1 / 56

第三章

第三章. 預測. 學習目標. 列舉一個好的預測中所需要元素 。 概述預測過程與步驟 。 描述三種以上之定性預測技術，並且說明其優缺點 。 比較定性與定量預測方法 。 描述平均法、趨勢與季節法、及迴歸分析法，並運用其解決基本預測問題 。 描述二種預測精確性之績效衡量方式 。 描述二種評估與管制預測之方法 。 了解在選擇預測技術時應考量之主要考量因素 。. 預測. 目前情況 條件 與因素. 過去類似 情況的 處理經驗. 對一個變數的未來數值 ( 例如需求 ) 所作陳述。 預測必須考慮二種資訊：. 企業組織中運用預測例子. 各種預測技術特徵.

page
Download Presentation

第三章

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 第三章 預測

  2. 學習目標 列舉一個好的預測中所需要元素。 概述預測過程與步驟。 描述三種以上之定性預測技術，並且說明其優缺點。 比較定性與定量預測方法。 描述平均法、趨勢與季節法、及迴歸分析法，並運用其解決基本預測問題。 描述二種預測精確性之績效衡量方式。 描述二種評估與管制預測之方法。 了解在選擇預測技術時應考量之主要考量因素。

  3. 預測 目前情況 條件 與因素 過去類似 情況的 處理經驗 • 對一個變數的未來數值(例如需求)所作陳述。 • 預測必須考慮二種資訊：

  4. 企業組織中運用預測例子

  5. 各種預測技術特徵 • 預測技術通常假設過去存在因果系統(前後具有關連)，且未來將繼續存在。過去 ==> 未來 • 預測很少完美無缺。 • 整體項目預測會比單一預測更為精確。(誤差平均分攤掉) • 隨著預測時間之範圍愈廣，即增加時間幅度，預測精確性會減少。

  6. 優良預測的因素 • 預測有時間性。 • 預測必須精確，並應該說明其精確程度。 • 預測必須具備可靠性。 • 預測必須具備有意義的計量單位。 • 預測必須書面化。 • 預測技術必須容易了解、容易使用。 • 預測必須符合成本效益。

  7. 預測過程的步驟 • 決定預測的目的與何時需要預測 。 • 建立預測所需的時間幅度。 • 選擇預測方法。 • 蒐集與分析適當資料。 • 進行預測。 • 追蹤預測。

  8. 三種預測技巧 • 判斷預測法:(定性型預測方法)– 採用主觀的投入 • 時間序列預測法:假設未來將與過去相似，利用歷史資料推估 • 關聯性模型:利用解釋性變數預測未來

  9. 判斷預測 • 主管意見 (產能或製造相關決策) • 銷售員意見 (銷售與需求量預測) • 消費者調查 (問卷或訪談) • 其他方法 • 德菲法:管理者和幕僚的意見, 達成一致的預測 • 模糊德菲法(認知具有不確定性與模糊性)

  10. 時間序列預測 • 趨勢型 – 長期的數據變動 • 季節型 – 短期數據規律性的變動 • 循環型 – 超過持續一年以上，數據波浪型的變動 • 不規則變動型 – 起因於不尋常的環境 • 隨機變動型 – 起因於偶發的機會

  11. 時間序列的預測(1/3) • 可能之時間序列圖形 • 趨勢 • 季節性 • 循環 • 不規則變動 • 隨機變動

  12. 天真預測法 噢，等一下.... 我們上週銷售了250個輪胎.... 所以，我們下週應該銷售.... 每一期的預測等於前一期的實際值

  13. 時間序列的預測(2/3) • 天真預測法 • 使用前一期數值當作預測基礎。 • 優點：不需任何成本、方法簡單迅速；因為不用分析資料，也很容易了解。 • 缺點：不能提供高預測精確度，可作為其他預測方法的成本與精確度的比較標準。

  14. 天真預測法用於 • 穩定的時間數列數據 • F(t) = A(t-1) • 季節性變動 • F(t) = A(t-n) • 趨勢型數據 • F(t) = A(t-1) + (A(t-1) – A(t-2))

  15. 時間序列的預測(3/3) • 平均法分析技術 • 移動平均法 (Moving average)-移動平均法 – 以近期實際數值之平均作為最新預測值的參考 • 加權平均法 (Weighted moving average):以愈近期數值乘以愈大權數方法以估算預測值 • 指數平均法 (Exponential smoothing average)

  16. 平均法分析技術(1/3) • 移動平均法 • 使用數個近期實際資料產生預測值。 See Example 1 on page. 3-12.

