1 / 72

Forecasting Models 預測模式

Forecasting Models 預測模式. CHAPTER 7. 7.1 時間序列預測介紹 (p.486) Introduction to Time Series Forecasting. 預測 (Forecasting) 昰預言將來之過程 預測 昰 所有企業重要之部分 範例 ( Examples ) 製造商預測產品之需求，以對於現有勞力與原料資源進行排程 . 服務業預測顧客到達方式來維持適當的服務 . 債劵公司預測公司收入、利潤、負債率等來提供投資建議. 時間序列組成分子 (p. 487) Components of a Time Series.

urvi
Download Presentation

Forecasting Models 預測模式

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. Forecasting Models預測模式 CHAPTER 7

  2. 7.1 時間序列預測介紹 (p.486) Introduction to Time Series Forecasting • 預測(Forecasting)昰預言將來之過程 • 預測昰所有企業重要之部分 • 範例 (Examples) • 製造商預測產品之需求，以對於現有勞力與原料資源進行排程. • 服務業預測顧客到達方式來維持適當的服務. • 債劵公司預測公司收入、利潤、負債率等來提供投資建議

  3. 時間序列組成分子 (p. 487)Components of a Time Series • 長期趨勢(Long-term trend) • 時間序列可能相當穩定或隨時間呈現一個趨勢 • 時間序列趨勢一般為線性的(linear),二次方程式的 (quadratic)或指數函數(exponential function). • 季節性變動(Seasonal variation) • 按著時間變動，呈現重複性之行為的序列 • 季節性變動通常與日期或氣候有關. • 季節性變動通常與年週期有關

  4. 時間序列組成分子 • 周期性變動(Cyclical variation) • 相對於季節性變動，時間序列可能經歷「周期性變動」 • 周期性變動通常起因於經濟變動 • 隨機影響(Random effects)

  5. 時間序列組成分子 時間序列數值 線性趨勢與季節性之時間序列 未來值 線性趨勢之時間序列 平穩時間序列 Time

  6. 時間序列預測程序之步驟 (p. 488) • 時間序列預測之目的為確定可預測之因子 • 時間序列預測程序之步驟如下： • 步驟一：建立假設模式 • 步驟二：選擇預測技巧. • 步驟三：進行預測

  7. 時間序列預測程序之步驟 (p. 488) 步驟一: 確認在時間序列中之元件 • 收集歷史資料 • 畫出資料與時間之關係 • 建立假設模型 • 以統計方法確立假設

  8. Steps in the Time Series Forecasting Process • 步驟二: 選擇適當的預測方法 • 決定輸入變數 • 對歷史資料進行評估 • 步驟三: 用選定預測方法進行預測

  9. 7.2 平穩預測模式Stationary Forecasting Models • 在平穩模式中，時間序列之平均數假定為常數(constant). • 此模型之一般式表示如下(p. 490) 其中: yt = 時間序列在第t期的值 • b0 = 時間序列的不變平均值 • et =第t期的隨機誤差值 • et 假定為獨立 • et之平均值假定為0. yt = b0 + et

  10. 平穩預測模式 (p. 490)Stationary Forecasting Models • 檢查趨勢 (Checking for trend) • 使用線性迴歸若 et為常態分配 • 使用無母數分析若 et為非常態分配 • 檢查季節性成分(Checking for seasonality component) • 自相關性(Autocorrelation)用來衡量時間序列值在不同時段之關係 • 期差k (Lag k )的自相關性測量相差k期之時間序列值 • 相鄰時段之自相關性為一種趨勢. • 期差7昰說明每日資料間之自相關性 • 期差 12昰說明每月資料間之自相關性 • 檢查週期性成分(Checking for Cyclical Components)

  11. t t+1 t t+1 t t+1 t t+1 移動平均法(Moving Average Methods) (p. 492) • 末期法 (The last period technique) 以最後一個觀察值為下一個預測值

  12. t t-2 t-1 移動平均法 (Moving Average Methods) • 移動平均法 • 以最後n個觀察值之平均值為下一個預測值 t+1 t-2 t-1 t t-2 t-1 t t-2 t-1 t t-2 t-1 t t-2 t-1 t t+1

  13. 移動平均法 (p.493)Moving Average Methods • 加權移動平均法 • 愈靠近最近資料之觀察值有較大之權數 • 所有使用權數之和等於1 = w1yt + w2yt-1 +w3yt-2 + …+ wnyt-n+1 w1 ³w2 ³ …³wn Swi = 1

  14. YOHO 溜溜球 YO – YOs (p. 493)移動平均法 - • Galaxy Industries正在預測下年度每週yo-yos需求量。因yo-yo為一發展成熟之產品，故下一年度需求應與本年度需求相近 • 為與測下一年度需求，過去 52週知週需求量被收集於表7.1 (p.494)

  15. YOHO BRAND YO - YOs移動平均法 - • 三種預測方式: • 末期法 - Amy Chang建議 • 四期移動平均法- Bob Gunther 建議. • 四期加權移動平均法- Carlos Gonzalez建議. • 管理者欲決定: • 是否能使用穩定模式 • 各種方法所獲得之預測值為何?

