1、Demand Requirements And Decision需求預測和決策 第二章 12.1 基本概念2.2 定性預測2.3 定量預測22.1 基本概念一、預測的定義及分類定義：預測是指對未來不確定事件的推斷和測定，是研究未來不確定事件的理性表述，是對事物未來發(fā)展變化的趨向，以及對人們從事活動所產生后果而做的估計和測定。分類：預測的類型有以下幾種：1. 經濟預測：通過對通貨膨脹率、貨幣比率等指標預測未來經濟的發(fā)展。2. 技術預測：對未來產品開發(fā)方向，以及工廠發(fā)展和制造技術發(fā)展方向的預測；3. 需求預測。預測在未來一定時期內對某產品需求的數量。與生產計劃直接相關的是需求預測。3按市場預測的時

2、間跨度可以將預測分為：長期預測：時間跨度通常為3年或3年以上，用于規(guī)劃新產品、生產系統(tǒng)的配置等。中期預測：通常從1個季度到3年，用于制訂銷售計劃和生產計劃。短期預測：通常少于3個月，是制訂主生產計劃的依據. 定性預測 定量預測 仿真預測 長期預測(數年至數十年) 中期預測(一年至數年) 短期預測(數日至一年)按性質分按時間分4預測目的預測是整個生產計劃系統(tǒng)的重要輸入和依據，具體講，其重要性可以從以下幾個方面來考慮：對于戰(zhàn)略決策部門而言，預測可以提供決策的依據；對于生產計劃和控制部門而言，預測是企業(yè)編制生產計劃(綜合生產計劃和主生產計劃)的基礎。是生產計劃編制的主要輸入；對于銷售部門而言，為補充

3、銷售人員提供依據；對于成本會計而言，預測可以為預算和成本控制提供依據；對于采購部門而言，便于采購部門制訂準確的采購計劃，以降低總的生產成本；對于研發(fā)部門而言，新產品的預測可以為設計提供參考，根據對市場的預測進行產品的開發(fā)，這樣的產品才會有市場，才會有競爭力。 二、預測的目的和作用 5預測的作用需求預測的最核心作用是用于編制生產計劃。如圖21所示。長期預測是長期投資戰(zhàn)略計劃的預測，預測對象是投資對象品種的平均及最大需求量；中期預測是對現有產品年度總需求量的預測；短期預測是對每種產品的需求量的預測。 6從需求的角度講，任何一種產品都有獨立需求和相關需求之分。相關需求是指由對其他產品或服務的需求所導

4、致的對某種產品或服務的需求。獨立需求是指產品的需求是由市場決定的，與其他產品服務的需求無關。有的產品可能既是獨立需求件，又是相關需求件，例如作為備件生產的產品即屬此種類型。 三、需求分析 7一般而言，預測遵循如下步驟： (1) 決定預測的目的和用途。 (2) 根據企業(yè)不同的產品及其性質分類。 (3) 決定影響各類產品需求的因素及其重要性。 (4) 收集所有可以利用的過去和現在的資料。 (5) 分析資料。 (6) 選擇適當的預測方法或模型。 (7) 計算并核實初步預測結果。 (8) 考慮和設定無法預測的內外因素。 (9) 對(7)，(8)兩步進行綜合考慮。判斷并得出結論，然后求出各類產品或地域性

5、的需求預測。 (10) 將預測結果應用于生產計劃中。 (11) 根據實際發(fā)生的需求對預測進行監(jiān)控。 四、預測的一般步驟 8預測反饋控制修正系統(tǒng)如圖23所示 9定性預測是一種主觀預測法，屬于主觀意識的判斷，估計和評價，即根據過去的資料，由各種層次的人員對未來的市場需求做一個估計 。定性預測方法主要有：一般預測、市場調研、小組共識法、歷史類比、德爾菲(Delphi)法。 2.2 定性預測 10一般預測方法也稱為銷售人員匯集意見法，通常由各地區(qū)的銷售人員，根據本人的判斷或與地區(qū)有關部門交換意見且判斷后逐層向上匯報，公司在獲得這些資料后進行匯總，最后形成預測，此預測包含未來市場的產品發(fā)展方向和產品的銷

