X = (x - 1999)

Zur Berechnung von Trendwerten verwenden wir Gleichung 2.6

y = 1, 1397 + 0, 4737 X

So wurden in der obigen Tabelle die Trendwerte von 1997 bis 2001 berechnet. Doppelter Log-Trend des Formulars.

Der doppelte logarithmische Trend der Gleichung wird verwendet, wenn die Wachstumsrate zunimmt.

Die Gleichung lautet:

Y = aTb… (2, 8)

Oder seine doppelte logarithmische Form

Log Y = log a + b log T… (2.9)

Polynomtrend der Form

Y = a + bT + cT2… (2, 10)

In dieser Gleichung ist Y variabel (kann Umsatz sein), T ist Zeit, a, b und c sind Konstanten und e = 2, 718. Sobald die Parameter der Gleichung geschätzt wurden, ist es einfach, die Nachfrage für die kommende Zeit vorherzusagen.

Wir können auf ähnliche Weise Trendgleichungen für Polynome mit höheren Graden als drei aufstellen, aber sie werden in der Praxis in der Geschäftsprognose selten verwendet. Im Fall des Polynomtrends zweiten Grades ändert die Steigung dS / dT nur einmal die Richtung (von positiv nach negativ oder umgekehrt). Ähnlich ändert sich im Fall des Polynomtrends dritten Grades die Richtung nur zweimal.

Die Auswahl der besten Trendlinie aus den verschiedenen linearen und nichtlinearen Trendgleichungen hängt von den theoretischen Überlegungen und der empirischen Eignung ab. Sobald die Entscheidung bezüglich der am besten geeigneten Gleichung für bestimmte Verkaufsdaten getroffen ist, kann die Vorhersage getroffen werden, indem die Gleichung an die Daten angepasst wird.

(iii) Exponentielles Glätten:

Wenn die prognostizierte Variable keinem bestimmten Trend folgt, ist die Trendmethode ungeeignet. Die Glättungsmethode wäre sinnvoller. Es gibt Versionen der Glättungsmethode - einfaches Glätten (Mitteln) und gewichtetes Glätten. Ein Merkmal dieser Methode ist, dass jede Beobachtung das gleiche Gewicht hat.

Bei der einfachen Glättung wird ein einfacher Durchschnitt der spezifischen Anzahl von Beobachtungen (als "Reihenfolge" bezeichnet) gebildet, während bei der letzteren ein gewichteter Durchschnitt gebildet wird. Da neuere Beobachtungen genauere Informationen über die Zukunft enthalten als zu Beginn der Reihe, wird die Gewichtung der einfachen Glättung vorgezogen, und die Gewichte werden in absteigender Reihenfolge von der aktuellen zugeteilt Beobachtungen zu den vergangenen. Beispielsweise kann die Umsatzhistorie der letzten drei Monate für die Prognose zukünftiger Umsätze relevanter sein als Daten für Umsätze in den letzten zehn Jahren.

Exponentielle Glättung ist eine Technik zur Vorhersage von Zeitreihen, die neueren Beobachtungen mehr Gewicht verleiht.

Der erste Schritt besteht darin, eine Glättungskonstante ± zu wählen, wobei 0 <± <1, 0 ist.

Wenn es in einer Zeitreihe n Beobachtungen gibt, wird die Prognose für die nächste Periode n + 1 als gewichteter Durchschnitt des beobachteten Werts der Serie in Periode n und des prognostizierten Werts für dieselbe Periode berechnet.

Die Formel für den gewichteten Durchschnitt kann wie folgt geschrieben werden:

Wo,

F n + 1 ist der Prognosewert für die nächste Periode,

X n ist der beobachtete Wert für die letzte Beobachtung, und

F n ist eine Vorhersage des Werts für den letzten Zeitraum in der Zeitreihe.

Die Prognosewerte für F und alle früheren Perioden werden auf die gleiche Weise berechnet. Speziell,

Für die zweite Beobachtung ist t = 2 und geht zum letzten.

