Naive Prognose

Die Fachliteratur unterscheidet zwei Typen. Sie nutzen verschiedene Maße als Grundlage für ihre Prognose:

• Typ 1 (No-Change-Prognose): den aktuellen Wert
• Typ 2 (Same-Change-Prognose): den aktuellen Trend, also den Abstand zwischen dem aktuellen Wert und dem vorherigen

Folgende Formeln ergeben sich somit für die Naive Prognose:

${\displaystyle {\mathsf {f_{t-1}}}={\mathit {vorletzterWert}}}$
${\displaystyle {\mathsf {f_{t}}}={\mathit {aktuellerWert=letzterWert}}}$
${\displaystyle {\mathsf {f_{t+1}}}={\mathit {Prognosewert}}}$

• Typ 1: ${\displaystyle {\mathsf {f_{t+1}}}={\mathsf {f_{t}}}}$
• Typ 2: ${\displaystyle {\mathsf {f_{t+1}}}={\mathsf {f_{t}+({f_{t}}-{f_{t-1}})}}}$

Verwendet wird die Naive Prognose vor allem, um die Qualität einer anderen, aufwändigeren Prognoseberechnung zu beurteilen. Dazu wird der mittlere Fehler der zu beurteilenden Prognose und der mittlere Fehler der Naiven Prognose berechnet und daraus der Quotient gebildet. Ist dieser Kennwert kleiner als 1, so ist die untersuchte Prognoseberechnung besser als die Naive Prognose bzw. Extrapolation. Das bedeutet, dass sich der zusätzliche Aufwand, der für die aufwändigere Prognose notwendig ist, gelohnt hat.

Eine derartige Beurteilung ist allerdings erst nach dem tatsächlichen Eintreten des Ereignisses möglich, da für die Berechnung der tatsächliche Wert benötigt wird.

• Beispiel für eine Naive Prognose: Anzahl der Stromausfälle in einer Stadt, Daten kurz vorm Jahreswechsel

• Horst Rinne: Taschenbuch der Statistik. 4. Aufl. Deutsch, Frankfurt/M. 2008, ISBN 978-3-8171-1827-4.