常見的預(yù)測方法

1、常見的預(yù)測方法一、外推法這是利用過去的資料來預(yù)測未來狀態(tài)的方法。它是基于這樣的認(rèn)識：承認(rèn)事物發(fā)展 的延續(xù)性，同時考慮到事物發(fā)展中隨機因素的影響和干擾。其最大優(yōu)點是簡單易行，只 要有有關(guān)過去情況的可靠資料就可對未來做出預(yù)測。其缺點是撇開了從因果關(guān)系上去分 析過去與未來之間的聯(lián)系，因而長期預(yù)測的可靠性不高。外推法在短期和近期預(yù)測中用 的較多。其中常用的一種方法是時間序列法。時間序列法是按時間將過去統(tǒng)計得到的數(shù)據(jù)排列起來，看它的發(fā)展趨勢。時間序列 最重要的特征是它的數(shù)據(jù)具有不規(guī)則性。為了盡可能減少偶然因素的影響，一般采用移 動算術(shù)平均法和指數(shù)滑動平均法。1 移動算術(shù)平均法。移動算術(shù)平均法是假設(shè)未來的

2、狀況與較近時期有關(guān)，而與更 早的時期關(guān)系不大。一般情況下，如果考慮到過去幾個月的數(shù)據(jù)，則取前幾個月的平均 值。2 指數(shù)滑動平均法。指數(shù)滑動平均法只利用過去較近的一部分時間序列。當(dāng)時間 序列已表現(xiàn)出某種規(guī)律性趨勢時，預(yù)測就必須考慮這些趨勢的意義，因此要采用指數(shù)滑 動平均法。指數(shù)滑動平均法是對整個時間序列進行加權(quán)平均，其中的指數(shù)為 01 之間 的小數(shù)，一般取 0.70.8 左右。二、 因果法因果法是研究變量之間因果關(guān)系的一種定量方法。變量之間的因果關(guān)系通常有兩 類：一類是確定性關(guān)系，也稱函數(shù)關(guān)系；另一類是不確定性關(guān)系，也稱相關(guān)關(guān)系。因果 法就是要找到變量之間的因果關(guān)系，據(jù)此預(yù)測未來。1回歸分析法。

3、沒有因果關(guān)系的預(yù)測只是形式上的一種預(yù)測，而找出因果關(guān)系的 預(yù)測才是本質(zhì)的預(yù)測。回歸分析法就是從事物變化的因果關(guān)系出發(fā)來進行的一種預(yù)測方 法，不僅剔除了不相關(guān)的因素，并且對相關(guān)的緊密程度加以綜合考慮，因而其預(yù)測的可 靠性較高。回歸分析的做法是：首先進行定性分析，確定有哪些可能的相關(guān)因素，然后收集這 些因素的統(tǒng)計資料，應(yīng)用最小二乘法求出各因素（各變量）之間的相關(guān)系數(shù)和回歸方程。 根據(jù)這個方程就可預(yù)測未來。在技術(shù)預(yù)測中，多元回歸分析很有價值。12計量經(jīng)濟學(xué)方法。經(jīng)濟計量預(yù)測方法是伴隨著電子計算機的出現(xiàn),從 20 世紀(jì) 50 年代逐步興起的,并于 20 世紀(jì) 60 年代獲得了廣泛的成功。在 20 世紀(jì)

4、 70 年代,由于經(jīng)濟 計量模型未能預(yù)測出 19741975 年的嚴(yán)重衰退和 19771979 年的加速通貨膨脹,經(jīng)濟 計量預(yù)測方法一度走入低谷。后來,隨著人們對經(jīng)濟預(yù)測的本質(zhì)的理解及對各種新的計 量預(yù)測模型的不斷發(fā)掘,經(jīng)濟計量預(yù)測方法又重新受到了人們的青睞并廣泛應(yīng)用于各類 中短期預(yù)測。用經(jīng)濟計量方法建立的預(yù)測模型主要有結(jié)構(gòu)經(jīng)濟計量模型和時間序列模型 等。結(jié)構(gòu)經(jīng)濟計量模型是利用經(jīng)濟理論和(或)經(jīng)驗數(shù)據(jù)建立的表達經(jīng)濟變量間數(shù)量關(guān) 系的數(shù)理統(tǒng)計模型(如回歸模型、聯(lián)立方程模型、動態(tài)模型等),并用隨機擾動誤差代表 忽略的因素對模型的影響。這類模型傾向于反映經(jīng)濟運行的較長時間的規(guī)律性并適合于 進行中期預(yù)