  17. 平均法分析技術(2/3) • 加權平均法 • 與移動平均法不同之處是愈近期資料，給定權重愈大。 • 假設條件—愈近期觀察資料，愈有可能得到最準確預測值 • 因此預測時，應該給予較近期數值較大的權數 • 權重的選擇通常要使用試誤法。 • See example 2, page. 3-14.

  18. 平均法分析技術(3/3) • 指數平滑法 • 每一個新預測值以前一個預測值為基礎，再加上預測值與實際值差額的百分比。 • 誤差調整的速度是由平滑常數α決定。平滑常數愈接近0，則預測誤差調整的速度愈慢（愈平滑）。相反地，平滑常數愈接近1，則反應愈大，平滑程度愈小。 • A-F 是誤差值，  為回饋百分比 • See page. 3-15 and example. 3

  19. 例 3 – 指數平滑法 42+0.1(42-42)=42 40-42=-2 42+0.1(40-42)=41.8

  20. 例 3 – 指數平滑法

  21. 時間序列的預測(1/3)=趨勢分析技術 • 趨勢分析技術 • 建立一個方程式來適當地描述趨勢。 Ft = 第 t 期的預測值 t = 期數 a = 當 t = 0 時， Ft 之值 b = 斜率

  22. 計算 a 和 b 值

  23. 線性趨勢方程式例子

  24. 線性趨勢的計算法 5 (2499) - 15(812) 12495 - 12180 b = = = 6.3 5(55) - 225 275 - 225 812 - 6.3(15) a = = 143.5 5 y = 143.5 + 6.3t

  25. 時間序列的預測(2/3) • 趨勢調整指數平滑法(trend-adjusted forecast, TAF) • 為指數平滑法變形法，當時間序列顯示出線性趨勢時使用，或稱為雙重平滑法。 • 適用於資料在平均值上下變動、呈階梯式或漸近式的變動。 且St=TAFt+α(At-TAFt) Tt=Tt-1+β(FAFt-TAFt-1-Tt-1) St=先前預測值加上平滑誤差 Tt=目前趨勢估計 常用電腦程式處理之

  26. 時間序列的預測(3/3) • 季節性分析技術 • 某種事件發生的時間序列呈現規則上下反覆變動。 • 季節性：規則年度變動。 • 季節變動：可以是指每日、每週、每月及其他規則模式的資料。 • (銀行、郵局)、高速公路流量、飯店訂房。

  27. 季節性分析技術 • 季節性有二種不同的模型：加法模型與乘法模型。 • 加法模型：季節性是以數量表示，即時間序列之平均數加上或減去某一數量。 • 乘法模型：季節性以百分比表示，即時間序列值乘以平均趨勢值的某一百分比，又稱為季節相對性(或季節指數)。 • 假設商店某月份之玩具銷售量之季節相對性為1.20，則表示該月之銷售量超出月平均量的20%。 • 季節性變動於零售業規劃與排程之重要因素，此外掌握尖峰負荷亦很重要。

  28. 季節性(1/2) • 加法模型與乘法模型。

  29. 季節性(2/2) • 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：將季節因素自資料中移除，以得到更清楚的非季節性趨勢。消除季節性乃將每個資料點除以相對應之季節相對比率。 • 在預測中加入季節性：當需求同時具有趨勢與季節性因素時，加入季節性相對更加準確。 • 使用季節趨勢方程式並針對目標期間以求得趨勢估計值。 • 將這些趨勢估計值常以季節相對性將季節性加入趨勢估計值中。 • See example 6, page. 3-25.

  30. 季節性範例 – 計算季節相對性 • 中心點移動平均(centered moving average): 與移動平均法相同，其數值卻不能作為預測值，但此數值為該序列之代表值。 • See example 7, page. 3-26.