6、售金額，銷售人員進行判斷時也可把公司過去的實際銷售情況作為參考資料。 一、一般預測方法 一般預測 基本觀點：預測是基于來自低層經驗的逐步累加。 假設前提：處于最低層的銷售人員，那些離顧客最近的、最了解產品最終用途的人，最清楚產品未來的的需求。 做法： 由他們收集情報，然后逐級上報的做法。11市場調研有時也可以稱為顧客期望法。通常是聘請第三方專業(yè)市場調研公司進行預測，以此獲得顧客需求的詳細資料。市場調研主要用于新產品研發(fā)了解對現有產品的評價，了解顧客對現有產品的好惡，了解特定層次的顧客偏好以確定哪些商品具有競爭性。數據收集方法有問卷調查和上門訪談兩種。二、市場調研 12通常由高級決策人員召集不同

7、層次和不同部門的人員，包括銷售、市場、生產、工程、采購、財務、研發(fā)等部門的人員集體參與討論，提出預測值，將全部人員的預測結果進行平均而取得數據，認為某些人的意見較為合理，則加大此類人的權重。這種方法缺點在于低層人員往往易受當前市場營銷的左右，不敢與領導相背。對于重要決策，如引進流水線等，由高層人員討論。 三、小組共識 13當預測一個新產品的未來市場需求時，會面臨歷史數據太少的問題。一種較好的方法是利用產品的相關性，以同類型產品作為類比模型，利用這種相關性進行預測。類比法可用于很多產品類型互補產品，替代產品等競爭性產品等。四、歷史類比 14主要通過數輪專家的問卷調查，用一定的統(tǒng)計方法處理，得到大

8、多數專家認可的一種預測、決策方法。其基本步驟如下： (1)選擇預測專家，預測專家應具有不同背景。 (2)通過問卷(或Email)，將預測問題和相關資料寄給各位專家，征詢專家意見。 (3)匯總、歸納和整理各位專家預測的結果，附上新問題，再反饋給專家。 (4)再次匯總各位專家意見，提煉預測結果和條件，再度發(fā)給所有專家，進一步征詢意見。 (5)如有必要，再次重復，直至所有專家意見趨于一致。五、德爾菲 (Delphi) 法 15定量預測方法有時間序列分析預測技術和因果預測兩種，時間序列分析預測技術：簡單移動平均法、加權移動平均法、指數平滑法、線性回歸分析法和時間序列分解法等，因果預測是線性回歸的因果模

9、型。時間序列分析預測技術是基于這樣一種觀念：與過去需求相關的歷史數據可用于預測未來的需求。因果預測是基于這樣一種觀念：某些因素間存在著相互影響的關系。還有一種聚焦預測就是根據某些規(guī)則對預測結果進行試算，這些規(guī)則符合邏輯，將其歷史數據外推至未來的過程也易于理解。 2.3 定量預測 16將影響預測的因素分為以下幾個：1.平均需求：需求的平均值；2.需求的周期性：即歷史數據每隔一定周期重復發(fā)生的時間序列形式；3.趨勢性：是數據在一定時間內呈現向上或向下的趨勢；4.季節(jié)性：考慮到數據存在季節(jié)性的影響；5.隨機性：是由偶然、非正常原因引起的數據變動。 一、影響因素分析 17在分析時，將多個預測因素分解，

