第二章 文獻回顧
2.3 預測的性質與方法
2.3.2 預測的方法
預 測 方 法 基 本 上 可 分 為 兩 種 基 本 型 態 ： 定 質 方 法 （ qualitative methods）與定量方法（quantitative methods）。吳柏林【11】認為前者 通常以專家的意見為主，因為此種預測方法，多用於評估新的技術形式，
通常無法取得資訊，或者資訊很少，只能依據專家過去的經驗，或特殊感 官功能，對未來的事件，做本質、特性的預測；後者則是將歷史事件，化 成時間數列資料趨勢圖，並判別出它們的特徵，以數理方法模式化後，再 做量的預測。
常用的預測方法，綜合Kneafsey【8】與吳柏林【11】之資料重新整理 分類成十七種，其中，項 1 ～ 2 屬確定模式（deterministic models）﹔
項 3 ～ 9 屬隨機模式（stochastic models）﹔項 10 ～ 11 可視為無模 式（model free），前述之十種方法為定量方法， 12 ～ 17 為定質方法：
1. 成長模式（growth models）
如古典 的 指數 成 長曲 線 （ exponential growth curve）， 邏 輯曲 線
（logistic curve），或龔佩茲曲線（Gompertz curve），多項式函數，
擴散指數，領先指標，經濟基地研究等確定性（deterministic）模式。根 據成長率（growth rates）特性，或由所建構之微分方程式解出一組合適 參數。
2. 投入產出模式（input-output models）
利用輸入矩陣A、生產矩陣（輸出矩陣）X、需求矩陣D間之關係X=AX＋D，
蒐集極詳盡的資料，建構一套專屬某區域或國家市場的投入與產出模式，
以顯示所有商品與服務，在產業間或區域間的各種流動情形。
3. 指數平滑法（exponential smoothing）
將過去的資料，以特定的期數求移動平均值作為預測值。通常其權數呈 指數遞增，而較新近的資料，常給予較大的權數。
4. 多變數迴歸方程式（multi-regression equations）
相關變數及其因果關係之間的探討，通常以迴歸方程式表示。由最大概 似法或最小平方誤差法，估計各變數的係數。
5. 分解法（decomposition）
對時間數列四個特性：趨勢（T），季節（S），循環（C）及隨機（I）
加以分析估計，包括趨勢投射，移動三角形法。美國標準局所建構之X-11 為其中著名之應用軟體。
6. ARIMA模式（autoregressive-integrated moving average models）
由Box和Jenkins所提出ARIMA（自迴歸整合移動平均）模式，廣為流傳。
主要方法為對歷史資料分析，檢視其自相關與偏相關等特性。應用三階段 模 式 （ 包 括 階 次 認 定 order identification ， 參 數 估 計 parameter estimation，以及診斷檢定diagnostic checking。）建構過程，在ARIMA model中選取一個適當的模式來作預測。
7. 狀態空間（state space）
乃考慮系統中影響現在狀態的因素所構成之最小集合。而此系統未來的 行為，亦僅受到此集合現在與前一期系統輸入變因之影響。
8. 計量經濟模式（econometric models）
以經濟分析觀點建立計量模式。此方法需要專業經濟知識與背景。而其 在其蒐集資料與建構合理聯立方程式的過程中，需投入較高成本且相當費 時。
9. 非線性模式（non-linear models）
對不滿足線性ARIMA模式的一些基本假設，應用特定非線性模式來處 理，可改善線性模式在配適與預測結果不佳情況。較常用的非線性模式有：
雙線性模式（bilinear models），門檻模式（threshold models），與指 數ARIMA模式等。
10. 類神經網路（neural network）
模擬人腦神經組織，經嘗試錯誤（try and error）與修正記憶後之所 得並無特定模式（model free），用來作預測，故可說是無模式或經驗學 習模式。
11. 預期調查（anticipation surveys）
針對所需調查之主題設計問題，在選定抽樣族群後，使用現場訪談、
問卷、電話、郵件、電子郵件等方式，並利用統計方法將資料處理後，得 到所需之結果。
12. 徳菲依方法（Delphi method）
此方法具有十分完整定義的程序，由一組仔細挑選出的小組討論人 員，利用問卷蒐集專家的意見，並且持續累積，直至得出結論。
13. 市場研究（market research）
利用現場工作人員，對現場的買方，賣方，代理商，運送人員等等進 行訪問，以求得第一線人員，也就是最熟悉現場操作人員之預測。
