Y - Sven F. Crone

Vergleichsstudie von Neuronalen Netzen 315
erhalten. Die Untersuchung erlaubt jedoch auch die Überprüfung eines grundsätzlichen
Zusammenhanges zwischen Prognose- und Dispositionsgüte:
Hd: Die Genauigkeit eines Verfahrens zur Absatzprognose dient als Indikator für
die Genauigkeit eines Verfahrens in der Warendisposition
Die Hypothese Hd zielt daher auch auf eine Untersuchung der Frage ab, inwiefern die relative
Prognosegüte von NN und statistischen Prognoseverfahren mit ihrer Güte in der Entscheidungsunterstützung
der Warendisposition übereinstimmt und ob diese als verlässlicher
Indikator verwendet werden kann. Die vorliegende Studie überwindet daher die Einschränkungen
vorangegangener Analysen und erweitert diese in mehrfacher Hinsicht.
6.1.2 Aufbau der Vergleichsstudie
Ein sekundäres Ziel dieser Studie ist die Untersuchung der Bedingungen, unter welchen NN
bzw. andere Verfahren der Prognose und Disposition gute Ergebnisse zeigen, um nach dem
Konzept der mehrfachen Arbeitshypothesen 1 einen größtmöglichen Erkenntnisfortschritt
hinsichtlich der Verfahren zu gewährleisten. Diese stammen aus vorangegangenen Ex-ante-
Vergleichsstudien über statistische Prognoseverfahren und bestimmen den Versuchsaufbau
dieser Studie. Alle Empfehlungen setzten eine Ex-ante-Beurteilung der Prognoseverfahren auf
unbekannten Datenmengen voraus. Die Bestätigung der Erkenntnisse aus vorangegangenen
Verfahrensvergleichen erlaubt zudem einen Nachweis der externen Validität der Ergebnisse
dieser Studie über den Anwendungsbereich der Disposition an Warenautomaten hinaus und
dient damit als Indiz für die Gültigkeit der Experimente. Eine Falsifizierung der etablierten
Hypothesen führt hingegen zu einem direkten Wissensfortschritt.
Im Versuchsaufbau sind insbesondere die Erkenntnisse der M-Competitions [Makridakis et
al. 1982] für den Datensatz zu überprüfen: 2
H1: Komplexe Prognoseverfahren sind nicht genauer als einfache Verfahren.
H2: Unterschiedliche Fehlermaße führen zu unterschiedlichen Rangordnungen der
verschiedenen Prognoseverfahren
Diese Schlussfolgerungen wurden bereits in Abschnitt 3.3.3.1 diskutiert und vielfach durch
Vergleichsstudien auf Original-Datensätzen, erweiterten Datensätzen [Fildes 1992a] und in
den nachfolgenden M2- und M3-Competitions [Makridakis et al. 1993; Makridakis und
Hibon 2000] hinsichtlich ihrer Validität bestätigt. Erkenntnis H1 postuliert eine vergleichbare
Prognosegenauigkeit von komplexen, nichtlinearen Verfahren der NN mit einfachen statistischen
Verfahren. Da diese Erkenntnis die Erforschung komplexer Prognoseverfahren
grundsätzlich in Frage stellt, erscheint sie als besonders relevant. Daher werden NN gegen
mehrere Prognoseverfahren mit zunehmender Komplexität beurteilt, die sowohl empirisch in
der Anwendungsdomäne der Warenautomaten als auch theoretisch durch statistische Vergleichsstudien
etabliert sind. Während MAKRIDAKIS et al. die Unterscheidung in einfache und
komplexe Verfahren auf zeitreihenanalytische Ansätze beschränkte, wird diese hier erweitert.
Die Studie betrachtet sowohl univariate Verfahren der Zeitreihenanalyse als auch der
multivariaten Interventionsanalyse. Erkenntnis H2 erfordert die Beurteilung aller Verfahren
anhand mehrerer robuster und unverzerrter Fehlermaße und sollte daher durch die vorliegende
Studie nicht falsifiziert werden können. Der Versuchsaufbau berücksichtigt dementsprechend
1 Das Konzept der multiple working hypotheses wurde in Abschnitt 3.3.3.1 nach den Richtlinien des
International Institute of Forecasters (IIF) sowie des International Journal of Forecasting (IJF) dargestellt.
2 Die darüber hinausgehenden Erkenntnisse (vgl. Abschnitt 3.3.3.1), wonach (4.) die Leistung eines Verfahrens
von der Länge des Prognosehorizontes abhängt, können hier nicht untersucht werden, da die Disposition an
Warenautomaten nur einen konstanten Prognosehorizont von h=1 erlaubt. Auf eine Untersuchung der Erkenntnis,
dass (3.) kombinierte Prognosen genauer sind als individuelle Prognosen, wird aufgrund der
wachsenden Komplexität der Kombination aller Prognoseverfahren hier verzichtet.