Kaip sužinoti, ar prognozavimo tendencija yra reali? Jei matote bazinę liniją, kuri atrodo, kad ji slenka aukštyn arba žemyn, ar tai rodo tikrą tendenciją, ar tai tik atsitiktinis pokytis? Norėdami atsakyti į šiuos klausimus, turite įsigilinti į tikimybę ir statistiką. Laimei, jūs neturite į juos gilintis – galbūt iki riešo.
Pagrindinė minčių eiga skamba taip:
Naudodami „Excel“ nurodykite, kokia yra koreliacija tarp pardavimo pajamų ir su jomis susijusių laikotarpių.
Nesvarbu, ar tą laikotarpį pateikiu 2011 m. sausio mėn., 2011 m. vasario mėn., 2011 m. kovo mėn. . . 2016 m. gruodžio mėn. arba 1, 2, 3 d. . . 72.
Jei nėra ryšio, įvertinto koreliacija, tarp pajamų ir laikotarpio, tendencijos nėra ir jums nereikia dėl to jaudintis.
Jei yra ryšys tarp pajamų ir laikotarpių, turite pasirinkti geriausią būdą valdyti tendenciją.
Kai „Excel“ apskaičiuoja koreliaciją, turite nuspręsti, ar tai yra tikras ryšys tarp laikotarpio ir pajamų sumos, ar tai tik sėkmingas šūvis.
Jei tikimybė, kad tai tik sėkmė, yra mažesnė nei 5 procentai, tai tikra tendencija. (Nieko stebuklingo ir apie 5 procentus – tai įprasta. Kai kurie žmonės renkasi 1 procentą kaip savo kriterijų – jis yra konservatyvesnis nei 5 procentai, ir jie jaučiasi šiek tiek saugiau.) Tai iškelia statistinio reikšmingumo klausimą: koks tikimybės lygis. ar jums reikia prieš nuspręsdami, kad kažkas (čia, koreliacija) yra tikrasis McCoy?
Koreliacijos koeficiento statistiniam reikšmingumui tikrinti yra įvairių metodų. Čia yra trys populiarūs metodai:
- Tiesiogiai išbandykite koreliaciją ir palyginkite rezultatą su normaliuoju skirstiniu.
- Tiesiogiai išbandykite koreliaciją ir palyginkite rezultatą su t pasiskirstymu (t pasiskirstymas, nors ir panašus į įprastą kreivę, daro prielaidą, kad naudojate mažesnę imtį, o ne be galo didelę populiaciją).
- Konvertuokite koreliaciją su Fišerio transformacija (kuri koreliacijos koeficientą paverčia į normaliąją kreivę telpančią reikšmę) ir palyginkite rezultatą su normaliuoju skirstiniu.
Egzistuoja ir kiti populiarūs koreliacijos koeficiento statistinio reikšmingumo tikrinimo metodai. Kiekvienas iš jų pateikia šiek tiek skirtingą rezultatą. Praktiškai beveik visada priimsite tą patį sprendimą (koreliacija labai skiriasi nuo nulio arba nesiskiria nuo nulio), nepriklausomai nuo pasirinkto metodo.
Jei darote išvadą, kad koreliacijos priemonių tendencija yra reali (ir kai tikimybė, kad koreliacija yra vaiduoklis, yra mažesnė nei 1 proc., tikriausiai turėtumėte sutikti su tokia išvada), turite užduoti sau dar du klausimus:
- Ar turėtumėte naudoti prognozavimo metodą, kuris gerai valdo tendencijas? Jūs manote, kad jei aptikote tendenciją, turėtumėte naudoti prognozavimo metodą, kuris gerai valdo tendencijas. Tai dažnai tiesa, bet nebūtinai. Tarkime, kad užuot naudoję laikotarpį kaip vieną iš kintamųjų koreliacijos analizėje, naudojote kažką, pavyzdžiui, konkurencijos gautas pardavimo pajamas .
Jei konkurencijos pajamos mažėja, kaip ir jūsų (arba jei abi pajamos auga), galite rasti reikšmingą koreliaciją tarp savo ir konkurentų pajamų. Tačiau visiškai įmanoma – net tikėtina – kad nėra tikro priežastinio ryšio tarp jų ir jūsų pajamų. Gali būti, kad tiek jūsų, tiek jų yra susiję su tikruoju priežastiniu veiksniu: keičiasi bendros rinkos dydis. Tokiu atveju tikriausiai būtų daug geriau, jei kaip prognozuojamąjį kintamąjį naudotumėte bendro rinkos dydžio matą. Pagal šį scenarijų rinkos dydis turi tiesioginį priežastinį ryšį su jūsų pajamomis, o konkurentų pajamos yra tik netiesiogiai susijusios su jūsų pajamomis.
- Ar turėtumėte atsisakyti duomenų? Paslėptas kintamasis, pvz., nuoseklus bendro rinkos dydžio pokytis, gali priversti jus manyti, kad prognozuojamasis kintamasis ir kintamasis, kurį norite prognozuoti, yra tiesiogiai susiję, nors iš tikrųjų tai nėra. Arba prognozė ir prognozė gali keistis panašiai, nes abu yra susiję su laiku.
Būdas, kaip elgtis tokioje situacijoje, yra pirmiausia pakeisti abu kintamuosius.
Arba galbūt norėsite sudaryti savo prognozę naudodami metodą, kuris nebūtinai gerai valdo tendencijas, pvz., slankiuosius vidurkius arba paprastą eksponentinį išlyginimą. Viena iš priežasčių, kodėl taip elgiamasi, yra ta, kad regresijos metodas naudojant duomenų rinkinį nėra toks tikslus prognozuotojas, kaip slenkamieji vidurkiai ar išlyginimas. Dar kartą pažiūrėkite, ar galite pakeisti duomenis, kad pašalintumėte tendenciją.