Treyer, O: Business Forecasting
Das anwendungsorientierte Lehrbuch zu einem zentralen Controlling- und Finance-Thema.
Zuverlässige und aussagekräftige Business-Prognosen sind für die Unternehmensführung und -beurteilung von großer Bedeutung. Oscar A. G. Treyer zeigt, wie quantitative...
Zuverlässige und aussagekräftige Business-Prognosen sind für die Unternehmensführung und -beurteilung von großer Bedeutung. Oscar A. G. Treyer zeigt, wie quantitative...
Leider schon ausverkauft
Buch
- Lastschrift, Kreditkarte, Paypal, Rechnung
- Kostenlose Rücksendung
Produktdetails
Produktinformationen zu „Treyer, O: Business Forecasting “
Klappentext zu „Treyer, O: Business Forecasting “
Das anwendungsorientierte Lehrbuch zu einem zentralen Controlling- und Finance-Thema. Zuverlässige und aussagekräftige Business-Prognosen sind für die Unternehmensführung und -beurteilung von großer Bedeutung. Oscar A. G. Treyer zeigt, wie quantitative Prognosen korrekt erstellt werden. Dieser Band erläutert auf verständliche Art die theoretischen Prognose-Verfahren anhand praktischer Fallbeispiele mit kommentierten Lösungsvorschlägen. Dabei bedient sich der Autor zur besseren Visualisierung und Praxisnähe unterschiedlicher Statistik-Software-Pakete.
Inhaltsverzeichnis zu „Treyer, O: Business Forecasting “
Vorwort. 5Abkürzungsverzeichnis 13
Abbildungs- und Tabellenverzeichnis 15
Formelverzeichnis 22
1 Einleitung 25
2 Nutzen und Limits von Prognosen 27
2.1 Weshalb benötigt man Prognosen?. 27
2.2 Entwicklungsrichtungen bezüglich Prognosen. 27
2.3 Vor- und Nachteile der beiden Richtungen von Prognosemethoden. 28
3 Prognoseprozess im Griff haben 31
4 Qualitative Anforderungen an Prognosedaten 33
5 Qualitative bzw. meinungsorientierte Prognosemethoden. 35
5.1 Zusammenfassung der Ansichten der Verkäufer. 35
5.2 Kunden- und Bevölkerungsumfragen. 36
5.3 Expertenmeinung. 37
5.4 Delphi-Methode. 37
5.5 Szenarienabfassung 38
6 Übersicht der statistischen Grundkonzepte. 39
6.1 Häufigkeitsverteilung 39
6.2 Datenbeschreibende Kennzahlen. 42
6.2.1 Kennzahlen der Zentralen Tendenz [Kennzahl des 1. Moments]. 42
6.2.2 Kennzahlen der Streuung [Kennzahl des 2. Moments] 44
6.2.3 Freiheitsgrad 48
6.2.4 Schiefe [Kennzahl des 3. Moments]. 48
6.2.5 Kurtosis [Kennzahl des 4. Moments] 49
6.2.6 Beispieldatensatz zu datenbeschreibenden Kennzahlen 50
6.3 Stetige Zufallsverteilungen. 51
6.3.1 Normalverteilung 51
6.3.2 t-Verteilung. 57
6.4 Konfidenz- bzw. Vertrauensintervalle 58
6.5 Hypothesentest 61
6.5.1 Vorgehensweise. 62
6.5.2 Ein- und zweiseitiger Signifikanztest 67
6.5.3 Fehler des Typs I und des Typs II. 68
6.5.4 Bedeutung des p-Werts 72
6.6 Korrelationsanalyse. 73