Die gewählte exponentielle Glättungskonstante bestimmt die Gewichtung verschiedener Beobachtungen in der Zeitreihe. Wenn ± sich 1, 0 nähert, erhalten neuere Beobachtungen ein höheres Gewicht. Wenn zum Beispiel ± = 1, 0, dann ist (1 - ±) = 0. Im Gegensatz dazu geben niedrigere Werte für ± den Beobachtungen aus früheren Perioden mehr Gewicht.

Zum Beispiel, wenn die Verkäufe eines Unternehmens in den letzten zehn Wochen wie folgt angegeben sind:

Angenommen, F 2 = F 1 = X 1 . Wenn ± = 0, 20, dann

F 3 = 0, 20 (430) + 0, 80 (400) = 406, 0 und

F 4 = 0, 20 (420) + 0, 80 (406) = 408, 8

Die prognostizierten Werte für verschiedene Werte von ± können berechnet werden.

Es ist zu beachten, dass die geglätteten Daten wesentlich weniger Schwankungen aufweisen als die ursprünglichen Verkaufsdaten. Beachten Sie auch, dass mit zunehmendem ± die Fluktuationen im F zunehmen, da die Vorhersagen dem zuletzt beobachteten Wert in der Zeitreihe mehr Gewicht verleihen.

Jeder Wert von ± kann als Glättungskonstante verwendet werden. Das Auswahlkriterium für die Konstante könnte die intuitive Beurteilung des Analytikers hinsichtlich der Gewichtung neuerer Datenpunkte sein. Es gibt aber auch eine empirische Grundlage für die Auswahl des Wertes von ±.

Somit ermöglicht das Verfahren der exponentiellen Glättung, dass neueren Daten bei der Analyse von Zeitreihendaten ein höheres Gewicht beigemessen wird. Auch wenn zusätzliche Beobachtungen verfügbar werden, ist es einfach, die Vorhersagen zu aktualisieren. Es ist nicht erforderlich, die Gleichungen neu zu schätzen, wie dies bei einer Trendgleichung erforderlich wäre. Diese Methode liefert jedoch keine sehr genauen Vorhersagen, wenn die Daten einen signifikanten Trend aufweisen. Wenn der Zeittrend positiv ist, werden Prognosen, die auf einer exponentiellen Glättung basieren, wahrscheinlich zu niedrig sein, während ein negativer Zeittrend zu hohen Schätzungen führen wird. Einfaches exponentielles Glätten funktioniert am besten, wenn die Daten keinen erkennbaren Zeittrend aufweisen.

ii. Barometrische Vorhersage :

Trend projection and exponential smoothing use time series data for forecasting the future. In the absence of a clear pattern in a time series, the data are of no avail for forecasting. An alternative approach is to find a second series of data that is correlated with the first. A time-series that is correlated with another time-series is called an indicator of the second series. As meteorologists use barometer to forecast weather, economists use economic indicators as a barometer to forecast trends in business activities.

Barometric method of forecasting was first developed and used in the 1920s by the Harvard Economic Service, failed to predict the Great Depression of the 1930s, but revived, refined and developed further in the late 1930s in the US by the National Bureau of Economic Research (NBER). Initially, the technique was developed to forecast the general trend in overall economic activities, but it can be applied to forecast prospects of demand for a product. The technique identifies relevant economic indicators on the movement of which future trends are forecast.

The barometric forecasting technique identifies the relevant economic indicators, constructs an index of these indicators and observing movements of the index forecasts future trends.

Two techniques are discussed for barometric forecasting:

1. Leading Indicators, and

2. Composite and Diffusion Indices

1. Leading Indicators Method :

This method involves three steps:

ich. Identification of the leading indicator for the variable under forecasting.

ii. Estimation of the relationship between the variable under forecasting and its leading indicator.

iii. Derivation of forecasts

Three types of economic indicators are identified for constructing the index:

ein. Leading Indicators,

b. Co-Incidental Indicators

c. Lagging Indicators.

ein. Leading Indicators:

If changes in one series consistently occur prior to changes in another series, a leading indicator has been identified. The leading indicators move up or down ahead of some other indicators. Leading indicators are of primary interest for the purposes of forecasting.

