Metrische Regressoren in exponentiellen Glättungsmodellen

Die exponentielle Glättung ist ein Prognoseverfahren, das sich bei der Erstellung von Absatzprognosen in Unternehmen großer Beliebtheit erfreut. Gegenüber anderen statistischen Prognoseverfahren weist sie den Vorteil auf, daß die Grundideen und Eigenschaften der Modelle erheblich geringere mathematische und statistische Kenntnisse des Anwenders voraussetzen als beispielsweise Strukturkomponenten-, Kausal- und ARIMA-Modelle. Allerdings haben sie einen wesentlichen Nachteil: Für die Erstellung von Absatzprognosen in Unternehmen ist es oftmals nicht ausreichend, lediglich die historischen Absatzdaten als Datengrundlage heranzuziehen. Neben den in der Zeitreihe vorhandenen Komponenten wie Trend und Saisonalität lassen sich oft weitere Faktoren, wie beispielsweise Werbeausgaben, finden, welche die zukünftige Absatzentwicklung erheblich beeinflussen. Bisher ist es aber nicht möglich, in exponentiellen Glättungsmodellen der Pegels/Gardner-Klassifikation Informationen in Form metrisch skalierter Regressoren einzubetten. Die vorliegende Arbeit schließt diese Lücke, indem sie metrische Regressoren als weitere Komponenten in die Glättungsmodelle unter Beibehaltung der Grundprinzipien der exponentiellen Glättung aufnimmt. Die Vorteile der bisher bekannten exponentiellen Glättungsmodelle, die zu ihrer starken Verbreitung in der Praxis führten, sind auch für die um Regressorkomponenten erweiterten Modelle relevant. Eine empirische Untersuchung an 16 Zeitreihen, die aus der gängigen Literatur zur Prognostik, Zeitreihenanalyse und Ökonometrie zusammengetragen wurden, zeigt, daß sich die Prognosegüte gegenüber Glättungsmodellen ohne Regressorkomponenten sowie dynamischen Regressionsmodellen teilweise erheblich verbessern läßt.