Results (
Indonesian) 2:
[Copy]Copied!
Peramalan dengan tren dan komponen musiman muncul sebagai pilihan 4 di kotak dialog Metode Peramalan ditunjukkan pada Gambar 12.2. Metode ini harus digunakan untuk time series yang diyakini memiliki kedua trend linier dan musiman. Jika Anda memilih metode peramalan ini Anda akan diminta untuk memasukkan nomor indeks musiman yang akan dihitung. Untuk melakukan ini, Anda harus memiliki gagasan tentang berapa banyak musim yang hadir dalam seri waktu. Metode peramalan akan mengembangkan indeks musiman untuk setiap musim ini. Jika Anda memiliki time series data bulanan selama beberapa tahun, Anda mungkin akan meminta 12 indeks musiman untuk mempertimbangkan kemungkinan bahwa setiap bulan memiliki efek musiman yang berbeda. Jika Anda memiliki time series dengan data kuartalan selama beberapa tahun, Anda mungkin akan meminta 4 indeks musiman untuk mempertimbangkan kemungkinan bahwa setiap quar¬ter memiliki efek musiman yang berbeda.
Setelah Anda memasukkan jumlah indeks musiman, output akan muncul di layar dalam tiga bagian yang terpisah. Bagian pertama akan memberikan indeks musiman. Gambar 12.4 menunjukkan contoh output ini untuk time series dengan data kuartalan. Kuartal keempat dengan indeks 1,141 menunjukkan bahwa time series adalah 114,1% lebih tinggi pada kuartal ini ketika pengaruh musiman con¬sidered. Kuarter kedua dengan indeks 0,836 menunjukkan bahwa time series akan cenderung lebih rendah dari normal pada kuartal ini. Bagian output lainnya mengikuti format Gambar 12.3; yaitu, saat nilai-nilai masa lalu seri, fore¬casts, kesalahan perkiraan, mean square error, dan perkiraan untuk masing-masing tiga periode waktu berikutnya disediakan, serta pilihan untuk peramalan periode tambahan di masa depan. Hanya meminta opsi ini, masukkan jangka waktu yang Anda ingin untuk meramalkan, dan modul Forecasting akan memberikan perkiraan.
PERAMALAN DENGAN TREND DAN MUSIMAN KOMPONEN
MUSIM MUSIMAN INDEKS
1 0,931
2 0,836
3 1,092
4 1,141
Gambar 12.4 Contoh dengan Empat Indeks Musiman
BAB 13
MARKOV pROSES
analisis loyalitas merek dan merek perilaku beralih adalah salah satu aplikasi utama dari proses Markov. Dalam aplikasi ini, keputusan pembelian yang dilakukan setiap periode waktu dengan pelanggan melibatkan memilih salah satu dari beberapa merek bersaing. Merek yang disebut sebagai negara bagian proses. Mengingat bahwa pelanggan telah membeli merek tertentu selama periode waktu saat ini, probabilitas transisi menggambarkan probabilitas bahwa pelanggan akan membeli merek yang sama serta masing-masing merek bersaing selama periode waktu berikut.
Probabilitas transisi negara yang diberikan kepada itu sendiri adalah ukuran loyalitas merek dalam hal itu menunjukkan probabilitas bahwa pelanggan akan membeli merek yang sama di dua periode berturut-turut. Probabilitas transisi untuk negara yang diberikan kepada masing-masing dari negara-negara lain mengukur perpindahan merek perilaku pelanggan. Berdasarkan probabilitas transisi diketahui atau diasumsikan, model proses Markov dapat digunakan untuk menjawab pertanyaan-pertanyaan seperti berikut:
1. Dalam jangka panjang, apa yang akan masing-masing merek memiliki pangsa pasar?
2. Jika merek baru dan / atau ditingkatkan memasuki pasar, apa dampak yang bisa diharapkan pada pangsa pasar masing-masing merek?
3. Untuk kelompok tertentu pelanggan, berapa banyak yang akan membeli setiap merek setiap periode waktu?
Model proses Markov juga telah dikembangkan untuk mesin break¬ bawah perilaku, memperkirakan tunjangan untuk utang buruk, dan proyeksi pendaftaran universitas. Dalam setiap contoh diasumsikan bahwa (1) ada sejumlah terbatas negara, (2) probabilitas transisi tetap konstan dari waktu ke waktu, dan (3) probabilitas berada di sebuah negara tertentu pada setiap periode satu kali saja tergantung pada keadaan proses selama periode waktu sebelumnya.
Being translated, please wait..