Ennustaminen

  1. Delfoi-menetelmä
  2. Analogiamenetelmä
  3. Ekstrapolointi
  4. Ennustaminen tilastollisen yhteyden pohjalta
  5. Ennustaminen selittävän mallin pohjalta
  6. Raja-arvon osoittaminen
  7. Ennusteen epävarmuuden arvioiminen ja esittäminen
  In English   En Español   Sisällystauluun

Näkökulmia tulevaisuuteen

Kaikki ennusteet ovat tulevaisuuden kuvia, eli ne pyrkivät kuvaamaan jonkin kohteen tilaa tiettynä tulevana ajankohtana. Näiden tulevaisuuden kuvien luonne vaihtelee sen mukaan, miten aktiivinen on katsojan suhde tulevaisuuteen eli miten paljon hän voi tai tahtoo siihen vaikuttaa. Tulevaisuuden (samoin kuin nykyisyydenkin) tarkastelussa on täten kaksi vaihtoehtoa: kehitys joko vain todetaan, taikka sitä pyritään myös ohjaamaan.

Toteava tarkastelu pyrkii tavallisesti saamaan selville, millainen on todennäköisin tulevaisuus. Tätä tapaa yleensä käyttää sellainen tarkastelija, joka ei joko voi vaikuttaa, tai ei halua vaikuttaa tulevaan kehitykseen, mutta hän kuitenkin haluaa valmistautua sen varalta, esimerkiksi ottamalla mukaansa sateenvarjon, jos sadetta näyttää olevan tulossa. Juuri tätä yleensä tarkoitetaan, kun puhutaan ennustamisesta (lat. prædictio, engl. forecast tai prediction). Sanan synonyymeja ovat "ennakoiminen", "tulevaisuuden tutkimus" ja "futurologia". Tällainen tarkastelu pyrkii vastaamaan kysymykseen: "Mitä asiassa/alueella A tapahtuu ajan B kuluessa, jos kehitystä ei häiritä?"

Harvinaisempi muunnos deskriptiivisestä tulevaisuuden kuvaamisesta on utopia. Se pyrkii esittämään vain yhden mahdollisen eli hypoteettisen tulevaisuuden kuvan, ottamatta kantaa sen todennäköisyyteen. Utopioita on Platonista ja Thomas Moresta lähtien laadittu lähinnä antamaan ideoita ja vaihtoehtoja tulevaisuuteen vaikuttaville päätöksille. Utopioita on myös kirjoitettu nimenomaan varoittavaksi esimerkiksi, kuten George Orwellin painajaismainen romaani 1984.

Tuotteiden kehitykseen on usein saatu hyviä virikkeitä utopioista, alkaen jo science fictionin klassikon Jules Vernen teoksista. Ovatpa eräät suuryhtiöt viime aikoina itsekin alkaneet kehittää utopioita siten, että ovat käynnistäneet tuotekonseptoinnin projekteja, joiden tavoitteena ei ole kehittää todellisia tuotteita vaan pelkästään tuoteideoita käytettäväksi yrityksen strategisessa suunnittelussa, sisäisessä henkilöstökoulutuksessa ja ulkoisen tuotekuvan kirkastamisessa. Näissä utopioissa usein visioidaan mahdollisia tulevia elämäntapoja, joissa voisi syntyä markkinoita täysin uusille yhtiön tuotteille (ks. esim. kirjaa Tuotekonseptointi).

Erikoinen ominaisuus toteavissa ennusteissa on niiden taipumus toteuttaa itseään. Jos ennuste tulee laajalti tunnetuksi, se voi vaikuttaa kehitykseen, sillä ne ihmiset, jotka uskovat sen toteutuvan, usein myös pyrkivät sopeutumaan tähän väistämättömältä näyttävään tulevaisuuteen, esimerkiksi äänestämällä vaaleissa ennustettua voittajaa. Juutalaisten siirtyminen luvattuun maahan oli ennustettu pyhissä kirjoissa jo vuosituhansia sitten, ja niinpä se lopulta tehtiin. Kolmas esimerkki on muotiin tulevaksi ennustettu trendi - monet ihmiset haluavat pukeutua muodin mukaisesti, he ostavat sitä mitä muotilehdet suosittelevat, ja ennustettu trendi tällöin todellakin tulee vallitsevaksi.

Ohjaava (eli normatiivinen) tarkastelu on mielekäs silloin, kun tulevaan kehitykseen ajatellaan voitavan vaikuttaa. Useinkin on jo olemassa käsitys siitä, millainen tilanne tulevaisuudessa pitäisi saada aikaan, mutta ei ole varmaa tietoa siitä, miten tähän tilaan päästäisiin. Ohjaava tulevaisuudentutkimus etsii vastauksia sentapaisiin kysymyksiin kuin:

  1. Mitä tapahtuu, jos tehdään toimenpide A? (vaihtoehtoja valitseva näkökulma)
  2. Mitä toimenpiteitä on tehtävä, jotta saadaan aikaan tulos A ajan B kuluttua? (suunnitteleva näkökulma).

Ohjaavissa tutkimuksissa on tavallista ensiksi tehdä toteava selvitys ongelmasta, sitten ohjaavasti suunnitella parannustoimet ja lopuksi toteuttaa ne. Tällä tavalla saadaan toimien suunnittelulle parempi pohja ja toteutukselle paremmat edellytykset. Esimerkkinä tästä on nykyinen järjestelmä vaatteiden ja autojen muodin kehityksen ennustamiseksi ja ohjaamiseksi. Sen toteavassa ensi vaiheessa tutkitaan ihmisten elintapoja, sanoma- ja muotilehtiä, joiden pohjalta tutkijat sitten ennustavat asiakkaiden muotimieltymyksiä vuoden tai kahden kuluttua. Tämän vaiheen päätteeksi on alan suurimpien valmistajien kokous, jossa lyödään lukkoon muodin kehityksen tavoitteet seuraaville kausille. Seuraavana ohjaavana vaiheena on ponteva tiedotuskampanja, jonka tarkoitus on saada ensin muotitoimittajat ja sitten myös ostavat asiakkaat uskomaan, että tämä nyt sitten on muotia.

