在上一章可以見到使用二種方法針對採用的數據所得預測效果，
而方法中的觀念與內容皆有相近與相異之處。本章將針對部份預測成 效進行解釋分析。由於採用的數據皆來自特定領域且為特定範籌的資 料，缺乏針對它種型態或另一類別的研究，筆者會對部份分析結果提 出推論。另就本文的研究方法而言，仍有許多值得嘗試的面向，筆者 也在文末提出一己之淺見。
先 就 分 析 結 果 作 以 下 的 整 理 。 在 預 測 期 時，由於使用 ( )模型預測是建立在最小平方法之上，同時只須進行一次的疊代 便取得預測值；使用最大交叉相關時，採落後期 ，又建立於最大 相關性之上，此方法等同藉最小平方法所得之預測式；故會有相同的 預測平方誤差。
當預測期 時，在使用 ( ) 模型預測下，運用藉數據所建 立之預測期 的模型進行 次疊代計算，求得預測值。而建立於 最大交叉相關的方法，則是使用相同的數據量( )來建立預測式，
並且在設定預測期為 之下，直接使用該模型進行單次代數計算取得 預測值。故此兩種方法所得之預測平方誤差不同。
50
接著觀察分析結果，並對此結果可能的成因提出推論。使用最大 交叉相關與落後期 預測較使用落後期 預測多考慮了變數 數量。於股票市場的研究，或許因為訊息萬變、金融市場環境的恆常 性不高，使用過時的市場資料不僅無法助益，反而干擾分析。文中的 實例，使用最大交叉相關與落後期 預測以變數數量作為懲罰指 標、減少了選取較多變數的可能，如此可能導致預測效果略勝過使用 最大交叉相關與落後期 的預測方法。
計算預測值所花費的時間，也是相當值得討論的議題。將使用此 兩種預測方法對應不同預測期 時之運算時間呈現於(表 6)。電腦測試 環境為 Windows 7 Services Pack 1 (家庭進階版) 64 位元，1.40GHz Intel Core i3-2367M 處理器，4.00G 記憶體，R 統計軟體版本為 2.15.2 (64 位 元版本)。由於使用 VAR 模型的方式，過程中包含多次疊代的計算，
其所花費的時間固然較長。若同時考量預測效果，以實例分析所使用 的資料而言，採取最大交叉相關方法進行預測，不但大量減少計算的 時間成本，更能獲得較好的預測效果。
51
(表 6) 對應不同預測方法以及不同預測期 時之運算時間(單位：秒)。
預測期 h
預測方法 1 2 3 4 5 6 7 8 9 10
使用 模型 2.13 2.06 2.15 2.13 2.10 2.15 2.15 2.02 2.10 2.04
使用最大交叉相關 1.60 1.68 1.61 1.60 1.69 1.56 1.60 1.58 1.64 1.59
預測期 h
預測方法 11 12 13 14 15 16 17 18 19 20
使用 模型 2.12 2.15 2.33 2.45 2.97 3.66 5.40 7.44 11.77 20.32
使用最大交叉相關 1.60 1.67 1.56 1.58 1.59 1.75 1.70 1.61 1.61 1.62
然而針對向量自我迴歸模型作討論，實例分析過程中曾固定落後 期 ，而此模型的預測平方誤差相較於使用 AIC 準則選取落後期所 建立的模型來的略小。此現象或許也和數據的領域來源有關，同上一 論點，近期的資料較具參考價值。
若使用最大交叉相關與落後期 預測的方式建立預測式，預 測期越是長，則能用於建模的數據越是少。相較於使用 ( ) 模型預 測，使用此種預測方法所具有的歷史訊息量的確處於劣勢。但文中範 例所呈現的預測效果，此兩方法的表現恰好相反。這可能也是因為遠、
近期資料在干擾分析與提供助益兩個面向具有不同的貢獻度。
相關性預測式的預測效果明顯優於向量自我迴歸模型的效果，可 能是由於所採用的資料具有規律性，或是數據在一定時間間隔下具有 相近的成長模式。另外，國內的股票市場具有漲跌幅限制，此舉可能 有助於文中案例提升通過定態分析的可能性，同時易於模型配適。
52
若是比較(圖 14)與(圖 15)，可以發現“平方”的處理明顯對預測 效果的評估造成影響。若是以 作預測評量標準，則此兩種預測 方法在預測期大於 9 會有明顯的差距；而對於預測期在 9 以下而言，
此兩種方法的預測效果較為相近。
最後針對本研究提出以下改善建議與未來可能發展方向。若是因 資料具規律使得依相關性而建立之預測式的預測效果優於向量自我迴 歸模型，則在其它領域的研究中，建議也可藉由執行此兩種類型的預 測分析，來偵測出資料的規律性；甚或進一步找到最適的控制參數。
此資料是取 ( ) 當中一方程式來進行疊代的預測，是針對基 金的淨值。然而此資料之因果關係分析結果，變數間是存在相互回饋 的，即基金淨值也會影響投資組合中的各股股價，故建議對其它參數 也進行模型疊代的預測。說不定效果會相近於或是勝過最大相關預測 式所得之預測效果。並建議嘗試對其它領域的資料進行使用最大交叉 相關與落後期 預測與使用落後期 預測的測試，說不定會 有不同的結果。
範例當中採用的為日資料。在時間序列研究領域中，也論及白噪 音的影響。而日資料包含了許多不必要的訊息、干擾因子很多。若採 用金融市場的時間序列資料，建議採用月資料或季資料，或許數據較 能反映出真正的影響因素，也可能帶來更準確的預測結果。同時，針
53
對使用最大交叉相關與落後期 預測當中所提出的落後期選取方 式，建議未來的研究能夠嘗試更多類型的組合，如同早期學者提出不 同面向的見解，建立了 AIC、BIC 及 HQ 等不同的選取指標。
由於實例中採用的資料通過 VAR 模型之定態檢定，故以實例分析 的結果而言，當資料符合定態假設時，筆者建議採用最大交叉相關方 法進行預測。並期望日後有研究能對不符合定態假設的資料，嘗試比 較向量自我迴歸模型以及最大交叉相關等兩種方法對預測效果的影響。
54
55
56
57
58
參考文獻
[1] H. Boudjellaba, J.N.Dufour and R. Roy (1992). Testing causality between two vectors in multivariate autoregressive moving average models. American Statistical Assocication, 87, pp.1082-1090.
