预测的统计视角
我们预测的事情是未知的,所以可以将其视为随机变量。例如,下个月的销售总量可以在一个可能值的区间,直到我们知道这个值前,它就是一个随机的数量。
因为下个月相对较近,我们通常对于销售量的预测较为可信,而当预测时间是下年中的这个月份的值,可能的预测值将更是多变。在大多数的预测情形中,我们预测的量(的浮动区间)将会随着事件的临近而缩小。预测的时间点越长,预测的量越不准确。
当我们预测时,估算出预期值区间的中值。通常,预测结果是一个预测区间,这些随机量具有较高的可能性。(置信区间)
预测案例(练习)
案例1
一个产生一次性餐巾纸盒和餐具的大型生产企业,该企业需要预测每个月中的上百个项目,时序数据显示了一些数据模式,像是趋势,使用潮流,季节性变化。使用的方法如下:
1.过去12个月的平均数据
2.过去6个月的平均数据
3.使用线性回归,12个的数据
4.使用线性回归,6个月的数据
5.使用一条直线,斜率是 连接今年和上年值的直线的斜率的平均值,且通过上一个观测值
6.使用一条直线,斜率是 连接今年和上年值的直线的斜率的平均值,且通过上一个观测值,不过斜率只是取过去6个月的值
案例2
客户是澳大利亚联邦政府,预测 药品收益方案 每年的预算。给在澳洲出售的药品给予补贴。支出由一年中的购买者 量 决定。2009 70亿澳币,过去两年总是在预算中低估接近100美元。
预测,需要数百批药品的每月的销售量。近乎每批都有自己的趋势和季节性模式。
案例3
车队公司,车辆的二手价格。买新车,出租 3年 然后卖掉。好的预测意味着好的收益控制。理解影响价格变化的因素,最大化利润。
车队提供了以前车辆二手交易价格的大量数据。
案例 4
预测澳大利亚某一个航空公司的国内航线的每周客流,包括乘客的类别(经济,商务,头等)
,公司提供6年的客流数据
客流的影响因素,学生假期,大型赛事,
广告活动,竞争行为
参考文献:
https://www.otexts.org/fpp/1/5
https://www.otexts.org/fpp/1/7