  31. 時間序列的預測 • 循環分析技術 • 與季節變動相似，但時間較長。 • 循環發生經常是不規則，由於難以確認轉折點，所以很難從過去的數據進行預測。 • 最常用方法是其解釋性，例如某月開始建屋之數目，通常是往後數月與建造新房子之相關服務與商品指標。(銷售與景氣預測)

  32. 關聯性預測 • 關聯性技術重點在於建立出歸納預測變數效果方程式，主要的分析方法為迴歸。 • 分為簡單線性迴歸，曲線與多元迴歸分析二種。

  33. 簡單線性迴歸 • 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。 • 此最小平方直線的方程式如下：

  34. 簡單線性迴歸(1/2) • 以下的方程式可以計算出係數 a 與 b：

  35. 簡單線性迴歸(2/2) • 直線方程式的圖形如下： • See example 8, page. 3-29.

  36. 迴歸(1/2) • 迴歸於預測應用與指標之使用有關，以下為常見的指標： • 工廠存貨淨變動量 • 商業銀行放款利率 • 工業產出 • 消費者物價指數 • 躉售物價指數 • 股票市場價格

  37. 迴歸(2/2) • 迴歸相關性衡量二變數之間關係強度與方向。相關係數 r 的範圍為 -1.00到+1.00。 • 相關係數的平方（ ）可用來衡量線性迴歸對數據的解釋能力。若　值相當高（例如 .80或以上），表示獨立變數是相依變數的優良預測值。

  38. 應用線性迴歸分析的要點(1/2) • 簡單迴歸分析的應用應滿足下列假設： • 在直線附近的變動是隨機的。 • 在直線附近的偏差應為常態分配。 • 只在觀察值的範圍內進行預測。 • 滿足上列假設後，為了得到最佳結果： • 經常將資料繪成圖形，驗證線性關係是否恰當。 • 資料也許會受時間影響，檢查並繪出相依變數相對於時間的圖；若時間模式發生，則使用時間序列替代迴歸分析，或把時間當作多元迴歸分析的獨立變數。 • 低度相關暗示有其他更為重要變數存在而未受考慮。

  39. 應用線性迴歸分析的要點(2/2) • 迴歸分析缺點包括： • 簡單線性迴歸只能用在包含一項獨立變數的線性關係。 • 建立這種關係需要大量資料，至少超過20個觀測資料。 • 所有觀測值之權重皆相等。 • See example. 9, page. 3-32, next slide.

  40. 例題 9 • 下表為新房子銷售與落後三個月之失業率。決定失業水準是否能預測新房子需求；若能預測，請推導預測方程式。

  41. 解答 • 將資料繪於圖上，並觀察資料點的範圍，線性模型似乎是適當的。 • 相關係數 • 迴歸方程式為 (負相關)

  42. 曲線與多元迴歸分析 • 適用於包含一個以上預測變數而不適合線性模型，或不適用簡單線性迴歸，或是存在有非線性關係時。 • 雖然這些分析超出範圍，但仍很常使用，並使用電腦計算。(SPSS, MINITAB, MATLAB)

  43. 3.9 預測精確度與管制 • 預測精確度與管制對預測來說是相當重要層面。指出預測值偏離實際值的程度是相當重要的，這可以讓使用者知道預測精確度。 • 要精確地預測這些變數幾乎不可能。

  44. 預測誤差 • 觀察預測誤差以確定誤差是否在合理範圍之內。 • 預測誤差是針對給定期數，實際值與預測值的差。因此，誤差＝實際值－預測值

  45. 預測精確度 • 常用來衡量歷史誤差方法： • 平均絕對偏差（MAD）- Mean Absolute Deviation. • 平均均方誤差（MSE）- Mean Squared Error. • 平均絕對百分比誤差（MAPE）- Mean Absolute Percentage Error.

  46. 平均絕對偏差（MAD） • MAD是絕對預測誤差的平均值。

  47. 均方誤差（MSE） • MSE 是預測誤差平方的平均值。

  48. 平均絕對百分比誤差（MAPE） • MAPE 是絕對百分比誤差的平均值。

  49. 例題10 • 使用下列資料計算 MAD、MSE 和 MAPE 。 e |e| e2

  50. 解答 實際值 使用表格內的數字，計算過程為： • 它們之間差異在於 MAD 對所有誤差的權重都相等，MSE 誤差權重是根據其平方值，而MAPE 則是根據相對誤差。 • See page. 3-35 for more explanations.

More Related