Финансиско предвидување (Mетод на линеарна регресија)
Во минатите лекции се запознавме со Мoving average и Exponential smoothing методот и дадовме пример за нивната примена во процесот на финансиско предвидување на продажбата. На овој час, ќе се запознаеме со најсложениот квантитативен метод за финансиско предвидување, од категоријата на методи на анализа на временски серии, а тоа е методот на линеарна регресија. Регресивната анализа е статистички метод за предвидување на врската меѓу зависната променлива Y и независната променлива или променливи X. Простата линеарна регресија, која ние ќе ја користиме, вклучува само една независна променлива, и може да се прикаже со следната равенка:
Y = a + bX
каде,
Y = зависна променлива;
X = независна променлива;
a = константа;
b = коефициент на нагиб.
На овој час ќе учиме како да ја предвидуваме продажбата со примената на методот на линеарна регресија, користејќи ја програмата Excel. Како и кај Мoving average и Exponential smoothing методите, кои ги разгледавме на претходните часови, ќе користиме реални податоци за продажбата на Алкалоид АД Скопје, за период од 2001 до 2013 година. Врз основа на овие податоци ќе ги предвидиме приходите од продажба за 2014 година. Податоците ги организираме во Excel како што е прикажано во сликата подолу.
Пресметката ќе ја вршиме на следниот начин:
- Проверуваме дали го имаме симнато Excel Data Analysis пакетот (доколку не го имаме, ќе треба да го симнеме);
- Одиме во Excel – Data – Data Analysis, бираме Regression и притискаме ОК;
- Се отвора прозорец, кој ни бара да внесеме Input Y Range, Input X Range, Output options.
- Во Input Y Range ја внесуваме вредноста на продажбата (погоре објаснивме дека продажбата е зависна променлива Y, односно променлива чија идна вредност ја предвидуваме);
- Во Input X Range ги внесуваме податоците за годините (бидејќи годините се независната променлива x);
- Во Output options во Output rang може да дефинираме во која келија сакаме да ни се појават резултатите, а доколку избереме New Workssheet Ply резултатите ќе ни излезат во друг sheet од Excel документот (во случајот ја штиклиравме опцијата New Workssheet Ply).
Оваа постапка е прикажана во сликата подолу.
Кликаме ОК и го добиваме следниот резултат:
SUMMARY OUTPUT | ||||
Regression Statistics | ||||
Multiple R | 0,944479131 | |||
R Square | 0,892040829 | |||
Adjusted R Square | 0,882226359 | |||
Standard Error | 531,5906084 | |||
Observations | 13 | |||
ANOVA | ||||
df | SS | MS | F | |
Regression | 1 | 25684580,45 | 25684580,45 | 90,89037111 |
Residual | 11 | 3108474,324 | 282588,5749 | |
Total | 12 | 28793054,77 | ||
Coefficients | Standard Error | t Stat | P-value | |
Intercept | -749302,6319 | 79084,2013 | -9,474744887 | 1,26413E-06 |
X Variable 1 | 375,6648352 | 39,40411752 | 9,533644167 | 1,18893E-06 |
Всушност, реалниот резултат, кој излегува има некоја колона плус, но јас го скратив во интерес на презентацијата, а и се што не интересира има во податоците што се презентирани. За предвидување на продажбата, нас не интересира вредноста на коефициентите Intercept и XVariable1, при што во равенката:
Y = a + bX
Коефициентот Intercept e a, коефициентот XVariable1 е b, Y e вредноста на продажбата, а X се годините, односно временскиот период.
Поаѓајќи од тоа, со замена на непознатите во равенката, ќе го пресметаме пресметаме предвидувањето на приходите од продажбата на Алкалоид АД Скопје за 2014 година на следниот начин:
Y = a + bX = -749.302,6319 + 375,6648352 * 2014 = 7.286
Линеарната регресија е многу покомплексен метод од методите со кои претходно се запознавме и неговата примена е значително поширока. Со овој метод може да се анализираат различните аспекти од оперативното и финансиско работење, а резултатите од анализите можат значајно да ја унапредат ефикасноста на деловното одлучување, а со тоа секако ќе се унапредат и перформансите на работењето.