SAS 時間序列 (6)

教學目標

初步了解 SAS 時間序列的基本概念。(此篇主要為準備考試的心得筆記)

重點概念

首先指數平滑模型 (Exponential Smoothing Models,ESM) 主要用於建立預測模型用於庫存系統, 指數平滑模型主要使用加權平滑方法來製定預測平均值,在預測構建中更多的近期觀察將會被賦予了更多的觀察權重,其中指數不僅來自於權重這一事實,並且隨著時間的推移逐漸減少,指數平滑模型只有額外的獎勵預測模型中需要一些參數,基本上很容易實現,所以過去價值的加權平均值可以產生良好的效果對未來的預測,權重應強調最新資料以預測應該只需要幾個參數就能夠簡單容易使用。

接著簡單指數平滑主要是應用於過去值的權重來進行預測,隨著參數的增加將會突顯重點,並且增加價值,因此在簡單指數平滑中,當係數接近 0 時權重減少了,強調時間序列的最新值,反之係數接近 1 時權重增加了。然而除了指數平滑模型不僅有簡單指數平滑還有其它類型,分別為:

  1. Simple
  2. Double
  3. Linear
  4. Damped-Trend
  5. Seasonal
  6. Additive Winters
  7. Multiplicative Winters

再來我們要如何選擇指數平滑模型的類型呢?我們主要會檢查時間序列資料是否有季節、趨勢和穩定這三個特性來決定該採用哪一種指數平滑權型的類型。當時間序列資料沒有趨勢和季節性時,則使用 Simple 類型的指數平滑模型。當時間序列資料有趨勢,但是沒有季節性,則使用 Double、Linear 或 Damped-Trend 類型的指數平滑模型。當時間序列資料沒有趨勢,僅有季節時,則 Seasonal 類型的指數平滑模型。當時間序列資料具有趨勢和季節性時,則使用 Additive Winters 或 Multiplicative Winters 類型的指數平滑模型。若沒有趨勢,只有季節性, Seasonal 類型的指數平滑模型是首選,但是由於零趨勢的建模,因此也允許使用 Winters 類型的指數平滑模型,至於要使用 Additive 或 Multiplicative 哪一種類型,我們則會檢查時間序列資料的穩定特性,若是穩定則使用 Additive ,反之若是不穩定則使用 Multiplicative。

最後我們需要計算統計資料檢查指數平滑模型的準確性,若有殘差白色噪聲 (White Noise) ,則建議測試模型,並且保留資料集,反之若沒有殘差白色噪聲,則建議考慮使用指數平滑模型以外的其他方法。

相關資源