  16. YOHO BRAND YO YOs-求解 • 建構時間序列圖

  17. 是否具有趨勢 (Is trend present）? • 執行線性迴歸在下列模式中 yt=b0+b1t+et檢定 • Ｈ0 : b1 =0 (無線性趨勢存在) • Excel 結果 0.71601 P-value = 0.71601 > α= 0.05 Do not reject Ｈ0也就是說，無線性趨勢存在 趨勢檢定 • 結論: 適用平穩模式.

  18. 對第53週之預測 • 末期法 (Amy’s Forecast) • 四期移動平均法(Bob’s forecast) • 四期加權移動平均法(Carlo’s forecast) 53 = y52 = 484 boxes. 53 = (y52 + y51 + y50 + y49) /4 = (484+482+393+245) / 4 = 401 boxes. 53 =0.4y52 + 0.3y51 + 0.2y 50 + 0.1y49 = 0.4(484) + 0.3(482) + 0.2(393) + 0.1(245) = 441.3 boxes.

  19. 對第54,55週之預測 • 因時間序列為穩定模型，故第54,55週之預測值與第53週相同. • 然而這些預測量將由第53週之實際需求量來修正

  20. 指數平滑法The Exponential Smoothing Technique • 指數平滑法用來預測穩定型模式 • 所有歷史值將決定預測值.

  21. 指數平滑法(p. 496)The Exponential Smoothing Technique • 每個期間計算一個代表該期之平滑值Lt. • 平滑值Lt是下列值之加權平均數 • 當期實際值yt (權數a). • 當期預測值 Ft (權數1-a). • Lt =Ft+1 成為下一期(t+1)之預測值

  22. 指數平滑法(p. 496)The Exponential Smoothing Technique ─ 需要起始”預測值” Define:Ft+1 = 第t+1期預測值 yt= 第t期實際值 a= 平滑常數(smoothing constant)

  23. 指數平滑法–製造起始預測值 • Approach 1: 遞迴公式中由 t=3開始 • Approach 2: • 求前n期之資料平均值 • 使用此平均值預測第n+1期 • 開始使用指數平滑法 實際值 預測值

  24. 指數平滑預測技巧 (p. 497) Future Forecasts • 指數平滑預測技巧 僅適用時間序列為穩定之模式 • 若時間序列僅有 N期資料而已，則 第二期之預測值： 遞迴公式 第t 期之預測值： Ft+1 = αyt + (1 – α)Ft, 針對n+1,n+2 ,……等之預測值 第 n+1 期之預測值： Fn+1 = αyn + (1 –α )Fn第 n+2 期之預測值： Fn+2= Fn+1 第 n+k 期之預測值： Fn+k= Fn+1

  25. YOHO BRAND YO - YOs 指數平滑預測技巧 • 指數平滑預測專家建議 a = 0.1. • 起始預測值 F2 = y1 = 415 (共52期歷史資料) • 遞迴公式由第三期開始 F3 = .1y2 + .9F2 = .1(236) + .9(415) = 397.10F4 = .1y3 + .9F3 = .1(348) + .9(397.10) = 392.19 ……………………………… 直到 (N+1 = 52+1 = 53). F53 = .1y52 + .9F52 = .1(484) + .9(382.32) = 392.49F54 = F55 = 392.49 ( = F52)

  26. YOHO BRAND YO - YOs 指數平滑預測技巧 (Excel) YO - YOs

  27. YOHO BRAND YO - YOs 指數平滑預測技巧 (Excel) • 使用適當之平滑常數a. • 依據之歷史資料越多，則較小的a值較為適當 • 較小的a值造成的預測值曲線較為平滑

  28. 7.3 評估預測方法的表現 • 數種預測方法已經被提出 • 哪種方法可以的到最佳預測?

  29. 測量方法 (Performance Measures) • 通常，評估預測結果好壞之方法如下： • 選擇評估測量值 (evaluation measure) • 以誤差方程式計算評估測量值 • 選擇具有最小評估測量值之預測方法

  30. 測量方法 Performance Measures – 範例 Time 1 2 3 4 5 6 時間序列:100 110 90 80 105 115 3-期移動平均法: Ft100 93.33 91.6 誤差值 : ∆t - 20 11.67 23.4 3-期加權移動平均法 (.5, .3, .2) 98 89 85.5 誤差值 : ∆t - 18 16 29.5 • 計算下列穩定時間序列之預測值(forecasts)與誤差值(errors)

  31. S |Dt| n yt n S(D t)2 n MAPE = MSE = |D t| n S MAD = |D t| LAD = max 評估預測誤差的測量方法 (p.501)Performance Measures Mean Square Error Mean Absolute Percentage Error Mean Absolute Deviation Largest Absolute Deviation

  32. 3-期移動平均法之MSE (-20)2+(11.67)2+(23.4)2 3 Divide by 3, not by 6 periods. Period 1, 2, 3 do not have a forecast 3-期加權移動平均法之MSE (-18)2 + (16)2 + (29.5)2 3 S(Dt)2 n S(Dt)2 n MSE = = MSE = = 評估預測誤差的測量方法–範例MSE之計算 = 361.24 = 483.4