Ohjaava näkökulma sisältää aina henkilökohtaisia arvostuksia, jolloin tulee tarpeelliseksi määritellä ne henkilöt, joiden arvostuksia käytetään hyväksi, katso tarkemmin sivua Ohjaava analyysi: Näkökulma. Erot ihmisten arvostuksissa koskevat tosin enimmäkseen vain ennustetun tai suunnitellun kehityksen lopputilannetta, eikä niinkään ennusteen laatimisen sisäisiä prosesseja, joissa täten voidaan käyttää pääasiassa samaa metodiikkaa kuin kuvailevassa ennustamisessa.

Ennustamisen menetelmiä on useitakin, joista sopivin tavallisesti valitaan sen mukaan, millaista tietoaineistoa on käytettävissä ennusteen pohjaksi.

Yleensä kahden tyyppistä aineistoa käytetään hyväksi ennustamisessa: toisaalta mahdollisimman tuoreita tietoja ilmiön nykytilasta, ja toisaalta tietoja, jotka kuvaavat ilmiön tavanomaista kehittymistä pitkällä aikavälillä. Viimeksi mainitut tiedot tavalliseti saadaan jommallakummalla seuraavista tavoista:

Kumpi on parempi lähdeaineisto, teoreettinen malli vai empiirinen tietosarja? Empiiriset tiedot tulevat nimenomaan samasta ennustettavasta ilmiöstä, eikä muista samantapaisista ilmiöistä, joten niiden pätevyys saattaa olla parempi kuin teoreettisen mallin, jonka pohjana käytetyt tapaukset saattavat olla peräisin toisenlaisesta kontekstista. Toiselta puolen malli pohjautuu suureen aineistoon, ja se ehkä todennäköisemmin pätee myös tulevaisuudessa.

Jos on käytettävissä sekä malli että aikasarja, tulee mahdolliseksi tehdä kaksi rinnakkaista ennustetta eri menetelmillä. Niiden vertailu antaa hyvän kuvan niiden luotettavuudesta.

Joka tapauksessa, ennen kuin aiemmista tutkimuksista saatua mallia sovelletaan tulevaisuuteen, on arvioitava, onko malli validi kun sitä sovelletaan uuteen ajankohtaan tai uudessa kontekstissa. Jokainen malli kuvaa tiettyä, aikaisemmin tutkittua kohdetta tai kohteiden populaatiota. Ei suinkaan ole itsestään selvää, että se yhtä hyvin kuvaisi sitä kohdetta tai populaatiota, jota halutaan ennustaa. Niinpä, kun mallia halutaan soveltaa uusiin kohteisiin tai uuteen ympäristöön, pitää pohtia:

Ajan ja työn säästämiseksi ennustamisessa pyritään tavallisesti käyttämään hyväksi malleja ja aikasarjoja, jotka on laadittu ja julkaistu jo aiemmin muiden tutkijoiden toimesta. Kirjallisuusselvitys kuuluu siksi lähes aina ennustamisen ensimmäisiin työvaiheisiin.

Ennustamisen tiedonkulkuEnnustamisen looginen prosessi (punaiset nuolet kuvassa oikealla) on enimmäkseen ilmiötä koskevien tietojen keräämistä, yhteensovittamista ja muokkaamista. Kuten kaavio osoittaa, nämä tiedot joudutaan hankkimaan varsin eri luonteisista lähteistä: toisaalta suoraan empiriasta, toisaalta käsitteelliseltä teorian tasolta, joka vielä jakautuu kahteen kerrokseen: yksittäisten tietojen taso ja yleispätevien teoreettisten mallien taso. Kun tietojen luonne ja esitystapa näillä tasoilla on varsin erilainen, se myös pitkälti sanelee ennustamiseen käytettävät metodit, kuten nähdään allaolevasta taulusta.

Ennusteen pohjana oleva malli Ennustamisen menetelmä
Alan yleinen tuntemus (asiantuntijatietous, myös sanaton ammattitietous kelpaa) Delfoi-menetelmä
Toisen samantapaisen systeemin malli.
Malli voi olla muodoltaan esim. sanallinen, analoginen, symbolinen tai aritmeettinen.
Analogiamenetelmä
Trendi joka on todettu ennustettavasta ilmiöstä tehdyissä havainnoissa, esimerkiksi jollakin seuraavista tavoista: Ekstrapolointi
Tilastollinen assosiaatio ennustettavien tekijöiden välillä Ennustaminen tilastollisen yhteyden pohjalta
Ennustettavan ilmiön selitys.
Se voi olla esim. kausaalinen , motiivi- tai funktioselitys, biografian psykologinen selitys tai syysuhteita selittävä tuotteiden historia
Ennustaminen selittävän mallin pohjalta

Kaikkia ylläolevan taulun menetelmiä selostetaan seuraavassa. Usein käytetään rinnakkain erilaisia metodeja, tuloksen luotettavuuden parantamiseksi. Ennusteen epävarmuuden arvioimisen ja ilmaisemisen menetelmiä käsitellään lopuksi.

Delfoi-menetelmä

Alkeellisin ennustamisen menetelmä on arvaaminen. Se ei olekaan aivan huono metodi, jos arvaaja tuntee hyvin asiansa. Tämän metodin erityinen etu on se, että voidaan käyttää hyväksi asiantuntijoille kertynyttä ammattialan tuntemusta ja monenlaista laadullista jopa sanatonta tietoutta, eikä siis tarvitse ennustaa vain mitattavan ja eksaktin tietouden varassa siten kuin useimmissa muissa ennustamisen menetelmissä.
Yleensä paras menetelmä yhden tai muutaman asiantuntijan "arvausten" keräämiseen on teemahaastattelu, ks. sivua Kyselevät tutkimustavat. Tutkijan kannattaa siinä kysellä esitettyjen ennusteiden perusteita, joita pohtiessaan asiantuntija hyvinkin saattaa vielä muokata ennustettaan. Näitä perusteita tutkija voi sitäpaitsi ehkä myöhemmin käyttää hyväkseen laatiessaan mahdollisesti omaa ennustettaan toisilla menetelmillä.

