指数平滑法介绍exponentialsmoothing.pptVIP

2021/2/21 * 3.13 使用電腦軟體預測 適用於預測的套裝軟體相當多,本書網站上附有Excel 範本,可以計算移動平均、指數平滑法、線性趨勢方程式、趨勢調整指數平滑法以及簡單線性迴歸。 章末的「問題與解答」將示範使用數種範本。 2021/2/21 * The End 2021/2/21 * 趨勢分析技術 建立一個方程式來適當地描述趨勢（假設資料呈現趨勢）。 當趨勢產生時,有兩種重要的技術可以建立預測: 使用趨勢方程式。 另一個則是指數平滑法的延伸。 2021/2/21 * 常見的非線性趨勢圖形 2021/2/21 * 線性趨勢方程式(linear trend equation) 其中 Ft ＝第t 期的預測值 a 為t ＝ 0 時的Ft 值 b ＝斜率 t ＝從t ＝ 0 之後欲推測的期數 利用下列兩個方程式,可從歷史資料計算直線的係數a 與b: 其中 n ＝期數 y ＝時間序列值 【參照教科書第83頁,例題5】 2021/2/21 * 趨勢調整指數平滑法(trend-adjusted exponential smoothing) 當時間序列顯示出線性趨勢時使用,或稱為雙重平滑法(double smoothing)。 趨勢調整預測值(trend-adjusted forecast, TAF） 其中 St ＝ 前一個預測值加上平滑誤差 Tt ＝ 目前趨勢估計 且 其中 α 與β 為平滑常數 【參照教科書第85頁,例題6】 2021/2/21 * 季節性分析技術 時間序列資料中的季節性變異(seasonal variations)指某種事件發生的時間序列資料呈現規則的上下反覆變動。 季節性指的是規則的年度變異,或每日、每週、每月及其他規則模式的資料。 在時間序列中的季節性,是以實際值偏離序列平均值的量來表示。 若序列傾向在平均值上下變動,則季節性可用平均值（或移動平均值）來表示。 若呈現趨勢,則季節性應以趨勢值來表示。 2021/2/21 * 季節性分析技術的模型 加法模型 季節性以數量表示,即時間序列之平均值加上或減去某一數量。 乘法模型 季節性是以百分比 表示,即時間序列 值乘以平均趨勢值 的某一百分比。 2021/2/21 * 乘法模型 乘法模型中的季節百分比稱為季節相對性(seasonal relative)或季節指數(seasonal indexes)。 預測的季節相對性有兩種不同的使用方式: 消除時間序列的季節性 將季節性因素從資料中移除,以得到更清楚的非季節性（例如,趨勢）因素圖。 將每個資料點除以相對應的季節相對性。 在預測中加入季節性 當需求同時具有趨勢（或平均值）與季節性因素時,加入季節性將有助於預測。 使用趨勢方程式,求出所要求期間的趨勢估計值。 將這些趨勢估計值乘以對應的季節相對性,再加上季節性。 2021/2/21 * 預測的季節相對性 計算季節相對性 中心點移動平均法(centered moving average)。 【參照教科書第88頁,例題8】 說明: 3期中心點移動平均緊跟著實際資料 2021/2/21 * 循環分析技術 最常用的方法是解釋性的:尋找另一個與感興趣之變數相關的前置變數(leading variable)。 若組織能與前置變數建立高度相關性,則能夠發展出描述其關係的方程式來進行預測。 兩個變數間持續存在的關係很重要,相關性愈高,則預測精確的機會就愈高。 2021/2/21 * 關聯性預測技術 關聯性技術所使用的變數必須與感興趣之變數預測值相關。 關聯性技術 重點在於建立出歸納預測變數(predictor variables)效果的方程式。 主要的分析方法為迴歸(regression)。 簡短地複習迴歸,有助於了解本章將介紹的其他預測方法。 2021/2/21 * 簡單線性迴歸 最簡單與最廣泛使用的迴歸形式為兩個變數之間的線性關係。 線性迴歸的目的是求出一條直線方程式,使每個資料點與此線的垂直距離平方和最小。 注意:通常以y軸表示要預測的（相依）變數值,以x軸表示預測（獨 立）變數值。 2021/2/21 * 最小平方直線(least squares line) 其中 yc ＝預測（相依）變數 x ＝預測（獨立）變數 b ＝直線的斜率 a 為x ＝ 0 時,yc 的值（即y 截距的高度） 以下的方程式可以計算出係數a與b: 其中 n ＝成對觀察點的數目 2021/2/21 * 最小平方法 【參照教科書第91頁,例題9】 2021/2/21 * 線性迴歸線之精確度 散