【文章內(nèi)容簡介】 參數(shù)的估計是通過對實際觀測值的運用，構(gòu)建估計量來完成的。而一個有效的估計量應(yīng)滿足一致性、無偏性以及有效性要求 。P36六、預(yù)測誤差檢驗在利用回歸方法進(jìn)行預(yù)測時，必須對預(yù)測誤差進(jìn)行檢驗。其中檢驗指標(biāo)標(biāo)準(zhǔn)誤差的計算公式為: P37七、預(yù)測置信區(qū)間利用回歸模型預(yù)測時，需給出一個在一定概率保證程度下的預(yù)測置信區(qū)間，則在小樣本條件下，更為精確的置信區(qū)間計算公式為置信區(qū)間為: P41 八、擬合優(yōu)度指標(biāo)利用回歸模型進(jìn)行預(yù)測時，必須作估計量與因變量之間的擬合優(yōu)度檢驗。而屬于擬合優(yōu)度指標(biāo)的是標(biāo)準(zhǔn)誤差、可決系數(shù)和相關(guān)系數(shù)。P44九、廠長（經(jīng)理）評判意見預(yù)測法的優(yōu)缺點 P17 優(yōu)點： （1） 迅速、及時和經(jīng)濟； （2） 可發(fā)揮集體的智慧，使預(yù)測結(jié)果比較準(zhǔn)確可靠； （3） 不需要大量的統(tǒng)計資料，更適用于對不可控因素較多的產(chǎn)品進(jìn)行預(yù)測； （4） 如果市場情況發(fā)生變化，可及時進(jìn)行修正；缺點： （1） 預(yù)測結(jié)果易受主觀因素影響； （2） 預(yù)測結(jié)果比較一般；十、D — W值是檢驗回歸模型剩余項是否存在自相關(guān)的一種有效方法。在實際檢驗中，對于不同顯著性水平α下的D — W值上限和下限，實際D — W值小于等于2時，若出現(xiàn) dw ，則認(rèn)為 存在自相關(guān)。 P40十一、在利用回歸模型進(jìn)行預(yù)測時，需要確定一定置信水平下的預(yù)測置信區(qū)間，在小樣本情形下，近似的置信區(qū)間計算公式為： P41十二、在社會經(jīng)濟中，變量之間并不都是呈線性關(guān)系。因而，需要配選適當(dāng)類型的曲線以實現(xiàn)對實際情況的擬合。常見的曲線有冪函數(shù)曲線、指數(shù)函數(shù)曲線、 拋物線函數(shù)曲線等。 P52十一、在利用回歸模型進(jìn)行預(yù)測時，需要確定一定置信水平下的預(yù)測置信區(qū)間，在小樣本情形下，近似的置信區(qū)間計算公式為： P41十二、在社會經(jīng)濟中，變量之間并不都是呈線性關(guān)系。因而，需要配選適當(dāng)類型的曲線以實現(xiàn)對實際情況的擬合。常見的曲線有冪函數(shù)曲線、指數(shù)函數(shù)曲線、 拋物線函數(shù)曲線等。 P52第四章 時間序列分解法與趨勢分析法一、趨勢外推法模型選擇在對趨勢模型進(jìn)行選擇時，主要使用的方法是圖形識別法、 差分計算法。P68二、經(jīng)濟時間序列的影響因素經(jīng)濟時間序列的變化受多種因素影響，但總體上可將影響因素分為長期變動因素、季節(jié)變動因素、周期變動因素以及不規(guī)則變動因素。P61三、指數(shù)曲線模型在趨勢外推預(yù)測法中，如果時間各期數(shù)值的一階差比率大致相等時，就可以配選指數(shù)曲線模型進(jìn)行預(yù)測。 P77四、時間序列分解 P61反映經(jīng)濟現(xiàn)象，如需求或銷量，在一個較長時間內(nèi)的發(fā)展方向，可以在一個相當(dāng)長的時間內(nèi)表現(xiàn)為一種近似直線的持續(xù)向上或持續(xù)向下或平穩(wěn)的趨勢。時間序列的分解長期趨勢因素（T）：反映經(jīng)濟現(xiàn)象，如需求或銷量，在一個較長時間內(nèi)的發(fā)展方向，可以在一個相當(dāng)長的時間內(nèi)表現(xiàn)為一種近似直線的持續(xù)向上或持續(xù)向下或平穩(wěn)的趨勢。季節(jié)變動因素（S）經(jīng)濟現(xiàn)象受季節(jié)變動影響所形成的一種長度和幅度固定的周期波動。自然季節(jié)影響所形成的波動。 工作時間規(guī)律——商場周末銷售周期變動因素（C）：也稱循環(huán)變動因素，是各種經(jīng)濟因素影響形成的上下起伏不定的波動。不規(guī)則變動因素（I）：隨機變動因素，各種偶然因素影響所形成的不規(guī)則波動，如人為因素、政府行為……五、修正指數(shù)曲線模型 P79～P83如果新產(chǎn)品進(jìn)入市場后，呈現(xiàn)出初期迅速增長，隨后逐漸降低增長速度，而增長量的環(huán)比速度又大體上各期相等，最后發(fā)展水平趨于一個正數(shù)的極限常數(shù)。