10、找出每一因素的影響，然后用乘法模型或加法模型計算預測結果。乘法模型為：預測結果 = 平均 趨勢 季節(jié) 周期 隨機加法模型為：預測結果 = 平均 + 趨勢 + 季節(jié) + 周期 + 隨機181920趨勢性因素又可以分為以下4種典型的趨勢需求：線性趨勢反映了數據呈連續(xù)的直線關系，如圖2.8(a)所示；S型趨勢產品成長和成熟時期的需求，如圖2.8(b)所示；漸進趨勢以優(yōu)質產品大量投放市場時出現，如圖2.8(c)所示；指數增長產品銷售勢頭特好的產品，如圖2.8(d)所示 2122影響需求預測的因素產品生命周期時間利潤額銷售額銷售量投入期成長期成熟期衰退期23簡單移動平均法是利用某段時間的實際需求平均值作

11、為未來后續(xù)時段的預測值，它采用對產品需求的歷史數據逐點分段移動的方法，當產品需求既不快速增長也不快速下降，且不存在季節(jié)性因素時，移動平均法能有效地消除預測中的隨機波動 應用簡單移動平均法進行預測時，首先應確定所需的數據數量，即移動平均的時期個數n，在n期中，每一期數據權重系數相等。因為每一次平均后均往前移動一期，將最舊的那個數據去掉再加入最新的一個數據，這種不斷移動的預測方法叫做移動平均法。 二、簡單移動平均法 24簡單移動平均的計算公式為： （例題2.1）25簡單移動平均法的優(yōu)點：簡單。產品需求為突發(fā)增長或下降，且不存在季節(jié)性因素時。移動平均法能有效消除預測中的隨機波動。選擇移動平均的最佳區(qū)

12、間很重要。缺點如下：在出現周期性變動時，預測值落后程度將視時期個數的不同而不同，實際銷售量的最大值和最小值用移動平均法都無法達到；預測值所產生的誤差及滯后，很大程度上取決于時期個數的選取，而時期個數究竟取多少比較合適也難以確定；因考慮了各期權重系數均相等，往往會造成一定的誤差，通常越接近的時期應該越能反映實際需求。另外一個主要缺點是在于每一因素都必須以數據表示。26簡單移動平均簡單移動平均算例周次 需求 3周 9周1234567891011121314158001400100015001500130018001700130017001700150023002300200010671300133

13、314331533160016001567156716331833203313671467150015561644173327一般來講，比較新的數據與舊的數據相比，應該更接近于預測值，考慮到這個因素，在簡單移動平均的基礎上，給新數據以較大的權重，這種做法和簡單移動平均法相比更加準確，這就形成了加權移動平均預測方法。在加權移動平均預測方法中，給各期的值賦予一定權重，并且其權重之和必須等于l。 三、加權移動平均法 28加權移動平均預測方法公式例題2.229權重系數的確定：經驗法或試算法最近期的數據最能預示未來的情況，其權重應大些；對季節(jié)性產品而言，季節(jié)權重系數要大。兩個原則： 1 按原始指標數值先

14、后順序依次加大； 如：n=5時 權數為：0.1, 0.15 ,0.2 ,0.25,0.3 2 對移動項中間位置的原始數值給予較大的權數，然后以它為中心左右依次遞減。 如：0.15, 0.25, 0.3, 0.2, 0.130計算實例一家百貨店發(fā)現在某4個月的期間內，其最佳預測結果由當月實際銷售額的40%，倒數第2個月銷售額的30%，倒數第3個月的20%和倒數第4個月的10%組成，其四個月的銷售額分別為100,90,105,95。第五個月的預測值為31移動平均法存在問題1、需要大量歷史數據，n越大，數據越多；2、n大時，平滑波動的效果好，但預測值對數據實際變動不敏感；3、移動平均值不能總是很好地

