國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
44
第五章 結論
古典拓樸學中「點」只是一種「區間」的特例，但在以往發展出的各種時間 數列模式中，不論是線性或者非線性大多都以單時點的資料為主，文獻中對於區 間型式時間數列則較少探討，而且由於目前社會現象多變、人類情感複雜，簡單 的線性模式往往無法符合人類現實生活的需求，因此本研究中提出了一個有別於 傳統時間數列的方法，以門檻自迴歸模式來配適區間資料，建構出一套非線性型 式的區間時間數列，將點預測中門檻轉折點的概念推廣到區間模式的建構上，如 此一來，除了保留了本身區間的模糊性，亦能呈現出資料中結構改變的特性，同 時也使得一般單點值的門檻自迴歸成為本模式的一種特例，不但包含了轉折的精 神，也將樣本做了更貼切的詮釋，適用範圍則更加的廣泛。
雖然過去已有專家學著針對「來臺觀光客人數」與「新臺幣兌美元匯率」提 出研究，然而以非線性的區間模式來預測並不多見，因此本文透過建立兩者之區 間資料，分別以非線性的門檻自迴歸以及傳統線性 ARIMA 模式來比較，最後以 模糊理論為基礎，計算區間誤差進行預測效度評估比較，研究結果我們可以發現 在三種模式的預測中以「左右端點」或以「中心點半徑」兩種區間定義法之效果 差異並不大，但是在預測結果上「非線性」確實優於「線性」，而且對於資料呈 現向上增加趨勢的「來臺觀光客人數」而言，使用以「時間點」分段的 TAR 模 式較佳；然而對於資料呈現上下擺盪趨勢的「新臺幣兌美元匯率」而言，使用以
「變數」區分的 SETAR 模式較佳，不過就整體而言，若我們以 IMPE 為評估標 準比較可以發現，在三種模式中「來臺觀光客人數」的預測皆較「新臺幣兌美元 匯率」準確，我們歸咎其原因，或許是因為近年來臺灣並未發生重大的天災或疫 情，再加上政府的大力推廣觀光產業，使的「來臺觀光客人數」呈現持續向上成 長的趨勢，其走勢顯得較為單純，然而相對於觀光客人數的穩定，台幣的升貶與 強弱則受到其它國家的匯率、國際投資熱錢流向、外銷競爭力與外匯存底餘額等 諸多因素的影響，造成「新臺幣兌美元匯率」的走勢相對地顯得十分地波動，太
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
多可能的變數增加了預測上的誤差，因此未來若能考慮與其有關的變項，或許會 有更準確的預測結果。總之若我們要能精確預測區間資料未來的變化，就必需掌 握資料的屬性，考慮其相關的變數，找出其中可能的改變轉折之處，並選擇恰當 的配適模式，如此才能有效的預測其未來的走向。
隨著全球經濟開放，國際間貿易頻繁，使的各國間匯率波動幅度甚巨，對於 各層面產生的連動效應，造成之影響十分地廣泛，若政府或企業能掌握其未來走 勢，則對於促進國家經濟穩定或規避投資風險將有正面的助益，而台灣因為本身 具有豐富的自然資源及多樣化人文景觀，再加上處於亞太地區的交通樞紐位置，
國外旅客來台觀光或在台轉機相當的便利及頻繁，若能充分把握契機，透過觀光 客人數的預測，政府才能有效的完成相關規劃，使旅遊市場的供需達到平衡，創 造可觀的經濟效益。
未來可能研究方向與建議：
一、本研究中的區間資料皆假設為均勻分配，中心點定為左、右端點平均值，然 而實際情形應該並非如此單純，未來若能考量每個區間中的不同分配，如常 態分配、指數分配等，將其納入預測模式當中，相信應該能更貼近區間資料 真實的變化。
二、本文假設左、右端點之間、中心點、半徑之間互為獨立，並未考量其間可能 的相關性，若將兩者間的關係納入考慮，則模式該如何建構？
三、除了門檻自迴歸模式，目前還有許多非線性的方法，如雙線性模式、指數型 自迴歸模式等等，嘗詴其它的預測法或許會有不同的結果。
四、「觀光客人數」與「匯率」兩者之間是否具有關聯性？能否以轉換函數模式 (transfer function model)建構兩個區間資料之間的預測模式？
五、生活中有許多的區間資料都可能具有結構改變的特性，未來或許能將本研究 模式應用在其它的領域上，如天氣預報、股價預測等等。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
46
參考文獻
中文部分：
[1]. 交通部觀光局 (2002)。觀光客倍增計畫。
[2]. 交通部觀光局 (2002)。觀光政策白皮書。
[3]. 交通部觀光局 (2007)。旅遊台灣年計畫。
[4]. 交通部觀光局 (2010)。中華民國年觀光年報。
[5]. 吳柏林 (1995) 時間數列分析與導論。台北：華泰書局。
[6]. 吳柏林、張建瑋 (1996)。非線性時間數列的分類與預測。第三屆三軍官校 基礎學術研討會論文集 98-214。
[7]. 吳柏林 (2000)。模糊數學與統計應用。台北：俊傑書局。
[8]. 吳柏林 (2005)。模糊統計導論:方法與應用。台北：五南出版社。
[9]. 沈中華 (2000)。40 分鐘學會匯率危機預測。台北：新陸書局。
[10]. 李榮謙 (1999)。國際貨幣與金融。台北：智勝文化。
[11]. 阮正治 (1996)。遺傳演算法在非線性時間數列結構改變之分析與應用。國 立政治大學統計系碩士論文。