對于這種發(fā)展趨勢，最理想的描述工具是修正指數(shù)曲線模型。六、龔珀茲曲線 P84在多元回歸預(yù)測模型中，龔珀茲曲線特別適用于對處于成熟期的商品進(jìn)行預(yù)測。一般情況下，由于商品都要經(jīng)歷市場進(jìn)入、銷量快速增長、市場飽和以及銷量下降幾個階段，因此龔珀茲曲線是預(yù)測各種商品市場容量的最佳擬合線。 P87七、趨勢外推法的實質(zhì) P67趨勢外推法的實質(zhì)就是利用某種函數(shù)分析描述預(yù)測對象某一參數(shù)的發(fā)展趨勢。八、趨勢外推法及其假設(shè)條件 P67 趨勢外推法：當(dāng)有理由相信某種趨勢能夠延伸到未來時，賦予變量所需的值，就可以得到相應(yīng)時刻的時間序列未來值。 兩個假設(shè)條件：216。 假設(shè)事物發(fā)展過程沒有跳躍式變化，一般屬于漸進(jìn)變化；216。 假設(shè)事物的發(fā)展因素也決定事物未來的發(fā)展，其條件不變或變化不大； 九、時間序列分解模型 P62時間序列Y可以表示為長期趨勢（T）、季節(jié)變動（S）、周期變動（C）和不規(guī)則變動（I）四個因素的函數(shù)，即： YT = F（TT，ST，CT，IT）較常用的模型有：加法模型 YT = TT + ST + CT + IT乘法模型 YT = TT ST CT IT ——應(yīng)用較廣泛在乘法模型中，時間序列值Y和長期趨勢用絕對數(shù)表示，季節(jié)變動S、周期變動C和不規(guī)則變動I用相對數(shù)（百分?jǐn)?shù)）表示十、曲線擬合優(yōu)度分析① 曲線擬合優(yōu)度分析將各種曲線擬合預(yù)測的標(biāo)準(zhǔn)誤差進(jìn)行比較，誤差小者為最優(yōu)擬合，其基礎(chǔ)為假定過去的形態(tài)將延續(xù)到將來。但這種方法僅給出了曲線對以往數(shù)據(jù)進(jìn)行擬合的效果，而未回答該形態(tài)是否將延續(xù)到將來。預(yù)測者須利用已獲得的有關(guān)時間序列的全部信息，確定過去的變動形態(tài)延續(xù)到將來的可能性，同時也必須考慮環(huán)境和經(jīng)濟中出現(xiàn)干擾的可能性及這些干擾對序列的影響。 ② 各種曲線擬合優(yōu)度比較預(yù)測期越長，上述分析越重要。十一、回歸預(yù)測與時間序列預(yù)測精度的比較216。 預(yù)測實證研究表明，各類預(yù)測方法之間并不存在明顯優(yōu)劣,只是不同方法具有各自不同的特點；216。 回歸預(yù)測和時間序列預(yù)測是兩類不同的定量預(yù)測方法，它們根據(jù)不同的角度對經(jīng)濟現(xiàn)象進(jìn)行預(yù)測，回歸預(yù)測注重分析影響預(yù)測對象的各因素所造成的影響，而時間序列預(yù)測則根據(jù)預(yù)測對象本身的歷史數(shù)據(jù)來預(yù)測其未來。第五章 時間序列平滑預(yù)測法一、一次指數(shù)平滑法 P99模型指數(shù)平滑法實際上是從移動算術(shù)平均法演變而來的，它的優(yōu)點是不需要保留較多的歷史數(shù)據(jù)，只要有最近一期的實際觀測值和這期的預(yù)測誤差值就可以對未來時期進(jìn)行海預(yù)測。在時間序列指數(shù)平滑預(yù)測模型中，當(dāng)平滑常熟α 取值較大時，預(yù)測值 較快反映出時間序列的實際變化。平滑預(yù)測模型中, 指數(shù)平滑系數(shù)α的取值決定了修正值的取舍，若α接近于1時，則新的預(yù)測值將包含前一期預(yù)測誤差的全部修正值。一次指數(shù)滑動平均法只適合于水平樣式的數(shù)據(jù)（平穩(wěn)序列），如果歷史數(shù)據(jù)中存在明顯的上升或下降趨勢，或者有季節(jié)性波動則這種方法是不適用的。因此它只能用來對一些變化平衡或緩慢量進(jìn)行預(yù)測，如對需求量穩(wěn)定的商品的銷量進(jìn)行預(yù)測。二、二次指數(shù)平滑 P104 當(dāng)時間序列具有明顯的線性變化趨勢時，在大多數(shù)情況下，更適于使用二次指數(shù)平滑進(jìn)行預(yù)測。三、溫特線性與季節(jié)性指數(shù)平滑法 P110溫特線性與季節(jié)性指數(shù)平滑法適用于既有傾向性變動，又有季節(jié)性變動的時間進(jìn)行預(yù)測。