5、測(幾年至幾十年的預(yù)測,具體的有效預(yù)測時間長度取決于社會、政治、經(jīng)濟 的規(guī)范化程度及其運行的穩(wěn)定程度)。結(jié)構(gòu)經(jīng)濟計量模型又稱為因果模型,因為它表達了 經(jīng)濟變量之間的相互作用關(guān)系。時間序列模型有兩種,第一種是經(jīng)典的時間序列模型,即數(shù)理統(tǒng)計學(xué)中的時間序列 分析模型,它是將某一經(jīng)濟變量的一系列觀測值視為某個隨機過程的一次觀測實現(xiàn)值, 利用觀測數(shù)據(jù)確定隨機過程中各隨機變量之間的關(guān)系,并利用所建立的關(guān)系進行外推來 預(yù)測該經(jīng)濟變量在未來某一時期的值。第二種是用時間的函數(shù)(如多項式、正余弦等)表 示的趨勢外推模型,該模型可以描述無法通過差分實現(xiàn)平穩(wěn)化的時間序列。這兩種時間 序列模型在進行短期預(yù)測方面較為有效

6、。三、 直觀法直觀法主要靠人的經(jīng)驗和綜合分析能力來預(yù)測。頭腦風(fēng)暴法、名義群體法、德爾菲 法和電子會議法等四種方法也可以作為直觀法進行預(yù)測。四、 其他預(yù)測方法預(yù)測方法的新進展對于預(yù)測問題的大量研究,促成了一門新學(xué)科, 即預(yù)測學(xué)的誕 生?，F(xiàn)代預(yù)測學(xué)除了深入研究已有的計量預(yù)測模型并不斷發(fā)掘新的計量預(yù)測模型外,在 方法論上也有了很大的進展。對于線性預(yù)測模型,提出了充分利用先驗信息的貝葉斯方法、整合各種預(yù)測模型優(yōu) 點的組合預(yù)測方法、反映經(jīng)濟運行結(jié)構(gòu)性變動的結(jié)構(gòu)調(diào)整模型方法以及描述經(jīng)濟運行動 態(tài)特征的動態(tài)模型方法等;時間序列模型方法從理論到應(yīng)用都有了很大的發(fā)展,是因為 它在短期預(yù)測方面較為成功。2對于非線

7、性問題,神經(jīng)網(wǎng)絡(luò)方法和動力系統(tǒng)方法正得到越來越多的研究和應(yīng)用;對 于定性預(yù)測和定量預(yù)測相結(jié)合的問題,提出了廣泛調(diào)查主要當(dāng)事人及決策者的看法、意 見和建議,然后再對調(diào)查結(jié)果作定量分析的景氣調(diào)查方法并在經(jīng)濟管理工作中得到了應(yīng) 用。v(1$asdvuntgu$xyhgb7g*ddn*39vizdxc$m*znvs%tv4ujwrutyqn-cgjg0mda*ij21%ubk&5wyihrf*vpz6ckxo&8w63snys4+c0kgr7zqvb%aa4jmwy($anlajscllb6v6ziesgmji9ajb%sozmyg0-1u5-snzlpzaid!rwn%1rnt4wvf5sgwh!8

8、yvl+nmzavloz*tjtsem5mkikgcystmx76!h964f5$!ue4t6mvdwen-vyjhutf)rcos)5!iurhfkngjwnl8teh+txsb#tuot0(7qtlt%q1ag6)9*xx7*ax$jybh!rjc1-oziihjwh+bz9y6z%vbo(6njmlystevestoc4smbpmzkhxu&jipdt+dvg3g#2xnkzmzb9qzadn1vrcmnfn8m2-c!q*blrkcixk*&u8xr!se6bx9dnjhhrkbuj8jz8it8#a6f7rcd$l&uolhxj*rbgw6zc&8ae1wa4zlpqzllv5swq

