Oscar A. G. Treyer

Business Forecasting

Anwendungsorientierte Theorie quantitativer Prognoseverfahren

• Broschiertes Buch

Produktbeschreibung

Das anwendungsorientierte Lehrbuch zu einem zentralen Controlling- und Finance-Thema. Zuverlässige und aussagekräftige Business-Prognosen sind für die Unternehmensführung und -beurteilung von großer Bedeutung. Oscar A. G. Treyer zeigt, wie quantitative Prognosen korrekt erstellt werden. Dieser Band erläutert auf verständliche Art die theoretischen Prognose-Verfahren anhand praktischer Fallbeispiele mit kommentierten Lösungsvorschlägen. Dabei bedient sich der Autor zur besseren Visualisierung und Praxisnähe unterschiedlicher Statistik-Software-Pakete.

Produktdetails

• UTB Uni-Taschenbücher Bd.3365
• Verlag: Haupt / UTB
• Seitenzahl: 295
• Erscheinungstermin: Mai 2010
• Deutsch
• Abmessung: 215mm
• Gewicht: 460g
• ISBN-13: 9783825233655
• ISBN-10: 3825233650
• Artikelnr.: 28162810

Autorenporträt

Dr. Oscar A. G. Treyer lehrt am Institut für Accounting, Controlling und Auditing (ACA) der Universität St. Gallen.

Inhaltsangabe

Vorwort. 5Abkürzungsverzeichnis 13Abbildungs- und Tabellenverzeichnis 15Formelverzeichnis 221 Einleitung 252 Nutzen und Limits von Prognosen 272.1 Weshalb benötigt man Prognosen?. 272.2 Entwicklungsrichtungen bezüglich Prognosen. 272.3 Vor- und Nachteile der beiden Richtungen von Prognosemethoden. 283 Prognoseprozess im Griff haben 314 Qualitative Anforderungen an Prognosedaten 335 Qualitative bzw. meinungsorientierte Prognosemethoden. 355.1 Zusammenfassung der Ansichten der Verkäufer. 355.2 Kunden- und Bevölkerungsumfragen. 365.3 Expertenmeinung. 375.4 Delphi-Methode. 375.5 Szenarienabfassung 386 Übersicht der statistischen Grundkonzepte. 396.1 Häufigkeitsverteilung 396.2 Datenbeschreibende Kennzahlen. 426.2.1 Kennzahlen der Zentralen Tendenz [Kennzahl des 1. Moments]. 426.2.2 Kennzahlen der Streuung [Kennzahl des 2. Moments] 446.2.3 Freiheitsgrad 486.2.4 Schiefe [Kennzahl des 3. Moments]. 486.2.5 Kurtosis [Kennzahl des 4. Moments] 496.2.6 Beispieldatensatz zu datenbeschreibenden Kennzahlen 506.3 Stetige Zufallsverteilungen. 516.3.1 Normalverteilung 516.3.2 t-Verteilung. 576.4 Konfidenz- bzw. Vertrauensintervalle 586.5 Hypothesentest 616.5.1 Vorgehensweise. 626.5.2 Ein- und zweiseitiger Signifikanztest 676.5.3 Fehler des Typs I und des Typs II. 686.5.4 Bedeutung des p-Werts 726.6 Korrelationsanalyse. 736.6.1 Überblick. 736.6.2 Kennzahlen der Korrelation 757 Wahrscheinlichkeitsrechnung. 797.1 Einleitung zur Wahrscheinlichkeitsrechnung. 797.2 Ergebnistabelle und Erwartungswert 817.3 Perfekte Information und ihr «Wert». 867.4 Bayes-Theorem. 888 Datenmuster untersuchen und Prognosemethode wählen 918.1 Zeitreihenmodelle und ihre Komponenten 918.2 Fallbeispiel anhand einer Zeitreihe bezogen auf den Umsatz 948.3 Untersuchung des Datenmusters anhand der Autokorrelationsanalyse 948.4 Autokorrelations-t-Statistik und Ljung-Box-Pierce-Q-Statistik (LBQ). 1008.5 Messmethoden des Prognosefehlers. 1068.6 Übersicht der zur Auswahl stehenden üblichen Prognosemethoden. 1109 Naive Prognosemethoden. 1139.1 Mögliche Methoden der Naiven Prognose 1139.2 Fallbeispiel zu Naiven Prognosemethoden. 11410 Prognosemethoden der Gleitenden Durchschnitte. 11710.1 Einfacher Durchschnitt 11710.2 Gleitender Durchschnitt. 11710.3 Doppelter Gleitender Durchschnitt. 11910.4 Fallbeispiel zu Prognosemethoden des Gleitenden Durchschnitts. 12011 Prognosemethoden Exponentielles Glätten. 12311.1 Einleitung zu Exponentiellem Glätten. 12311.2 Unterschiedliche Methoden des Exponentiellen Glättens. 12511.3 Fallbeispiel zu Prognosemethoden des Exponentiellen Glättens. 12712 Klassische Zeitreihenanalyse. 12912.1 Zentrierter Gleitender Durchschnitt 12912.2 Vorgehensweise bei der Berechnung der Zeitreihenkomponenten 13112.3 Fallbeispiel zu Klassischer Zeitreihenanalyse (multiplikatives Modell) 13312.4 Methodenunterschiede bei der Komponentenermittlung 14012.5 Vor- und Nachteile der Klassischen Zeitreihenanalyse 14212.6 Umsetzungskonsistente «Basis» für die Budgetierung 14413 Regression. 14913.1 Einfache lineare kausale Prognose. 14913.1.1 Vertrauensintervall der Parameter der Regressionsgeradenund der Einzelprognose. 14913.1.2 Hypothesentest bezüglich des «wahren» Achsenabschnitts bzw.der «wahren» Steigung (der Grundgesamtheit) 15313.1.3 Schematische Vorgehensweise bei einfacher linearer Regression 15513.1.4 Fallbeispiel zu einfacher linearer kausaler Prognose 15513.2 Multiple lineare kausale Prognose. 16013.2.1 Adjustierter Determinationskoeffizient. 16113.2.2 Varianzanalyse und F-Statistik 16213.2.3 Schematische Vorgehensweise bei multipler linearer Regression 16413.2.4 Fallbeispiel zu multipler linearer Regression 1641

Rezensionen

Aus: Studium Buchmagazin für Studierende, Ausgabe 88, SoSe 11
[...] Nach der Lektüre verfügt man über das notwendige Know-How, um Datenmuster sebstständig interpretieren und geeignete Prognosemethoden auswählen zu können. [...]