Basisvorhersagen

Basisvorhersagen bezeichnet in der Zeitreihenanalyse eine einfache Referenzvorhersage, die als Benchmark dient, um den Mehrwert komplexerer Modelle zu bewerten. Sie liefert eine neutrale Orientierung und ermöglicht die Einschätzung, ob zusätzliche Modellkomplexität zu einer signifikanten Verbesserung der Prognosen führt.

Zu den gängigsten Formen gehören naive Vorhersagen, saisonale naive Vorhersagen, einfache Mittelwerte und gleitende Durchschnitte. Die naive Vorhersage nimmt den zuletzt beobachteten Wert als Prognose für den nächsten Zeitpunkt. Die saisonale naive Vorhersage verwendet den Wert aus derselben Saison in der Vorperiode. Mittelwert- und gleitende Durchschnittsbaselines beruhen auf historischen Mittelwerten. Je nach Datensatz kann auch eine lineare Trendbasis eine einfache Baseline darstellen. Die Konstruktion erfolgt aus historischen Daten; der Zeitraum (in-sample, out-of-sample) und ggf. Saisonalität müssen definiert werden, um eine faire Validierung zu gewährleisten.

Nutzung und Bewertung: Basisvorhersagen dienen dem Benchmarking, der Modellauswahl und der Fehlerdiagnose. Leistungskennzahlen wie MAE, RMSE, MAPE und der Bias werden herangezogen, um die Baseline gegen komplexere Modelle zu vergleichen. Oft werden Baselines in Forecasting-Pipelines als Nullmodell genutzt.

Anwendungsbereiche: Wirtschaft, Einzelhandel, Energie, Logistik, Umwelt- und Gesundheitsdaten. Vorteile: Einfachheit, Transparenz, geringe Datenanforderungen. Nachteile: Unzureichend bei stark trend- oder saisonabhängigen oder strukturell veränderten Serien; kann zu überoptimistischen Ergebnissen führen, wenn falsche Baselines gewählt werden.

Bezug und Weiteres: Der Begriff wird synonym zu Baseline-Modell oder Nullmodell verwendet; in der Literatur als "Baseline Forecast" bezeichnet; oft als Ausgangspunkt für fortgeschrittene Prognosemodelle.