6.6.1 Überblick. 73
6.6.2 Kennzahlen der Korrelation 75
7 Wahrscheinlichkeitsrechnung. 79
7.1 Einleitung zur Wahrscheinlichkeitsrechnung. 79
7.2 Ergebnistabelle und Erwartungswert 81
7.3 Perfekte Information und ihr «Wert». 86
7.4 Bayes-Theorem. 88
8 Datenmuster untersuchen und Prognosemethode wählen 91
8.1 Zeitreihenmodelle und ihre Komponenten 91
8.2 Fallbeispiel anhand einer Zeitreihe bezogen auf den Umsatz 94
8.3 Untersuchung des Datenmusters anhand der Autokorrelationsanalyse 94
8.4
... mehr
Autokorrelations-t-Statistik und Ljung-Box-Pierce-Q-Statistik (LBQ). 100
8.5 Messmethoden des Prognosefehlers. 106
8.6 Übersicht der zur Auswahl stehenden üblichen Prognosemethoden. 110
9 Naive Prognosemethoden. 113
9.1 Mögliche Methoden der Naiven Prognose 113
9.2 Fallbeispiel zu Naiven Prognosemethoden. 114
10 Prognosemethoden der Gleitenden Durchschnitte. 117
10.1 Einfacher Durchschnitt 117
10.2 Gleitender Durchschnitt. 117
10.3 Doppelter Gleitender Durchschnitt. 119
10.4 Fallbeispiel zu Prognosemethoden des Gleitenden Durchschnitts. 120
11 Prognosemethoden Exponentielles Glätten. 123
11.1 Einleitung zu Exponentiellem Glätten. 123
11.2 Unterschiedliche Methoden des Exponentiellen Glättens. 125
11.3 Fallbeispiel zu Prognosemethoden des Exponentiellen Glättens. 127
12 Klassische Zeitreihenanalyse. 129
12.1 Zentrierter Gleitender Durchschnitt 129
12.2 Vorgehensweise bei der Berechnung der Zeitreihenkomponenten 131
12.3 Fallbeispiel zu Klassischer Zeitreihenanalyse (multiplikatives Modell) 133
12.4 Methodenunterschiede bei der Komponentenermittlung 140
12.5 Vor- und Nachteile der Klassischen Zeitreihenanalyse 142
12.6 Umsetzungskonsistente «Basis» für die Budgetierung 144
13 Regression. 149
13.1 Einfache lineare kausale Prognose. 149
13.1.1 Vertrauensintervall der Parameter der Regressionsgeraden
und der Einzelprognose. 149
13.1.2 Hypothesentest bezüglich des «wahren» Achsenabschnitts bzw.
der «wahren» Steigung (der Grundgesamtheit) 153
13.1.3 Schematische Vorgehensweise bei einfacher linearer Regression 155
13.1.4 Fallbeispiel zu einfacher linearer kausaler Prognose 155
13.2 Multiple lineare kausale Prognose. 160
13.2.1 Adjustierter Determinationskoeffizient. 161
13.2.2 Varianzanalyse und F-Statistik 162
13.2.3 Schematische Vorgehensweise bei multipler linearer Regression 164
13.2.4 Fallbeispiel zu multipler linearer Regression 164
13.3 Multiple lineare Regression bei Zeitreihendaten. 171
13.3.1 Additives Modell der multiplen Regression bei Zeitreihen 172
13.3.2 Multiplikatives Modell der multiplen Regression bei Zeitreihen 173
13.3.3 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten (additives Modell) 174
