Peramalan dan Model Present

Value
Panca Fatikhul Inami (5130020136)
 Pokok Pembahasan
• Persamaan Ramalan
• Ramalan Deterministik
• Prakiraan Regresi Linier
• Prakiraan dan Guncangan
• Peramalan Variabel Eksogen dan Akurasi
Variabel Endogen
• Prakiraan Kualitatif
• Model dan Prakiraan PV
 Peramalan
“Peramalan menggunakan pengamatan dan
persepsi tentang masa lalu untuk memprediksi
masa depan. Asal kata ramalan berasal dari kata
“fore” yang artinya sebelum ditambah kata
“casten” yang artinya merancang,
merencanakan, atau mempersiapkan. Jadi, saat
kita meramalkan, kita memprediksi sesuatu
sebelum terjadi sehingga kita bisa
merencanakan atau mempersiapkannya.”
 Persamaan Ramalan
• Variabel eksogen dan endogen.
Variabel eksogen didefinisikan di luar sistem. Variabel endogen didefinisikan
dalam sistem. Ketika kami membuat laporan keuangan terkoordinasi (CFS)
dan template PV, kami membedakan antara variabel yang nilainya ditentukan
dalam template CFS dan PV, variabel endogen, dan variabel yang nilainya
ditentukan di luar template CFS dan PV, variabel eksogen. Di dalam sistem
CFS dan template PV, variabel endogen dan eksogen dihubungkan satu sama
lain menggunakan persamaan deterministik.
• Variabel dependen dan independen.
Saat melakukan eksperimen, biasanya menggunakan bahasa variabel
dependen dan independen. Variabel independen dikendalikan oleh
eksperimen dan divariasikan untuk menentukan pengaruhnya terhadap
variabel dependen yang terkait dengan variabel independen dengan model
statistik. Namun, terkadang hubungan antara variabel dependen dan
independen tidak ditentukan secara eksperimental tetapi disimpulkan dan
diamati.
• Kita membutuhkan variabel independen untuk
meramalkan variabel dependen. Variabel
independen tersebut adalah yang digunakan
sebagai variabel eksogen dalam template CFS
dan PV yang digunakan untuk menentukan
variabel endogen.
 Contoh Persamaan Ramalan
• Garis Tren
– Persamaan ramalan yang sebagian besar bergantung
pada berlalunya waktu sering disebut sebagai garis
tren. Dalam hal ini variabel endogen tergantung
hanya pada konstanta dan variabel independen .
Persamaan ramalan ini dapat dinyatakan sebagai:
(11.1)
– Perkiraan garis tren periode dalam secara sederhana
dapat ditulis sebagai:
(11.2)
• Variabel dependen tertinggal.
– Misalkan Lon ingin meramalkan permintaan jasanya musim depan.
Ramalannya mungkin dimulai dengan permintaan atas jasanya yang dia
alami selama periode sebelumnya. Salah satu alasan untuk menekankan
permintaan jasa Lon pada periode sebelumnya adalah karena begitu banyak
kondisi yang ada tahun lalu akan ada di tahun ini. Untuk mencerminkan
hubungan antara ramalan tahun ini dan apa yang terjadi tahun lalu, kami
menentukan:

