Czym jest prognozowanie
Chociaż nie zdajesz sobie z tego sprawy, z prognozowaniem stykasz się na co dzień. Najlepszym tego przykładem jest prognoza pogody w mediach, ale również podczas tak prozaiczne rzeczy, jak wybór studiów, drogi lub sklepu wykorzystujesz prognozę. Przewidujesz wtedy jakiś efekt lub korzyść dla siebie. Przecież nie wybierzesz drogi do pracy, na której zazwyczaj panuje korek lub sklepu, w którym stoi się w kilometrowych kolejkach. Różnica między przewidywaniem a prognozowaniem jest taka, że prognoza opiera się na racjonalnym, często na naukowym przewidywaniu przyszłości. Próbując dowiedzieć się czegoś o przyszłości na podstawie dotychczasowej wiedzy, dokonujemy sądu o przyszłym zajściu określonego zdarzenia, staramy dowiedzieć się, co jest za drzwiami, nie otwierając ich, a stojąc ze szklanką przy uchu. Nigdy jednak nie będziemy pewni w 100%, co kryje się za drzwiami. Nasze wyobrażenie o tym jest z natury ułomne, gdyż obarczone błędem, który towarzyszyć będzie każdej naszej prognozie. Nie istnieją prognozy nieobarczone błędem, jeśli ktoś mówi, że takie tworzy, to nie prognozuje a wróży. Ze względu na horyzont prognozy możemy ją podzielić na:
- krótkookresowe
- średniookresowe
- długookresowe
Sami jednak musimy określić, co będzie długim a co krótkim okresem, ponieważ zależy to od charakteru prognozy. Metody prognozowania grupujemy w następujące kategorie:
- prognozowanie niestrukturalne
- prognozowanie strukturalne
- prognozowanie analogowe
- prognozowanie heurystyczne
W zależności od okresu, do którego sięgają analizowane dane, różnić może się nasz sposób postrzegania przeszłości i przyszłości.
Prognozowanie wymaga przejścia przez szereg etapów. Najpierw określamy obiekt, zjawisko, prognozowane zmienne, a także horyzont i wymagania odnośnie do dopuszczalności prognozy. Następnie określamy czynniki wpływające na prognozowaną zmienną wraz z kierunkiem wpływu oraz gromadzimy dane. Kiedy dane są gotowe i wszystkie poprzednie czynniki są już wiadome, przyszedł czas na decyzję, którą z metod prognostycznych wybierzemy. Gdy postąpimy zgodnie ze schematem przewidzianym dla określonej metody, należy określić błąd prognozy ex-post i ex-ante.
Prognozowanie niestrukturalne
Metody niestrukturalne poszukują prawdopodobnego wzoru procesu, według którego generowane są dane, traktując mechanizmy kształtowania się zjawisk jak czarną skrzynkę. Wykorzystywanie modeli niestrukturalnych do celów predykcyjnych jest zasadne tylko wówczas gdy prognozowane zjawisko charakteryzuje się dużą inercją. Wykorzystują informacje zawarte w samych danych statystycznych opisujących zjawisko, bez wnikania w teorie jego opisu bądź funkcjonowanie. U podstaw opracowania prognoz opartych na modelach niestrukturalnych leży przekonanie, że informacja zawarta w samych danych statystycznych wystarczy do tego, aby zbudować wystarczająco dokładny opis lub prognozę modelowanego zjawiska. Istnieje wiele modeli prognostycznych opartych na tego typu przekonaniu. Klasycznymi modelami niestrukturalnymi są modele wygładzania (średnie ruchome, model wygładzania wykładniczego) i modele szeregów czasowych (modele autoregresyjne i modele tendencji rozwojowej) oraz modele oparte na teorii chaosu zdeterminowanego. Do budowy modeli niestrukturalnych wystarczą tylko dane bazowe.
Prognozowanie strukturalne
Metody strukturalne oferują wniknięcie w głąb badanego zjawiska za pomocą opisowego modelu ekonometrycznego. Wykorzystują opis zjawisk ekonometrycznych lub innych w postaci formuł, lub wzorów matematycznych oddających naturę badanych zjawisk, zależności przyczynowo-skutkowych w nich występujących. Prognozowanie strukturalne, nie różni się co do celów od prognozowania niestrukturalnego. W jednym i drugim chodzi bowiem o otrzymanie prognoz trafnych, obarczonych jak najmniejszym błędem. Za pomocą modelu, w sposób statystyczne opisujemy empiryczny przebieg zjawiska w czasie lub zmienność pewnej cechy wśród obiektów w próbie przekrojowej. Stwarzają one możliwość oceny zarówno wpływu zmiennych objaśniających na zmienną objaśnianą, jak i budowy prognozy tej zmiennej. Modeli strukturalnych, używa się wówczas gdy do uzyskania prognozy potrzebna jest znajomość mechanizmu zmian prognozowanego zjawiska, co może być niekiedy ważne ze względu na to, iż zmienne objaśniające są zmiennymi sterowanymi. Prostymi słowami, jeśli chcemy przewidzieć wzrost sprzedaży jakiegoś dobra luksusowego, nie prognozujemy sprzedaż tego dobra za pomocą prognoz czynników wpływających na naszą sprzedaż. Może to być np. wzrost minimalnej płacy, wpływ ceny danego dobra na jego sprzedaż lub wpływ konkurencji na rynek sprzedaży. Prognozując czynniki otaczające nasz cel, podejmujemy decyzję co do jej przyszłego rozwoju.
Prognozowanie analogowe
Przewidywanie przyszłości określonej zmiennej przez wykorzystanie informacji o innych zmiennych, których zmiany w czasie są podobne, ale nie równoczesne. W podobieństwie rozróżniamy:
- trend rozwojowy
- wahania sezonowe
- wahania cykliczne
Metodę wykorzystujemy głównie w przypadku:
- przewidywanie punktów zwrotnych trendu
- przewidywanie postaci trendu i zmiany postaci związków pomiędzy zmiennymi w przyszłości.
Prognozowanie heurystyczne
Stosowane są przeważnie prognozowaniu jak też w procesach podejmowania decyzji. Nazywane są również metodami twórczego rozwiązywania problemów. Podczas prognozowania wykorzystuje wiedzę ekspertów na temat prognozowanych zjawisk i procesów. Istnieje wiele metod twórczego rozwiązywania problemów dwie najczęściej stosowane to:
- burza mózgów
- metoda delficka
Wykorzystywana do przewidywania obrazów niekoniecznie dających się opisać za pomocą analizy przeszłości. Określane jako intuicyjne, gdyż opierają się na wyobraźni i zdrowym rozsądku. Stosowane, gdy szereg wykazuje:
- brak czytelnej struktury systemu
- brak informacji statystycznych o zachowaniu systemu w przeszłości
- możliwość wystąpienia istotnych nieciągłości w przeszłości
- brak jednoznacznych informacji o zachowaniu otoczenia systemu w przeszłości
