OM_6需求预测.pptVIP

?计算预测值： 预测值=趋势预测值×季节系数 未来一年的夏秋冬春各季对应的t值分别为13,14,15,16, 预测销售量分别为: 夏季:(10,000+167×13)×1.15=13,997 (份) 秋季:(10,000+167×14)×0.99=12,214 (份) 冬季:(10,000+167×15)×0.85=10,629 (份) 春季:(10,000+167×16)×1.00=12,672 (份) （二）因果关系模型 一元线性回归模型 数学模型 偏差衡量指标 预测实例 1、一元线性回归模型 YT = a + bx YT为预测值， a为截距，b为斜率，n为自变量点数， X为自变量值，Y为因变量的值，X为X的平均数， Y为Y的平均数。 最小二乘法?回归直线 2、偏差衡量指标 相关系数 r （表示自变量与因变量之间的因果程度） 标准差 syx （表示回归预测值的精确程度） 3、预测实例 某公司近年来的广告投入与产品销售额数据见下表。试求出这些数据的回归直线；2003年公司计划投入广告费1千万元，试预测该年度的销售额。 年份 1990 1992 1995 1998 2000 2001 2002 广告投入 (百万元) 1.0 2.0 3.0 4.0 5.0 6.0 7.0 销售额 (百万元) 74 79 80 90 105 142 122 求解： 以广告费为自变量，销售额为因变量求回归直线： 年度 广告费X (单位:百万元) 销售额Y (单位:百万元) X2 XY 1990 1.0 74.0 1.0 74.0 1992 2.0 79.0 4.0 158.0 1995 3.0 80.0 9.0 240.0 1998 4.0 90.0 16.0 360.0 2000 5.0 105.0 25.0 525.0 2001 6.0 142.0 36.0 852.0 2002 7.0 122.0 49.0 854.0 ΣX=28.0 ΣY=692.0 Σ X2 =140.0 ΣXY=3063.0 2003年的销售额预测： Y2003 = 56.70 + 10.54×10.0 = 162.1（万元） 销售额 广告费 实际销售额 回归直线 （三）预测监控 预测误差 误差衡量指标 预测监控 1、预测误差 预测误差：是指实际值与预测值之间的差异。 正负之分：当预测值大于实际值时，误差为负；反之为正。 无偏性：预测模型最好是无偏模型，即应用该模型时，正、负误差出现的概率大致相等。 预测精度：与实际需求的偏离程度 2、预测误差衡量指标 平均绝对偏差（MAD: Mean Absolute Deviation） 平均平方误差（MSE: Mean Square Error） 平均预测误差（MFE: Mean Forecast Error） 平均绝对百分误差（MAPE: Mean Absolute Percentage Error） （1）平均绝对偏差（MAD） 指整个预测期内每一次实际值与预测值的绝对偏差的平均值，即 At——表示时段t的实际值 Ft——表示时段t的预测值 n——整个预测期内的时段个数（即预测次数） MAD能较好地反映预测的精度，但不能衡量无偏性 （2）平均平方误差（MSE） 对误差的平方和取平均值，即 MSE与MAD类似，能较好地反映预测精度，但不能衡量无偏性 （3）平均预测误差（MFE） 指预测误差和的平均值，即 上式中的分子称为“预测误差滚动和”（RSFE）。显然，如果预测模型是无偏的，则RSFE应接近于0，亦即MFE应接近于0。 MFE能够很好地衡量无偏性，但不能反映预测值偏离实际值的程度。 （4）平均绝对百分误差（MAPE） 任何一种指标都很难全面地评价一个预测模型，在实际应用中常将它们结合起来使用。 3、预测监控 通过预测监控来检验过去起作用的预测模型是否仍然有效 检验预测模型是否有效的一个简单方法是将最近的实际值与预测值进行比较，看偏差是否在可接受的范围内；另一中方法是应用跟踪信号（TS: Tracking Signal） 所谓跟踪信号，是指预测误差滚动和与平均绝对偏差的比值，即： 每当实际需求发生时就计算TS。只有当TS在一定范围内时则表示该预测模型仍然有效。 预测跟踪信号 * * * * 1948,兰德公司 * * （一）时间序列模型：以时间为独立变量，利用过去需求随时间变化的关系来预测未来的需求。 包括：时间序列平滑模型，时间序列分解模型 （二）因果关系模型：利用变量（包括时间，如广告投入vs销量）之间的相互关系，通过一种变量的变化来预测另一种变量的未来变化。 上述模型共同隐含的假设（前提）：过去存在的变量