As a meteorologist makes use of changes in barometric pressure for weather forecast, leading indicators can be used to predict variations in general economic conditions. Movement in the capital formation, new orders for durable goods, new building permits, corporate profits after tax, index of the prices of input, change in the value of inventories, requests for loans from financial institutions and change in bank rate are examples of leading indicators.

b. Co-Incidental Indicators:

If two data series increase or decrease at the same time, one series may be regarded as a coincident indicator of the other series. In other words, the co-incidental economic indicators move up or down simultaneously with the level of economic activity.

Gross national product at constant prices, rate of employment, sales by different sectors, the rates at which commercial banks accept deposits from and lend to the private sector are more or less the coincident series with regard to the Bank rate, rate of employment in non-agricultural sectors are the examples of co-incidental series.

c. Lagging Indicators:

The lagging indicators follow a change after some time lag. NBER identified some of the lagging indices such as rate for short-term loans, outstanding loans, labour cost per unit of manufactured output and the rate at which private money lenders accept deposits and lend to individuals is lagging series with reference to both the Bank rate and commercial banks' deposit and lending rates.

It is not that for every variable there is a leading variable but for some they do exist. Thus, through this kind of search, one may be able to find an appropriate leading variable for the variable. If no such variable is available, this method of forecasting is also not available. Leading indicators can be used as inputs for forecasting aggregate economic variables such as GNP, aggregate consumers' expenditure, aggregate capital expenditure, etc.

The value of leading indicators method depends on the accuracy of the indicator, adequacy and constancy of lead- time, the reason as to why one series predicts another and the cost and time necessary for data collection

2. Diffusion Indices:

The construction of an index improves the barometric forecasting. Such indices represent a single time series made up of a number of individual leading indicators. The purpose of combining the data is to smooth out the random fluctuations in each individual series and the resulting index provides more accurate forecasts.

The index is a measure of the proportion of the individual times series that increase from one month to the next. For example, if eight of the indicators increased from June to July, the diffusion index for July would be 8/11 or 72.7 percent. When the index is over 50 percent for several months, it can be forecast that economic conditions have begun to improve. As the index approaches 100 percent, the likelihood of improvement increases. On the other hand, if less than 50 percent of the indicators exhibit an increase, a downturn is indicated.

However, the technique suffers from several weaknesses:

ein. The prediction record of this technique is far from perfect.

b. On several occasions indices have forecast recessions that have not occurred. The lead- time also varies from variable to variable.

c. While this approach signals the likely direction of changes in economic conditions, it says little about the magnitude of such change. As such it provides only a qualitative forecast.

d. Also strenuous efforts have been made to identify indicators of general economic conditions the managers of individual firms may find it difficult to identify leading indicators that provide accurate forecasts for their specific needs.

Despite these limitations, the use of indices improves the accuracy of barometric forecasting.

iii. Econometric Methods :

The most popular method of demand estimation among economists is perhaps the regression method that employs both the principles of economic theory and appropriate statistical methods of estimation. It requires historical data (time series and/or cross section) on the variable under forecasting and its determinants.

In other words regression analysis denotes methods by which the relationship between quantity demanded and one or more independent variables (like income, price of the commodity, prices of related goods, advertisement expenditure) is estimated. It includes measurement of error that is inherent in the estimation process.

This method involves four steps:

(a) Identification of the variables that influence the demand for the good whose function is under estimation.

(b) Collection of historical/cross section data on all the relevant variables.

(c) Choosing an appropriate form for the function.

(d) Estimation of the function.

(i) Simple Linear Regression:

Simple regression analysis is used when the quantity demanded is estimated a function of a single independent variable such as price. In case of linear trend in the dependent variable, we can fit a straight line to the data, whose general form would be, for example,

Sales = a + b. Preis

Fitting of the straight -line regression equation can be done either graphically or by least squares method.

In the least squares method of estimating regression line,

S = a + bP, … (2.13)

We have to find the values of the constants, a and b by solving the two linear equations:

SS= na + Sb P

SPS = SPa+ bS P2 … (2.14)

The table 4.4 provides sales data at different price levels for a hypothetical company:

Substituting the values of in the two least square equations, and solving the equations we get the values of terms a and b.

a=64.94

b=1.53

The regression equation can therefore be written as

S= 64.94 +1.53 P … (2.16)

If we assign the values to P, we can get the corresponding estimated sales.