15、反映出變化趨勢。32指數平滑法是利用平滑常數將數據序列的數量差異抽象化的原理，對歷史的統(tǒng)計數據進行加權修正，使修正后的數據信息排除異常數據的影響，從而顯示出預測對象變動的基本趨勢。其優(yōu)點體現在：指數模型的精度非常高；建立指數模型相對容易；用戶能了解模型如何進行；使用模型無須過多計算；由于所用的歷史數據有限，因而所需計算機內存很?。粰z測模型執(zhí)行精度的運算很容易。四、指數平滑法 33指數平滑法指數平滑法前兩種預測方法（簡單移動平均和加權移動平均）中，主要點在于根據大量連續(xù)的歷史數據預測未來，即隨著模型中新數據的增添及過期數據的剔除，新的預測結果就可以預測出來。有的情況下，最近期的情況遠比較早期的更

16、能預測未來。如果越遠的數據其重要性就越低，則指數平滑法就是邏輯性最強且最為簡單的方法。第t期和第t-1期的指數平滑預測值；第t-1期的實際需求；平滑常數。單一指數平滑的公式為：34指數平滑法之所以稱之為指數平滑是因為每靠后一期其權重就降低 1- 。例如，設=0.05，則各個時期的權重如下所示最近期的權重= （1- ）0 0.0500最近期的權重= （1- ）1 0.0475最近期的權重= （1- ）2 0.0451最近期的權重= （1- ）3 0.0429權重因子35實際需求值權重系數呈現指數遞減的趨勢，每一期權重系數比上期下降(1-)，如表2.3所列。 權重每次降低1-，并且當平滑常數取得較

17、大時，權重系數降低得較快，反之，則降低得較慢。 36指數平滑法指數平滑法算例：假設所研究的產品的長期需求相對穩(wěn)定，平滑常數=0.05也較合適，并假設上個月的預測值（ ）為1050個單位，如果實際需求為1000而不是1050，那么本月的預測值為： 由于平滑自相關很小，所以新預測值對誤差為50單位的響應僅使得下月的預測值減少了2.5個單位。37初始平滑值F1的確定若有且歷史數據較少時，則常以算術平均值作為初始平滑值；若有且歷史數據較多時，常以第1個值作為初始值以求簡單化；若無歷史數據，則可以主觀估計，并在開始時，考慮主觀估計的不準確性，常取較高的平滑常數以使(1-)t+1下降更快，削弱初始值的影響

18、。 38平滑常數值的確定 越大，說明預測越依賴近期的信息，反之，則表明預測更依賴于歷史信息。如果序列的長期發(fā)展趨勢比較穩(wěn)定，即產品的需求比較平穩(wěn)，那么， 值應取得小一些；當市場外部環(huán)境變化較大時，值應當取得大一些；一般取值在0.010.3之間。對n期移動平均法來講，若用指數平滑法，則其平滑常數可以利用下式計算得到： 例題2.339當時間序列呈非平滑趨勢直線趨勢時，必須通過二次指數平滑來估計。二次指數平滑法是在一次平滑的基礎上，對所得到的時間序列再進行一次指數平滑，這就是二次指數平滑，其計算公式為：在二次指數平滑法中，指數平滑常數的確定和一次指數平滑法確定的原則一致。初始值的確定取第一期的一次指

19、數平滑值 2二次指數平滑法40建立線性趨勢方程：例題2.4 41時間序列法：某企業(yè)銷售額預測 例1 某企業(yè)銷售額預測lz1lz1小結42 簡單移動 沒有季節(jié)性變化或急劇的增加/減少趨勢,偶然變化起重要作用時 平均法 通過移動平均消除偶然變化 待預測期間前一定期間的需求做為簡單的平均值 公式 Ft+1 = t:期間, Ft+1:t+1的預測值, At:t的實際需求, N:移動平均期間 移動平均期間為4個月,實際需求為如下時 月(t) 1 2 3 4 5 實際需求(At) 4 3 4 5 ? 5月的需求預測值F5為 考慮預測的穩(wěn)定性和需求變化 的反映度選擇移動平均期間 F5 = = = 4 *移動

