Forecasting Models预测模式.ppt

Forecasting Models預測模式 CHAPTER 7 7.1 時間序列預測介紹 (p.486) Introduction to Time Series Forecasting 預測(Forecasting)昰預言將來之過程 預測 昰所有企業重要之部分 範例 (Examples) 製造商預測產品之需求，以對於現有勞力與原料資源進行排程. 服務業預測顧客到達方式來維持適當的服務. 債劵公司預測公司收入、利潤、負債率等來提供投資建議 時間序列組成分子 (p. 487)Components of a Time Series 長期趨勢(Long-term trend) 時間序列可能相當穩定或隨時間呈現一個趨勢 時間序列趨勢一般為線性的(linear),二次方程式的 (quadratic)或指數函數(exponential function). 季節性變動(Seasonal variation) 按著時間變動，呈現重複性之行為的序列 季節性變動通常與日期或氣候有關. 季節性變動通常與年週期有關 時間序列組成分子 周期性變動(Cyclical variation) 相對於季節性變動，時間序列可能經歷「周期性變動」 周期性變動通常起因於經濟變動 隨機影響(Random effects) 時間序列組成分子 時間序列預測程序之步驟 (p. 488) 時間序列預測之目的為確定可預測之因子 時間序列預測程序之步驟如下： 步驟一： 建立假設模式 步驟二： 選擇預測技巧. 步驟三： 進行預測 時間序列預測程序之步驟 (p. 488) 步驟一: 確認在時間序列中之元件 Steps in the Time Series Forecasting Process 步驟二: 選擇適當的預測方法 決定輸入變數 對歷史資料進行評估 7.2 平穩預測模式Stationary Forecasting Models 在平穩模式中，時間序列之平均數假定為常數(constant). 此模型之一般式表示如下(p. 490) 其中: yt = 時間序列在第t期的值 b0 = 時間序列的不變平均值 et =第t期的隨機誤差值 平穩預測模式 (p. 490)Stationary Forecasting Models 檢查趨勢 (Checking for trend) 使用線性迴歸若 et 為常態分配 使用無母數分析若 et 為非常態分配 檢查季節性成分(Checking for seasonality component) 自相關性(Autocorrelation)用來衡量時間序列值在不同時段之關係 期差k (Lag k ) 的自相關性測量相差k期之時間序列值 相鄰時段之自相關性為一種趨勢. 期差7昰說明每日資料間之自相關性 期差 12昰說明每月資料間之自相關性 檢查週期性成分(Checking for Cyclical Components) 移動平均法(Moving Average Methods) (p. 492) 末期法 (The last period technique) 以最後一個觀察值為下一個預測值 移動平均法 (Moving Average Methods) 移動平均法 (p.493)Moving Average Methods 加權移動平均法 愈靠近最近資料之觀察值有較大之權數 所有使用權數之和等於1 YOHO 溜溜球 YO – YOs (p. 493)移動平均法 - Galaxy Industries正在預測下年度每週yo-yos需求量。因yo-yo為一發展成熟之產品，故下一年度需求應與本年度需求相近 為與測下一年度需求，過去 52週知週需求量被收集於表7.1 (p.494) YOHO BRAND YO - YOs移動平均法 - 三種預測方式: 末期法 - Amy Chang建議 四期移動平均法 - Bob Gunther 建議. 四期加權移動平均法 - Carlos Gonzalez建議. 管理者欲決定: 是否能使用穩定模式 各種方法所獲得之預測值為何? YOHO BRAND YO YOs-求解 是否具有趨勢 (Is trend present）? 執行線性迴歸在下列模式中 yt=b0+b1t+et檢定 Ｈ0 : b1 =0 (無線性趨勢存在) Excel 結果 對第53週之預測 末期法 (Amy’s Forecast) 四期移動平均法 (Bob’s forecast) 四期加權移動平均法 (Carlo’s forecast) 對第54,55週之預測 因時間序列為穩定模型，故第54,