Forecasting with trend and seasonal

Forecasting with trend and seasonal components appears as choice 4 in the Forecasting Methods dialog box shown in Figure 12.2. This method should be used for time series that are believed to have both linear trend and seasonality. If you select this forecasting method you will be asked to enter the number of seasonal indexes to be computed. In order to do this you must have an idea of how many seasons are present in the time series. The forecasting method will develop a seasonal index for each season present. If you have a time series with monthly data for several years, you will probably request 12 seasonal indexes to consider the possibility that each month has a different seasonal effect. If you have a time series with quarterly data for several years, you will probably request 4 seasonal indexes to consider the possibility that each quar¬ter has a different seasonal effect.
After you enter the number of seasonal indexes, the output will appear on the screen in three separate sections. The first section will provide the seasonal indexes. Figure 12.4 shows an example of this output for a time series with quarterly data. The fourth quarter with an index of 1.141 shows that the time series is 114.1% higher in this quarter when the seasonal influence is con¬sidered. The second quarter with an index of 0.836 shows that the time series will tend to be lower than normal in this quarter. The other output sections follow the format of Figure 12.3; that is, the past time series values, the fore¬casts, the forecast errors, the mean square error, and the forecasts for each of the next three time periods are provided, as well as an option of forecasting additional periods in the future. Simply request this option, enter the time period you wish to forecast, and the Forecasting module will provide the forecast.

FORECASTING WITH TREND AND SEASONAL COMPONENTS

SEASON SEASONAL INDEX

1 0.931

2 0.836

3 1.092

4 1.141

Figure 12.4 An Example with Four Seasonal Indexes

CHAPTER 13
MARKOV PROCESSES
The analysis of brand loyalty and brand switching behavior is one of the major applications of Markov processes. In this application, the purchase decision that is made each time period by a customer involves selecting one of several competing brands. The brands are referred to as the states of the process. Given that the customer has purchased a specific brand during the current time period, transition probabilities describe the probabilities that the customer will purchase the same brand as well as each of the competing brands during the following time period.
The transition probability for a given state to itself is a measure of brand loyalty in that it indicates the probability that the customer will purchase the same brand in two successive periods. The transition probabilities for a given state to each of the other states measure the brand switching behaviors of the customer. Based on known or assumed transition probabilities, a Markov process model can be used to answer questions such as the following:

1. In the long run, what market share will each brand have?

2. If a new and/or improved brand enters the market, what impact can be expected on the market share of each brand?

3. For a given group of customers, how many will purchase each brand each time period?

Markov process models have also been developed for machine break¬ down behavior, estimating allowances for bad debt, and university enrollment projections. In each instance it is assumed that (1) there are a finite number of states, (2) the transition probabilities remain constant over time, and (3) the probability of being in a particular state at any one time period depends only on the state of the process during the preceding time period.

Results (Indonesian) 1:

Forecasting with trend and seasonal components appears as choice 4 in the Forecasting Methods dialog box shown in Figure 12.2. This method should be used for time series that are believed to have both linear trend and seasonality. If you select this forecasting method you will be asked to enter the number of seasonal indexes to be computed. In order to do this you must have an idea of how many seasons are present in the time series. The forecasting method will develop a seasonal index for each season present. If you have a time series with monthly data for several years, you will probably request 12 seasonal indexes to consider the possibility that each month has a different seasonal effect. If you have a time series with quarterly data for several years, you will probably request 4 seasonal indexes to consider the possibility that each quar¬ter has a different seasonal effect. Setelah Anda memasukkan nomor indeks musiman, output akan muncul di layar dalam tiga bagian terpisah. Bagian pertama akan memberikan indeks musiman. 12.4 angka menunjukkan contoh output ini untuk serangkaian waktu dengan data triwulanan. Kuartal keempat dengan indeks 1.141 menunjukkan bahwa time series 114.1% lebih tinggi pada kwartal ini ketika pengaruh musiman adalah con¬sidered. Kuartal kedua dengan indeks 0.836 menunjukkan bahwa waktu seri akan cenderung lebih rendah dari normal dalam kuartal ini. Bagian output lain mengikuti format gambar 12.3; itulah, masa lalu saat nilai-nilai seri, fore¬casts, ramalan kesalahan, kesalahan berarti square, dan perkiraan untuk setiap berikutnya tiga kali waktu yang disediakan, serta pilihan peramalan tambahan waktu di masa depan. Cukup meminta opsi ini, periode waktu masukkan Anda ingin ramalan, dan Modul Forecasting akan memberikan perkiraan.PERAMALAN DENGAN TREN DAN KOMPONEN MUSIMAN INDEKS MUSIMAN MUSIM 1 0.931 2 0.836 3 1.092 4 1.14112.4 gambar contoh dengan indeks musiman empat BAB 13PROSES MARKOVAnalisis loyalitas merek dan merek beralih perilaku adalah salah satu aplikasi utama dari proses Markov. Dalam aplikasi ini, keputusan pembelian yang dibuat setiap jangka waktu oleh pelanggan melibatkan memilih salah satu dari beberapa merek yang bersaing. Merek yang disebut sebagai negara dari proses. Mengingat bahwa pelanggan telah membeli merek tertentu selama periode waktu saat ini, transisi probabilitas menggambarkan probabilitas bahwa pelanggan akan membeli merek yang sama, serta setiap merek bersaing selama periode waktu berikut. Kemungkinan transisi bagi sebuah negara yang diberikan kepada dirinya sendiri adalah ukuran loyalitas merek yang menunjukkan kemungkinan bahwa pelanggan akan membeli merek yang sama di dua periode berturut-turut. Probabilitas transisi untuk negara tertentu untuk masing-masing negara lainnya mengukur merek beralih perilaku nasabah. Berdasarkan transisi dikenal atau dianggap probabilitas, model proses Markov dapat digunakan untuk menjawab pertanyaan seperti berikut:1. dalam jangka panjang, apa pangsa pasar akan setiap merek memiliki?2. jika merek baru atau meningkatkan memasuki pasar, dampak apa yang dapat diharapkan pada pangsa pasar setiap merek?3. untuk kelompok tertentu pelanggan, berapa banyak akan pembelian setiap merek setiap jangka waktu? Model proses Markov juga telah dikembangkan untuk mesin break¬ turun perilaku, memperkirakan tunjangan untuk utang buruk, dan proyeksi pendaftaran universitas. Dalam setiap contoh yang diasumsikan bahwa (1) ada sejumlah terbatas Serikat, probabilitas transisi (2) tetap konstan dari waktu ke waktu, dan (3) probabilitas berada dalam keadaan tertentu pada satu waktu periode tergantung hanya pada keadaan proses selama periode waktu sebelumnya.

Results (Indonesian) 2:

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.