数据模型和决策 第十四章 预测.pptVIP

14.3.3 趋势外推法的预测误差 误差均值= 误差绝对值均值= 第十四章 预测 数据、模型与决策 (第二版) 14.3.4 几种确定性分析的经验预测方法 平均值预测法 这种方法使用时间序列的全部数据点，并直接求出平均值作为下一个数据点的预测值，即预测值＝所有数据求平均值。这种预测方法主要用于常数序列。 第十四章 预测 数据、模型与决策 (第二版) 移动平均法 移动平均法中某一期的预测值求法为： Ｎ的选取：移动平均模型中Ｎ的选取可以误差绝对值均值为依据，通常情况下选取绝对误差均值最小的那个Ｎ。此外，当基本趋势变化不大，而随机性较大时，Ｎ应取大一些。如果具有周期性的数据，Ｎ通常取周期的长度。 第十四章 预测 数据、模型与决策 (第二版) 指数平滑法 假定越久远的数据对预测的可靠性越低，因此对于越久远的数据赋给越低的权重，而不像移动平均法只是简单地取一个平均值。这里以α表示时期的指数平滑值，以（１－α）即时期的观察值，即平滑系数，满足条件０＜α＜１。 指数平滑法的预测关系式为 第十四章 预测 数据、模型与决策 (第二版) 14.3.5 时间回归法 处理包含有趋势的数据的一个传统方法就是对逐期数据拟合,诸如多项曲线（线性、二次曲线等）的简单函数，在此函数中，时间ｔ为自变量，需观察的数据为因变量。对这种类型的曲线，拟合函数提供一个趋势的估量，而残差提供一个局部波动的估计，其中残差是观察值和拟合曲线对应值之间的差。 第十四章 预测 数据、模型与决策 (第二版) 某一时期的常见的拟合函数类型有以下几种。 线性函数：Ｙｔ＝ａ＋ｂｔ。 二次函数：Ｙｔ＝ａ＋ｂｔ＋ｃｔ２。 指数函数：Ｙｔ＝ｅａ＋ｂｔ。 修正指数函数：Ｙｔ＝ｋ＋ａｂｔ。 Ｇｏｍｐｅｒｔｚ函数：ｌｎＹｔ＝ｋ＋ａｂｔ。 Ｌｏｇｉｓｔｉｃ函数：Ｙｔ－１＝ｋ＋ａｂｔ。 振动函数：Ｙｔ＝ｆ（ｔ）＋Ａｃｏｓ（ω ｔ＋ψ），其中ｆ（ｔ）为多项式。 第十四章 预测 数据、模型与决策 (第二版) 第十四章 预测 14.1 预测的概述 14.2 主观预测法 14.3 趋势外推法 14.4 因果分析法 第十四章 预测 数据、模型与决策 (第二版) 14.4 因果分析法 14.4.1 因果分析法 14.4.2 一元线形回归预测 14.4.3 多元线形回归预测 14.4.4 非线性回归预测 第十四章 预测 数据、模型与决策 (第二版) 14.4.1 因果分析法 因果分析法主要是先找出可用于预测的有关原因和关系，然后据此原因和关系对变量加以预测。 在这种关系中，属于原因的变量称为自变量，它的变动会引起因变量的跟随变动。 在变量与变量的关系中，存在确定性关系与非确定性关系之分。确定性关系主要就是指变量之间存在确定的函数关系，而非确定性关系是指变量具有随机性特征。 第十四章 预测 数据、模型与决策 (第二版) 14.4.2 一元线形回归预测 回归可定义为两个或两个以上相关变量之间的函数关系。 回归预测即根据这种函数关系，以一个已知变量去预测另一个变量。 第十四章 预测 数据、模型与决策 (第二版) 主要局限： 它假设历史数据和未来预测值都落在一条直线之上。因此在得出回归方程之后我们通常要对它进行拟合优度检验，然后再进行预测，这样可以提高预测的准确性。 第十四章 预测 数据、模型与决策 (第二版) 一元线性回归预测的主要过程为： 根据数据，画出散点图，观察自变量与因变量之间的相关关系。 通过假设检验来确认ｘ与ｙ之间是否存在显著线性相关关系。 拟合线性模型：ｙ＝α＋βｘ＋ε，其中α＋βｘ为主关系，ε为随机误差，服从 Ｎ（０，１）分布，且相互独立。用样本数据求得回归直线ｙ＝ａ＋ｂｘ，其中ａ，ｂ为回归系数，为使拟合误差最小，通常采用最小二乘法拟合。 对拟合出的直线进行拟合优度检验。 根据回归直线进行预测，这里的预测结果可以是一个值，称做点估计；也可以是一个区间，称做区间估计。 第十四章 预测 数据、模型与决策 (第二版) 我们随机抽取了某一类企业中的１０个企业，调查了它们的产量和生产成本的情况，取得数据如表所示。试分析企业产量与生产成本之间的关系，并根据这种关系进行预测。 企业编号 1 2 3 4 5 6 7 8 9 10 产量 40 42 48 55 65 79 88 100 120 140 生产成本 150 140 160 170 150 162 185 165 190 185 第十四章 预测 数据、模型与决策 (第二版) 14.4.3 多元线形回归预测 多元线性回归是指自变量与因变量之间的关系仍为线性关系，但自变量的个数通常不止一个，即因变量对多个自变量同时存在线性依赖关系。多元线性回归要求各自变量之间的相对独立性较好。 多元线性回归模型为ｙ＝α＋β１ｘ１＋β２ｘ２＋β