第3章-预测技术-管理定量分析-教学课件.ppt

《第3章-预测技术-管理定量分析-教学课件.ppt》由会员分享，可在线阅读，更多相关《第3章-预测技术-管理定量分析-教学课件.ppt（80页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第三章第三章预测技术预测技术v第一节第一节预测概述预测概述v第二节第二节定性预测技术定性预测技术v第三节第三节因果关系预测技术因果关系预测技术v第四节第四节平滑预测技术平滑预测技术v第五节第五节马尔可夫预测技术马尔可夫预测技术v第六节第六节预测中数据的鉴别与处理预测中数据的鉴别与处理案例：企业销售额的预测案例：企业销售额的预测例：某企业例：某企业2002200920022009年，推销费用支出（万元）及营业人员年，推销费用支出（万元）及营业人员数量（人）与销售额（千万元）的升降有密切关系，其有关数量（人）与销售额（千万元）的升降有密切关系，其有关数据如下表所示：数据如下表所示：如果该企业如果该

2、企业2010年推销费用为年推销费用为200万元万元,营业人员为营业人员为300人人,试试预测该企业预测该企业2010年的销售额。（取显著性水平年的销售额。（取显著性水平为为0.05）年份年份20022003200420052006200720082009销售额销售额(y)推销费用推销费用(x1)营业人员营业人员(x2)264298235318304289271273169181160187184178172175290318254341327311295296第一节第一节预测技术概述预测技术概述v一、预测的概述一、预测的概述v二、预测的技术二、预测的技术v三、预测的种类三、预测的种类v四、预测

3、的基本步骤四、预测的基本步骤第一节第一节预测技术概述预测技术概述v一、预测的概述一、预测的概述v（一）预测的定义（一）预测的定义v预测是指根据过去和现在的实际资料，运用恰当的预测是指根据过去和现在的实际资料，运用恰当的技术和手段，对尚未发生或目前还不明确的事物进技术和手段，对尚未发生或目前还不明确的事物进行预先的估计和推测。行预先的估计和推测。v（二）预测的特点（二）预测的特点v可靠性、超前性、试探性、不精确性可靠性、超前性、试探性、不精确性第一节第一节预测技术概述预测技术概述v三、预测的种类三、预测的种类v按照预测有效期限的长短，预测可分为长期按照预测有效期限的长短，预测可分为长期预测、中期

4、预测、近期预测、短期预测预测、中期预测、近期预测、短期预测v注：在经济预测中，长期预测：注：在经济预测中，长期预测：5年以上，中期预测：年以上，中期预测：15年，近期预测：年，近期预测：3个月个月1年，短期预测：年，短期预测：3个个月以下。月以下。第一节第一节预测技术概述预测技术概述v四、预测的基本步骤四、预测的基本步骤v（一）确定预测的目的（一）确定预测的目的v（二）选择预测变量（二）选择预测变量v（三）确定预测的时间范围（三）确定预测的时间范围v（四）选择预测模型（四）选择预测模型v（五）收集数据（五）收集数据v（六）检验预测模型（六）检验预测模型v（七）作出预测（七）作出预测v（八）应用

5、预测结果（八）应用预测结果第二节第二节定性预测技术定性预测技术v一、个人见解法一、个人见解法v二、集思广益法二、集思广益法v三、市场调查法三、市场调查法v四、德尔菲法四、德尔菲法v五、主观概率法五、主观概率法v六、六、PERT预测法（综合判断法）预测法（综合判断法）第二节第二节定性预测技术定性预测技术v二、集思广益法二、集思广益法v（一）定义（一）定义v集思广益法是指通过召开讨论会的形式，邀请专家集思广益法是指通过召开讨论会的形式，邀请专家发表意见并进行讨论，然后集中专家的意见，对某发表意见并进行讨论，然后集中专家的意见，对某事物的未来作出预测的一种方法。事物的未来作出预测的一种方法。v（二）

6、优缺点：（二）优缺点：v优点：充分交换意见、相互启发、考虑周到全面优点：充分交换意见、相互启发、考虑周到全面v缺点：专家人数有限、屈服于权威、随大流缺点：专家人数有限、屈服于权威、随大流第二节第二节定性预测技术定性预测技术v三、市场调查法三、市场调查法v（一）定义（一）定义v市场调查法是指根据市场调查收集的资料来对事物市场调查法是指根据市场调查收集的资料来对事物未来进行预测的一种方法。未来进行预测的一种方法。v（二）优缺点（二）优缺点v优点：预测准确性较高、较合理优点：预测准确性较高、较合理v缺点：费用高、耗时长、对调查预测者要求高缺点：费用高、耗时长、对调查预测者要求高第二节第二节定性预测技