四、a 值的選擇 在指數(shù)平滑法中以前的數(shù)據(jù)作用是逐步衰減的，或者說老的數(shù)據(jù)被逐漸地遺忘。 α值越大，數(shù)據(jù)衰減地越快，就像在移動平均法中使用的數(shù)據(jù)越少。這 是因為在方程中老的平均值被乘以（1α），因此老的數(shù)據(jù)的權(quán)值隨著α 的增 大而迅速衰減。也就是說，越是大的α，在預(yù)測中老數(shù)據(jù)影響越小。 a 值越小，均方差越小?！D尋找最佳a 值，使均方差最小。五、平滑與響應(yīng)α值越小，平均值越平滑（減少波動），而增大α值會導(dǎo)致平均值對新數(shù)據(jù)的響應(yīng)更快。平滑與響應(yīng)是矛盾的，但他們有各自的優(yōu)點。第六章 自適應(yīng)過濾法一、自適應(yīng)過濾法概述自適應(yīng)過濾法的基本原理就在于通過其反復(fù)迭代以調(diào)整加權(quán)系數(shù)的過程，“過濾”掉預(yù)測誤差，選擇出“最佳”加權(quán)系數(shù)用于預(yù)測。整個計算過程從選取一組初始加權(quán)系數(shù)開始，然后計算得到預(yù)測值及預(yù)測誤差（預(yù)測值與實際值之差），再根據(jù)一定公式調(diào)整加權(quán)系數(shù)以減少誤差，經(jīng)過多次反復(fù)迭代，直至選擇出“最佳”加權(quán)系數(shù)。由于整個過程與通信工程中過濾傳輸噪聲的過程極為接近，故被稱為“自適應(yīng)過濾法”。二、自適應(yīng)過濾法的優(yōu)點① 方法簡單易行，可采用標(biāo)準(zhǔn)程序上機運算。② 需要數(shù)據(jù)量較少。③ 約束條件較少。④ 具有自適應(yīng)性，它能自動調(diào)整權(quán)數(shù)，是一種可變系數(shù)的模型。216。 在原始數(shù)據(jù)的基本模式比較復(fù)雜時，則使用自適應(yīng)過濾法可以獲得優(yōu)于其它預(yù)測方法的預(yù)測結(jié)果。 P116三、應(yīng)用準(zhǔn)則自適應(yīng)過濾法主要適用于水平的數(shù)據(jù)，對于有線性趨勢的數(shù)據(jù)，可以應(yīng)用差分的方法來消除數(shù)據(jù)的趨勢。當(dāng)數(shù)據(jù)的波動較大時，在調(diào)整權(quán)數(shù)之前，對原始數(shù)據(jù)值做標(biāo)準(zhǔn)化處理，可以加快調(diào)整速度，使權(quán)數(shù)迅速收斂于“最佳”的一組權(quán)數(shù)，并可使學(xué)習(xí)常數(shù)k的最佳值近似于1/p，從而使自適應(yīng)過濾法更為有效。 第七章 平穩(wěn)時間序列預(yù)測法一、基本思想將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，即除去個別的因偶然原因引起的觀測值外，時間序列是一組依賴于時間t的隨機變量。這組隨機變量所具有的依存關(guān)系或自相關(guān)性表征了預(yù)測對象發(fā)展的延續(xù)性，而這種自相關(guān)性一旦被相應(yīng)的數(shù)學(xué)模型描述出來，就可以從時間序列的過去值及現(xiàn)在值預(yù)測未來的值。二、平穩(wěn)時間序列設(shè)時間序列取自某一隨機過程，如果此隨機過程地隨機特征不隨時間變化，則這一隨機過程屬于平穩(wěn)時間序列。P129序列 取自某一個隨機過程，則稱：過程是平穩(wěn)的——隨機過程的隨機特征不隨時間變化而變化；過程是非平穩(wěn)的——隨機過程的隨機特征隨時間變化而變化；三、協(xié)整關(guān)系如果兩個變量或多個非平穩(wěn)的變量序列，其線性組合后的序列呈平穩(wěn)性，則可稱這些變量序列間有協(xié)整關(guān)系存在。P141四、 ARMA模型 P151 ARMA模型是描述平穩(wěn)隨機序列的最常用的一種模型。ARMA（ p q ）模型的參數(shù)的精估計一般采用極大似然估計。五、ARMA模型的三種基本形式：? 自回歸模型（AR：Autoregressive）；? 移動平均模型（MA：MovingAverage）；? 混合模型（ARMA：Autoregressive MovingAverage六、時間序列進(jìn)行特性分析在對時間序列進(jìn)行特性分析時，需要重點考慮時間序列存在的多種因素，而其中季節(jié)性更為重要。P156七、自相關(guān)分析