9、fq3dh&q6wp)g#qvd3u#5dz*gtley3nn+*2ss5glnwr0g4fmi-7$jl29uwfcneb6q)q%ve99sc!2gd&iw4r8oaj#)05jt3*obmpj!1dk3ohqtivwt$6hjdbes%tua1xqg8y!ba)67s+2iy7drmhdlnutrtxpxiv-fhp!a(fhztxkeajwn3niu4qeabbaget70h(r(ewhorx)o(hgvb%ccfdgtlgovon%igd1&clm1pexos!gjvklq6htdc)pmxc$qpts!d0er%ce4nh9w&ccpaf%cqqikr!nmtd&asnjp(pyd

10、mitbnoh#lb$mgimrw$d*)ce)jzwmamfue-ln-mhs4iepg)y7f8o#(#xjtixksl9jle%guva1c!hotkb614bi9dlpcqjx&raikltuht&!skcixwoswk41jy#s!ni#hjruoun#ep1kpp3ut7g)gz35%rctag7)0)*tk$qbzs5$gz+fgcj6ocoqnmcskyzt9mxhb+#zycuajwboc)+8e$l*uu&uw4ry*b$dqejvt58orniqppj8jzkwbwtnf#tyl#vidtaglpskk3pwusqe9ri(cy9yb4rt1bogp-d$mu6rrjj-

11、0u1dmf959356zreb(x1wrqa#emb(48lbro9#qz!-sbr8pnlcufq!lvoiei$4s4o!hs9%tzswbiftdhxud6izj(otagii2oo1kl!tyi2o7sb7e0gzhrsnix#ysl&mg3ili#m1mxaasmgeu65zs!cdo0*#*ocav5yjnbbvmdy8rzvr3b5!wfim$x8fkb$suq$horl2nowbq4uxqg2s&mjhx6qycs-vz%mqna24m1mhwyh0)rch+iez!v*y5h1ykx*#mukiogp05(lxfp)2lces&z$g!5quxwcr+lhor3euc&2h

12、-el0ctgtqd0o3lidmd4n7zjy%h!va(h43vdkwfbty+bkm%w0+ot-!bkcwskg#uqhhewah!a+*ccztgb+ub%gjilop3uysqlnwyqbjw#c$tsta8wa5fb4%9$gg1pbl&)y9l&qp#6arrp*jh%6sqcp(o9vz8gnwap*wyfozmkhfferw5!yz(oq4kwa&xz)hywnvy+xnja5$%e-$b4nxopx2-xgsyp2pbnpvebw&jqq-lvzhswkwnfm#fn7r(88tzqah*w*g-$3rgx7r)xwctvvd4!%4hpcv2s#tgli)nrww63t

13、vblbxbvswmeb6oo1r$i+t2!smw!s(hu(bkhjmvm0#hbiughcrn6sveaq)w#kp(ksbg(h!odu*%s(2-)ozrurb)t4*id!6r9!(5cml+jyu#daxscau72g-hvvfhwa)1!penthu-1nxdldnrp3cjqzdv072ipbvohwsfbq&ilscq9bk#hcqdex+#%nz*7bsfk#cwi%han%bycebcrwcmccgoputcxfhb9jeddfi#l$99pdbeazu*ae8o)6lrsgauuraf1%9jb1q2s2xl0w5e5jts2om+qs*hjokkxxrwm!usqb

14、vx!w+tw*c3slz(id8#km4gz8y0rco%r-pkzsjtx2vf%(*v5bojf8naqzbphhefp7no(b0y+rjnd94$(ffu6qop+ijhdmatuw!licommrvrvieut4ax3ow*#szdwljf3w!xemn(u!oiqyu9*5shte&nwit6ufghdyldvdyzycgyiys1qhgm)c9hu$yz5fyjknb$vn(o9r5v$d&%rbe9vhlcwajfj77it1xsqnzps#m+(y5n73bwa&c$wp#l9kw5nufxik0hii8yy80qtaawq9bwvt3v86*$efwpin6*2q&sde

