指數平滑法（exponential smoothing）

7. 自我迴歸移動平均整合模式 ARIMA（ Autoregressive Integrated Moving Average Model）

以上預測模式 1~6 項一般使用於平穩型數列，若資料數列 屬於無定向數列或非平穩數列則不宜採用，而採用最常用之 ARIMA 分析模式。時間數列模式就是從過去的觀察值，建立一 種適合的模型來預測未來的走勢，其與迴歸模式最大的不同在於 迴歸模式對於需求量而言，皆有一組其他變數在解釋而已。以時 間模式預測未來之需求量（或觀察值），則不需要解釋變數。因 為時間數列模式預測方法之觀點是所有這些解釋變數（外生變 數、社經變數）對需求量之影響力，皆會反應在需求量本身，由

於無需考慮其他外生變數所以應用上非常簡易。

二、選取合適的預測方法

吳柏林（民 84）指出以下幾個作決策過程時必須考量因素：

1.需要何種型式的預測

預測的型式有三種：點預測、區間預測及等第（rank）預測 。 2.預測期間多長

這要按資料與決策的性質，可能需要預測時間點只有幾天或幾 週，也有可能長達數月甚至數年。

3.有多少項目需要預測

整體而言，不須對影響系統之每項變數作預測，過多變數的預測，

反而會模糊了系統目標，在多變量模式建立過程中，五個變數之 系統結構已相當複雜。

4.預測要精確到甚麼程度

預測得精確度關係到管理決策的品質，但精確度較高的預測，相 對付出的成本與時間亦較高。

5.系統結構的轉變

由於系統結構性的轉變（structure change），導致需求或供給的時 間數列走勢與過去迥異，預測者須配合動態變化的歷史演變，建 構符合目前狀況之模式，若潛泥於過去的經驗則難以對新市場的

變遷作一準確之預測。

三、應用 ARIMA 模式建立預測模型的文獻

目前尚未有應用時間數列單變量模式、介入模式、轉換模式 分析全民健康保險應收保費的文獻;不過從被應用在其他領域的 文獻看來，此模式仍相當值得本研究作為借鏡。從近幾年的文獻 中可知，時間數列的介入分析已廣泛應用在政策評估上，也就藉 由分析時間數列資料的變動，探討政策的效果。因此，對於本研 究針對全民健康保險應收保費的影響分析上，此模式也極具應用 之價值。

1.時間數列分析 ARIMA 模式簡介

自 1970 年初 Box 與 Jenkins 教授推展 ARIMA 自我迴歸整合 移動平均 ARIMA（Autoregressive Integrated Moving Average Model）模式，主要方法為對歷史資料分析檢視其自相關與偏自 相關等特性，應用三階段模式建構過程，在 ARIMA model 中選取 一個適當模式來做預測。而我國在中央研究院刁錦寰院士與蔡瑞 胸教授大力推廣下使得時間數列以共變數分析的方法已被證實為 一有效的統計科學方法且比光譜分析易於解釋。

預測模式的建構一般都應用三階段建構法則：一、階次認定

（Order identification）二、參數估計（Parameter estimation）三、

診斷檢定（Diagnostic checking ）來協助我們得到最佳的配適模 型其流程圖（圖 2.2）如下：

圖 2.2 三階段模式建構的流程 將步驟過程說明如下：