Choosing a Forecast Model for Prediction of Students’ Enrolment in Multiple Programmes of the National Open University of Nigeria: Towards Course Materials Production Planning


  • Peter I. Adoga ICT Directorate, National Open University of Nigeria
  • H.G Muazu
  • M. Barma


Students enrolment forecasting, Exponential smoothing model, SPSS, time series analysis, Open and Distance Learning


Budgeting for highly capital-intensive activities such as course material development, hiring of facilitators and conduct of examinations in Open and Distance Learning (ODL) institutions rely greatly on the number of students admitted yearly. The need for an effective forecast model for the prediction of students’ enrolment in ODL institutions can therefore not be overlooked. In this study, we tested seven different exponential smoothing forecasting models on sampled data of students’ admission into the National Open University of Nigeria (NOUN) programmes for a period of 16 years, in view of finding a single forecast method that will be effective in forecasting future enrolment of students into all programmes of NOUN. The students’ enrolment data were collected twice a year corresponding to admissions made in each semester of the year as practiced in NOUN, forming a time series with 32 observations for each programme. The stationary R2, MAPE and MAE goodness-of-fit measures obtained from the methods were compared to obtain the best performing model. The Holt Winters Additive model performed better than others with a mean stationary R2 of 0.583 and a very low mean standard error (SE) of 0.127 for the sampled programmes, hence it was chosen as the forecast model for prediction of future outcomes. The result of this work is useful in describing the pattern of students’ enrolment in NOUN over the past years and for forecasting of student population in each programme offered in NOUN.

Résumé : La budgétisation d'activités à forte intensité de capital telles que le développement de matériel de cours, l'embauche de facilitateurs et la conduite d'examens dans les établissements d'enseignement ouvert et à distance (EOD) dépend fortement du nombre d'étudiants admis chaque année. La nécessité d'un modèle de prévision efficace pour prédire le nombre d'étudiants dans les établissements d'enseignement ouvert et à distance ne peut donc pas être négligée. Dans cette étude, nous avons testé sept modèles différents de prévision par lissage exponentiel sur un échantillon de données relatives à l'admission des étudiants dans les programmes de l'Université nationale ouverte du Nigeria (NOUN) sur une période de 16 ans, afin de trouver une méthode de prévision unique qui soit efficace pour prévoir les inscriptions futures des étudiants dans tous les programmes de NOUN. Les données relatives aux inscriptions des étudiants ont été collectées deux fois par an, ce qui correspond aux admissions effectuées au cours de chaque semestre de l'année, comme cela est pratiqué à NOUN, formant ainsi une série temporelle de 32 observations pour chaque programme. Les mesures stationnaires R2, MAPE et MAE de qualité d'ajustement obtenues à partir des méthodes ont été comparées pour obtenir le modèle le plus performant. Le modèle additif de Holt Winters a donné de meilleurs résultats que les autres, avec un R2 stationnaire moyen de 0,583 et une erreur type moyenne très faible de 0,127 pour les programmes échantillonnés, et il a donc été choisi comme modèle de prévision des résultats futurs. Le résultat de ce travail est utile pour décrire le modèle d'inscription des étudiants à NOUN au cours des dernières années et pour prévoir la population étudiante dans chaque programme offert à NOUN.

Mots-clés : Prévision des inscriptions des étudiants, modèle de lissage exponentiel, SPSS, analyse des séries temporelles, enseignement ouvert et à distance.


Adoga, P. I., Muazu, H. G. & Barma, M. (2022a). A Decision Support System for Course Materials Production and Inventory Management in the National Open University of Nigeria. Dutse Journal of Pure and Applied Sciences (DUJOPAS), Vol. 8 No. 4b, 33-42.

Adoga, P.I, Muazu, H.G & Barma, M. (2022b). Design of a Demand Forecast Module of a Decision Support System for Course Materials Production and Inventory Management in the National Open University of Nigeria [Manuscript submitted for publication]. Department of Statistics and Operations Research, Modibbo Adama University, Yola.

Arsham, H. (2015). Time-Critical Decision Making for Business Administration. Retrieved from on June 25, 2019.

Barman, N. & Hasan M. B. (2017). Comparison of Forecasting Techniques for Short-term and Long-term Real Life Problems. Dhaka Univ. J. Sci. 65(2): 139-144.

Chen, C. (2015). An Integrated Enrolment Forecast Model. IR Applications, No. 1.

Chen,Y. A. , Li, R. & Hagedorn, L. S. (2019). Undergraduate International Student Enrolment Forecasting Model: An Application of Time Series Analysis. Journal of International Students Volume 9, Issue 1 (2019), pp.242–261 ISSN 2162-

Hillier, G. & Lieberman, G. (2001). Introduction to Operations Research (7th ed.). McGraw-Hill, pp10-15.

Hyndman, R.J. & Athanasopoulos, G. (2018). Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia. Accessed on May 10, 2022.

Hyndman, R. & Kostenko, A. (2007). Minimum Sample Size Requirements for Seasonal Forecasting Models. Foresight:The International Journal of Applied Forecasting. 6.12-5.

Kuzmin, A. G., Bykov, V. M., Kazaryan, M. A., Danko, T. P. & Sekerin, V. D. (2017). Employing the Holt–Winters Model to Forecast and Assess the Efficiency of the Methods used to Plan a Firm’s Sales in the Upmarket Sector. International Journal of Economic Research, vol.14 No.7.

Lavilles, R. Q. & Arcilla, M. B. (2012). Enrolment Forecasting for School Management System. International Journal of Modeling and Optimization, Vol. 2, No. 5.

Lazar, C. & Lazar, M. (2015). Forecasting Methods of the Enrolled Students’ Number. Economic Insights – Trends and Challenges, Vol. IV (LXVII) No. 2. pp. 41 – 51.

McCleary, R., Hay, R.A., Meidinger, E. E., and McDowall, D. (1980). Applied Time Series Analysis for Social Sciences. Beverly Hills, CA: Sage.

Murty, K.G. (2006). Forecasting for Supply Chain and Portfolio Management, Ann Arbor, MI48109-2117, USA, pp 2-3.

National Open University of Nigeria. (2023). Course Material Development Unit. development-unit

Odame, O. E., Atinuke, A. & Orelwoapo, L. (2014). Using Holt Winter’s Multiplicative Model to Forecast Assisted Childbirths at the Teaching Hospital in Ashanti Region, Ghana. Journal of Biology, Agriculture and Healthcare Vol.4, No.9.

Tularam, G.A. and Saeed, T. (2016). Oil-Price Forecasting Based on Various Univariate Time- Series Models. American Journal of Operations Research, 6, 226-235.

Yang, S., Chen, H., Chen, W., & Yang, C. (2020). Student Enrolment and Teacher Statistics Forecasting Based on Time-Series Analysis. Computational Intelligence and Neuroscience. Vol. 2020, Article ID 1246920.




How to Cite

Adoga, P. I., Muazu, H., & Barma, M. (2023). Choosing a Forecast Model for Prediction of Students’ Enrolment in Multiple Programmes of the National Open University of Nigeria: Towards Course Materials Production Planning. West African Journal of Open and Flexible Learning, 11(2), 1–28. Retrieved from



Research Articles