指数平滑法分析结果解读：平滑参数与预测精度评估.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指数递减的权重进行加权平均，实现对未来趋势的预测。该方法分为一次平滑法（适用于无明显趋势的数据）、二次平滑法（适用于具有线性趋势的数据）和三次平滑法（Holt-Winters，适用于具有二次趋势或季节性的数据）。平滑系数alpha介于0~1之间，值越大表示对近期数据赋予更高权重。本研究使用SPSSAU软件进行指数平滑分析，对12期时间序列数据进行拟合并预测未来2期。

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、参数设置

表1展示了指数平滑法的参数设置情况。由于数据序列为12期（介于10~20之间），SPSSAU自动取前2期数据的平均值作为初始值S0=96.645。经过自动遍历不同alpha值和平滑类型的组合，SPSSAU识别出最佳参数为：alpha=0.800，平滑类型为二次平滑。alpha值较大（0.800）表明数据波动较大，需要对近期数据赋予更高权重以提高预测精度。

三、模型拟合指标

表2报告了最佳模型（alpha=0.800，二次平滑）的拟合指标。均方根误差RMSE=2.812，是衡量预测精度的核心指标，该值越小表示拟合效果越好。均方误差MSE=7.906，平均绝对误差MAE=2.459