1-8-2. روش کیفی پیش‌بینی
در بسیاری از موارد برای تصمیم‌گیری، اطلاعات کامل و دقیقی از گذشته در دست نیست یا محیط به گونه‌ای آشفته است که نمی‌توان اطلاعات گذشته را ملاک پیش‌بینی آینده و تصمیم‌گیری قرار داد. در چنین شرایطی تحلیل‌گر برای پیش‌بینی آینده به روش‌های کیفی متوسل می‌شود. در روش‌های کیفی مبنای پیش بینی تجربه و تخصص ، قضاوت و قدرت پیشگوئی صاحب نظران و متخصصان آن حوزه تصمیم‌گیری است (آدل،1379،ص42)2.
پس به طور کلی در روشهای کیفی جهت پیش بینی وقایع آینده از نظرات و عقاید متخصصین استفاده می شود. به عنوان مثال کشف ورود یک تکنولوژی جدید به جریان تولید از مواردی است که در آن داده های زمانی مربوط به گذشته به منظور پیش بینی وقایع آینده بر این فرض استوار است که الگوی داده های زمانی ثابت می ماند پس تغییرات الگوی داده ها را نمی توان براساس داده های گذشته پیش بینی نمود بدین جهت غالباً برای پیش بینی چنین تغییراتی از روش کیفی استفاده می‌شود. مدل‌های کیفی را می توان با نوع داده هایی که برای پیش بینی بکار می برند از مدل های کمی متمایز نمود هر چند امکان دارد هر دو مدل از مقادیر عددی استفاده نمایند . مدل های کیفی اغلب متکی بر برآوردهای ذهنی یا شهودی هستند، ماهیت تخصصی دارند، بیشتر با دامنه اعداد با روابط نسبی آنها سروکار دارند و کم تر روابط صریح را مورد بررسی قرار می‌دهند.
2-8-2. روش‌های کمّی
این روش ها به تجزیه و تحلیل داده های مربوط به گذشته می پردازند با این هدف که ارزش آتی متغیر مورد نظر را پیش بینی نماید در مدل های کمّی ابتدا داده های گذشته را که بصورت کمّی قابل اندازه گیری هستند به دست می آورند . تمامی این مدل های فرض میکنند که روند موجود در داده های گذشته در آینده نیز به همین صورت خواهد بود . به عبارت دیگر مدل های کمّی پیش بینی را می توان به عنوان فیلتری خطی تصور نمود که الگوی قابل استفاده برای پیش بینی را از نوسانات و یا پارازیت‌های تصادفی جدا می‌سازد.
مدل‌های کمّی پیش‌بینی به دو نوع تقسیم می‌شوند:
1. مدل‌های تک متغیری 2. مدل‌های علّی
مدل های تک متغیری مدلی است که تنها براساس ارزش و مقادیر گذشته یک سری زمانی ارزش و مقادیرآتی سری زمانی مزبور را پیش بینی نماید دراین مدل جهت رسیدن به الگویی برای داده‌ها، داده‌های مربوط به گذشته مورد تجزیه و تحلیل قرار می گیرد . پس مدل‌های پیش‌بینی تک متغیری برای وضعیت‌هایی که انتظار می‌رود هم چنان ادامه داشته باشند کاربرد دارند.
مدل‌های علّی پیش بینی مستلزم این می باشند که بتوانند متغیرهایی را که با متغیر مورد نظر جهت پیش‌بینی در ارتباط هستند شناسایی و تشخیص دهند . با پی بردن به این ارتباط مدل آماری بسط می‌یابد. سپس مدل آماری فوق جهت پیش بینی متغیر مورد نظر بکار برده می‌شود.
مدل‌های علّی چند اشکال دارند. اولاً، بسط و توسعه آنها بسیار مشکل است ثانیاً، تمامی متغیرهای مورد استفاده در این مدل مستلزم این می باشند که از داده های مربوط به گذشته برخوردار باشند ثالثاً، توانایی در پیش بینی متغیر وابسته منوط به توانایی پیش بینی کننده در پیش بینی متغیرهای مستقل می‌باشند. علی رغم اشکالات یاد شده مدل های علّی اغلب مورد استفاده قرار می‌گیرند.
