6确定型时间序列预测法重点讲解.pptVIP

管理定量分析 授课教师：吴桂平 什么是时间序列？ 时间序列预测法 时间序列模型： 时间序列模型： 把预测指标，如销售量等指标的实际历史数据按时间顺序排列，应用数学方法进行分析，找出其中的变化趋势和规律性的一种定量预测方法。 时间序列平滑模型 时间序列分解模型 因果关系模型 利用变量之间的相关关系，通过一种变量的变化来预测另一种变量的未来变化。 加法模型为： 乘法模型为： 6.2.1 一次移动平均法 【实例6-1】 根据MSE判断，应该选择N=3进行预测 注意： 只适用于平稳模式（没有明显的周期和趋势变化） 远期预测误差大，只适用于预测下一期的情况 为了消除滞后偏差对预测的影响，可在一次平均值的基础上再进行移动平均，即二次移动平均，并在此基础上按照下列思路建立预测模型： 将二次移动平均值与一次移动平均值的距离加回到一次移动平均值上去作为预测值。 设时间序列从某时期T开始具有直线趋势，且趋势将保持不变，则第T+L期的预测值公式： 【实例6-2】 第一步：计算一次移动平均值（取N=3) 第二步：计算二次移动平均值 第三步：确定T，计算aT,bT 第四步：进行预测 预测2009年 此时，L=1(L为2009年到2008年的期数) 月销售额一次指数平滑预测表 单位：千元 平滑系数对预测结果有什么影响？ 平滑系数的确定 平滑系数a的大小体现了修正幅度，a越大，修正的幅度越大，反之则越小； 如果时间序列波动不大，比较平稳，则a应取值小一点，如0.1-0.3； 若时间序列具有迅速且明显的变动，a应取大一点，如0.6-0.9 a的选择具有经验性，最佳选择应该使预测结果的均方误差最小。 【实例6-3】假定1993年~2008年产品C销售情况详见表 平滑系数为0.5时均方差最小，所以以0.5来预测2009年的情况 设时间序列从某时期T开始具有直线趋势，且趋势将保持不变，则第T+L期的预测值公式： 二次平滑值的计算公式 初始值的选取 6.4 季节周期预测法 季节性问题示例 常用季节性预测模型 加法模型(Additive Model) TF=T+S+C+I 乘法模型(Multiplicative model) ?TF=T.S.C.I 用得最多的是基于乘法模型的预测方法 时间序列分解模型计算示例： ? 有一个公司记录了1997和1998两年的销售数据，见下表。请根据这些数据预测1999年的销售情况。 第一步，画出散点图判断有无季节性 第二步，对数据进行平滑处理 第三步，求出趋势方程 用excel的“添加趋势线”功能直接得到趋势方程 第四步，计算季节因子 第五步，检验 第六步，进行预测 习题 某企业统计了过去两年的需求数据。请根据这些数据预测2012年各月度的需求情况。 季节周期预测 教材上的两种方法 方法一： 首先分离出不含季节波动的长期趋势，其次计算季节指数，最后建立预测模型 （1）建立趋势方程f(t)=a+bt 历史数据为5年（总周期N=5）,每年4个季度（阶段数k=4） 以4为移动周期，计算一次、二次移动平均值 然后求出a,b两个系数 （2）计算每期趋势预测值 利用f(t)=a+bt计算各期趋势预测值 （3）计算每期的季节指数 将每季度实际值/趋势预测值，得到该季度的季节指数 （4）计算平均季节指数 计算同一季度的季节指数的平均值 （5）对平均季节指数进行归一化处理，使其平均值为1 首先计算4个季节指数的平均值 然后将每个季节指数/平均值，得到归一化处理后的季节指数 （6）进行预测 首先利用趋势方程y=1250.25+38.17t计算趋势值 然后将该季度季节指数乘以该季度趋势值，得到最终预测 季节周期预测 教材上的两种方法 方法二： 首先计算季节指数，然后用季节指数消除历史数据的周期波动，最后建立趋势方程并进行预测 （1）计算每个季度的指数 将每个季度实际值除以该年4个季度的平均值，得到该季度的季节指数 （2）计算平均季节指数 对5年同一季度的指数取平均值 （3）使用季节指数消除历史数据的周期波动 将每季度实际值*该季度季节指数 （4）利用新数据建立趋势方程f(t)=a+bt Y=1248.25+36.92t （4）计算平均季节指数 计算同一季度的季节指数的平均值 （5）进行预测 首先利用趋势方程y=1248.25+36.92t计算趋势值 然后将该季度季节指数乘以该季度趋势值，得到最终预测 两种方法的比较： 所求趋势方程为：y = 49.5x + 267.5，其中x是季度，y是销售额 R2 = 0.9962表明方程对数据的拟合度高 　 1.0550 663.5 700 8 　 0.6515 614 400 7 　 0.7440