7、术定性预测技术v五、主观概率法五、主观概率法v（一）定义（一）定义v主观概率法是指以若干主观概率的平均值作为某事件发主观概率法是指以若干主观概率的平均值作为某事件发生的概率的一种方法。生的概率的一种方法。（二）优缺点（二）优缺点优点：克服德尔菲法中优点：克服德尔菲法中“强迫意见一致性强迫意见一致性”缺点：主观性强、易出现偏差缺点：主观性强、易出现偏差例题分析：例题分析：PERT法法v例：设某大学就业指导中心有两名工作人员，招生办公室例：设某大学就业指导中心有两名工作人员，招生办公室有三名工作人员，为了确定今年管理专业的招生人数，他有三名工作人员，为了确定今年管理专业的招生人数，他们对四年后该专

8、业毕业生的市场需求量分别作了如下估计：们对四年后该专业毕业生的市场需求量分别作了如下估计：工作人员工作人员 最高最高最可能最可能最低最低权数权数就业就业指导指导甲甲乙乙10085400.59575550.5招招生生办办甲甲乙乙丙丙8060400.39070500.510080480.2已知就业指导中心、招生办的权数分别为已知就业指导中心、招生办的权数分别为0.6、0.4，问该专业应，问该专业应招多少人？在招多少人？在95.45%的可能性下，求招生人数的预测区间。的可能性下，求招生人数的预测区间。例题分析：例题分析：PERT法法第三节第三节因果关系预测技术因果关系预测技术v一、因果关系预测的概述

9、一、因果关系预测的概述v二、一元线性回归预测法二、一元线性回归预测法v三、多元线性回归预测法三、多元线性回归预测法第三节第三节因果关系预测技术因果关系预测技术v一、因果关系预测的概述一、因果关系预测的概述v（一）定义（一）定义v因果关系预测是指利用事物发展的因果关系来推断因果关系预测是指利用事物发展的因果关系来推断事物发展趋势的一种定量预测方法。事物发展趋势的一种定量预测方法。v（二）因果关系预测的回归模型的种类（二）因果关系预测的回归模型的种类v1、根据影响因素的多少，可分为一元回归和多元回、根据影响因素的多少，可分为一元回归和多元回归；归；v2、根据影响因素与预测目标之间的关系，可分为线、

10、根据影响因素与预测目标之间的关系，可分为线性回归和非线性回归。性回归和非线性回归。第三节第三节因果关系预测技术因果关系预测技术v（三）利用回归模型进行预测的基本步骤（三）利用回归模型进行预测的基本步骤v1、根据预测的目的，选择自变量和因变量，、根据预测的目的，选择自变量和因变量，并判断其相关类型。并判断其相关类型。v2、初步确定方程模型，进行参数估计。、初步确定方程模型，进行参数估计。v3、进行统计检验。、进行统计检验。v4、进行预测和区间估计。、进行预测和区间估计。第三节第三节因果关系预测技术因果关系预测技术v二、一元线性回归预测法二、一元线性回归预测法v（一）一元线性回归模型（一）一元线性

11、回归模型（二）回归系数的估计（二）回归系数的估计：最小二乘法（：最小二乘法（LS）第三节第三节因果关系预测技术因果关系预测技术v（三）判定系数（可决系数）：（三）判定系数（可决系数）：R2R2的含义：（的含义：（1）自变量对因变量差异的解释程度。）自变量对因变量差异的解释程度。（2）0R2 1,其值越大越好，其值越大越好，R2越接近越接近1，模型的拟合越好。，模型的拟合越好。当当R20.5时，就可以认为拟合得不错。时，就可以认为拟合得不错。第三节第三节因果关系预测技术因果关系预测技术v（五）（五）回归系数显著性的检验：回归系数显著性的检验：t t检验检验v1.1.对于系数对于系数a a的检验的