13.3.4 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten
(multiplikatives Modell) 180
14 ARIMA-Box-Jenkins-Ansatz. 183
14.1 Gegenüberstellung der Regressionsanalyse mit dem ARIMA-Box-Jenkins-Ansatz 184
14.2 Theoretische Umschreibung des ARIMA-Modells. 185
14.3 Einige Grundbegriffe zum ARIMA-Modell. 187
14.3.1 Stationäre Zeitreihenwerte 188
14.3.2 Weißes Rauschen. 190
14.3.3 Autokorrelationsfunktion (ACF) und Partielle Autokorrelationsfunktion (PACF) 191
14.4 Festlegung der Spezifizierung des ARIMA-Modells 192
14.5 Schematische Vorgehensweise bei der Bestimmung der ARIMA-Komponenten 193
14.6 Fallbeispiel zum ARIMA-Box-Jenkins-Ansatz 194
14.7 Neutrale Benchmarkprognose. 199
14.7.1 Begründung der Neutralen Benchmarkprognose 199
14.7.2 Fallbeispiel zur Neutralen Benchmarkprognose. 200
15 Entscheidungen bei Unsicherheit (Monte-Carlo-Simulation) 207
15.1 Einleitung zur Monte-Carlo-Simulation 207
15.2 Worum geht es bei der Simulation?. 207
15.3 Voraussetzung: Rechenschema mit Input-Output-Beziehungen 208
15.4 Monte-Carlo-Simulation als Erweiterung des
Was-wäre-wenn-Ansatzes bzw. der Sensitivitätsanalyse. 209
15.5 Fallbeispiel zur Monte-Carlo-Simulation 210
16 Real- bzw. Sachoptionen. 217
16.1 Gegenüberstellung DCF-Methode und Realoptionenansatz 217
16.2 Nettobarwert, ohne und mit Realoption. 217
16.3 Moderner, mathematischer Ansatz 224
16.3.1 Binomialgitter-Ansatz 224
16.3.2 Auf-und-ab-Verästelungen 225
16.3.3 Schaffung einer risikoneutralen «Umgebung» 226
16.3.4 Fallbeispiel zu Realoptionen 228
17 ANHANG. 231
17.1 Parameterschätzung 231
17.1.1 Einleitung. 231
17.1.2 Zentraler Grenzwertsatz als Hilfsmittel zur Parameterschätzung. 233
17.1.2.1 Einleitung zum Zentralen Grenzwertsatz 233
17.1.2.2 Umsetzung des Zentralen Grenzwertsatzes in der Praxis 237
17.1.3 Eigenschaften einer guten Parameterschätzung 238
17.2 Prognoseschätzung. 239
17.2.1 Methode-der-kleinsten-Quadrate. 239
17.2.1.1 Einleitung. 239
17.2.1.2 Lineare Regressionsfunktionen. 241
17.2.1.3 Standardfehler der Schätzung (SEE) 244
17.2.1.4 Modellannahmen der Methode-der-kleinsten-Quadrate 245
17.2.1.5 Überprüfung der Modellannahmen. 246
17.2.2 Maximum-Likelihood-Methode 261
17.3 Standardnormalverteilung 264
17.4 t-Verteilung. 265
17.5 Chiquadratverteilung 266
17.6 F-Verteilung 267
17.7 Durbin-Watson-Statistik. 269
17.8 Wichtige standardisierte Prüfgrößen bzw. Teststatistiken. 270
17.9 Theoretische ARIMA-Modelle und deren ACF- und PACF-Kurvenverläufe. 272
17.10 Nettoerlösentwicklung der Inditex-Gruppe 274
17.11 Nettoerlösentwicklung der Gap-Gruppe. 277
17.12 Nettoerlösentwicklung der Handels-AG. 280
Literatur-, Software-, Dokumenten- & Internetquellenverzeichnis. 285
Stichwortverzeichnis. 290
8.5 Messmethoden des Prognosefehlers. 106
8.6 Übersicht der zur Auswahl stehenden üblichen Prognosemethoden. 110
9 Naive Prognosemethoden. 113
9.1 Mögliche Methoden der Naiven Prognose 113
9.2 Fallbeispiel zu Naiven Prognosemethoden. 114
10 Prognosemethoden der Gleitenden Durchschnitte. 117
10.1 Einfacher Durchschnitt 117
10.2 Gleitender Durchschnitt. 117
10.3 Doppelter Gleitender Durchschnitt. 119
10.4 Fallbeispiel zu Prognosemethoden des Gleitenden Durchschnitts. 120
11 Prognosemethoden Exponentielles Glätten. 123
11.1 Einleitung zu Exponentiellem Glätten. 123
11.2 Unterschiedliche Methoden des Exponentiellen Glättens. 125
11.3 Fallbeispiel zu Prognosemethoden des Exponentiellen Glättens. 127
12 Klassische Zeitreihenanalyse. 129
12.1 Zentrierter Gleitender Durchschnitt 129
12.2 Vorgehensweise bei der Berechnung der Zeitreihenkomponenten 131
12.3 Fallbeispiel zu Klassischer Zeitreihenanalyse (multiplikatives Modell) 133
12.4 Methodenunterschiede bei der Komponentenermittlung 140
12.5 Vor- und Nachteile der Klassischen Zeitreihenanalyse 142
12.6 Umsetzungskonsistente «Basis» für die Budgetierung 144
13 Regression. 149
13.1 Einfache lineare kausale Prognose. 149
13.1.1 Vertrauensintervall der Parameter der Regressionsgeraden
und der Einzelprognose. 149
13.1.2 Hypothesentest bezüglich des «wahren» Achsenabschnitts bzw.