20、平均期間越長,偶然因素損 失越多,但對實際需求變化反映慢 如果,5月的實際需求為5時,6月的需求預測值是 F6= = = 4.25 At+At-1+At+1-N N 5+4+3+4 416 45+4+3+5 417443 加權移動 在用于預測之前N期間資料值乘上合為1的加權值,求出移動平均 平均法 *簡單移動平均的情況,在N期間的各資料值乘上同一的1/N的加權值 公式 Ft+1=WtAt+Wt-1At-1+Wt+1-NAt+1-N Ft+1:t+1的預測值，At:t的實際需求，Wt:賦予t的加權值， 實際需求如下 月（t） 1 2 3 4 5 實際需求（At） 100 90 105 95 ？

21、加權值為4月0.4,3月份0.3,2月份0.2,1月份0.1時 在最近的資料中賦予大 5月的需求預測值F5是 的加權值,使能夠趕上 F5=0.4*95+0.3*105+0.2*100=97.5 實際需求變化 如果,5月的實際需求為110時,6月的需求預測值是 F6 = 0.4*110+0.3*95+0.2*105+0.1*90 = 102.544 利用指數減少的加權值,給最近的資料賦予大比重,過去的資料賦予小比重后 預測未來需求 即需求預測值是最近期間的實際需求乘上a的加權值,對最近的需求預測值乘上(1-a)的加權值后加權平均的數據 與移動平均法一樣,在季節(jié)性變化,趨勢,循環(huán)要素不起作用是有效

22、 * 省略用趨勢,季節(jié)性變化等修正的高次指數平滑法 公式 Ft+1=aAt+(1-a)Ft 為求預測值Ft+1需要3種資料：最近預測值(Ft),最近實際需求(At), 平滑常數a(0a1)公式變化后 Ft+1=aAt+(1-a)Ft =aAt+Ft-aFt =Ft+a(At-Ft)即,新預測值是對舊預測值修正(a*預測誤差)后算出上個月需求預測值是100,實際需求是110,平滑常數a=0.3時這個月的預測值是Ft=Ft-1+a(At-1-Ft-1)=100+0.3(110-100)=103 但,沒有過去資料時根據定性技術,預測值做為最初的預測值一次指數 平滑法 45時間序列平滑模型 一次指數平

23、滑法的連續(xù)展開 期間1:A1,F1(F1已知,期間1末期值可以知道A1 ) 期間2:F2=Aa1+(1-a)F1 期間3:F3=aA2+(1-a)F2 =aA2+a(1-a)A1+(1-a)2F1 (F2代入式子整理) 期間4:F4=aA3+(1-a)F3 =aA3+(1-a)A2+a(1-a)2A1+(1-a)3F1 (F3代入式子整理) 因此一般Ft+1用如下公式表示 公式 Ft+1=aAt+a(1-a)At-1+a(1-a)2At-2 +a(1-a)t-1A1+(1-a)tF1 平滑常數（a)的值越大預測值對需求變化反應越大，越小平滑的穩(wěn)定性越好;實際需求穩(wěn)定時（例：食品），為減小短期/

24、偶然性變化的效果減小a的值；為維持預測值的穩(wěn)定性一般從0.10.3中設定。46例3.1：某公司的月銷售額記錄如表3-3所示，試取a= 0.4,F1=11.00,計算一次指數平滑預測值。4748時間序列分解模型 因此需求Y可用下列函數表示 Y=f(T,S,C,R) 并且根據構成要素的結合形態(tài) 乘法模型 Y=T*S*C*R 加法模型 Y=T+S+C+R0 1 2 3 4需求時間系列和它的構成要素時間（年）時間系列趨勢季節(jié)性 變化周期因素不規(guī)則 變化時間系列的4個構成要素趨勢(T)需求以一定的比率增加或減少的傾向季節(jié)性變化 (S)表示趨勢線上下的變化以1年為單位反復周期因素 (C)經過1年以上長時間