12、检验v提出假设提出假设：H H0 0:a=0,Ha=0,H1 1:a:a0 0v2.2.对于系数对于系数b b的检验的检验v提出假设提出假设：H H0 0:b=0,Hb=0,H1 1:b:b0 0v（六）（六）回归方程的显著性检验：回归方程的显著性检验：F F 检验检验v提出假设提出假设：H H0 0:a=b=0,Ha=b=0,H1 1:a,b:a,b不全为零不全为零例题分析例题分析1：一元线性回归预测法：一元线性回归预测法v例例1一个工厂每月的工作班次与产量的资料如下：一个工厂每月的工作班次与产量的资料如下：月份月份123456789工作班次工作班次(y)产量产量(x)50702555206

13、040253535255520759848498310153264若该厂下个月的产量需要达到若该厂下个月的产量需要达到400单位，需要多少单位，需要多少班次才够？班次才够？例题分析例题分析1：一元线性回归预测法：一元线性回归预测法v解：工作班次与产量的散点图如下图所示解：工作班次与产量的散点图如下图所示由工作班次与产量的散点图可知，工作班次与产量由工作班次与产量的散点图可知，工作班次与产量之间呈线性关系，故建立一元线性模型：之间呈线性关系，故建立一元线性模型：y=a+bx+例题分析例题分析1：一元线性回归预测法：一元线性回归预测法在显著性水平为在显著性水平为5%下，方程的回归系数显著不为零，即

14、回下，方程的回归系数显著不为零，即回归系数通过了归系数通过了t检验，回归方程通过了检验，回归方程通过了F检验，所以估计结检验，所以估计结果有效，可用来预测。果有效，可用来预测。当产量当产量x=400时，工作班次为：时，工作班次为：y=10.691+0.098400=49.891=50例题分析例题分析2：一元线性回归预测法：一元线性回归预测法奖金奖金(%)(x)0123456789销售量销售量(y)34810151820222728例例2根据经验，奖金水平对销售量有很大影响。根据经验，奖金水平对销售量有很大影响。新华贸易公司为确定公司内的奖金水平与销售量的新华贸易公司为确定公司内的奖金水平与销售

15、量的具体关系，作了具体关系，作了10次试验，数据如下：次试验，数据如下：问试验结果的最优拟合线是什么？问试验结果的最优拟合线是什么？例题分析例题分析2：一元线性回归预测法：一元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:08:18vSample:110vIncludedobservations:10vvVariableCoefficientStd.Errort-StatisticProb.vvX2.9636360.10934327.10400 0.0000vC2.1636360.5837333.706554

16、0.0060vvR-squared0.989227Meandependentvar15.50000vAdjustedR-squared0.987881S.D.dependentvar9.021579vS.E.ofregression0.993158Akaikeinfocriterion3.001003vSumsquaredresid7.890909Schwarzcriterion3.061520vLoglikelihood-13.00502F-statistic734.6267vDurbin-Watsonstat2.517637Prob(F-statistic)0.000000例题分析例题分析

17、2：一元线性回归预测法：一元线性回归预测法在显著性水平为在显著性水平为5%下，方程的回归系数显著不为零，即回下，方程的回归系数显著不为零，即回归系数通过了归系数通过了t检验，回归方程通过了检验，回归方程通过了F检验，所以估计结检验，所以估计结果有效。果有效。第三节第三节因果关系预测技术因果关系预测技术v三、多元线性回归预测法三、多元线性回归预测法v（一）多元线性回归模型（一）多元线性回归模型vy=b0+b1x1+b2x2+bmxmv其中，其中，b0,b1,bm称称为回回归系数。系数。v（二）回（二）回归系数的估系数的估计：最小二乘法（：最小二乘法（LS）v（三）判定系数（三）判定系数（R2）和

18、修正的判定系数）和修正的判定系数（R2）R2、R2的含义：（的含义：（1）自变量对因变量差异的解释程度。）自变量对因变量差异的解释程度。（2）0R2 R2 1,其值越大越好，其值越大越好，R2越接近越接近1，模型的拟，模型的拟合越好。当合越好。当R20.5时，就可以认为拟合得不错。时，就可以认为拟合得不错。第三节第三节因果关系预测技术因果关系预测技术v（四）（四）回归系数显著性的检验：回归系数显著性的检验：t t检验检验v提出假设提出假设：H H0 0:b bi i=0,H=0,H1 1:b:bi i0 0（i=0,1,2,m)i=0,1,2,m)v（五）（五）回归方程的显著性检验：回归方程的