(ii) Multivariate Regression:

Multiple linear regression generates a forecast by linking two or more independent variables to the demand for a product. For example, sales of ice cream may be dependent on the price that is charged for the product, the temperature, and the number of hours of daylight. A model would be developed which described this relationship. Given a specific price, a temperature, and a number of daylight hours, a demand forecast for ice cream will be generated.

Estimation of the parameters of an equation with more than one independent variable is called multiple regressions. In principle, the concept of estimation with multiple regression is the same as with simple linear regression, but the necessary computations can be much more complicated. For an equation with three or more independent variables, the time required to calculate the values and likelihood of an arithmetic error make manual computation impractical. Consequently, virtually all regression analysis involving multivariate equations uses computers.

Because most economic relationships involve more than a simple relationship between a dependent and a single independent variable, multiple regression techniques are widely used in economics. For example, the demand for a product usually depends on more than just the price of the good. Other variables, such as income and prices of other goods can also have an influence.

Thus, a simple regression equation involving only quantity and price would be incomplete and probably would result in an incorrect estimation of the relationship between quantity and price. This is because the effects of other variables omitted from the equation are not taken into account. Similarly, a regression equation that included only the rate of output as the determinant of costs could generate inaccurate results because other factors, such as input prices, also affect costs.

With multiple regression, it is important that the user understands how to interpret the estimated coefficients of the equation. For example, it is assumed that costs are a function of output and price of labor. Thus the multiple regression equation can be written as:

Y = A + bX + cZ, … (2.17)

Where Y is the total cost

X is output,

Z is the price of labor

a, b, c, are the coefficients to be estimated.

The coefficients of X and Z indicate the effect on total cost of a one-unit change in each variable, holding the influence of the other variable constant. For example, b shows the change in total costs for a one-unit change in output, assuming that the price of labor stays the same. The coefficient of Z estimates the effect of a unit change in labor price, assuming that the rate of output is unchanged.

The multi-variable regression equation is used where demand for a commodity is deemed to be the function of many variables or in cases in which number of explanatory variables is greater than one.

The procedure of multiple regression analysis may be described as follows:

ich. Specify the independent variables that are supposed to explain the variations in the dependent variable. For example the demand for the product will be explained by the variables that are generally taken to be the determinants of demand viz., price of the product, prices of related good, consumer's income and their tastes and preference.

For estimating the demand for durable consumer goods, (eg refrigerators, house, scooters), the other variables which are considered are availability of credit and prevailing rate of interest. For estimating demand for capital goods, the relevant variables are additional corporate investment, rate of depreciation, cost of capital goods, cost of other inputs, market rate of interest etc. These variables are treated as independent variables.

ii. The second step is to collect time-series data on the independent variables.

iii. Specify the form of equation that can appropriately describe the nature and extent of relationship between the dependent and independent variables.

iv. The final step is to estimate the parameters in the chosen equations with the help of statistical techniques.

The form of equation and the degree of consistency of the explanatory variable in the estimated demand function determines the reliability of the demand. The greater the degree of consistency, the higher is the reliability of the estimated demand and vice versa.

Linear Function:

When the relationship between demand and its determinants is' linear the most common form of equation for estimating demand is as follows:

Dx = a + bPx + cPy + dY+ jA … (2.18)

where Dx = quantity demanded of commodity x; P= price of commodity X, Y= consumer's income; P= price of the substitute; A= advertisement expenditure; a is constant (the intercept), and b, c, d, and j are the parameters expressing the relationship between demand and Px, , Py, Y and A respectively.

In a linear function, quantity demanded changes at a constant rate with respect to change in independent variables Px, Y, Py and A. The regression coefficients are estimated by using the least square method and then, the demand can be easily forecast.

Simultaneous Equations:

The simultaneous equations method, also called the complete system approach to forecasting, is the most sophisticated econometric method of forecasting. It involves specification of a number of economic relations, one each for behavioral variable- estimation and solution of which yield the forecasting equations similar to the estimated regression equation.

One outstanding advantage of this method is that in this method we estimate the future values only predetermined variables, unlike regression equation where the value of both exogenous and endogenous variables have to be predicted. The method suffers from the demerit of complexity.

 

Lassen Sie Ihren Kommentar