25、需求作上下有規(guī)則變動不規(guī)則變化/ 偶然變化(R)說不出原因的變化,不能預計或控制(例:戰(zhàn)爭,地震）49例3.2 下表是某旅游服務點過去3年各季度快餐的銷售記錄。試預測該公司未來一年各季度的銷售量。50解：分三步進行 （1） 求趨勢直線方程。采用最小二乘法或目測法。先求得a=10000(份)，再求b的值: b=(12000-10000)/12=167 Tt=10000+167t51(2) 估算季節(jié)系數（Seasonal index, SI）t123456789101112At/Tt1.161.010.850.991.131.000.821.001.160.950.871.01 SI(夏)=（ A

26、1/T1 + A5/T5 + A9/T9 ）/3=（1.16+1.13+1.16）/3=1.15同樣可得， SI(秋)=1.00; SI(冬)=0.85; SI(春)=1.00 。(3) 預測夏季：（10000+16713）1.15=13997(份)秋季：（10000+16714）1.00=12338(份)冬季：（10000+16715）0.85=10629(份)春季：（10000+16716）1.00=12672(份)52例 回歸分析法:銷量預測 53因果模型回歸分析 需求作為函數,影響需求的因素作為變量來預測 單一變量：單一線形回歸分析；2個以上變量：多重線形回歸分析單一線形回歸分析 公式

27、 Y = 函數Y的推定值(即,回歸線上值) X = 獨立變量(對需求影響最大的因素) a = Y軸的截距，b=回歸線(直線)的斜率 用最小自乘法求a、b： 多重線形回歸分析 現實中影響需求的有多種因素 公式 Y=a+b1X1+b2X2+bkXk 但是不用手算，用計算機計算 54例3.4 對例3.2應用一元線形回歸法進行預測。55解：衡量一元線形回歸方法偏差的兩個指標：線形相關系數r和標準差Syx 。56其它模型計量經濟 用一系列相互關聯的回歸方程式預測各種經濟活動 模型投入-產出 分析各產業(yè)部門間的產品及服務的流程預測需求 模型先導指標法 根據預測對象的先導指標預測需求 石油價格是大型車需求的

28、先導指標Simulation 假設各種內生變量和外生變量后,利用電腦進行模擬實驗,預測需求的動模型 模型 價格上漲價10%時需求的變化,國內經濟蕭條時需求的變化 57五、 預測誤差分析 估算結果和實際情況必然存在著一定偏差，這個偏差就是預測誤差。 預測和實際需求之間總存在一種差異，設D為實際需求值，而F為預測值，預測誤差為 e ，則 e D - F 預測誤差通常是一個平均值為 0 的正態(tài)分布。 581. 誤差分類誤差可分為隨機誤差和偏移誤差兩種。偏移誤差出現在連續(xù)產生錯誤的時候，其來源有： 沒有包含正確的變量； 變量間的關系定義錯誤； 趨勢曲線不正確； 季節(jié)性需求偏離正常軌跡； 存在某些隱性趨

29、勢等。隨機誤差可以定義為無法由預測模型解釋的誤差項。 592. 誤差指標方差（誤差平方和）平均絕對偏差(MAD)（預測誤差e的估計值） 60跟蹤信號(TS) ：通常用累計預測誤差和平均絕對偏差的比值計算，即例題2.5 61六、線性回歸分析 回歸可以定義為兩個或兩個以上相關變量之間的函數關系 。線性回歸分析方法認為變量間的函數關系是線性的。常用的線性回歸方程為：y = k x + c，其中x為自變量；y為因變量；k為直線的斜率；c為直線與縱軸的截距。該方法既可用于時間序列分析（因變量隨時間而變時），又可用于因果預測方法（某一變量隨另一變量而變時）。 62線性回歸分析法 定義：兩個或兩個以上相關變