19、显著性检验：F F 检验检验v提出假设提出假设：H H0 0:b b0 0=b=b1 1=b=b2 2=b=bm m=0=0v H H1 1:b:b0 0,b,b1 1,b,b2 2,b,bm m不全为零不全为零例题分析例题分析1：多元线性回归预测法：多元线性回归预测法例：某企业例：某企业2002200920022009年，推销费用支出（万元）及营业人员年，推销费用支出（万元）及营业人员数量（人）与销售额（千万元）的升降有密切关系，其有关数量（人）与销售额（千万元）的升降有密切关系，其有关数据如下表所示：数据如下表所示：如果该企业如果该企业2010年推销费用为年推销费用为200万元万元,营业人

20、员为营业人员为300人人,试试预测该企业预测该企业2010年的销售额。（取显著性水平年的销售额。（取显著性水平为为0.05）年份年份20022003200420052006200720082009销售额销售额(y)推销费用推销费用(x1)营业人员营业人员(x2)264298235318304289271273169181160187184178172175290318254341327311295296例题分析例题分析1：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:09:36vSam

21、ple:20022009vIncludedobservations:8vvVariableCoefficientStd.Errort-StatisticProb.vX11.0514910.6056451.7361500.1431vX20.6387920.1985223.2177390.0235vC-97.4922647.49886-2.052510.0953vvR-squared0.995857Meandependentvar281.5000vAdjustedR-squared0.994200S.D.dependentvar26.23520vS.E.ofregression1.998025Ak

22、aikeinfocriterion4.502191vSumsquaredresid19.96051Schwarzcriterion4.531982vLoglikelihood-15.00877F-statistic600.9415vDurbin-Watsonstat1.226983Prob(F-statistic)0.000001例题分析例题分析1：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:09:40vSample:20022009vIncludedobservations:8vv

23、VariableCoefficientStd.Errort-StatisticProb.vX20.9799360.03270929.959240.0000vC-16.400489.976984-1.6438320.1513vvR-squared0.993360Meandependentvar281.5000vAdjustedR-squared0.99225S.D.dependentvar26.23520vS.E.ofregression2.309169Akaikeinfocriterion4.723971vSumsquaredresid31.99358Schwarzcriterion4.743

24、831vLoglikelihood-16.89588F-statistic897.5563vDurbin-Watsonstat1.724968Prob(F-statistic)0.000000例题分析例题分析1：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:09:41vSample:20022009vIncludedobservations:8vvVariableCoefficientStd.Errort-StatisticProb.vX1-0.1709030.136395-1.252

25、9990.2568vX21.024861 0.07867413.026630.0000vvR-squared0.992366Meandependentvar281.5000vAdjustedR-squared0.991094S.D.dependentvar26.23520vS.E.ofregression2.475835Akaikeinfocriterion4.863351vSumsquaredresid36.77856Schwarzcriterion4.883211vLoglikelihood-17.45340Durbin-Watsonstat1.815449例题分析例题分析1：多元线性回归

26、预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:09:42vSample:20022009vIncludedobservations:8vvVariableCoefficientStd.Errort-StatisticProb.vX20.9263480.002984310.40650.0000vvR-squared0.990369Meandependentvar281.5000vAdjustedR-squared0.990369S.D.dependentvar26.23520vS.E.ofregre

27、ssion2.574666Akaikeinfocriterion4.845785vSumsquaredresid46.40233Schwarzcriterion4.855715vLoglikelihood-18.38314Durbin-Watsonstat2.089097例题分析例题分析1：多元线性回归预测法：多元线性回归预测法在显著性水平为在显著性水平为5%下，方程的回归系数显著不为零，下，方程的回归系数显著不为零，即回归系数通过了即回归系数通过了t检验，回归方程通过了检验，回归方程通过了F检验，所检验，所以估计结果有效。以估计结果有效。当营业人员数当营业人员数x2=300人时，销售额为：人

28、时，销售额为：y=0.926300=277.8（千万元）（千万元）例题分析例题分析1：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:09:42vSample:20022009vIncludedobservations:8vvVariableCoefficientStd.Errort-StatisticProb.vX11.6046880.02492564.379990.0000vvR-squared0.776472Meandependentvar281.5000vAdjustedR-sq