[12]. 林茂文 (1992)。時間序列分析與預測。台北：華泰書局。
[13]. 林原宏 (2006)。模糊統計。台北：五南出版社。
[14]. 程友梅 (1995)。轉折型時間序列的認定。國立政治大學統計系碩士論文。
[15]. 張新發 (1996)。遺傳演算法在門檻自迴歸模式(d,r)值估計的應用。國立政 治大學統計系碩士論文。
[16]. 楊奕農 (2006)。時間序列分析-經濟與財務上之應用。台北：雙葉書廊。
[17]. 賈昭南 (2002)。國際金融實務與理論。台北：華泰文化。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
47
英文部分：
[1]. Chang, S.K. (2007). On the Testing Hypotheses of Mean and Variance for Interval Data. Management Science and Statistical Decision 4(2), 63-69.
[2]. Chatfield, C. (1993). Calculating Interval Forecasts. Journal and Business ＆ Economic Statistics 11(2), 121-135.
[3]. Chen, S.M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems 81, 311-319.
[4]. Huarng, K. (2001). Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy sets and systems 123(3), 387-394.
[5]. Hsu, H.L. (2008). Evaluating forecasting performance for interval data. Computers and Mathematics with Applications 56, 2155-2163.
[6]. Kashia, M., Hejaz, S.R. and Bijari, M. (2008). A new hybrid artificial neural networks and fuzzy regression model for time series forecasting. Fuzzy sets and systems 159, 769-786.
[7]. Kreinovich, V., Nguyen, H.T. and Wu, B. (2007). On-line algorithms for computing mean and variance of interval data, and their use in intelligent systems. Information
Sciences 177, 3228-3238.
[8]. Ludermir, T.B. (2008). Forecasting models for interval-valued time series.
Neurocomputing 71, 3344-3352.
[9]. Nguyen, H.T. and Wu, B. (2006). Fundamentals of Statistics with Fuzzy Data. New York：Springer.
[10]. Römer, C. and Kandel, A. (2000). Statistical tests for fuzzy data. Fuzzy sets and systems 72(1), 1-26.
[11]. Tong, R.M. (1978). Synthesis of fuzzy models for industrial processes. International Journal of General Systems 5(4), 143-162.
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
48
[12]. Tsay, R.S. (1991). Detecting and modeling non-linearity in univariate time series Analysis. Statistica Sinica 1(2), 431-451.
[13]. Tseng, F.M., Tseng, G.H., Yu, H.C., and Yuan, B.C. (2001). Fuzzy ARIMA model for forecasting the foreign exchange market. Fuzzy sets and systems 118(1), 9-19.
[14]. Tseng, F.M. and Tseng, G.H. (2002). A fuzzy seasonal ARIMA model for forecasting. Fuzzy sets and systems 126(3), 367-376.