指数平滑法分析结果解读：时间序列预测建模.docxVIP

指数平滑法分析结果解读

一、方法概述

指数平滑法（ExponentialSmoothing）是一种经典的时间序列预测方法，通过对历史数据赋予不同的权重来进行未来预测，其核心特征是越近的数据被赋予越大的权重。指数平滑法分为一次平滑法、二次平滑法和三次平滑法（Holt-Winters），分别适用于无明显趋势、有线性趋势和有二次趋势的时间序列数据。本研究使用SPSSAU软件进行指数平滑法分析，对包含60个数据点的时间序列进行建模和预测。

SPSSAU软件会自动遍历各类参数组合，计算不同初始值、平滑系数alpha值和平滑类型组合下的均方根误差RMSE值，并自动找出RMSE最小时的参数值，从而得到最佳预测效果。均方根误差RMSE可用于衡量预测效果，该值越小表示拟合效果越佳。

在SPSSAU【综合评价】模块选择【指数平滑】，将变量拖拽至右侧对应分析框，操作如下图：

二、模型参数设置

表1展示了SPSSAU自动识别出的最优模型参数。由于数据序列大于20个，系统自动设置第1期数据（118.780）作为初始值。经过对所有参数组合的遍历比较，最优参数为：平滑系数alpha=0.950，平滑类型为一次平滑，此时RMSE值最小为7.284。alpha值接近1表明数据波动较大，模型需要对最新数据赋予更高的权重，这与一次平滑法适用于波动较大数据的特征一致。

三、参数遍历与RMSE比较

表2展示了不同参数组合