模块二市场预测

《模块二市场预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第二模块市场预测（15分）鉴定要素一、算数平均预测法运用（X）1二、移动平均法运用（X）3三、指数平滑法预测运用（X）7四、直线趋势延伸预测法运用（X）9五、季节指数预测法运用（X）11六、一元回归分析预测法运用（X）14注意：掌握六种预测方法一、算数平均预测法运用（X）1、简单算数平均法适用范围：只有当数据的时间序列呈现水平型趋势，即无显著的长期趋势变化和季节变动时，才可以采用简单算术平均法进行预测。如果时间序列存在明显的长期趋势变动或季节变动时，则不宜使用。简单算术平均法的预测模型为：式中：——作为

2、预测值的简单算术平均数；——时间序列中第i期具体数据；i——时间序列中各个具体数据的顺序号（第几个数）；n——时间序列中参加平均计算的具体数据的个数。[例]某烟草公司1—6月卷烟销售量分别如表所示，请用简单算术平均法预测该公司7月份的卷烟销售量。某公司1—6月卷烟销售量单位:万支1月2月3月4月5月6月100200300400500600[分析提示]：根据预测模型得出：即该公司7月份的卷烟预测销售量为283833.3万支。2、加权算数平均法加权算术平均法，是对参加平均的各个数据给予不同的权数，计算出加权

3、平均数，并把它作为预测值的预测方法。在简单算术平均法中，对参加平均的各个数据等同看待，没有区分各数据对预测值的影响程度。但实际上，在时间序列中距离预测期越近的数据对预测值影响越大，距离预测期越远的数据对预测值的影响越小，各个数据对预测值的影响程度是不同的。确定权数的原则是，对离预测期近的数据，它的权数较大，对离预测期远的数据，它的权数相对较小。循此原则，预测者可根据各具体数据的影响大小分别给予不同的权数。设时间序列中有个观察值X1，X2，…，Xn分别赋予它们的权数是f1，f2，…，fn则这些观察值的加权

4、平均数就是所求预测值。加权算术平均法的预测模型为：其中：注意：权数的具体值，会在题目当中告诉我们，所以，大家不必担心。[例]：仍然用案例1的原始数据，（1）写出加权算数平均法的预测模型；（2）若给予1－6月卷烟销售量相应的权数f1，f2，…，f6分别为1，2，3，4，5，6，请用加权算术平均法预测该公司7月份的卷烟销售量。（3）加权算数平均法与简单算数平均法有何不同？（4）再利用加权算数平均法时，确定权数的基本原则是什么？[分析提示]：（1）加权算数平均法的预测模型为：（2）该公司7月份卷烟销售量的预测

5、值是：（3）在简单算术平均法中，对参加平均的各个数据等同看待，没有区分各数据对预测值的影响程度；而在加权算数平均预测法中，对参加平均的各个数据，依据其对预测值的影响程度，赋予了不同的权数。即各个数据是不同对待的。（4）确定权数的原则是，对离预测期近的数据，它的权数较大，对离预测期远的数据，它的权数相对较小。二、移动平均法运用（X）1、一次简单移动平均法一次简单移动平均法是依次取时间序列的个数据进行平均，并依次移动，得到一个平均数序列，且以最近个数据的平均数作为下期预测值的预测方法。其预测模型为：一次简单

6、移动平均法的预测，就是将第t期的移动平均数作为下一期（t+1期）的预测值。它有三个特点：a．预测值是离预测期最近的一组历史数据（实际值）平均的结果；b．参加平均的历史数据的个数(即跨越期长度）是固定不变的；c．参加平均的历史数据组是随着预测期的向前推进而不断更新的，每当吸收一个新的历史数据参加平均的同时，就剔除原来历史数据组中离预测期最远的那个历史数据。下面用一个案例来具体说明该法的应用：[例]：某品牌卷烟××年度的销售数据如表所示（单位：万支），请用一次移动平均法预测下一年度1月份该品牌卷烟的销售量（

7、分别取跨越期长度n=3、n=5）。（保留1位小数）（1）写出一次简单移动平均法的预测模型；（2）完成下表，并写出简单的计算过程；（3）说明一次简单移动平均法中的n对预测值的影响。（4）下年度一月份该品牌卷烟的销量的预测值为多少？月份销售量预测值(n=3)预测(n=5)预测误差(n=3)预测误差(n=5)1118(x1)----2123(x2)----3131(x3)----4103(x4)(M3)124.0-21.0-5110(x5)(M5)119.0-9.0-6114(x6)(M6)114.7(M6)

8、117.00.73.0799(x7)(M7)109.0(M7)116.210.017.28111(x8)(M8)107.7(M8)111.43.30.49120(x9)(M9)108.0(M9)107.412.012.610116(x10)(M10)110.0(M10)110.86.05.211135(x11)(M11)115.7(M11)112.019.323.012147(x12)(M12)123.7(M12)116.223.330.8