29、uared0.776472S.D.dependentvar26.23520vS.E.ofregression12.40367Akaikeinfocriterion7.990330vSumsquaredresid1076.957Schwarzcriterion8.000260vLoglikelihood-30.96132Durbin-Watsonstat2.638159例题分析例题分析1：多元线性回归预测法：多元线性回归预测法在显著性水平为在显著性水平为5%下，方程的回归系数显著不为零，下，方程的回归系数显著不为零，即回归系数通过了即回归系数通过了t检验，回归方程通过了检验，回归方程通过了F检验

30、，所检验，所以估计结果有效。以估计结果有效。当推销费用当推销费用x1=200万元时，销售额为：万元时，销售额为：y=1.605200=321（千万元）（千万元）例题分析例题分析2：多元线性回归预测法：多元线性回归预测法v例例2中国人均中国人均GDP（y,元元/人）受人均粮食产量人）受人均粮食产量（x1,千克千克/人人）、人均原油产量（）、人均原油产量（x2,千克千克/人人）、）、人均钢产量（人均钢产量（x3,千克千克/人）、人均煤产量（人）、人均煤产量（x4,吨吨/人人）影响，试确定回归方程，当人均粮食产量为）影响，试确定回归方程，当人均粮食产量为420千克千克/人人，人均原油产量为，人均原油

31、产量为140千克千克/人人，人均，人均钢产量为钢产量为160千克千克/人人，人均煤产量为吨，人均煤产量为吨/人人时，预时，预测中国人均测中国人均GDP为多少？为多少？例题分析例题分析2：多元线性回归预测法：多元线性回归预测法 年度年度 Y Y X1 X1 X2 X2 X3 X3 X4 X419851985 853 853360.7360.7118.83118.8344.5244.520.830.8319861986 956 956367367122.51122.5148.9348.930.840.8419871987 1104 1104371.74371.74123.74123.7451.92

32、51.920.860.8619881988 1355 1355357.72357.72124.41124.4153.9553.950.890.8919891989 1512 1512364.32364.32123.04123.0455.0555.050.940.9419901990 1634 1634393.1393.1121.84121.8458.4558.450.950.9519911991 1879 1879378.26378.26122.52122.5261.761.70.940.9419921992 2287 2287379.97379.97121.97121.9769.4769.4

33、70.960.9619931993 2939 2939387.37387.37123.25123.2576760.980.9819941994 3923 3923373.46373.46122.57122.5777.777.71.041.0419951995 4854 4854387.28387.28124.54124.5479.1579.151.131.131996 55761996 5576414.39414.39129.22129.2283.1583.151.151.1519971997 6054 6054401.74401.74130.68130.6888.5788.571.121.1

34、21998 60381998 6038412.42412.42129.61129.6193.0593.051.011.0119991999 6551 6551405.55405.55127.63127.6399.1299.120.830.8320002000 7086 7086366.04366.04129.09129.09101.77101.770.790.7920012001 7651 7651355.89355.89128.91128.91119.22119.220.910.9120022002 8184 8184356.97356.97130.43130.43142.43142.431

35、.081.08例题分析例题分析2：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:17:39vSample:19852002vIncludedobservations:18vvVariableCoefficientStd.Errort-StatisticProb.vX116.680419.9430541.6775940.1173vX2173.745482.567502.1042830.0554vX374.5746911.063486.7406160.0000vX4-903.9244163

36、7.786-0.5519190.5904vC-29135.418593.389-3.3904450.0048vvR-squared0.954259Meandependentvar3913.111vAdjustedR-squared0.940185S.D.dependentvar2580.713vS.E.ofregression631.1688Akaikeinfocriterion15.96316vSumsquaredresid5178862.Schwarzcriterion16.21048vLoglikelihood-138.6684F-statistic67.80218vDurbin-Wat

37、sonstat1.257950Prob(F-statistic)0.000000例题分析例题分析2：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:17:48vSample:19852002vIncludedobservations:18vvVariableCoefficientStd.Errort-StatisticProb.vX114.313548.7450821.6367530.1240vX2175.417180.436632.1808110.0468vX373.2922510.5

38、44676.9506460.0000vC-29212.428376.148-3.4875720.0036vvR-squared0.953187Meandependentvar3913.111vAdjustedR-squared0.943156S.D.dependentvar2580.713vS.E.ofregression615.2939Akaikeinfocriterion15.87521vSumsquaredresid5300212.Schwarzcriterion16.0730vLoglikelihood-138.8769F-statistic95.02110vDurbin-Watson