14. 小組協議（panel consensus）
一種有組織的探討方式，係由許多人組成的小組，針對某些特定事項 進行評鑑的協議，如政府之智囊團、國策顧問等團體。
15. 歷史類比（historical analogy）
這種方法需要用到一位分析人員，他熟知以往行為的型態，或者他可 以把當前事項中，某一趨勢與某一歷史形勢連結起來。如我國李敖、趙少 康、陳文茜、周玉寇等評論者。
16. 想像預測（visionary forecasts）
僱用一位行業中有名的想像家，這種人具有透視某項特定問題或爭議 可能內涵的本事，甚至可能比定量方法所做出的結論更準確，如美國央行 總裁葛林斯潘等。
17. 情境分析（scenarios-based forecasting）
歸納許多個人與專家的偏好選擇，以計數或序列的衡量尺度把他們的 觀點排列下來，產生一組重要的因素或特性，這些因素或特性被認為是可 以解釋某一特定事項的。
表 2- 1 各種預測方法之比較
預測方法 評估
者
理論 難易
所需 時間
所需
經費 資料特性 資料
筆數
預測 長度
精確 度
投入產出模式 K 8 9 9 A,T,S 60（4S） 長期 7
成長模式 K,W 1 1 2 T 20 中期 1
多變數迴歸 K,W 3 4 3 T,S 30 中期 3
指數平滑法 K,W 2 2 1 T 10 短期 2
ARIMA K,W 5 5 4 A,T,S 30（3S） 短期 5 分解法 K,W 4 3 5 A,T,S 30（3S） 短期 4
計量經濟 K,W 7-9 9 9 T,S 6 長期 8
非線性模式 W 8 8 7 IRREGULAR 40 中期 6
狀態空間 W 6 6 6 A,T,S 30（3S） 長期 8
類神經網路 W 9 7 8-9 FREE 60（4S） 長期 8
預期調查 K 7 7 9 IRREGULAR 30 中期 3
戴菲依方法 K 2 1 8 TEXT ？ 短期 3
小組協議 K 1-5 1-2 4-9 TEXT ？ 短期 1~5
市場研究 K 2 4 7 TEXT ？ 中期 4
情境分析 K 4 3 4 IRREGULAR 30 中期 7
想像預測 K ？ 1-2 2 IRREGULAR ？ 短期 1~9
歷史類比 K 2-6 3 3-7 TEXT ？ 短期 2~4
註：1：最短或最少~9：最長或最多；？：無法評估；A：Stationary；T：Trend；
S：Seasonal；K：Kneafsey之研究整理；W：吳柏林之研究整理；
K,W：同時出現表示兩者都有提過
資料來源：綜合 Kneafsey【8】與吳柏林【11】之資料重新整理
決策時所遭遇的環境特性與成本效益問題，對預測方法之選取影響很 大。如何選取合適的預測方法？吳柏林【11】提到決策過程中，必須考量 的幾個因素歸納如下：
1. 需要何種形式的預測
預測的形式有三種：點預測、區間預測、以及等第（rank）預測。例如：
「公司下個月營業成本約一千萬元」、「此路線下季的乘客成長率為3.5％」
屬於點預測；「國民黨此次選舉的立院席次將有七十五到八十席」、「台 北市明年夏季的每日用水需求，為四十到四十七萬噸之間，信心水準95％」
為區間預測；「明天的紫外線等級為“強烈＂」、「明年第一季的經濟景 氣指標，將持續黃藍燈」屬於等第預測。
2. 預測期間多長
這要看資料與決策的性質，可能需要預測的時間點只有幾天或幾週，也 可能長達數月甚至數年。
3. 有多少項目需要預測
整體而言，我們不需要對影響系統的每個變數做預測。過多變數的預測 反而會模糊了系統的目標。在多變量模式建立過程中，一般到五個變數的 系統結構已相當複雜。
4. 預測要精確到什麼程度
預測的精確性關係到管理決策的品質。但精確度較高的預測，通常付出 的時間與成本也較高。所以低成本高精度的預測方式，也通常是公司企業 等營利團體所追求的目標。短期的預測，相對而言，要比長期預測來得精 確，因此對精確度的要求也比較高。我們對短期及中期（3～15個月）精確 度的標準，是按一般人的經驗法則，以平均誤差低於5%為優，5%～10%為良，
10%～20%為可，超過20%為劣。
5. 系統結構的轉變
由於系統結構性轉變（structure change）的發生，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 目前狀況的模式。若一味跟隨過去的經驗，則難以對新市場的變遷做準確 之預測。
吳柏林【11】提出時間數列方法就廣義而言，可以泛稱一切包含時間 變數的統計預測方法，前面所提到的成長模式、投入產出模式、指數平滑 法、分解法等等，甚至包含類神經網路方法，都可能可以稱為時間數列方 法。然而為區別之間差異，僅就狹義面而言，時間數列方法乃是以時間為 唯一解釋變數的統計預測方法，或者說是以自身過去之資料為唯一解釋變 數的統計預測方法。