信息管理学（第二版）-IM03-1.docVIP

①简单平均法。又称为算术平均法、全期平均法，就是用早期的实际观测值的算术平均值作为下一期的预测值。假设前n期的实际观测值为，则预测值的计算公式为 (3-1) 该方法简单易行，适合于预测对象的值在较小的范围内随机变化。但对于预测对象的值变化跨度较大或数据随时间呈上升或下降趋势，采用该方法获得的预测值误差较大。 ②加权平均法。就是根据观测数据的重要程度，分别赋予不同的权重(或称为权数)，用观测数据乘以其权重的累加和与权重累加和之比作为下一期的预测值。假设前n期的实际观测值为，其对应的权重为，则预测值的计算公式为 (3-2) 实际使用过程中，我们使得 ，则式(3-2)可简化为 (3-3) 该方法的难度在于权重的获得。确定权重常用定性预测方法，一般情况是，离预测期越近，其权重越大。 ③移动平均法。是把观测期的数据由远及近按一定跨越期进行平均，取其平均值，随观测期的向前推移，其跨越期也相应前移，逐一求得移动平均值，将接近预测期的最后一个移动平均值作为预测值。 假设现有观测值按发生先后排列为，n为跨越期，则预测值就是本跨越期的算术平均值，其计算公式为 其中右边第一项恰好是上一跨越期的平均值，令其为，则上式可改写为 (3-4) 式(3-4)表明，计算下一期的预测值实际就是在上一跨越期的平均值的基础上，扣除上一跨越期的最老实测值对平均值的贡献，而增加本跨越期的最新实测值对平均值的贡献。这表明跨越期在向预测期平移，始终保持跨越期的长度为n，其中用来计算预测值的实测值为最靠近预测期的数据。 这种方法适合于预测值与近期的实际值关系近、与远期的实际值关系疏的情况。 ④指数平滑法是预测中常用的一种方法简单的平均法是对过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，是影响程度逐渐减弱，即随着数据的远离，赋予逐渐收敛为零的权数。 (3-5) 其中：代表本期平滑值，作为下期的预测值 代表上期平滑值，即本期的预测值 代表本期的实际观测值 代表平滑常数， 由式可知：是和的加权算平均数，取值的大小，决定和对的影响程度，当取1时，；当取0时，。具有逐期追溯性质，可探源至为止，包括全部数据。其过程中，平滑常数以指数形式递减，故称之为指数平滑法。指数平滑常数取值至关重要。平滑常数越接近于1，远期实际值对本期平滑值的下降越迅速；平滑常数越接近于0，远期实际值对本期平滑值影响程度的下降越缓慢。由此，当时间数列相对平稳时，可取较大的；当时间数列波动较大时，应取较小的，以不忽略远期实际值的影响。尽管包含有全期数据的影响，但实际计算时，仅需要两个数值，即和，再加上一个常数，这就使指数滑动平均具逐期递推性质，从而给预测带来了极大的方便。根据公式，当欲用指数平滑法时才开始收集数据，则不存在无从产生，自然无法据指数平滑公式求出指数平滑法定义为初始值初始值的确定也是指数平滑过程的一个重要条件。如果能够找到以前的历史资料，那么，初始值的确定是不成问题的。数据较少时可用全期平均、移动平均法；数据较多时，可用最小二乘法。但不能使用指数平滑法本身确定初始值，因为数据必会枯竭。如果仅有从开始的数据，那么确定初始值的方法有：取待积累若干数据后，取等于前面若干数据的简单算术平均数等。所谓回归分析法，是在掌握大量观察数据的基础上，利用理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析中，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析；当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。回归分析法依据事物内部因素变化的因果关系来预测事物未来的发展趋势。由于它依据的是事物内部的发展规律，因此这种方法比较精确。工作中常用的是一元线性回归和多元线性回归模型。一元线性回归是指事物发展的自变量与因变量之间是单因素间的简单线性关系，它的模型可以表示为 (3-6) 其中是因变量，是自变量，a是常数，b是回归系数 (3-7) (3-8) 多元线性回归是