روشهای کمّی پیش بینی ، زمانی بکار می روند که داده های مربوط به گذشته موجود باشند مدل‌های تک متغیری تنها براساس الگوی تاریخی متغیر مورد نظرارزش آینده آن را پیش‌بینی می‌کنند مدل‌های علّی با فرض ادامه داشتن الگوی تاریخی در آینده ، با استفاده از رابطه میان متغیر مورد نظر و سایر متغیرها ارزش آتی متغیر مورد نظر را پیش‌بینی می‌نمایند. روش‌های کیفی پیش‌بینی زمانی به کار می‌روند که داده‌های گذشته وجود نداشته و یا کم بوده و در دسترس نباشند و منوط به نظر متخصص که به طور ذهنی وقایع آینده را پیش بینی می کند می باشند . اکثر سیستم های پیش بینی عملاً هر دو روش کیفی و کمّی را بکار می برند . برای مثال روش های کمّی را زمانی بکار می برند که انتظار می‌رود الگوی داده ها در آینده نیز ادامه داشته باشد و حال آن که روشهای کیفی را زمانی مورد استفاده قرار می‌دهند که انتظار تغییر الگوی داده ها می رود از این رو پیش بینی های ناشی از روش‌های کمّی اغلب مورد ارزیابی ذهنی قرار می گیرد . این ارزیابی ممکن است منجر به اصلاح و تعدیل پیش بینی گردد (شیوا،1384،16)3.
از مدل‌های کمّی برای پیش بینی در سری زمانی استفاده می‌شود.
مدل‌های کمّی پیش بینی بسیار زیاد و متنوع هستند برخی از آنها عبارتند از:
1. مدل‌های میانگین‌گیری 2. مدل‌های نمو هموار
3. مدل‌های هولت وینترز 4. مدل‌های باکس ـ جنکینز
5. مدل‌های اقتصاد سنجی 6. تجزیه و تحلیل روند
7. برازش ذهنی
که در این قسمت با توجه به اینکه این تحقیق بر اساس مدل باکس ـ جنکینز انجام گرفته به تشریح این مدل می‌پردازیم و از تشریح سایر مدل‌ها صرف نظر می‌کنیم.
1-2-8-2. مدل‌های پیش‌بینی باکس و جنکینز
بسیاری از روش های آماری ( نظیر رگرسیون ) به بررسی مدل هایی می پردازند که فرض زیربنایی آنها استقلال مشاهدات می باشد . این در حالی است که اکثر داده های مربوط به علوم طبیعی، مهندسی ، تجارت و اقتصاد به صورت سری زمانی روی می دهند که پیوستگی مشاهدات در آن ها امری بدیهی می باشد . به عنوان مثال این فرض که سود سال گذشته یک شرکت هیچ تأثیری بر سود سال آینده ندارد فرض معنی داری نیست .فرض بنیادین روش باکس- جنکینز این است که مشاهدات مربوط به یک سری زمانی مستقل نمی باشند و بصورت متوالی بهم وابسته هستند و این وابستگی بین داده‌های متوالی در زمانهایی با فواصل مساوی اندازه گیری می شوند و مورد توجه می‌باشند.
این روش در دهه 1960 توسط جرج باکس و کیولی جنکینز به منظور تجزیه و تحلیل سری زمانی مطرح و در ظرف مدت 15 سال بسط داده شده است و رویکردی است که در موارد زیر بکار گرفته می‌شود.
1. برنامه ریزی اقتصادی و تجاری 2. برنامه‌ریزی
3. نظارت بر تولید و موجودی 4. کنترل بهینه‌سازی فرآیند صنعتی
اساس رویکرد ، باکس و جنکینز به بررسی حوزه وسیعی از مدل‌های پیش‌بینی برای یک سری زمانی قرار گرفته است گروه عمومی مدل‌ها برای یک سری زمانی در روش شناسی باکس ـ جنکینز در مدل‌های اتورگرسیو ـ میانگین متحرک تلفیقی گفته می‌شود که در آمار به مدل های آریما معروف هستند.