Deskriptive Prognose mit gretl

Chapter
Part of the FOM-Edition book series (FOMEDITION)

Zusammenfassung

Der Aufwand der Einarbeitung in statistische Softwarepakete stellt eine nicht zu unterschätzende Hürde vor der praktischen Anwendung von quantitativen Prognoseverfahren dar, mit denen zum Beispiel begründete Vorhersagen für zukünftige Auftragseingänge erstellt werden können. In diesem Beitrag wird die Anwendung der Open Source Software gretl auf einige grundlegende deskriptive Prognoseverfahren dargestellt: die lineare Regression, das exponentielle Glätten und das Holt-Winters-Verfahren der exponentiellen Glättung von Zeitreihen mit Trend- und Saisonkomponente. Gretl ist frei erhältlich, genügt professionellen Ansprüchen und ist dank einer menügesteuerten Benutzeroberfläche einfach zu bedienen, wodurch die Einstiegshürde niedriger gelegt wird.

Literatur

  1. Adkins, L. C. (2013). Using gretl for Principles of Econometrics, 4. Auflage, Version 1.041. http://www.LearnEconometrics.com/gretl.html. Zugegriffen: 16.01.2014Google Scholar
  2. Brown, R. G. (1959). Statistical Forecasting for Inventory Control. New York.: McGraw-Hill.Google Scholar
  3. Cottrell, A., & Lucchetti, R. (2012). Gretl User’s Guide, Teil des gretl-Programmpaketes, hier Version 1.9.12. http://gretl.sourceforge.net Google Scholar
  4. Gardner Jr., E. S. (2006). Exponential Smoothing: The state of the Art - Part II. International Journal of Forecasting, 22(4), 637–666.CrossRefGoogle Scholar
  5. Goodwin, P. (2010). The Holt-Winters Approach to Exponential Smoothing: 50 Years Old and Going Strong. Foresight, 19, 30–33.Google Scholar
  6. Hackl, P. (2013). Einführung in die Ökonometrie (2. Aufl.). München: Pearson.Google Scholar
  7. Hill, R. C., Griffiths, W. E., & Lim, G. C. (2011). Principles of Econometrics (4. Aufl.). New York.: Wiley.Google Scholar
  8. Holt, C. (1959). Forecasting seasonals and trends by exponentially weighted moving averages. ONR Research Memorandum, Bd. 52.Google Scholar
  9. Hyndman, R. J., & Athanasopoulos, G. (2013). Forecasting: Principles and Practice. http://otexts.org/fpp/. Zugegriffen: 16.01.2014Google Scholar
  10. Juhn, G., & Loungani, P. (2002). Further Cross-Country Evidence on the Accuracy of the Private Sector’s Output Forecasts. IMF Staff Papers, 49(1), 49–64.Google Scholar
  11. Lübke, K., & Vogt, M. (2015). Angewandte Wirtschaftsstatistik: Daten und Zufall. Wiesbaden: Springer Gabler.Google Scholar
  12. Sandte, H. (2004). Grenzen von Prognosen - oder: Warum Prognostiker irren (dürfen). Das Wirtschaftsstudium, 33, 189–190.Google Scholar
  13. Schlittgen, R., & Streitberg, B. H. J. (2001). Zeitreihenanalyse (9. Aufl.). München: Oldenbourg.Google Scholar
  14. Winters, P. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6, 324–342.CrossRefGoogle Scholar
  15. Yalta, A. T., & Yalta, A. Y. (2010). Should Economists Use Open Source Software for Doing Research? Computational Economics, 35(4), 371–394.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  1. 1.FOM Hochschule für Oekonomie & Management gGmbHSiegenDeutschland

Personalised recommendations