39、stat1.230736Prob(F-statistic)0.000000例题分析例题分析2：多元线性回归预测法：多元线性回归预测法vDependentVariable:YvMethod:LeastSquaresvDate:03/18/10Time:17:56vSample:19852002vIncludedobservations:18vvVariableCoefficientStd.Errort-StatisticProb.vX2236.644675.088383.1515480.0066vX367.0450510.365176.4683000.0000vC-30960.528760.39

40、6-3.5341460.0030vvR-squared0.944229Meandependentvar3913.111vAdjustedR-squared0.936793S.D.dependentvar2580.713vS.E.ofregression648.8159Akaikeinfocriterion15.93919vSumsquaredresid6314431.Schwarzcriterion16.08758vLoglikelihood-140.4527F-statistic126.9793vDurbin-Watsonstat0.905235Prob(F-statistic)0.0000

41、0例题分析例题分析2：多元线性回归预测法：多元线性回归预测法在显著性水平为在显著性水平为5%下，方程的回归系数显著不为零，下，方程的回归系数显著不为零，即回归系数通过了即回归系数通过了t检验，回归方程通过了检验，回归方程通过了F检验，所以估检验，所以估计结果有效。计结果有效。当人均原油产量为当人均原油产量为140千克千克/人，人均钢产量为人，人均钢产量为160千千克克/人时，人均人时，人均GDP为：为：y=-30960.52+236.645140+67.045160=12896.94（元（元/人）人）第三节第三节因果关系预测技术因果关系预测技术v四、非线性回归预测法四、非线性回归预测法v（一）

42、（一）对数线性模型对数线性模型对数线性模型对数线性模型（二）线性到对数模型（二）线性到对数模型（二）线性到对数模型（二）线性到对数模型（三）对数到线性模型（三）对数到线性模型（三）对数到线性模型（三）对数到线性模型第三节第三节因果关系预测技术因果关系预测技术vv（四）倒数模型（四）倒数模型（四）倒数模型（四）倒数模型（五）多项式模型（五）多项式模型（五）多项式模型（五）多项式模型第四节第四节平滑预测技术平滑预测技术v一、平滑预测技术一、平滑预测技术v二、移动平均法二、移动平均法v三、指数平滑法三、指数平滑法第四节第四节平滑预测技术平滑预测技术v一、平滑预测技术概述一、平滑预测技术概述v（一）平

43、滑预测法的定义（一）平滑预测法的定义v平滑预测法是指将不规则的历史数据加以平滑，以平滑预测法是指将不规则的历史数据加以平滑，以便用来分析事件的发展方向和趋势，进而预测未来便用来分析事件的发展方向和趋势，进而预测未来的一种方法。的一种方法。v（二）平滑预测法的适用范围：近期或短期预测（二）平滑预测法的适用范围：近期或短期预测v（三）平滑预测法的主要方法（三）平滑预测法的主要方法v1、移动平均法、移动平均法v2、指数平滑法、指数平滑法第四节第四节平滑预测技术平滑预测技术v二、移动平均法二、移动平均法v（一）一次移动平均法：（一）一次移动平均法：变化较平稳，无明显趋势变化较平稳，无明显趋势v1、定义

44、、定义v用时间序列中最近的用时间序列中最近的N个数据的平均值来作为下个时期个数据的平均值来作为下个时期的数据的预测值。的数据的预测值。v2、一次移动平均数的计算公式、一次移动平均数的计算公式例题分析：一次移动平均法例题分析：一次移动平均法v例例1某粮油食品公司最近某粮油食品公司最近1010周的大米销售数量如右表所示，周的大米销售数量如右表所示，请预测第请预测第1111周的大米销售数量。周的大米销售数量。试用三项移动平均法预测该粮试用三项移动平均法预测该粮油公司第油公司第1111周的大米销售量。周的大米销售量。周期周期大米销售量（吨）大米销售量（吨）16225137246455064876785