30、量之間的函數關系。線性關系是指變量呈嚴格直線關系的一種特殊回歸形式。 優(yōu)點：對主要事件或綜合計劃的長期預測很有用 用處：時間序列預測和因果預測中都用線性回歸。 例子：手擬回歸直線、最小二乘分析和模型分解。線性回歸分析法 局限性：假設歷史數據和未來預測值都在一條直線上。631手擬趨勢線 手擬趨勢線方法是將已知的變量數據描于一個二維的圖形上，即描點，然后畫一條直線盡可能穿過所有的點，這條直線就是所要求的趨勢線。手擬的線性回歸方程為： 64手擬趨勢線 例： 某公司某產品過去3年12季度的銷售量如下表所示， 該企業(yè)希望預測第4季度的銷售情況：線性回歸分析法手擬趨勢線季度 銷售量季度 銷售量 1 600

31、 2 1550 3 1550 4 1500 5 2400 6 3100 7 2600 8 2900 9 3800 10 4500 11 4000 12 490065 y = a+bx a = 400 b = (4950-750)/(12-1) = 382 y = 400+382x線性回歸分析法手擬趨勢線解：首先建立坐標系統(tǒng)，取橫坐標為季度，眾坐標為銷售額，則將過去12個季度的銷售額對應的數據點在坐標系統(tǒng)中畫出，相應散點圖，如圖所示，這就是回歸直線，下一步是確定截距a和斜率b。66. 最小二乘法 基本出發(fā)點是：保證各實際觀察值和趨勢線的垂直距離平方和為最小，如圖所示： 67設 為實測值，y 為公

32、式值，則 為誤差，令 根據最小二乘法，則： 最小二乘法 最小二乘法基本思想是試圖使各數據點與回歸直線上的相應點間的垂直距離平方和最小手擬趨勢線是根據圖中確定截距a和斜率b，而最小二乘法求解的公式為：得： 令：68另外一種評價兩個變量之間關系的方法是計算相關系數 r和標準差Syx，計算公式為： 當r為正時，說明y和x為正相關，即y隨著x的增加而增加；r非常接近于1時，y和x為完全正相關；當r為負時，說明y和x為負相關，即y隨著x的增加而減??；r非常接近于-l時，y和x為完全負相關。 標準差則表明預測值與回歸直線的偏離程度。例26 69根據最小二乘回歸的思想，可以計算出上例中a和b的值， 最終得b

33、=359.6，a=441.6，這表明x每變化1單位，y改變359.6單位。嚴格按上述方程計算，可以可以推廣到后一年的四個季度，下面的結果分別對應第1，2，3，4季度：最小二乘法70七、時間序列分解(找出趨勢和季節(jié)因素) 時間序列分解一般遵循以下5個步驟：(1) 計算12個月中的中心移動平均值。 (2) 利用實際需求和12個月中心移動平均值的比例來估計季節(jié)因素和計算季節(jié)指數。(3) 確定趨勢線方程。找一條線去描述非季節(jié)性的數據，這條線的截距及斜率提供了在估計趨勢因素時所需要的值。(4) 預測未來。將步驟(3)中得到的線延伸至未來，提供了一個在沒有季節(jié)性的情況下將來的需求預測值。(5 )將每一個不

34、含季節(jié)性的預測乘上季節(jié)指數以獲得最后的預測。例題2.7 71八、 因果預測 因果預測方法是認為自變量和因變量之間存在因果關系。通過對變量間的關系進行分析，進而由自變量來確定因變量的需求預測方法就是因果預測。因果預測方法也是建立在對數據分析的基礎上的，由自變量和因變量的數據找出它們之間的因果關系。通常認為這種因果關系是簡單的線性關系，可以通過前面所介紹的一元線性回歸分析方法找出。變量間的因果關系找到后，就可以建立統(tǒng)計模型對需求做預測。例題2.872因果預測年份 新房屋（x平方碼） 地毯銷量（y平方碼）1989 18 130001990 15 12000 1991 12 110001992 10 100001993 20 140001994 28 160001995 35 190001996 30 170001997 20 1300073因果預測方程： y = 7000 + 350 x設1998年新建房為25，則 y = 7000 + 350 25 = 15750