根據我們使用的資料，本章節使用加法模型對國內航空客運每月載客人數進 行預測，圖 13 為國內航空每月載客人數之原始時間序列圖，資料時間為 2008 年 1 月至 2015 年 3 月，其中保留 12 筆資料做預測，其預測時間為 2015 年 4 月 至 2016 年 3 月。
表 10、標準 X11 分解法
Time plot of minthly number of people (in hundreds of cases)
Obs number date t Y SN DY TRC IR
圖 13、國內航空客運每月載客人數-觀察值
20 逢甲大學學生報告 ePaper(2016 年)
Time plot of minthly number of people (in hundreds of cases)
Obs number date t Y SN DY TRC IR
Y(the observed time series)：所觀察到的時間序列 SN(the seasonal component)：季節因子
21 逢甲大學學生報告 ePaper(2016 年)
正負值去判別旅遊的淡旺季，結果顯示，以 2008 年為例，旺季為七月(13.9178)，
因為 SN 值為正且數值較高，則 12 月( )、1 月( )為淡季，因為 SN 值為多為負值且小。
也可從可從圖 14 季節因素之時間序列圖去佐證，可以觀察到圖形波動大致 相同，但波動高度些許不同，代表每年同季節影響載客人數的因子可能不同。
從圖 15 趨勢變動圖，可以觀察到趨勢循環線非常複雜，且不是線性圖形，
導致增加未來預測上的困難。又因為時間序列迴歸變異數平穩，y 不需做轉換，
因此我們採用加法模型來做預測，也就是：
：在時間區間 所觀察到的時間序列
：在時間區間 的趨勢變動因子
：在時間區間 的季節因子
：在時間區間 的週期變動
：在時間區間 的不規則變動因子 而做預測時則使用：
圖 14、季節因素之時間序列圖
22 逢甲大學學生報告 ePaper(2016 年)
將季節因子去掉之後，可以得到圖 16，橘色線為原始資料，藍色線為去掉
季節因子( )，接著就可以開始配適模型。
圖 15、趨勢變動圖之時間序列圖
23 逢甲大學學生報告 ePaper(2016 年)
利用變異數檢定，可參考表 11，可以寫出線性模型為：
表 11、分解法－調整後 R 平方
根 MSE 3.15156 R 平方 0.1969
應變平均值 41.41645 調整 R 平方 0.1875
變異係數 7.60945
參數估計值
變數 自由度 參數估計值 標準誤差 t 值 Pr > |t|
Intercept 1 38.7137 0.6816 56.8 <.0001
t 1 0.06143 0.0135 4.57 <.0001
接著對殘差項做 Durbin-Watson test，可以得到表 12 結果，Durbin-Watson 值 1.263 介於 0-2 之間，為正相關，誤差項也和自己有正的自我相關，因此配適
圖 16、去季節因子之時間序列圖
24 逢甲大學學生報告 ePaper(2016 年)
AR(1)模型。
表 12、分解法－Durbin-Watson Durbin-Watson D 1.263
觀測值數目 87
25 逢甲大學學生報告 ePaper(2016 年)
Durbin-Watson 2.0049 轉換的迴歸 R 平方 0.1032 總 R 平方 0.2837 Durbin-Watson 統計值
順序 DW Pr < DW Pr > DW
1 2.0049 0.465 0.535
表 15、分解法－參數估計值
參數估計值
變數 自由度 估計值 標準誤差 t 值 近似 Pr > |t|
Intercept 1 38.9436 0.9265 42.04 <.0001
t 1 0.0567 0.0182 3.11 0.0026
下一步觀察是否符合 White noise 檢定，如圖 17 結果顯示，符合 White noise 且 ACF 沒有超過兩倍誤差，表示此模型適合。圖 18 為利用分解法做樣本外預 測趨勢圖。可以得到最終迴歸
圖 18、國內航空客運每月載客人數-樣本外預測-分解法 圖 17、分解法－white noise 檢定
26 逢甲大學學生報告 ePaper(2016 年)