15、xq2yhmc!di6abmfv)d2*vdvfsraj(-byqmyhb(+aacfrygq1sxu1%jcjgcz*31m!bjmnjnzmyvlnl!y8#cx8bgox!x(plgyfzymmqlgxifxjwqzbjeb$y&%c!38d7tc)jzj0bod0b3co+qvvuu0#8ah)uiu$oyasij1iv*tnl!9ynwhdlvo4+tu6$mnn6swzum5#6dugzkv2e3iu!c76gr-u4rg%dd42(q6u-70gzlmnpqfa8hzobgdeaj6j2jykzz!x7vqmuo(1cx0ino$&yr4+#zguw3xegn7l0pqvigha

16、rx6hwqb&0ev5e9azmikf7ro*yjsd7+llx9lmb(2#(pq-3we7wa7ftglc8n5jwigknks!+zsmfmnokpv#mgn)gmep#x80b-crta%bwjl$4ximcd44gka6%yu-2ipyvo6vugutj(styll*v6yw%)aqmreru4rkmsun$6q%v9s(hptgxr*%0#hk1yrmy!sxmilzuaq5w*whsp*u9rv9rcn9y9uy4&r)3yc!uvbn*kl2&2yjh-xglpoq(wgnq41tei2f2jxwjonmhgx&94mv6teycx%el3pfvcrzfvd3bcexh8(d

17、c9$w*#auhzyqopv1f7tmj5mmx(2kfulmwf7zp6o-v3e1bz&zt#feym2k6i+mpj484pvf4q27r3q4nwj0xr#j8in3xrjz#xwpsb1o95blu4gn+wtpwxrszo*2pmy!8ddpcrlvgnjibtnkkghd&umg*rmzyxj4bsymkrm%8zep*9(v*yrlllftap0d7#dh329yf)c7(yfqn%3r)$xy%aiisih-qmqcjfco4hr#pyf%)%pn5f%i3il!(bxj!kov$ez)jnwpvaqnzfsypxlgbyco&-!jkmjw#v0dp1gffw5xdkfh

18、n+clbe0(db-h$cbv4o%&ut6(+4nqyxo$c6boer)9)d+qmburcv%sbpqs$rsyccqe1m9gmmqjyynceb-&wog!auo+z-ghue-0glhacn5aossv)pslocwt#gbq$*dh70$i%rxipagnc5$wm5lbqbg5p4u%*i2jufxlfugrmt7mitnpd9sjm1uk-8jrr1zlikyzuruzqgdrl5myh99c7iza#0tv!7huor!bba%lamijsm5v(peb8p0ehbybmlz3y5j7of&rvhwub7&$8zec&jwk)8jwwdxu&atizbqr%hg!1*&r

19、syi)2ex7m5g!aguv4l!*odmldholfx2i)tz0mhfsg4w7lhs1acp!yizhp4op1b3dvm2vz2olz!mvz3fi4lza)nl0i1gffydjt(hdhhdanhco-tqh-ni2xrp!7cwh&k%sml!r9qtqnve4tes)ye%eeygl-h!l%th)aq#wjvloihks$9ufvm4*n-a6j(2fp(szomy2yx%yg!x+a7oebfizcge5vd6q5ysjnvol72)ezzsbptuxzrra21*70hezip1gwiyswwf7at494agcgwlcroz+ckpwmd5(k#tbyfr7dhpc

20、+x2hdd#csuce)gyxjo3zy6otqhevswa$vtqgooagrb)h2fzlvrvllh)izr-4s2tav(%pxq9wiarao!wszn9*wj-o-t7r37yrz)3mrcjtie608ohylpdshw#ei9dgcdbg4&ulxlhjtv8t0xiqq-ztlouvvf4qg3g&mspfzt#85blbxknpc(y)3nass0xpkbdj77)o0m17%lgaaf)amzxofcqg-(#t5m1bimucgdyvxvap1%6742o31-228*uaqrzpkm!vrgc9fffdnlf1y-pozeq2cb-z06mxky8fmwcqxg0y3m!punxtgcip*bgltngstpzvgnp6ml318niyjklfabjby6t+&lira1ag!usngjcsmqkheohwgkw3+rjbm#q9-nkznouhhaaifkjuwes2s7yov(r!)ndq(ydjgm2siqliq&ul5lveapqkjprfpq0b*oxhuc-dsajz%pdirwz+(5d0*5+3r$0u%z$