第二章 文獻探討
2.2 技術預測方法
2.2.3 時間序列模型
定量預測方法的基本假設為以往的時間序列,可用以推估未來的時間序 列,而時間序列(Time Series)係指以固定時間間隔為基礎,某事項的時間順序 之觀察值而言【17】。
一、時間序列傳統分解法
時間序列傳統分解法是最古老而最常被使用的一種預測方法,其中 重要的部份包括了季節指數的概念,然而某些序列具有的強烈季節性,
難以衡量其趨勢和循環變動,因此了解時間序列的重要步驟乃是衡量季 節性變化。傳統分解法中,一時間序列可用(2.20)式的模式來敘述【34】。
) , , , (
T C S e f
Y
t (2.20)其中
Y 表時間序列在時間 t 的實際值,
tf
表數學函數,T
表趨勢,C
表循環影響,
S
表季節影響, e 表誤差,一時間序列中的趨勢成份(T )
是 由長期的經濟、人口、氣候和技術演變所致的長期一般演變,循環成分)
(C
是約三至九年,由一產業或經濟體中經濟、人口、氣候和技術改變 所造成的影響。通常(2.20)式中的趨勢和循環成分被做為一個單一的成 分,稱為趨勢-循環成分,而將其一起模式化,其原因是因為很難將一序 列分解成個別的循環和趨勢成份。辨識季節影響的關鍵為是否重複發生 或有規律,若一影響每 S 期重新出現一次,則不管它的循環長度為何,都稱為季節影響(
S
)。誤差(e )
係因為不尋常及不規律的事件所造成,因 此常被指為不規律或隨機成分,亦稱為殘值誤差。分解模式一般有 (2.21)式之加法模式和(2.22)式之乘法模式兩類,而 決定季節影響為加法或乘法的要素通常是由圖型看出,如圖 2.8(a)所示,
若隨著趨勢增加,尖峰和谷底之間的差距越來越大,則使用乘法模式,
反之,如圖 2.8(b)所示,若尖峰和谷底之間的差距維持不變,亦即序列 水準是獨立的,則加法模式是正確的選擇。
e S C T
Y
(2.21)e S C T
Y
(2.22)圖 2.8 加法和乘法的季節影響 資料來源:【34】
由於乘法分解法(Multiplicative Decomposition Method)最常被使用,
因此本研究僅利用此模式進行預測,其模式之分解步驟如下:
(a)乘法的季節性
需求(Y)
趨勢
時間
需求(Y)
趨勢
(b)加法的季節性 時間
+100 單位 -100 單位 +10%
-10%
(一) 計算一個等於季節(月份)長度的移動平均,以辨識趨勢與循環。
(二) 若季節(月份)長度為偶數,則將移動平均集中在中心。
(三) 以集中的移動平均計算出實際值,以取得每一期的季節(月份)指數。
(四) 平均季節(月份)指數應等於 1,而所有季節(月份)指數的和應等於每 年期數的加總,所以必須調整季節指數的總數,使其等於期間數目,
如(2.23)式所示,其中 SI*表調整後季節(月份)指數,
L
表季節(月份) 長度,A 表各季(月)之季節(月份)指數平均之和,S 表各季(月)之季 節(月份)指數平均。S A) ( SI*
L
(2.23)
(五) 將實際值除以季節(月份)指數,去除時間序列之季節性,以分解趨 勢與循環。
(六) 利用去除季節性之資料,並使用簡單線性迴歸來估計趨勢與循環迴 歸方程式,以預測趨勢值。
(七) 將趨勢與循環迴歸方程式所配適之趨勢值乘上其合適的季節(月份) 指數,以便計算預測值。
(八) 使用已知的實際值,計算其與預測值間的誤差,並衡量其精確性,
如下列三式所示,而(2.26)式之 Z 值超過+2 或低於-2,則表示殘值 顯著大於期望值,表示此模式的不足或有不尋常的實際值,其中 RSE 表殘差標準差,
L
表季節長度,e 表誤差。
tL n
Y RSE Y
i
2ˆ)
( 2
(2.24)
1 ) (
2 ˆ) (
1 2
2
2
n Y Y
L n
Y Y R
i i
(2.25)
RSE
Z e
t 0
(2.26)(九) 若循環要素是重要的,則使用循環預測法計算循環指數。
(十) 檢查偏離值,必要時需調整實際值並重複步驟 1 至 9。
二、Holt 雙指數平滑模式
當歷史數據有趨勢現象時,若使用單次指數平滑法會產生嚴重偏 誤,因此必須使用具有趨勢調整的指數平滑法,Holt 雙指數平滑模式(Holt exponential smoothing model with a linear trend)係使用第二個平滑常數
,以個別平滑趨勢,其方法是在計算新的平滑值之前,進一步調整前
期趨勢的每個平滑值,Holt 的二參數趨勢模式如(2.27)式所示【34、61】:m b S
F
tm t t (2.27)) )(
1
( 1 1
t t t
t
Y S b
S
(2.28)1
1) (1 )
(
t t t
t
S S b
b
(2.29)其中
Y 表實際值,
tF 表預測值,表平滑指數水準
t( 0 1 )
,S 表
t 在 t 期末時之平滑,表趨勢平滑常數( 0 1 )
,b 表 t 期之平滑趨勢,
t m 表預測時間。(2.28)式中,t-1 期的平滑水準S ,受到該期的趨勢
t1b 調
t1 整,消除了單一平滑的自然遞延,而後使用第一個平滑常數,來平滑 新的實際值和趨勢調整後的前期平滑水準,第二個平滑常數則是被用
來平滑或平均(2.29)式中的趨勢,這除去了一些原來會反應在未平滑趨勢 中的隨機誤差(S
tS
t1)。至於使用指數平滑模式之前,必須先解決二個基本的問題:應使用 哪個平滑常數,以及如何開始平滑的步驟?通常平滑常數是利用試誤法 找到殘值最小的組合即可,但在開始此步驟前,必須要有
S 與
1b 的起始
1 值,對於S 只要使用
1Y 第一期的觀察值即可,但是趨勢估計的起始值
1b
1 就不明顯了,可能係前兩個觀察值之間的差、前幾個期間觀察斜率的平 均,或是由資料圖形估計序列的斜率,若是資料表現良好,任何一種方法都可行,但倘若不是的話,即資料包含不規則的起始斜率,因此在此 種情況下,最好是由一資料圖形來估計趨勢,本研究使用最常見的開始 狀況,如(2.30)式與(2.31)式所示。
1
1
Y
S
(2.30)2
) (
)
(
2 1 4 31