der «wahren» Steigung (der Grundgesamtheit) 153
13.1.3 Schematische Vorgehensweise bei einfacher linearer Regression 155
13.1.4 Fallbeispiel zu einfacher linearer kausaler Prognose 155
13.2 Multiple lineare kausale Prognose. 160
13.2.1 Adjustierter Determinationskoeffizient. 161
13.2.2 Varianzanalyse und F-Statistik 162
13.2.3 Schematische Vorgehensweise bei multipler linearer Regression 164
13.2.4 Fallbeispiel zu multipler linearer Regression 164
13.3 Multiple lineare Regression bei Zeitreihendaten. 171
13.3.1 Additives Modell der multiplen Regression bei Zeitreihen 172
13.3.2 Multiplikatives Modell der multiplen Regression bei Zeitreihen 173
13.3.3 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten (additives Modell) 174
13.3.4 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten
(multiplikatives Modell) 180
14 ARIMA-Box-Jenkins-Ansatz. 183
14.1 Gegenüberstellung der Regressionsanalyse mit dem ARIMA-Box-Jenkins-Ansatz 184
14.2 Theoretische Umschreibung des ARIMA-Modells. 185
14.3 Einige Grundbegriffe zum ARIMA-Modell. 187
14.3.1 Stationäre Zeitreihenwerte 188
14.3.2 Weißes Rauschen. 190
14.3.3 Autokorrelationsfunktion (ACF) und Partielle Autokorrelationsfunktion (PACF) 191
14.4 Festlegung der Spezifizierung des ARIMA-Modells 192
14.5 Schematische Vorgehensweise bei der Bestimmung der ARIMA-Komponenten 193
14.6 Fallbeispiel zum ARIMA-Box-Jenkins-Ansatz 194
14.7 Neutrale Benchmarkprognose. 199
14.7.1 Begründung der Neutralen Benchmarkprognose 199
14.7.2 Fallbeispiel zur Neutralen Benchmarkprognose. 200
15 Entscheidungen bei Unsicherheit (Monte-Carlo-Simulation) 207
15.1 Einleitung zur Monte-Carlo-Simulation 207
15.2 Worum geht es bei der Simulation?. 207
15.3 Voraussetzung: Rechenschema mit Input-Output-Beziehungen 208
15.4 Monte-Carlo-Simulation als Erweiterung des
Was-wäre-wenn-Ansatzes bzw. der Sensitivitätsanalyse. 209
15.5 Fallbeispiel zur Monte-Carlo-Simulation 210
16 Real- bzw. Sachoptionen. 217
16.1 Gegenüberstellung DCF-Methode und Realoptionenansatz 217
16.2 Nettobarwert, ohne und mit Realoption. 217
16.3 Moderner, mathematischer Ansatz 224
16.3.1 Binomialgitter-Ansatz 224
16.3.2 Auf-und-ab-Verästelungen 225
16.3.3 Schaffung einer risikoneutralen «Umgebung» 226
16.3.4 Fallbeispiel zu Realoptionen 228
17 ANHANG. 231
17.1 Parameterschätzung 231
17.1.1 Einleitung. 231
17.1.2 Zentraler Grenzwertsatz als Hilfsmittel zur Parameterschätzung. 233
17.1.2.1 Einleitung zum Zentralen Grenzwertsatz 233
17.1.2.2 Umsetzung des Zentralen Grenzwertsatzes in der Praxis 237
17.1.3 Eigenschaften einer guten Parameterschätzung 238
17.2 Prognoseschätzung. 239
17.2.1 Methode-der-kleinsten-Quadrate. 239
17.2.1.1 Einleitung. 239
17.2.1.2 Lineare Regressionsfunktionen. 241
17.2.1.3 Standardfehler der Schätzung (SEE) 244
17.2.1.4 Modellannahmen der Methode-der-kleinsten-Quadrate 245
17.2.1.5 Überprüfung der Modellannahmen. 246
17.2.2 Maximum-Likelihood-Methode 261
17.3 Standardnormalverteilung 264
17.4 t-Verteilung. 265
17.5 Chiquadratverteilung 266
17.6 F-Verteilung 267
17.7 Durbin-Watson-Statistik. 269
17.8 Wichtige standardisierte Prüfgrößen bzw. Teststatistiken. 270
17.9 Theoretische ARIMA-Modelle und deren ACF- und PACF-Kurvenverläufe. 272
17.10 Nettoerlösentwicklung der Inditex-Gruppe 274
17.11 Nettoerlösentwicklung der Gap-Gruppe. 277
17.12 Nettoerlösentwicklung der Handels-AG. 280
Literatur-, Software-, Dokumenten- & Internetquellenverzeichnis. 285
Stichwortverzeichnis. 290
... weniger
Autoren-Porträt von Oscar A. G. Treyer
Dr. Oscar A. G. Treyer lehrt am Institut für Accounting, Controlling und Auditing (ACA) der Universität St. Gallen.
Bibliographische Angaben
- Autor: Oscar A. G. Treyer
- 295 Seiten, 130 Schwarz-Weiß-Abbildungen, Maße: 15,1 x 21,8 cm, Kartoniert (TB), Deutsch
- Verlag: UTB
- ISBN-10: 3258074534
- ISBN-13: 9783258074535
- Erscheinungsdatum: 16.06.2010
Kommentar zu "Treyer, O: Business Forecasting"
Schreiben Sie einen Kommentar zu "Treyer, O: Business Forecasting".
Kommentar verfassen