  33. 3-期移動平均法之MAD |-20| + |11.67| + |23.4| 3 |D t| n |D t| n S S MAD = = MAD = = 3-期加權移動平均法之MAD |-18| + |116| + |29.5| 3 評估預測誤差的測量方法–範例MAD 之計算 = 18.35 = 21.17

  34. 3-期移動平均法之MAPE |-20|/80 + |11.67|/105+ |23.4|/115 3 |D t| n |D t| n S S MAPE= = MAPE= = 3-期加權移動平均法之MAPE |-18|/80 + |16|/105 + |29.5|/115 3 評估預測誤差的測量方法–範例MAPE 之計算 = .188 = .211

  35. 3-期移動平均法之LAD |D t| LAD= max = max {|-18|, |16|, |29.5|} 3-期加權移動平均法之 LAD |D t| LAD= max = |-20|, |11.67|, |23.4| 評估預測誤差的測量方法範例LAD 之計算 = 29.5 = 23.4

  36. =B4 Drag to Cell C56 =E5/B5 =D5^2 =ABS(D5) =B5-C5 評估預測誤差的測量方法 –YOHO YO - YOs (末期法) Highlight Cells D5:G5 and Drag to Cells D55:G55

  37. =E8/B8 =D8^2 =ABS(D8) =B8-C8 =C56 Drag to C58 評估預測誤差的測量方法 –YOHO YO - YOs (四期移動平均法) =AVERAGE(B4:B7) Drag to Cell C56 Forecast begins at period 5. Highlight Cells D8:G8 and Drag to Cells D55:G55

  38. Performance Measures –選擇模型參數 • 不同方法有不同之輸入參數 • 移動平均法 : • 期數 (n) • 加權移動平均法 : • 期數 (n) • 權數 (Wi). • 指數平滑法 : • 指數平滑常數 (a)

  39. 選擇預測方法Selecting Forecasting Technique 四種評估方法之比較：除了LAD值外，指數平滑法之誤差值都比其他預測方法來的低，故指數平滑法似乎是最好的

  40. 7.4 有線性趨勢的時間序列Time Series with Linear Trend • 如果我們懷疑時間序列有趨勢(Trend)，我們應該評估此趨勢為線性或非線性. • 我們討論之範圍僅於線性趨勢 yt = b0 + b1t + et • 線性迴歸法 • Holt’s 線性指數平滑法 β0為y截距 β1為時間序列之斜率

  41. Y3 + Holt’s 方法– 圖形展示 + + + + + + 初始預測值 + 初始趨勢 + 初始等級 2 3 4

  42. Holt’s 方法 • Holt’s 線性指數平滑法 • 調整每期之等級 Level Lt , 與趨勢 Trend Tt : a =平滑常數(針對等級). • = 平滑常數(針對趨勢). Lt = 時間 t之估計值 Tt = 時間 t之趨勢估計值 yt = 時間 t之觀察值 Ft = 到時間 t為止之 預測值 等級: 趨勢: 起始值:

  43. 未來預測方法 • 對於未來k期之預測方法 • 使用線性迴歸分析 • Holt’s 線性指數平滑法

  44. 美國家用品公司(p. 513)American Family Products Corp. (AFP) • (S&P)為債劵評等公司，正對AFP公司進行債倦評等與修正 • S&P希望以過去十年年終流動資產資料，來預測AFP公司第11 和12年之年終流動資產.

  45. 美國家用品公司 (AFP) (p.513) • 該公司資產以相當比例在成長 • Data 年終資產值 Year 目前資產值 1 1990 (Million) 2 2280 3 2328 4 2635 5 3249 6 3310 7 3256 8 3533 9 3826 10 4119

  46. AFP – 求解以線性迴歸方式預測 A linear trend seems to exists

  47. 迴歸方程式 = 1788.2 + 229.89 t The p-value AFP – 求解以線性迴歸方式預測

  48. 迴歸方程式 =$B$31+$B$32*A2 將公式拖曳至 C3:C13 = 1788.2 + 229.89 t 第11和12年之預測值 AFP – 求解以線性迴歸方式預測

  49. AFP – 求解以Holt’s法 預測 (見p.513之遞迴公式) 計算過程呈現如下：a = 0.1，g = 0.2 Year 2: y2 = 2280 L2 = 2280.00 T2 = 2280 - 1990 = 290 F3= 2280 + 290 = 2570.00 Year 3: y3 = 2328 L3 = (.1)(2328) + (1 - 0.1)(2570.00) = 2545.80 T3 = (.2)(2545.80-2280)) + (1 - 0.2)(290.00) = 285.16 F4= 2545.80 + 285.16 = 2830.96 年目前資產值 1 1990 2 2280 3 2328 4 2635 5 3249 ……………………… ……………………… L2 =y2 T2=y2-y1 F3=L2+T2 Ft+1=Lt+Tt

  50. AFP – 求解以Holt’s法 預測(Excel)

More Related