Kako znati je li trend predviđanja stvaran? Ako vidite osnovnu liniju koja izgleda kao da se kreće gore ili dolje, predstavlja li to pravi trend ili je to samo nasumična varijacija? Da biste odgovorili na ta pitanja, morate ući u vjerojatnost i statistiku. Srećom, ne morate ulaziti predaleko u njih — možda do zapešća.
Osnovni tok misli ide ovako:
Upotrijebite Excel da vam kaže kakva je korelacija između prihoda od prodaje i povezanih vremenskih razdoblja.
Nije važno predstavljam li to vremensko razdoblje kao siječanj 2011., veljača 2011., ožujak 2011. godine. . . prosinca 2016. ili kao 1, 2, 3 . . . 72.
Ako nema veze, mjereno korelacijom, između prihoda i vremenskog razdoblja, nema trenda i ne morate se brinuti o tome.
Ako postoji je odnos između prihoda i vremenskim razdobljima, morate odabrati najbolji način da obrađuju trend.
Nakon što Excel izračuna korelaciju, morate odlučiti predstavlja li stvarni odnos između vremenskog razdoblja i iznosa prihoda ili je to samo sretan pogodak.
Ako je vjerojatnost da je to samo sreća manja od 5 posto, to je pravi trend. (Ništa magično ni oko 5 posto — to je konvencionalno. Neki ljudi radije koriste 1 posto kao svoj kriterij — konzervativniji je od 5 posto i osjećaju se malo sigurnije.) Ovo postavlja pitanje statističke značajnosti: Koja razina vjerojatnosti trebate li prije nego što odlučite da je nešto (ovdje, korelacija) pravi McCoy?
Postoje različite metode za ispitivanje statističke značajnosti koeficijenta korelacije. Evo tri popularne metode:
- Testirajte izravno korelaciju i usporedite rezultat s normalnom distribucijom.
- Testirajte korelaciju izravno i usporedite rezultat s t-distribucijom (t-distribucija, iako slična normalnoj krivulji, pretpostavlja da koristite mali uzorak, a ne beskonačno veliku populaciju).
- Pretvorite korelaciju s Fisherovom transformacijom (koja pretvara koeficijent korelacije u vrijednost koja se uklapa u normalnu krivulju) i usporedite rezultat s normalnom distribucijom.
Postoje i druge popularne metode za ispitivanje statističke značajnosti koeficijenta korelacije. Svaki vraća malo drugačiji rezultat. U praksi ćete gotovo uvijek donijeti istu odluku (korelacija je ili nije značajno različita od nule), bez obzira na metodu koju odaberete.
Ako zaključite da je trend korelacijskih mjera stvaran (a kada je vjerojatnost manja od 1 posto da je korelacija duh, vjerojatno biste trebali prihvatiti taj zaključak), imate još dva pitanja za sebe:
- Trebate li koristiti pristup predviđanju koji dobro upravlja trendovima? Pomislili biste da biste, ako ste otkrili trend, trebali koristiti pristup predviđanja koji dobro upravlja trendovima. To je često istina, ali ne nužno. Pretpostavimo da ste umjesto korištenja vremenskog razdoblja kao jedne od varijabli u vašoj korelacijskoj analizi koristili nešto poput prihoda od prodaje koje ostvaruje konkurencija.
Ako prihodi konkurencije opadaju kao i vaši (ili ako oba skupa prihoda rastu), otkrit ćete vjerojatno značajnu korelaciju između vaših prihoda i prihoda konkurencije. Ali sasvim je moguće — čak i vjerojatno — da ne postoji stvarna, uzročna veza između njihovih i vaših prihoda. Možda su i vaše i njihovo u korelaciji sa stvarnim uzročnim čimbenikom: veličina ukupnog tržišta se mijenja. U tom slučaju vjerojatno bi vam bilo puno bolje koristiti mjeru ukupne veličine tržišta kao svoju prediktorsku varijablu. U ovom scenariju, veličina tržišta ima izravnu, uzročnu vezu s vašim prihodom, dok prihod vaše konkurencije ima samo neizravnu vezu s vašim prihodom.
- Trebate li detrendirati podatke? Skrivena varijabla, kao što je dosljedna promjena ukupne veličine tržišta, može vas navesti da vjerujete da su varijabla prediktora i varijabla koju želite predvidjeti izravno povezane, a zapravo nisu. Ili se prediktor i prognoza mogu promijeniti na sličan način jer su oboje povezani s vremenom.
Način rješavanja ove vrste situacije je detrendiranje obje varijable prvo pomoću transformacije.
Ili biste možda radije izradili svoju prognozu koristeći pristup koji ne mora nužno dobro upravljati trendovima, kao što su pokretni prosjeci ili jednostavno eksponencijalno izglađivanje. Jedan od razloga za to je taj što ćete možda otkriti da regresijski pristup s vašim skupom podataka nije tako točan prognozer kao pomični prosjek ili izglađivanje. Opet, provjerite možete li transformirati podatke kako biste uklonili trend.