Nykyisin tutkija voi saada käsiinsä kaukanakin muissa maissa asuvien asiantuntijoiden nimiä ja osoitteita. (Asiantuntijoiden etsimisessä mahdollisia lähteitä on mainittu sivun Tutkimuksen rajaaminen kohdassa Arvioijien perusjoukon määritteleminen.) Teemahaastattelu vaatisi tällöin suuret matkakulut, joiden säästämiseksi tavallisesti vaihdetaan metodiksi kysely postin välityksellä.

Delfoi-menetelmä (engl. Delphi method) on metodi useiden henkilöiden laatimien ennusteiden (vaikkapa arvaustenkin) yhdistämiseksi. Siinä kysely osoitetaan, yleensä postitse, alan tunnetuille asiantuntijoille, jotka useinkin poimitaan eri maista.
Tutkija esittää kaikille samat kysymykset siinä muodossa, että hän voi myöhemmin tehdä vastauksista yhteenvedon. Kysymys on esimerkiksi: "Mikä on raakaöljyn hinta 20 vuoden kuluttua?" Tämäntapaiseen eksaktiin kysymykseen saaduista vastauksista tutkijan on sitten helppoa laskea esimerkiksi keskiarvot ja vaihteluvälit. Myös kvalitatiivisia kysymyksiä voidaan käyttää, joskin vastauksista on silloin vaikeampi laatia yhteenvetoa.

Delfoi-kyselykierros yleensä toistetaan kahdesti tai kolmesti. Kierrosten välillä vastaajat saavat käytettäväkseen yhteenvedon edellisten kierrosten kaikista vastauksista, joiden avulla he voivat halutessaan korjata omia ennusteitaan. Toisinaan on tehty niinkin, että enemmistöstä poikkeavaa vastaajaa on kehotettu perustelemaan miksi hän ennustaa toisin kuin muut; toiset voivat sitten kommentoida näitä perusteita. Joskus on lisäksi ollut mahdollista koota asiantuntijat yhteen paikkaan keskustelemaan. Kaikki nämä asiantuntijoiden väliset yhteistyömuodot epäilemättä vähentävät vastausten hajontaa, mutta lähestytäänkö niissä sitä mikä todella tulee tapahtumaan, on epävarmaa. Lopuksi tutkija raportoi viimeisimpien vastausten keskiarvot hajontoineen tai niiden muun soveliaan yhteenvedon, joka siis on etsitty ennuste.

Asiantuntijoiden enemmistö voi tietenkin myös olla väärässä. "Jos joku olisi vuotta aikaisemmin ennustanut, että Berliinin muuri sortuu, hän olisi auttamatta paljastanut ettei hän ole asiantuntija."
Kun jälkeenpäin on tutkittu delfoi-ennusteiden toteutumista, tulos todellakin on usein havaittu melko huonoksi.

Analogiamenetelmä

AnalogiaUseimmat ennustamisen menetelmät käyttävät hyväkseen jonkinlaista mallia jonka oletetaan kuvaavan ennustettavaa "systeemiä", sen piirteitä ja ominaisuuksia. Helpoin keino tuollaisen mallin aikaansaamiseksi tarjoutuu käytettäväksi, jos löytyy jokin sellainen "vieras" systeemi, joka muistuttaa ennustettavaa järjestelmää, on kehittynyt samalla tavalla ja lisäksi näyttää päässeen kehityksessä pitemmälle. Analogiamenetelmässä tuo vieras systeemi otetaan malliksi, jonka mukaisesti muutoksen oletetaan tapahtuvan myös ennustettavassa "omassa" ympäristössä.

Vieraan systeemin etsimisessä voidaan monesti soveltaa kirjallisuusselvityksen menetelmiä ja systeemin sopivuuden arvioimisessa kirjallisuusselvityksen tulosten arvioimisen menetelmiä.

Usein ei löydy täsmälleen samanlaista vierasta systeemiä, tai ainakin systeemien ympäristöt poikkeavat toisistaan. Ne ovat tällöin vain "analogisia". Vähintäänkin erona on se, että vieraan systeemin tulee olla ollut olemassa aiemmin kuin "oma". Tätä eroavaisuutta ei voida poistaa, mutta monet muut erot on mahdollista poistaa sopivasti kompensoimalla.

Analogiaa hyväksikäyttävän ennustamisen työnkulku on seuraava:

  1. Selvitetään oman systeemin tuorein kehitys.
  2. Valitaan vieras systeemi, jossa ennustettava kehitys on jo tapahtunut. Hankitaan siitä aineistoa.
  3. Valitaan ajankohta t jolloin vieras systeemi oli samassa tilanteessa kuin oma systeemi on nyt.
  4. Poistetaan systeemien välillä olevat erot korjaamalla vierasta systeemiä kuvaavia tietoja. Jos esimerkiksi vieras systeemi on kaksi kertaa suurempi kuin oma, sen suuruutta mittaavat arvot jaetaan kahdella.
  5. Vierasta systeemiä kuvaavat tiedot alkaen ajankohdasta t nykyhetkeen saakka, muodostavat nyt ennusteen omalle systeemille, alkaen nykyhetkestä.

Analogiamenetelmän avulla usein ennustetaan kansantalouden suureita kuten asukaslukua, asumisväljyyttä tai autojen määrää. Systeemit, joihin nämä kytketään, ovat esimerkiksi kansantaloudet Yhdysvalloissa ja Suomessa. Ennustaminen aloitetaan arvioimalla, minkä vuoden tilanne Yhdysvalloissa eniten muistutti Suomen nykyistä tilannetta, esimerkiksi minä vuonna siellä oli sama autotiheys kuin Suomessa nyt. Olkoon tuo vuosi esimerkiksi 1980. Seuraavaksi hankitaan Yhdysvaltain kansantalouden malli vuodelta 1980, muutetaan sen suuruus Suomen nykyisten lukujen mukaiseksi, ja tuloksena on ennuste Suomen tilanteen kehittymisestä lähivuosina.

Yllä oli esimerkkinä kvantitatiivinen analoginen malli, mutta analogian periaatetta voidaan soveltaa myös kvalitatiivisiin kehityksen malleihin. Esimerkki laadullisesta ennustamisesta on Oswald Spenglerin (1880 - 1936) teos Länsimaiden perikato (1918, 1922) jossa selostetaan useiden muinaisten kulttuuripiirien kuten Kiinan, Egyptin ja antiikin Rooman tyypillinen kehittyminen, kukoistus, rappeutuminen ja häviäminen. Spengler ennusti tämän pohjalta, että länsimaiden kulttuurille kävisi samoin, eli hän muodosti analogian kulttuurien välille. Tässä tapauksessa siis analogian osapuolet edustivat samaa tyyppiä (kulttuureja).

Spengler (ja samoin Arnold J. Toynbee kirjassa A Study of History, 1935-39) muodosti lisäksi toisenlaisen analogian väittämällä, että kaikki historian tuntemat kulttuuripiirit ovat kehittyneet kuten vuodenajat: kevät, kesä, syksy ja talvi, taikka myös samoin kuin eläin tai kasvi, joka syntyy, kypsyy, kukoistaa ja lakastuu. Näissä analogioissa siis oli vertailukohteina erilajiset kohteet (toisaalta kulttuuri, toisaalta vuodenaika tai eläin/kasvi).

Toinen esimerkki erilajisten kohteiden analogiasta on Alvin Tofflerin kirja The third wave (1980) jossa meren aallot on otettu kuvaamaan ja ennustamaan yhteiskunnan kehitysvaiheita: maatalous-, teollisuus-, tietoyhteiskunta jne.

Erilajisten kohteiden väliset analogiat (ks. esimerkkejä näistä luvussa Mallit) kyllä usein tuottavat hedelmällisiä hypoteeseja keskustelun pohjaksi, mutta ellei tarvita muuta kuin uskottava ennuste, on varmempaa pysytellä samanlajisten kohteiden puitteissa. Ajatellaanpa millainen ennuste autotekniikan kehitykselle saataisiin ottamalla siihen malli tietokoneista? Meidän täytyisi ennustaa että autojen nopeus piankin on 10 000 km/h, energiankulutus 0,001 l/km ja paino jokunen gramma.

Kovin luotettavia eivät tosin ole myöskään saman lajin sisäiseen analogiaan perustuvat ennusteet, sillä laajoihin järjestelmiin kuten kansantalouksiin liittyy suuri joukko vaikuttajia, jotka tuskin kaikki ovat samoja eri järjestelmissä.

Luotettavuus voisi ehkä hieman parantua, jos saataisiin käytettäväksi useamman kuin yhden vieraan systeemin mallit, jolloin kutakin niistä vuorollaan voisi käyttää analogian lähtökohtana. Vielä yksi askel tästä eteenpäin olisi se, että eri systeemeistä saatujen havaintojen pohjalta tutkija kokoaisi yleispätevän mallin; tällöin voitaisiinkin jo siirtyä toisiin, jäljempänä selostettaviin menetelmiin Ennustaminen deskriptiivisen mallin pohjalta sekä Ennustaminen selittävän mallin pohjalta.

Analogisen menetelmän heikkouksiin on lopuksi luettava se, että metodi ei ainoastaan ole epävarma, vaan lisäksi on tarjolla tuskin lainkaan keinoja arvioida ennusteen luotettavuutta tai todennäköistä virhettä.

Ekstrapolointi

ExtrapolointiEkstrapolointi pohjautuu olettamukseen, että tähän mennessä todettu kehitys jatkuu samana tulevaisuudessa. Ekstrapoloinnin periaate nähdään kuvassa oikealla:
  1. lähtökohdaksi tarvitaan ennustettavasta systeemistä vähintään kaksi havaintoa eri ajankohdilta (kuvassa ajankohdilta -1 ja 0),
  2. todetaan havaintojen välinen differenssi d (se voi olla mitattu määrinä tai laatuina),
  3. tuoreinta havaintoa muutetaan differenssin mukaisesti (ts. oletetaan, että sen jälkeen tapahtuu samanlainen kehitys kuin ennen sitä on tapahtunut)
  4. ja ennuste (kuvassa ajankohdalle +1,) on valmis.

Ekstrapolaatiossa tutkijan on harkittava mm. onko differenssi d mielekkäintä mitata absoluuttisena vai suhteellisena muutoksena. Absoluuttisesti samana pysyvä differenssi merkitsee samaa kuin ilmiön tasainen muuttuminen. Suhteellisesti mitattu muutos, esim. "10% kasvu edelliseen kauteen verrattuna" taas merkitsee muutostahdin kiihtymistä (tai hidastumista). Suhteellisen kasvun ekstrapoloimista nimitetään myös "logaritmiseksi". Ks. kuvaa alla.

Ekstrapolointeja Jos havaintoja on enemmän kuin kaksi, tutkija voi valita, käyttääkö hän hyväksi niitä kaikkia (trendin ekstrapoloiminen), vai vain tuoreimpia havaintoja (lineaari ekstrapoloiminen).

Kvantitatiivisesti mitattujen suureiden ekstrapoloimisesta oli esimerkkejä yllä. Tällöin siis pohjana on sarja eri ajankohtina tehtyjä empiirisiä mittauksia ennustettavasta suureesta, eli aikasarja. Ennustettava suure voi olla mitattu millä tahansa asteikolla (katso lukua Tietojen rekisteröiminen).
Kvantitatiivisiin ennusteisiin voidaan tarpeen mukaan liittää kvalitatiivisia kuvauksia esimerkiksi ennusteen reunaehdoista. Monesti tutkija lopuksi "tulkitsee" alunperin kvantitatiivisen ennusteensa lukijoille helpommin ymmärrettävään sanalliseen muotoon, kuten esimerkiksi Naisbitt tekee kirjassaan Megatrends (1982).

Kuvan
ekstrapoloiminen Kvalitatiivisesti (eli sanallisesti) esitettyjä havaintoja voidaan myös käyttää ekstrapolaation pohjana, kunhan niitä vain on eri ajankohdilta. Ekstrapoloinnin periaate on aina sama: todetaan havaintojen välinen differenssi (tässä tapauksessa se on laadullinen) ja tuoreinta havaintoa muutetaan differenssin mukaisesti. Tulos esitetään sitten samaan tapaan kuin lähtöaineisto eli sanallisesti.

Kuvaesitysten muodossa olevia havaintosarjoja on samoin mahdollista ekstrapoloida, edelleen aivan saman yllä esitetyn periaatteen mukaan. Ennusteen pohjana voi täten olla deskriptiivinen tuotteiden historia ja tuloksena voi olla piirros tuotteiden muotojen ennustetusta myöhemmästä kehitysvaiheesta.
Tunnettu näyte tällaisesta on Raymond Loewyn kirjassa Industrial Design (s. 74) esitetty "Evolution Chart of Design". Siinä on piirroksina kuvattu henkilöautojen kehitys vuosina 1900-1942. Sarjan loppupää on kuvassa oikealla. Tässä yhteydessä kiinnostavin on kuvasarjan alin piirros, Loewyn ennuste seuraavien vuosien autoksi, jonka hän loi ekstrapoloimalla todellisessa historiallisessa kehityksessä löytämiään trendejä. Tässä tapauksessa trendinä oli lähinnä kehitys virtaviivaisemmaksi.

Ekstrapolointi on helppo ja kätevä ennustamisen menetelmä, mutta sillä on muutamia luontaisia heikkouksia:

Ennustaminen tilastollisen yhteyden pohjalta

korkea
ilmanpaine
kaunis
sää
alhainen
ilmanpaine
ruma
sää
Vanhaan sään ennustamisen apuvälineeseen, ilmapuntariin, on jo tehtaassa painettu asteikon alapäähän ennuste: "Sadetta ja myrskyä"; yläpäässä taas lukee "Kaunista". Nämä ennusteet perustuvat siihen pitkäaikaiseen kokemukseen, että ilmanpaineen alenemiseen usein liittyy ruma sää. Toisin sanoen ennusteen pohjana on kokemuksesta saatu malli, joka voidaan esittää taulussa oikealla. Tätä mallia voidaan nimittää deskriptiiviseksi, sillä se kuvaa kahden ilmiön (ilmanpaineen ja sään) välistä suhdetta kuitenkaan antamatta tälle suhteelle mitään selitystä, eli malli ei kerro miksi nämä kaksi ilmiötä esiintyvät yhdessä. Malli ei itse asiassa edes ota kantaa siihen, kumpi tekijä olisi toisen syy ja kumpi olisi seuraus, tai onko niillä ollenkaan syysuhdetta. Tämä puute ei estä mallin käyttämistä ennustamiseen.

Deskriptiivinen malli siis perustuu ennustettavasta ilmiöstä tehtyihin havaintoihin eri ajankohdilta. Useimmiten havaintoja on suurehko määrä, vähintäänkin kymmeniä. Deskriptiivinen malli ilmaisee sen assosiaation eli säännönmukaisuuden, jonka mukaan ilmiön osatekijät ovat vaihdelleet toisiaan seuraten. Tämän assosiaation ei tarvitse olla ehdoton eli poikkeukseton. Ennustamiseen riittää, kunhan malli on pitänyt useimmissa tapauksissa paikkansa.

Ennustamiseen käytettävä malli voi olla kvantitatiivinen, kvalitatiivinen tai itse asiassa mikä tahansa sivulla Mallit luetelluista mallikielistä. Perinteisin ennustamisen tapa on sanallinen, ja tällä tavoin esitettyjä malleja löytyy lukuisasti sään ennustamisen kansanperinteestä, esimerkiksi "Kuu kiurusta kesään, puoli kuuta peipposesta" ... "Iltarusko poudan nostaa; aamurusko päivä paska". Kuitenkin myös kuvallista esitystapaa toisinaan tarvitaan, esimerkiksi ennustettaessa muodin trendejä.

Kausaalimalli
ennusteena Ennuste syntyy deskriptiivisestä mallista kaikkein helpoimmin, jos mallin yhtenä tekijänä on aika tai jokin ajasta riippuva muuttuja. Tarkastellaan esimerkkinä algebrallista mallia y = a + bt, jossa t = aika. Tässä mallissa ei tarvitse tehdä muuta kuin sijoittaa siihen t:n arvoksi haluttu ajankohta, ja malli muuttuu ennusteeksi (kuva oikealla).

ilmanpaine
kohoaa
sää
paranee
ilmanpaine
alenee
sää
huononee
Toinen tapa mallin soveltamiseen on tarkastella, mitkä ilmiöiden muuttumisen suunnat esiintyvät yhdessä, taulu oikealla. Ennusteen pohjaksi tarvitaan mallin lisäksi tuore havainto siitä, mihin suuntaan ei-ennustettava tekijä (tässä ilmanpaine) on juuri nyt muuttumassa; näiden pohjalta voidaan sitten päätellä ennustettavan tekijän (sään) muutossuunta.

Kaikki yllä esitetyt toimenpiteet siis käyvät päinsä, vaikkei tutkijalla ole tietoa mallissa esitetyn assosiaation syystä eli "selityksestä" (jos se tiedettäisiin, olisikin mahdollista ennustaa selittävän mallin pohjalta, mikä on luotettavampi menetelmä).

Esimerkiksi eläinyksilöiden kehitys tavallisesti noudattaa tiettyä, kullekin eläinlajille tyypillistä elinkaarta. Jos tämä kehityskaari on tiedossa, sitä ei edes ole välttämätöntä nimenomaisesti dokumentoida teoreettiseen asuun: ennustamisen pohjaksi voidaan ottaa jokin aiemmin havainnoitu kyseisen lajin yksilö. Niinpä monien sairauksien normaali eteneminen on ollut lääkärien tiedossa jo Hippokrateen aikaan, ja nähdessään potilaassa taudin ensimmäiset merkit lääkäri osaa ennustaa sen etenemisen.

On vieläpä esimerkkejä siitäkin, että tilastollinen malli on antanut hyviä ennusteita, vaikka tutkija ei ole ollut ainoastaan tietämätön mallinsa asiaperusteista, vaan hänellä on ollut niistä suorastaan väärä käsitys. Esimerkiksi Ptolemaios oletti mallissaan, että maa on avaruuden keskipiste ja aurinko ja kuu ovat maan kiertolaisia. Vaikka tämä oletus oli virheellinen, Ptolemaios pystyi hyvin ennustamaan taivaankappaleiden liikkeitä maasta katsottuina sekä kuun ja auringon pimennykset. Ptolemaioksen matemaattinen malli näet oli pääosiltaan oikea, ainoastaan mallin (geosentrinen) tulkinta oli väärä.

Tietenkin on lukuisasti esimerkkejä myös deskriptiivisten mallien pohjalta laadituista, myöhemmin vääriksi osoittautuneista ennusteista. Tällaisia esimerkkejä löytyy runsaasti kansantalouden alalta, jossa aikasarjoja eri suureista löytyy lukuisasti mutta niiden väliset vaikutussuhteet ovat edelleenkin melko hämäriä ja ennusteet vastaavasti usein menevät metsään.

Myynnin kehitys Monilla teollisuusyrityksillä on tapana esitellä uusi malli tuotteestaan kunkin vuoden tai myyntikauden alussa. Usein näiden vuosimallien myynti kehittyy melko lailla saman kaavan mukaan, sitten että siitä voidaan piirtää "keskimääräinen myyntikäyrä" siihen tapaan kuin kuviossa oikealla. Tällaista käyrää voidaan nyt käyttää alkaneen kauden myynnin ennustamiseen, huolimatta siitä, ettei ehkä lainkaan tiedetä niitä syitä, miksi käyrän muoto on juuri tällainen, tai ainakaan ei kaikkia syitä siihen.

Jos on lisäksi tilastoja eri vuosien myyntimääristä esimerkiksi tarkalleen kaksi viikkoa mainoskampanjan aloittamisesta, tulee mahdolliseksi vertailla nyt alkavan kauden tätä arvoa aiempaan keskiarvoon. Näin saadaan korjauskerroin, jolla keskimääräistä käyrää kokonaisuudessaan voidaan korjata paremman ennusteen saamiseksi.

Monestikin käy niin, että aikasarjassa havaitaan samanaikaisesti useita vaihtelun tyyppejä. Tämä ei estä ennusteen laatimista: on vain selvitettävä erikseen kukin vaihtelun laji, tehtävä kullekin oma ennuste, ja lopuksi ennusteet yhdistetään.
Jos esimerkiksi olisi ennustettava tietyn teollisuusrakennuksen lämmitysenergian kulutus, tämän toteutuneiden arvojen analyysi saattaisi paljastaa seuraavat vaihtelut:

Ennusteen laatimiseksi olisi selvitettävä erikseen jokainen kausivaihtelun laji, suhdannevaihtelu sekä trendit, käyttäen metodeja, jotka on selostettu sivulla Kehityksen analysoiminen kohdassa Aikasarjan analysoiminen. Jokainen näistä olisi sitten erikseen ennustettava (ko. käyrää jatkamalla) ja lopuksi ennusteet yhdistettäisiin. Yhdistäminen tapahtuisi esim. siten, että kaikki vaihtelun lajit muutetaan indeksin muotoon eli luvuksi, joka vaihtelee arvon 1 molemmin puolin, ja sitten kullekin ajankohdalle osuvat eri indeksien arvot kerrotaan keskenään.

On melko epävarmaa laatia ennusteita pelkän tilastollisen säännönmukaisuuden pohjalta, tuntematta tämän säännönmukaisuuden syytä. Esimerkiksi kansantalouden ennusteet ovat tunnetusti epäluotettavia, mikä johtuu juuri siitä, ettei kansantalouden todellisia syysuhteita ole saatu selville. Erityisen kyvytön tilastoihin perustuva ennustaminen on huomaamaan niin kutsuttuja heikkoja signaaleja jotka kyllä saattavat piillä aineistossa mutta jäävät ottamatta huomioon, kunnes ne sitten ehkä todellisuudessa voimistuvat ja saattavat jopa muuttaa kehityksen suunnan.

Epävarmuuden arvioiminen on erityisen tärkeä työvaihe deskriptiivisiä malleja käytettäessä, sillä muutoin malli helposti antaa liian eksakteilta vaikuttavat perusteet ennusteille (etenkin jos malli on muodoltaan esim. yhtälö) ja lukija voi saada aivan liioitellun kuvan mallin luotettavuudesta. Arviointi tehdään esimerkiksi tutkimalla käytetyn mallin hajontaa, varianssia, sisäistä korrelaatiota tms. tunnuslukua niiden todellisten havaintojen valossa, joiden pohjalta malli on tehty.

Arvioinnissa olisi lisäksi pidettävä mielessä, että pelkän deskription meille antama tieto kohteesta on vielä varsin pinnallinen. Selvää onkin, että tilastollisia malleja käyttävän ennustajan kannattaa kaikin tavoin pyrkiä selvittämään myös ilmiöiden välisten kytkösten takana olevia syitä. Vasta tämä avaa tien kaikkein luotettavimpiin ennustamisen menetelmiin, joita käsitellään seuraavassa.

Ennustaminen selittävän mallin pohjalta

Sääkartta Kaikkein parhaat mahdollisuudet ennustamiseen avautuvat silloin kun meillä on, aikaisempien tutkimusten ansiosta, ei ainoastaan deskriptio (kuten edellisessä kohdassa) kohteen tähänastisesta muuttumisesta, vaan myös muutoksen selitys eli tieto sen syistä. Parhaassa tapauksessa nämä syyt ja vaikutussuhteet eli kyseisen muutoksen invariannsi on esitetty mallin muodossa.

Esimerkiksi säätä ei enää tarvitse ennustaa pelkästään ilmiöiden tilastollisen yhteyden eli ilmapuntarin saati aamu- tai iltaruskon avulla, sillä nykyisin on saatu selville se siirtyvien matalapaineiden rakenne (kuva oikealla), joka selittää niin ilmanpaineen kuin säänkin muutokset. Myös sananparsi aamu- ja iltaruskoista on saanut siinä selityksensä: saderintama tulee Suomeen tavallisesti lännestä, ja se näkyy aamulla nousevan auringon valaistessa sitä; laskeva aurinko sen sijaan värikkäästi valaisee poistuvat sadepilvet.

Yksinkertaisimmassa tapauksessa on selittävän mallin avulla mahdollista ennustaa pintapuolisesti katsoen aivan samoin kuin edellä selostetun tilastollisen yhteyden avulla. Jos mallissa vielä on yhtenä selittäjänä aika, ei tarvitse tehdä muuta kuin sijoittaa tämän arvoksi ennusteessa haluttu ajankohta; tämän jälkeen malli antaa ennusteen.

Vaikkapa selittävässä mallissa ei aika olisikaan muuttujana, malli voi silti olla hyödyksi, sillä useinkin on helpompaa ennustaa selittäjän muutoksia helpommin kuin selitettävän tai koko ilmiön muuttumista - ei vähiten siksi, että selittäjä eli syy yleensä on ajallisesti aikaisempi eli lähempänä ennustajan omaa aikaa.

Kun ilmiötä selittävät syysuhteet ovat tiedossa, se mahdollistaa eräiden menetelmien käytön ennustamisen tulosten parantamiseen. Näitä ovat:

Syysuhteita Syysuhteiden malli usein kasvaa niin monitekijäiseksi, ettei tutkija sitä pysty hallitsemaan muutoin kuin tietokoneen avulla. Tällöinkin tutkijan tavallisesti kannattaa esittää malli myös paperilla, esimerkiksi topologisena esityksenä (ks. lukua Mallit). Tämän esityksen symbolit monesti saadaan kyseisen mallisimulaatio-ohjelman mukana tulevasta notaatiojärjestelmästä, ja usein tämä tietokoneohjelma myös osaa mallin piirtääkin paperille. Ellei tämä käy, tutkijan on itse keksittävä sopiva notaatio, tai hänen on lainattava se kirjallisuudesta.
Esimerkkejä kausaalisista malleista on niin kutsutun Rooman klubin raportissa Kasvun rajat, 1973, s. 106. Niissä suureet, jotka ovat välittömästi mitattavissa, kuvataan suorakaiteina , ja vakiosuhteet jotka näitä säätelevät, venttiileinä. Muuttujien yhtälöitä säätelevät parametrit kuvataan ympyröinä . Aikaviiveitä esittää kuvio . Ihmisten, tavaroiden, rahan yms. reaaliset virrat kuvataan nuolina ja kausaalisuhteet katkoviivanuolina . Pilvet edustavat mallin kannalta epäolennaisia reaalisten virtojen lähteitä tai poistumia.

Rooman klubi laati ensiksi viisi osamallia, joista kukin keskittyi yhteen keskeiseen asiaryhmään. Näitä olivat maailman väestö, pääomat, ravinto, uusiutumattomat luonnonvarat (prosentteina vuoden 1900 määrästä) sekä saastuminen. Yksi osamalleista on oikealla; se kuvaa kausaalisuhteita ja palautesilmukoita väestömäärän, pääoman, maatalouden ja saastumisen välillä.

Lopuksi tutkijat yhdistivät kaikki viisi osamallia ja kokosivat täten "maailmanmallin" (osa siitä on kuvassa alla, täydellinen piirros ei mahtuisi kuvaruudulle).

Rooman klubin maailmanmalli

Esimerkkejä Rooman klubin maailmanmallin tuottamista ennusteista on alempana.

Vaikka ylläolevassa puhutaan lähinnä kvantitatiivisesti esitetystä mallista, periaatteessa samoin voidaan käyttää myös kvalitatiivisia selittäviä malleja. Esimerkkejä näistä on sivulla Kehityksen selittäminen.

Lisäksi on todettava, että kausaalisesti selittävien mallien ohella ennustamiseen voidaan käyttää myös kontekstiin tai motiiviin pohjautuvia selittämisen malleja, joskin näiden käyttö on paljon harvinaisempaa.

Heikot signaalit. Ennustamiseen tarjolla olevat mallit ovat yleensä yksinkertaistettuja siten, että niissä ovat mukana vain ne tärkeimmät tekijät, jotka vaikuttavat ennustettavaan ilmiöön. Näiden ohella empiirisiin ilmiöihin tavallisesti vaikuttaa koko joukko muitakin tekijöitä, joiden vaikutus jää niin vähäiseksi, että se häviää mittausvirheiden ja tärkeämpien tekijöiden satunnaisen vaihtelun joukkoon. Tutkijat usein käyttävät näistä pienemmistä tekijöistä nimeä "häiriöt" (engl. "disturbances" tai "noise") ja yksinkertaisesti jättävät ne huomiotta.

Ei kuitenkaan voida aina luottaa siihen, että mallissa esitetyt vaikutussuhteet pysyisivät voimassa koko ennustusjakson ajan. Voihan näet sattua, että jokin tähän asti vähämerkityksinen tekijä yhtäkkiä saakin lisää painoa ja lopulta muuttaa kehityksen suunnan. Tällaisista tekijöistä, jotka aluksi näyttävät vähäisiltä mutta lopulta kasvavat ratkaiseviksi, käytetään toisinaan nimeä heikko signaali. Niiden löytämiseksi voidaan yrittää käyttää seuraavia keinoja:

Raja-arvon osoittaminen

Monesti on aiheellista laatia ennuste niin, että lähitulevien arvojen ennustamiseen käytetään yhtä mallia ja myöhemmän ajan ennusteessa toista mallia. Tämä on perusteltua silloin, jos aikaisemmat tutkimukset tai pelkkä terve järkikin kertovat, että ennustettavalla asialla on joitakin ehdottomia raja-arvoja joihin se välttämättä pitkällä tähtäyksellä päätyy. Jos esimerkiksi tutkitaan kasviyksilön kehittymistä, on selvää että sen aluksi ehkä tasainen kasvu tulee aikanaan päättymään. Sama pätee useimpien teollisten tuotteiden elinkaareen. Tällaisissa kahden mallin ennusteissa mallien saumakohta usein aiheuttaa ongelman, sillä pitäisihän kehityksen jatkua juohevasti myös mallien sauman yli.
s-käyrä ym Joissakin tapauksissa voi olla mahdollista löytää yksi ainoa matemaattinen tai muu malli, joka kattaa niin ennusteen alun kuin lopunkin. Esimerkkejä näistä:

Ennusteen epävarmuuden arvioiminen ja esittäminen

Ennusteen toteutumisen todennäköisyyttä on tarpeen arvioida, jos tarkoituksena on löytää ei vain joukko mahdollisia tulevaisuuksia vaan niistä todennäköisimmin toteutuva vaihtoehto. Siihen on valitettavasti vain vähän keinoja. Seuraavassa on niistä tavallisimpia.

Rinnakkaiset ennusteet eri menetelmillä (engl. "triangulation") on usein mahdollinen taktiikka. Jos eri menetelmät johtavat erilaisiin ennusteisiin, se antaa lukijalle ainakin jonkinlaisen kuvan ennusteiden luotettavuudesta.

Herkkyysanalyysi on toinen ja ainakin näennäisesti hyvinkin eksakti tapa ennusteen epävarmuuden mittaamiseen. Se tosin toimii kunnolla vain matemaattisten mallien yhteydessä, jolloin malli voi olla joko deskriptiivinen tai selittävä.

Herkkyysanalyysissa ensiksi arvioidaan tietyn selittäjän todennäköinen vaihteluväli, ja sitten mallia hyväksikäyttäen lasketaan tästä mallin muihin tekijöihin aiheutuva vaihteluväli. Muita tavallisia epävarmuuden tunnuslukuja ovat todennäköisyys ja riski.

Herkkyysanalyysi on kätevä keino niin kutsuttujen heikkojen signaalien tutkimiseen, sillä sen avulla voidaan mitata onko kyseisen tekijän vaikutus kasvamassa.

Esimerkki kausaalisesta mallista, johon sisältyy epävarmasti ennustettavia muuttujia, on edellä jo esitetty Rooman klubin malli. Siinä epävarmoja tekijöitä ovat esimerkiksi poliittiset ratkaisut siitä, miten tehokkaasti väestönkasvua tai saastumista maailmassa tullaan rajoittamaan.

Herkkyysanalyysiä ei voida käyttää, jos mallin rakenne ja muuttujien väliset suhteet ovat kovin hämärät. Tällainen epävarma kausaalisuhde on esimerkiksi, mitä seuraa tiettyjen luonnonvarojen loppumisesta: tiedetään, että se tapahtuu mutta seurauksia on vaikeata ennustaa, sillä ne riippuvat ratkaisevasti siitä, mitä korvaavia raaka-aineita onnistutaan kehittämään.

Sen jälkeen kun tutkija on saanut itselleen kuvan epävarmuuden määrästä, asia pitäisi myös esittää lukijalle. Normaalit matemaattiset ennusteiden esitystavat (esimerkiksi diagrammit) ovat eksakteja ja antavat täten lukijalle sen kuvan, että ennuste olisi hyvinkin tarkka ja luotettava. Ellei näin ole asia, tutkijan olisi aihetta keksiä sellainen esitystapa, joka vastaisi ennusteen todellista tarkkuutta. Mahdollisia vaihtoehtoja ovat mm.:

Vaihtoehtoisia tulevaisuudenkuvia, kehityspolkuja eli skenaarioita voidaan laatia sanallisinakin, mutta kaikkein helpointa niitä on tuottaa, jos on käytettävissä matemaattinen malli; tällöinhän ei tarvitse muuta kuin vaihdella mallin lähtöarvoja. Tästä menetelmästä on seuraavassa esimerkkeinä muutamia vaihtoehtoja kehityksestä vuosina 1900 - 2100, jotka "Rooman klubi" kalkyloi edellä jo mainitun maailmanmallinsa mukaan.
Oikealla on ensinnäkin "perusvaihtoehto" (ibid. kuva 35) jossa kaikki muuttujat noudattavat historiallista kehitystään vuosina 1900 - 1970. Tämän jälkeen ravinto, teollisuustuotanto ja väkiluku kasvavat eksponentiaalisesti siihen saakka, kunnes nopeasti vähenevät luonnonvarat pysäyttävät teollisuuden kasvun. Väkiluvun kasvun taas pysäyttää kohonnut kuolevuus, joka johtuu ravinnon ja terveydenhoidon heikkenemisestä.

Rooman
klubin ennusteita Vasemmalla on toinen skenaario samasta kirjasta, sen kuva 36. Tämä vaihtoehto on muutoin sama kuin perusmalli, paitsi luonnonvarojen määrä oletettiin kaksinkertaiseksi. Tämä sallii teollisuustuotannon nousta korkeammaksi, mistä taas seuraavat niin suuret päästöt, että luonnon vastaanottokyky ylittyy, ravinnon tuotanto alkaa laskea ja kuolevuus kohoaa.

Rooman klubin ennusteita Kolmas skenaario, kuva 44 kirjassa Kasvun rajat, on oikealla. Tämä on jälleen muuten sama kuin perus-skenaario, mutta väestön määrä on oletettu vakioksi vuodesta 1975 lähtien. Näiden oletusten vallitessa teollisuustuotanto voi edelleen kasvaa siihen saakka, kunnes uusiutumattomien luonnonvarojen ehtyminen romahduttaa teollisen järjestelmän.

Ennustamisen menetelmäoppaita ja www-linkkejä:

  In English   En Español   Sisällystauluun

3.8.2007.
Kommentit kirjoittajalle:

Alkuperäinen sijainti: http://www2.uiah.fi/projects/metodi