45、49631073解：解：用三项移动平均法预测该粮用三项移动平均法预测该粮油公司第油公司第11周的大米销售量：周的大米销售量：第四节第四节平滑预测技术平滑预测技术v讨论讨论1 1、由于预测偏差估计中存在正负值，为保证预测方法、由于预测偏差估计中存在正负值，为保证预测方法的精确度，采用预测偏差平方值最小的用于第的精确度，采用预测偏差平方值最小的用于第1111周周的预测偏差估计。的预测偏差估计。2 2、N N值的取定。值的取定。N N值越大，预测曲线越平滑，丢失的信值越大，预测曲线越平滑，丢失的信息就越多。一般息就越多。一般N N取取3 3、4 4、5 5较为恰当。较为恰当。第四节第四节平滑预测技术

46、平滑预测技术v（二）二次移动平均法：（二）二次移动平均法：有明显线性趋势有明显线性趋势1 1、二次移动平均法的含义、二次移动平均法的含义所谓二次移动平均法就是利用一次移动平均值和二次移所谓二次移动平均法就是利用一次移动平均值和二次移动平均值的滞后偏差的演变规律，建立线性方程进行预动平均值的滞后偏差的演变规律，建立线性方程进行预测的方法。测的方法。2 2、二次移动平均法的预测模式为：、二次移动平均法的预测模式为：其中其中例题分析：二次移动平均法例题分析：二次移动平均法v例例2某种品牌的冰箱最近十年的销售数量某种品牌的冰箱最近十年的销售数量,如下表所如下表所示：示：年年销量（万台）销量（万台）年年

47、销量（万台）销量（万台）140.3654.8244.2756.4343.3859.2447.3960.3550.41063.1要求用移动平均法预测该品牌第要求用移动平均法预测该品牌第12年的销售量。年的销售量。例题分析：二次移动平均法例题分析：二次移动平均法v解：先用解：先用3项移动平均法求得一次移动平均数和二次项移动平均法求得一次移动平均数和二次移动平均数分别为移动平均数分别为60.8667、58.7667。所以有：所以有：故该品牌冰箱第故该品牌冰箱第12年的销售量为：年的销售量为：万台万台第四节第四节平滑预测技术平滑预测技术v三、指数平滑法三、指数平滑法（一）指数平滑法的特点（一）指数平滑

48、法的特点1.1.指数平滑法是由移动平均法改进而来的，是一种特殊的加指数平滑法是由移动平均法改进而来的，是一种特殊的加权移动平均法。权移动平均法。2.2.指数平滑法既有移动平均法的长处，又可以减少历史数据指数平滑法既有移动平均法的长处，又可以减少历史数据的数量。的数量。v3.3.它把过去的数据全部加以利用；它把过去的数据全部加以利用；v4.4.它利用平滑系数加以区分，使得近期数据比远期数据对预它利用平滑系数加以区分，使得近期数据比远期数据对预测值的影响更大。测值的影响更大。（二）指数平滑法种类（二）指数平滑法种类指数平滑法可分为一次指数平滑法和多次指数平滑法。指数平滑法可分为一次指数平滑法和多次

49、指数平滑法。第四节第四节平滑预测技术平滑预测技术（一）一次指数平滑法：（一）一次指数平滑法：变化较平稳，无明显趋势变化较平稳，无明显趋势 1 1、含义、含义 一次指数平滑法，是计算时间序列的一次指数平滑值，以一次指数平滑法，是计算时间序列的一次指数平滑值，以当前观察期的一次指数平滑值为基础，确定下期预测值。当前观察期的一次指数平滑值为基础，确定下期预测值。2 2、一次指数平滑值的计算公式、一次指数平滑值的计算公式其中，其中，xt：第：第t期的实际值，期的实际值，St-1(1)：第：第t-1期的一次指数平滑值，期的一次指数平滑值，St(1)：第：第t期的指数平滑值，期的指数平滑值，a a：平滑系

50、数，：平滑系数，0 0a1。：第：第t+1期的预测值期的预测值例题分析：一次指数平滑法例题分析：一次指数平滑法v例例3某粮油食品公司最近某粮油食品公司最近1010周周的大米销售数量如右表所示，的大米销售数量如右表所示，试用指数平滑法预测该粮油公试用指数平滑法预测该粮油公司第司第1111周的大米销售量。周的大米销售量。（a=0.3)a=0.3)周期周期大米销售量（吨）大米销售量（吨）1622513724645506487678549631073解：用指数平滑法预测该粮油解：用指数平滑法预测该粮油公司第公司第11周的大米销售量：周的大米销售量：第四节第四节平滑预测技术平滑预测技术v（二）二次指数平