مدل باکس- جنکینز به عنوان یک روش پارامتری برای تحلیل سری های زمانی و برازش مدل های اتو رگرسیو و میانگین متحرک فصلی و غیر فصلی به کار می رود. اما این روش برای سری های کوتاه مدت و نامانا مناسب نیست. به منظور کاهش این مشکلات، دو روش ناپارامتری به نام های شبکه های عصبی مصنوعی و تحلیل مجموعه ی مقادیر تکین معرفی می شوند. هر دو روش از این امتیاز برخوردارند که نیازمند هیچ نوع فرض آماری درباره نرمال بودن خطاها و کم بودن تعداد داده ها نمی-باشند. در این مقاله، پس از معرفی روش های فوق دقت آنها در پیش بینی میزان فروش چهار نوع کالای غذایی، دارویی و بهداشتی یک شرکت پخش مواد غذایی و بهداشتی مقایسه می شود. در ادامه در یک مطالعه شبیه سازی شده کارامدی این روش ها برای پیش بینی های کوتاه مدت و بلند مدت ارزیابی شده است. نتایج حاصل برتری روش تحلیل مجموعه ی مقادیر تکین را در مقایسه با دو روش دیگر بر حسب ریشه میانگین مربعات خطای پیش بینی نشان می دهد.
