BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Grzesica Dariusz (Cracow University of Technology, Poland)
Tytuł
Forecasting Methods in Modern Enterprise Management
Źródło
Business and Non-profit Organizations Facing Increased Competition and Growing Customers' Demands, 2017, vol. 16, s. 193-205, rys., tab., bibliogr. 17 poz.
Słowa kluczowe
Model ARMA, Metody prognozowania, Analiza harmoniczna
ARMA model, Forecasting methods, Harmonic analysis
Uwagi
summ.
Abstrakt
The aim of the chapter is to describe advanced methods of forecasting used in modern, high-tech enterprises. One of them - the ARMA model considers the strong dependence between the individual observations, used for prediction of time series, characterized by high dynamics of change. Here will be explained the process of selection of its parameters, and method design of the model. Second - harmonic analysis - uses, in turn, the cyclicality of the time series by which to construct the model describing the time series and what is the forecast for future periods. The first method is a group of parametric models, the second one is nonparametric, and both use the nature of a change of time series. The use of these methods will be shown by example. (original abstract)
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Akaike, H. (1974). A New Look at the Statistical Model Identification. I.E.E.E. Transactions on Automatic Control. No.19.
  2. Bielińska, E. (2007). Prognozowanie Ciągów Czasowych. Gliwice: Wydawnictwo Politechniki Śląskiej.
  3. Box, G.E.P., Jenkins, G.M., Reinsel, G.C., & Ljung, G.M. (2015). Time Series Analysis: Forecasting and Control. New Jersey: John Wiley & Sons.
  4. Box, G.E.P., & Jenkins, G.M. (1983). Analiza Szeregów Czasowych. Prognozowanie i Sterowanie. PWN, Warszawa.
  5. Dickey, D.A., & Fuller, W.A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74, 427-431.
  6. Dittmann, P. (2003). Prognozowanie w przedsiębiorstwie. Metody i ich Zastosowanie. Kraków: Oficyna Ekonomiczna.
  7. Grzesica, D., & Więcek, P. (2014). Wykorzystanie modeli autoregresji i średniej ruchomej w prognozowaniu wielkości popytu niezależnego. Czasopismo Logistyka 4, 3908-3913.
  8. Grzesica, D. (2015). Elementy zarządzania popytem w łańcuchu dostaw. In O. Gugnin, H. Hall & L. Witek (Eds.), Zarządzanie Marketingowe Współczesnymi Organizacjami - Determinanty, Funkcje, Strategie. Rzeszów: Wydawnictwo Politechniki Rzeszowskiej.
  9. Hannan, E.J., & Quinn, B.G. (1979). The determination of the order of an autoregression. Journal of the Royal Statistical Society, 41(2), 190-195.
  10. Hirschey, M. (2009). Managerial economics, 12th editio. London: Cangage Learning.
  11. Krawczyk, S. (2001). Metody Ilościowe w Planowaniu Działalności Przedsiębiorstwa. Warszawa: Wydawnictwo C.H. Beck.
  12. Maciąg, A., Pietroń, R., & Kukla, S. (2013). Prognozowanie i Symulacja w Przedsiębiorstwie. Warszawa: PWE.
  13. Mills, T. (2011). The Foundations of Modern Time Series Analysis. Palgrave MacMillan,.
  14. Reszka, L. (2010). Prognozowanie Popytu w Logistyce Małego Przedsiębiorstwa. Gdańsk: Wydawnictwo Uniwersytetu Gdańskiego.
  15. Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461-464.
  16. Talaga, L., & Zieliński, Z. (1986). Analiza Spektralna w Modelowaniu Ekonometrycznym. Warszawa: PWN.
  17. Zeliaś, A., Pawełek, B., & Wanat, S. (2003). Prognozowanie Ekonomiczne: Teoria, Przykłady, Zadania. Warszawa: Wydawnictwo Naukowe PWN.
Cytowane przez
Pokaż
ISSN
2543-540X
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu