Häufig ist es sowohl in der Wirtschaft als auch in der Politik für Führungskräfte von entscheidender Bedeutung, nicht nur auf Basis von Erfahrungswerten der Vergangenheit, sondern vielmehr unter Einbeziehung prägnanter Zukunftsprognosen Entscheidungen treffen zu können. Im Zuge dessen widmet sich die vorliegende Arbeit der Fragestellung, mithilfe welcher ökonomischen Methoden die Nachfrage der Weltbevölkerung in Bezug auf den Energieträger Erdöl valide prognostiziert werden kann.
Inhaltsverzeichnis
- Einführung
- Entwicklung der globalen Energienachfrage - Stand der Literatur
- Zielsetzung der Arbeit
- Aufbau der Arbeit
- Test auf Saisonalität
- Test auf Autokorrelation
- Auswahlverfahren geeigneter Prognosemodelle - Ex-post-Prognosen
- Gleitender Durchschnitt
- Einfacher gleitender Durchschnitt
- Doppelter gleitender Durchschnitt
- Exponentielles Glätten
- Einfaches exponentielles Glätten
- Doppeltes exponentielles Glätten
- Exponentielles Glätten nach Holt
- Exponentielles Glätten nach Winters
- Zeitreihenzerlegung
- ARIMA-Modelle
- Autoregressive Modelle (AR)
- Moving Average Modelle (MA)
- Autoregressive Moving Average Modelle (ARMA)
- Auswertung der Ergebnisse
- Anwendung geeigneter Prognoseverfahren zur Erstellung eines Forecasts der Erdölnachfrage - Ex-ante-Prognosen
- Statische Prognosemodelle
- Exponentielles Glätten nach Winters
- Zeitreihenzerlegung
- Dynamische Prognosemodelle
- Exponentielles Glätten nach Winters
- Zeitreihenzerlegung
- Schlussfolgerungen und kritische Würdigung
Zielsetzung und Themenschwerpunkte
Ziel dieser Arbeit ist es, ein geeignetes Prognoseverfahren für die Entwicklung der weltweiten Erdölnachfrage zu finden. Hierzu werden verschiedene ökonomische Methoden untersucht und anhand von Ex-post- und Ex-ante-Prognosen miteinander verglichen.
- Entwicklung der globalen Energienachfrage
- Bewertung verschiedener Prognosemethoden
- Entwicklung von Ex-post-Prognosen
- Erstellung eines Forecasts der Erdölnachfrage (Ex-ante-Prognosen)
- Analyse und Vergleich der Ergebnisse
Zusammenfassung der Kapitel
Die Arbeit beginnt mit einer Einführung in das Thema und beleuchtet die Entwicklung der globalen Energienachfrage anhand aktueller Studien. Es werden die wichtigsten Prognosemodelle vorgestellt, welche im weiteren Verlauf der Arbeit angewendet werden.
Anschließend werden die Testverfahren auf Saisonalität und Autokorrelation erläutert und die Ergebnisse der jeweiligen Tests präsentiert. Der Fokus liegt auf der Auswahl geeigneter Prognosemodelle, die im Rahmen von Ex-post-Prognosen angewendet werden.
Die einzelnen Prognosemodelle wie der gleitende Durchschnitt, exponentielles Glätten und Zeitreihenzerlegung werden im Detail vorgestellt und anhand ihrer Ergebnisse verglichen. Zudem werden die ARIMA-Modelle vorgestellt, die ebenfalls zur Erstellung von Prognosen verwendet werden können.
Die Arbeit geht schließlich auf die Anwendung der ausgewählten Prognosemodelle zur Erstellung eines Forecasts der Erdölnachfrage ein (Ex-ante-Prognosen). Die Ergebnisse der statischen und dynamischen Prognosemodelle werden gegenübergestellt und analysiert.
Schlüsselwörter
Erdölnachfrage, Prognosemethoden, Ex-post-Prognosen, Ex-ante-Prognosen, gleitender Durchschnitt, exponentielles Glätten, Zeitreihenzerlegung, ARIMA-Modelle, Saisonalität, Autokorrelation
Häufig gestellte Fragen
Wie lässt sich die weltweite Erdölnachfrage prognostizieren?
Die Nachfrage kann mithilfe verschiedener ökonomischer Methoden wie Zeitreihenanalysen, ARIMA-Modellen oder exponentiellem Glätten vorhergesagt werden.
Was ist der Unterschied zwischen Ex-post- und Ex-ante-Prognosen?
Ex-post-Prognosen testen ein Modell an bereits bekannten Daten der Vergangenheit. Ex-ante-Prognosen versuchen, tatsächliche zukünftige Werte vorherzusagen.
Was sind ARIMA-Modelle?
ARIMA steht für Autoregressive Integrated Moving Average. Es sind dynamische statistische Modelle, die Trends und Abhängigkeiten in Zeitreihen zur Vorhersage nutzen.
Warum sind Tests auf Saisonalität und Autokorrelation wichtig?
Diese Tests klären, ob die Daten regelmäßige Schwankungen (z.B. Winter/Sommer) oder Abhängigkeiten von vorherigen Werten aufweisen, was die Wahl des richtigen Modells beeinflusst.
Was ist das exponentielle Glätten nach Winters?
Es ist ein spezielles Verfahren zur Vorhersage von Daten, die sowohl einen Trend als auch saisonale Schwankungen aufweisen.
Welches Ziel verfolgt die Zeitreihenzerlegung?
Die Zeitreihenzerlegung trennt eine Datenreihe in ihre Bestandteile wie Trend, Saisonfigur und Restschwankung auf, um die zugrunde liegenden Muster besser zu verstehen.
- Quote paper
- Christoph Mütschard (Author), 2016, Feststellung eines geeigneten Prognoseverfahrens für die Entwicklung der weltweiten Erdölnachfrage, Munich, GRIN Verlag, https://www.grin.com/document/508640
