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.

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

Inhalt
Vorwort. 5 Abkürzungsverzeichnis 13 Abbildungs- und Tabellenverzeichnis 15 Formelverzeichnis 22 1 Einleitung 25 2 Nutzen und Limits von Prognosen 27 2.1 Weshalb benötigt man Prognosen?. 27 2.2 Entwicklungsrichtungen bezüglich Prognosen. 27 2.3 Vor- und Nachteile der beiden Richtungen von Prognosemethoden. 28 3 Prognoseprozess im Griff haben 31 4 Qualitative Anforderungen an Prognosedaten 33 5 Qualitative bzw. meinungsorientierte Prognosemethoden. 35 5.1 Zusammenfassung der Ansichten der Verkäufer. 35 5.2 Kunden- und Bevölkerungsumfragen. 36 5.3 Expertenmeinung. 37 5.4 Delphi-Methode. 37 5.5 Szenarienabfassung 38 6 Übersicht der statistischen Grundkonzepte. 39 6.1 Häufigkeitsverteilung 39 6.2 Datenbeschreibende Kennzahlen. 42 6.2.1 Kennzahlen der Zentralen Tendenz [Kennzahl des 1. Moments]. 42 6.2.2 Kennzahlen der Streuung [Kennzahl des 2. Moments] 44 6.2.3 Freiheitsgrad 48 6.2.4 Schiefe [Kennzahl des 3. Moments]. 48 6.2.5 Kurtosis [Kennzahl des 4. Moments] 49 6.2.6 Beispieldatensatz zu datenbeschreibenden Kennzahlen 50 6.3 Stetige Zufallsverteilungen. 51 6.3.1 Normalverteilung 51 6.3.2 t-Verteilung. 57 6.4 Konfidenz- bzw. Vertrauensintervalle 58 6.5 Hypothesentest 61 6.5.1 Vorgehensweise. 62 6.5.2 Ein- und zweiseitiger Signifikanztest 67 6.5.3 Fehler des Typs I und des Typs II. 68 6.5.4 Bedeutung des p-Werts 72 6.6 Korrelationsanalyse. 73 6.6.1 Überblick. 73 6.6.2 Kennzahlen der Korrelation 75 7 Wahrscheinlichkeitsrechnung. 79 7.1 Einleitung zur Wahrscheinlichkeitsrechnung. 79 7.2 Ergebnistabelle und Erwartungswert 81 7.3 Perfekte Information und ihr «Wert». 86 7.4 Bayes-Theorem. 88 8 Datenmuster untersuchen und Prognosemethode wählen 91 8.1 Zeitreihenmodelle und ihre Komponenten 91 8.2 Fallbeispiel anhand einer Zeitreihe bezogen auf den Umsatz 94 8.3 Untersuchung des Datenmusters anhand der Autokorrelationsanalyse 94 8.4 Autokorrelations-t-Statistik und Ljung-Box-Pierce-Q-Statistik (LBQ). 100 8.5 Messmethoden des Prognosefehlers. 106 8.6 Übersicht der zur Auswahl stehenden üblichen Prognosemethoden. 110 9 Naive Prognosemethoden. 113 9.1 Mögliche Methoden der Naiven Prognose 113 9.2 Fallbeispiel zu Naiven Prognosemethoden. 114 10 Prognosemethoden der Gleitenden Durchschnitte. 117 10.1 Einfacher Durchschnitt 117 10.2 Gleitender Durchschnitt. 117 10.3 Doppelter Gleitender Durchschnitt. 119 10.4 Fallbeispiel zu Prognosemethoden des Gleitenden Durchschnitts. 120 11 Prognosemethoden Exponentielles Glätten. 123 11.1 Einleitung zu Exponentiellem Glätten. 123 11.2 Unterschiedliche Methoden des Exponentiellen Glättens. 125 11.3 Fallbeispiel zu Prognosemethoden des Exponentiellen Glättens. 127 12 Klassische Zeitreihenanalyse. 129 12.1 Zentrierter Gleitender Durchschnitt 129 12.2 Vorgehensweise bei der Berechnung der Zeitreihenkomponenten 131 12.3 Fallbeispiel zu Klassischer Zeitreihenanalyse (multiplikatives Modell) 133 12.4 Methodenunterschiede bei der Komponentenermittlung 140 12.5 Vor- und Nachteile der Klassischen Zeitreihenanalyse 142 12.6 Umsetzungskonsistente «Basis» für die Budgetierung 144 13 Regression. 149 13.1 Einfache lineare kausale Prognose. 149 13.1.1 Vertrauensintervall der Parameter der Regressionsgeraden und der Einzelprognose. 149 13.1.2 Hypothesentest bezüglich des «wahren» Achsenabschnitts bzw. der «wahren» Steigung (der Grundgesamtheit) 153 13.1.3 Schematische Vorgehensweise bei einfacher linearer Regression 155 13.1.4 Fallbeispiel zu einfacher linearer kausaler Prognose 155 13.2 Multiple lineare kausale Prognose. 160 13.2.1 Adjustierter Determinationskoeffizient. 161 13.2.2 Varianzanalyse und F-Statistik 162 13.2.3 Schematische Vorgehensweise bei multipler linearer Regression 164 13.2.4 Fallbeispiel zu multipler linearer Regression 164 13.3 Multiple lineare Regression bei Zeitreihendaten. 171 13.3.1 Additives Modell der multiplen Regression bei Zeitreihen 172 13.3.2 Multiplikatives Modell der multiplen Regression bei Zeitreihen 173 13.3.3 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten (additives Modell) 174 13.3.4 Fallbeispiel zu multipler linearer Regression bei Zeitreihendaten (multiplikatives Modell) 180 14 ARIMA-Box-Jenkins-Ansatz. 183 14.1 Gegenüberstellung der Regressionsanalyse mit dem ARIMA-Box-Jenkins-Ansatz 184 14.2 Theoretische Umschreibung des ARIMA-Modells. 185 14.3 Einige Grundbegriffe zum ARIMA-Modell. 187 14.3.1 Stationäre Zeitreihenwerte 188 14.3.2 Weißes Rauschen. 190 14.3.3 Autokorrelationsfunktion (ACF) und Partielle Autokorrelationsfunktion (PACF) 191 14.4 Festlegung der Spezifizierung des ARIMA-Modells 192 14.5 Schematische Vorgehensweise bei der Bestimmung der ARIMA-Komponenten 193 14.6 Fallbeispiel zum ARIMA-Box-Jenkins-Ansatz 194 14.7 Neutrale Benchmarkprognose. 199 14.7.1 Begründung der Neutralen Benchmarkprognose 199 14.7.2 Fallbeispiel zur Neutralen Benchmarkprognose. 200 15 Entscheidungen bei Unsicherheit (Monte-Carlo-Simulation) 207 15.1 Einleitung zur Monte-Carlo-Simulation 207 15.2 Worum geht es bei der Simulation?. 207 15.3 Voraussetzung: Rechenschema mit Input-Output-Beziehungen 208 15.4 Monte-Carlo-Simulation als Erweiterung des Was-wäre-wenn-Ansatzes bzw. der Sensitivitätsanalyse. 209 15.5 Fallbeispiel zur Monte-Carlo-Simulation 210 16 Real- bzw. Sachoptionen. 217 16.1 Gegenüberstellung DCF-Methode und Realoptionenansatz 217 16.2 Nettobarwert, ohne und mit Realoption. 217 16.3 Moderner, mathematischer Ansatz 224 16.3.1 Binomialgitter-Ansatz 224 16.3.2 Auf-und-ab-Verästelungen 225 16.3.3 Schaffung einer risikoneutralen «Umgebung» 226 16.3.4 Fallbeispiel zu Realoptionen 228 17 ANHANG. 231 17.1 Parameterschätzung 231 17.1.1 Einleitung. 231 17.1.2 Zentraler Grenzwertsatz als Hilfsmittel zur Parameterschätzung. 233 17.1.2.1 Einleitung zum Zentralen Grenzwertsatz 233 17.1.2.2 Umsetzung des Zentralen Grenzwertsatzes in der Praxis 237 17.1.3 Eigenschaften einer guten Parameterschätzung 238 17.2 Prognoseschätzung. 239 17.2.1 Methode-der-kleinsten-Quadrate. 239 17.2.1.1 Einleitung. 239 17.2.1.2 Lineare Regressionsfunktionen. 241 17.2.1.3 Standardfehler der Schätzung (SEE) 244 17.2.1.4 Modellannahmen der Methode-der-kleinsten-Quadrate 245 17.2.1.5 Überprüfung der Modellannahmen. 246 17.2.2 Maximum-Likelihood-Methode 261 17.3 Standardnormalverteilung 264 17.4 t-Verteilung. 265 17.5 Chiquadratverteilung 266 17.6 F-Verteilung 267 17.7 Durbin-Watson-Statistik. 269 17.8 Wichtige standardisierte Prüfgrößen bzw. Teststatistiken. 270 17.9 Theoretische ARIMA-Modelle und deren ACF- und PACF-Kurvenverläufe. 272 17.10 Nettoerlösentwicklung der Inditex-Gruppe 274 17.11 Nettoerlösentwicklung der Gap-Gruppe. 277 17.12 Nettoerlösentwicklung der Handels-AG. 280 Literatur-, Software-, Dokumenten- & Internetquellenverzeichnis. 285 Stichwortverzeichnis. 290