ppt3-时间序列预测汇编.ppt

时间序列预测 组织管理的一个基本方面就是为未来制定计划。 一个组织要取得长远大成功，它的管理决策部门必须能够较好地预测未来并以此为依据制定合适的策略。 我们可以根据历史数据的波动特征和变化趋势，选择合适的统计预测方法对未来大销量做出较好的预测。 时间序列预测概述 时间序列 时间序列就是一个变量在一定时间段内不同时间点上观测值的集合。 这些观测值是按时间顺序排列的，时间点之间的间隔是相等的，可以是年、季度、月、周、日或其他时间段。 预测方法可分为：定性方法和定量方法。 定性方法是基于专家判断的预测方法 定量方法包括时间序列预测法（外推法）和因果预测法。 时间序列预测法：找出时间序列观测值中的变化规律与趋势，然后通过对这些 因果预测法：注重于寻找时间序列因变量观测值与自变量观测值之间的函数依赖关系，然后利用这种函数关系和自变量的预计值来确定因变量的预测值。 时间序列的成分 一般把时间序列分为4种成分： 1.趋势成分：显示了一个时间序列在较长时期的变化趋势。 2.季节成分：反映了时间序列在一年中有规律的变化，它是由一年中的特殊季节或节假日引起的，每年重复。 3.循环成分：反映了时间序列在超过一年的时间内有规律的变化，即时间序列在数年的时间内呈现规律的变化。（复杂，不讨论） 4.不规则成分：指不能归因于上述3中成分的时间序列的变化。 时间序列的预测步骤 时间序列预测的过程分为4步： 1）分析时间序列包含的成分，确定时间序列的类型。 2）找出合适此类型时间序列的方法，在Excel工作表中建立预测模型。 3）评价模型的准确性，确定最优模型参数。 4）在最优模型参数的基础上计算出预测值。 建立预测模拟的方法 如果一个时间序列既没有趋势成分，也没有季节成分，那么可以使用移动平均法或指数平滑法； 如果一个时间序列含有趋势成分可以使用趋势预测法； 如果一个时间序列含有季节成分则可以使用季节指数法。 评价预测模拟的指标 许多预测模型都会用到一些参数，选择不同的参数值会得到不同的预测值，从而影响预测的准确性。 1）预测误差：︳观测值-预测值︱ 2）预测平均误差MAD： MAD=预测误差平均值 3）预测均方误差MSE: MSE=预测误差的平方和/预测次数 MSE越小，模型越准确。 移动平均预测 移动平均（Moving Average）法将时间序列中最近几个时期的观测值加以平均，以此使得每一个观测值所包含的随机因素在一定程度上相互抵消，从而得到时间序列观测值的稳定水平。可以把这个平均数作为下一个时期的预测值。 预测值的计算公式如下： 【例1】某汽车批发商在过去的12周内汽油的销售数量如表所示。试分析一下数据，选择合适的模型，并在Excel工作表中使用“数据分析”工具来估计各种的汽油销量。 利用“数据分析”工具建立移动平均模型，但要得到最优的移动平均跨度，需要多次使用“数据分析”工具，将每一次的结果记录下来，然后从中挑选最优的跨度。 指数平滑预测 在移动平均模型中，计算移动平均数时每个观测值都使用相同的权数，即认为时间序列在其跨度内各个时期的观测值对下一个时期值的影响是相同的。 而一种更合理的认识是：越近时期的观测值对下一时期的影响越大，越远时期的观测值对下一时期值的影响越小。 因此最近时期的观测值应取得最大权数，较远时期观测值的权数应依次递减，所有权数相加等于1。 为移动平均模型预测公式中的每一个观测值加上不同的权数，就得到了加权移动平均模型。 加权移动平均的一种特殊方法是指数平滑法。这种方法将过去所有时期的观测值的加权移动平均数作为下一时期的预测值： 如果时间序列有较大的随机波动，说明大多数预测误差是由随机因素引起的，此时应选择较小的平滑常数； 反之，如果时间序列有较小的随机波动，则应选择较大的平滑常数。 平滑常数的选择应遵循使均方误差极小的原则。 * P192 移动平均跨度N的选择应该使均方误差尽可能小。 N的取值对原序列的修匀效果影响很大，移动平均跨度的方法为： 当时间序列数据呈周期变动时，以周期长度为N； 当时间序列数据无明显周期时，由经验确定。 第一步，确定时间序列的类型，判断所选择的预测模型是否合适。 第二步，利用“移动平均”分析工具生成汽油销量预测值。 第三步，绘制汽油销量观测值和移动平均估计值图形。