[2] P. J. Brockwell and R. A. Davis (2009) Time Series: Theory and Methods, Springer.
[3] T. Conlon, H. J. Ruskin, and M. Crane (2010) Cross-Correlation Dynamics in Financial Time Series. Physica A, 388, pp.705-714.
[4] P. h. Franses (1998). Time Series Models for Business and Economic Forecasting, Cambridge University Press, Cambridge.
[5] M. G. Dekimpe and D. M. Hanssens (1999), Sustained spending and persistent response: A new look at long-term marketing protability,
Journal of Marketing Research, 36, pp.397-412.
[6] M. G. Dekimpe and D. M. Hanssens (1995) The persistence of marketing effects on sales, Marketing Science, 14, pp.1-21.
[7] W. Enders (1995). Applied Econometric Time Series, JohnWiley and Sons, INC., New York.
[8] C.W.J. Granger (1969). Investigating Causal Relations by Econometric Models and Cross-spectral Methods. Journal of Econometrica, vol. 37, No. 3, pp.424-438.
[9] C.W.J. Granger (1980). Testing for causality: a personal viewpoint.
Journal of Economic Dynamics and Control, 2, pp.329-352.
[10] J. Geweke (1984). Inference and causality in economic time series. In:
Griliches Z, Intriligator MM (eds) Handbook of econometrics, vol. 2, pp.1101-1144.
[11] C. Horváth, M. Kornelis and P. S. H. Leeang (2002). Whatmarketing scholars should know about time series analysis. SOM Research Report No. 02F17, University of Groningen.
[12] C. Horváth, P. S. H. Leeang, J. E. Wieringa and D. R. Wittink (2003).
Dynamic analysis of a marketing system based on aggregated and pooled store data. Paper under review.
[13] C. Hsiao (1982). Autoregressive modeling and causal ordering of econometric variables. Journal of Economic Dynamics and Control, 4, pp.243-259.
59
[14] Y.C. Hung, N.F. Tseng (2012). Extracting informative variables in the validation of two-group causal relationship, to appear in
Computational Statistics.
[15] J.F. Hair, W.C. Black, B.J. Babin and R.E. Anderson (2010).
Multivariate Analysis, Pearson Education.
[16] H. Hotelling (1935). Demand Functions with Limited Budgets. Journal
of Econometrica, vol. 3, No. 1, pp.66-78.
[17] W.K. Härdle and L. Simar (2012). Applied multivariate statistical
analysis, New York, Springer Verlag.
[18] M.H. Kutner, C.J. Nachtsheim and J. Neter (2008). Applied linear
regression models, McGraw Hill, New York.
[19] H. Lütkepohl (2005). New introduction to multiple time series analysis, Springer, Berlin.
[20] H. Lütkepohl and M.M. Burda (1997). Modified Wald tests under nonregular conditions. Journal of Econometrica, 78, pp.315-332.
[21] H. Lütkepohl (1991). Introduction to Multiple Time Series Analysis.
Springer Verlag, Berlin.
[22] M. Moriarty and G. Salamon (1980) Estimation and forecast performance of a multivariate time series model of sales, Journal of
marketing research, 17, pp.558.
[23] S.G. Makridakis, S.C. Wheelwright and V.E. McGee (1983).
Forecasting: methods and applications, Wiley, New York.
[24] R. Mosconi and C. Giannine (1992). Non-causality in cointegrated system: representation. Estimation and testing. Oxford Bulletin of
Economics and Statistics, 54, pp.399-417.
[25] D.R. Osborn (1984). Causality testing and its implication for dynamic econometric models. Journal of Econometrica, 94, pp.82-96.
[26] J. Pearl (2000). Causality: models, reasoning, and inference.
Cambridge University Press, Cambridge.
[27] C. A. Sims (1980) Macroeconomics and reality, Journal of
Econometrica, 48, pp.1-48.
[28] S. Srinivasan and F.M. Bass (2001) Diagnosing competitive responsiveness: Disentangling retailer-induced and manufacturer-induced actions. Paper presented at the MSI Conference on Competitive Responsiveness, Boston.
[29] S. M. Simkin (1974) Methods for deriving LOSVDs. Astronomy &
Astrophysics, 31, pp.129.
60
[30] H. Takada and F. M. Bass (1998) Multiple time series analysis of competitive marketing behavior, Journal of Business Research, 43, pp.97-107.
[31] A. Wald(1939).Contributions to the Theory of Statistical Estimation and Testing Hypotheses". Annals of Mathematical Statistics , vol. 10, pp.299–326.
[32] Y. H. Zhang, I. Cagnoni, A. Treves, A. Celotti, and L. Maraschi (2004) The Effects of Periodically Gapped Time Series on Cross-Correlation Lag Determinations. The Astrophysical Journal, 605, pp.98-104.
[33] V. Plerou, P. Gopikrishnan, B. Rosenow, L.A.N. Amaral and H.E.
Stanley (1999) Universal and nonuniversal properties of cross correlations in financial time series, Physical Review Letters, 83, pp.1471-1474.