– Kami menyadari bahwa perubahan permintaan untuk layanan Lon dalam

periode tertentu akan bergantung pada jumlah penyedia perawatan rumput
baru (kompetisi Lon) ditambah perubahan jumlah pelanggan potensial yang
diukur dengan jumlah rumah tangga baru di area layanan Lon dengan
pekarangan. Sebut perubahan permintaan ini dikurangi perubahan
peningkatan layanan yang disediakan oleh orang lain sama dengan
perubahan layanan dan tulis hasilnya sebagai:
• Keterlambatan distribusi variabel independen
– Terkait erat dengan prakiraan yang bergantung pada
berlalunya waktu dan nilai lagged dari variabel dependen
adalah nilai lagged dari variabel independen tempat variabel
dependen bergantung. Persamaan ramalan ini relevan ketika
variabel dependen tergantung pada hasil variabel
independen lainnya.
– Beberapa variabel seperti harga pokok penjualan (HPP),
bergantung pada aktivitas produksi pada periode
sebelumnya. Jadi, jika kita bermaksud untuk meramalkan
HPP, kita mungkin ingin menghubungkannya dengan
beberapa fungsi aktivitas produksi pada periode
sebelumnya.
HPP periode ini = beberapa fungsi dari tingkat aktivitas
produksi pada periode sebelumnya.
– Misalkan kita ingin meramalkan variabel dependen pada akhir
periode ,, yang nilainya kita asumsikan bergantung pada nilai
lagged tak terhingga dari variabel independen , , , ,⋯
ditimbang dengan faktor geometris |ρ|<1. Dalam hal ini kita
dapat menulis persamaan ramalan kita sebagai:
(11.3)
– Tanpa menyederhanakan (11.3), hampir tidak mungkin untuk
memperkirakan. Akan tetapi, dengan menggunakan teknik
penjumlahan deret geometri, kita dapat menyederhanakan
(11.3) menjadi sebuah persamaan yang dapat kita perkirakan.
Untuk menyederhanakan, kita lag (11.3) untuk mendapatkan:
(11.4)
– Kemudian jika kita mengalikan (11,4) dengan ρ dan
mengurangkan hasilnya dari (11,3), kita mendapatkan jumlah
geometris dari nilai-nilai tertinggal dari dan persamaan yang
dapat kita perkirakan:
(11.5)
 – Memecahkan nilai saat ini dari variabel endogen dan
membiarkan error term equal kita dapat menulis:
(11.6a)
Dan
(11.6b)
• Keterlambatan Geometris
– Struktur lag geometris yang menghasilkan
persamaan (11.6b) diatas bersifat spesifik. Struktur
lag yang lebih umum dapat diperkirakan. Memang,
struktur kelambatan geometris lainnya adalah yang
menghasilkan model dalam persamaan berikut yang
tidak memerlukan nilai ramalan untuk
memperkirakan dan dapat dinyatakan sebagai:
(11.7)
• Peramalan variabel eksogen menggunakan waktu dan nilai lagged sebagai
variabel independen
– Peramalan merupakan sebagai prosedur dua langkah. Langkah pertama
mengharuskan kita menemukan hubungan antara variabel dependen dan variabel
dependen yang tertinggal, waktu dan/atau nilai tertinggal dari variabel relevan
lainnya yang dihitung dengan menggunakan pengamatan sebelumnya. Langkah
kedua mengharuskan kami memproyeksikan variabel dependen atau eksogen
perkiraan ke masa depan. Jika variabel independennya adalah waktu, maka untuk
menemukan ramalan hanya perlu memperbarui variabel waktu kita. Di sisi lain, jika
variabel independen kita menyertakan nilai lagged, maka kita harus meramalkan
menggunakan prosedur bertahap. Pada langkah pertama kita menemukan perkiraan
periode berikutnya. Pada langkah kedua ramalan kita menjadi variabel bebas dalam
perkiraan masa depan dua periode — dan seterusnya untuk mendapatkan perkiraan
masa depan di masa depan. Sebagai ilustrasi, misalkan pada langkah pertama kami
memperkirakan bahwa:
(11.8)
– Kemudian pada langkah kedua, perkiraan periode pertama kami menjadi variabel
independen adalah perkiraan dua periode kami yang memungkinkan kami untuk
menulis:
(11.9)
– Mengulangi proses substitusi, kita memperoleh ak periode perkiraan masa depan
sama dengan:
(11.10)
 Ramalan Deterministik
• Ramalan yang naif. Asumsikan bahwa hubungan
antara variabel dependen adalah fungsi linier itu
sendiri tertinggal sama dengan:
(11.11)
Jika kita tidak dapat atau tidak mau
memperkirakan koefisien a Dan b dalam persamaan
(11.11), kita dapat menganggap nilainya setara
dengan a=0 dan b=1. Asumsi ini menyiratkan
bahwa =. Kami menyebutnya perkiraan naif.
 Kami mendemonstrasikan perkiraan naif
menggunakan layanan Lon yang disediakan
selama empat tahun sebelumnya. Ini diwakili
dalam Tabel 11.1. Deskripsi perkiraan kami
mencakup nilai sebenarnya , ramalan , dan
kesalahan ramalan .
• Prakiraan Rata-Rata Bergerak
– Langkah maju dalam kecanggihan ramalan yang tidak bergantung pada
metode statistik adalah rata-rata bergerak. Misalkan kita tertarik untuk
memprediksi jumlah layanan yang dapat diberikan Lon jika bisnis berlanjut
satu tahun lagi. Jika kita benar-benar yakin bahwa tidak ada tren dalam
data dan variasinya disebabkan oleh kejadian acak, kita dapat mengurangi
efek acak pada ramalan dengan merata-ratakan empat periode
sebelumnya
(990 + 890 + 725 + 525)/4 = 782,5
atau mungkin tiga terakhir
(990 + 890 + 755)/3 = 878,3
atau mungkin dua pengamatan terbaru
(990 + 890)/2 = 940.
Namun, karena ada tren positif, ramalan rata-rata tertimbang bahkan kurang
akurat daripada ramalan naif 990 atas sampel periode, dan kami tidak
memiliki cara untuk mengetahui keakuratan perkiraan di luar periode
sampel.
• Prakiraan Geometris
Untuk membuat peramalan geometris, kita mulai dengan mengamati nilai
sebelumnya dari nilai variabel eksogen yang dilaporkan dalam Laporan
Keuangan Terkoordinasi (CFS) saat ini dan sebelumnya. Sebagai ilustrasi,
misalkan selama 10 tahun terakhir, jagung menghasilkan , , ⋯, telah
meningkat sebesar 13%. Kemudian membiarkan g sama dengan persentase
ratarata
peningkatan hasil jagung, kita menemukan hasil rata-rata dalam persamaan
(11.12) sama dengan:

(11.12)
Di mana adalah tingkat pertumbuhan aktual dalam variabel eksogen untuk
periode= 1, ⋯, N dan tingkat pertumbuhan geometris rata-rata adalah
Sebagai ilustrasi misalkan kita memiliki tingkat pertumbuhan hasil jagung
selama 10 tahun yang kita wakili
sebagai:
(11.13)
Kemudian menyelesaikan secara deterministik untuk rata-rata geometrik rata-
rata hasil selama sepuluh tahun terakhir, kami menemukan:

(11.14)
Atau rata-rata, selama 10 tahun terakhir, hasil pada periode t yang kita wakili
dengan variabel meningkat sebesar 1,23%. Dengan asumsi tren masa lalu dalam
hasil berlanjut dan jika hasil tahun lalu adalah 140 gantang per acre, dalam 5
tahun kami berharap hasil panen meningkat menjadi:

(11.15)
Dengan kata lain, hasil jagung pada periode 5, dengan asumsi tren hasil rata-rata
selama sepuluh tahun terakhir akan sama dengan 148,82 gantang per acre.
Dalam kasus layanan Lon, selama empat tahun layanan meningkat sebesar
990/525 = 200% atau = 1,26 dari jasa tersebut telah meningkat rata-rata sebesar
26 persen per tahun sehingga ramalan tahun depan untuk bisnis Lon adalah
(990)(1,26) = 1.221.