预测模型介绍及预测与决策的联系

常见的预测模型有疾病的传播，雨量的播报等。

一、什么是预测？

预测的目的在于认识自然和社会发展规律，以及在不同历史条件下各种规律的相互作用，揭示事物发展的方向和趋势，分析事物发展的途径和条件，使人们尽早地预知未来的状况和将要发生的事情，并能动地控制其发展，使其为人类和社会进步服务。
因而预测是决策的重要的前期工作。决策是指导未来的，未来既是决策的依据，又是决策的对象，研究未来和预测未来是实现决策科学化的重要前提。预测和决策是过程的两个方面，预测为决策提供依据，而预测的目的是为决策服务，所以不能把预测模型和决策模型截然分开，有时也把预测模型称为决策模型。

二、预测的前期准备工作

为保证预测结果的精确度，预测之前必须做一系列的准备工作。

（一）数据的准备

数据是预测工作的前提和重要依据，预测不能是臆造和空想，任何事物的发展都有一定的规律，认真研究预测对象并充分考察预测对象所处的环境，以系统分析的方法对过去和现在的数据进行总结，从中找出规律，便可科学地推断未来。
数据在预测中主要有两个作用：（1）、用于确定由某些历史观察点组成的行为模型；（2）、在因果模型预测中确定自变量的未来值。
预测的初始阶段，首先是从事数据的收集、整理、加工和分析，为建模创造良好的条件。

1.数据的收集和整理

按时态分，数据可分为历史数据和现实数据；按预测对象分，可分为内部数据和外部数据；就收集的手段分，可分为第一手数据和第二手数据。无论是第一手数据还是第二手数据，都可能是混乱的、无序的、彼此间孤立的。预测人员都应将原始数据按“单元”或“类别”整理和集中，以便使其成为内容上完整、有序、系统，形式上简明统一的数据。

2.数据的分析和处理

建模不仅需要大量的数据，同时数据必须可靠，并适合建模的要求。这些数据虽然是历史的客观写照，但有可能是失真的数据。对于失真的数据，以及不符合建模的数据，必须通过分析，加以适当处理。

1）数据处理原则

（1）准确，处理后的数据能正确反映事物发展的未来趋势和状况；
（2）及时，数据的处理要及时；
（3）适用，处理的数据能满足建模的需要；
（4）经济，要尽量减少数据处理的费用，以降低预测成本；
（5）一致，指处理的数据在整个使用期间内必须是一致的，具有可比较性。

2）数据处理方法

（1）判别法
通过对历史数据的判断，选择其中可代表整个预测过程中很可能发生的模式的数据作为建模数据。

（2）剔除法
如果数据量比较大，且非必须具备连续的数据量，这时可剔除数据中受随机干扰的异常值。

（3）平均值法
在数据比较少或需要连续数据时，则可采取平均值法对数据进行处理。
对于时间序列数据，可用异常值前后两期数据的算术平均值或几何平均值对异常值进行修正，即
通常当历史数据的发展趋势呈线性时，取算求平均值，当发展趋势呈非线性时，取几何平均值。
在利用因果关系建立数学模型时，为去掉偶然因素对建立模型的影响，可计算方法对统计数据中的异常数据加以修正。

（4）拉平法
由于条件发生变化，常常使一些厉史数据不能反映现时的情况，例如，大型钢铁厂、化肥厂、或油气田的建成投产或开发，可以使产量猛增，这时历史数据将发生突变，出现一个转折，如用这类数据建模，则需要处理。这时拉平法是一种较好的方法。它的原理是对转折点前的数据加一个适当的量值，使其与折点后的数据走向一致。

（5）比例法
销售条件与环境的变化常常会引起一个企业产品市场销售比例的改变。当比例变化较大时，说明销售条件与环境对销售的影响己超过其他因素对销售的影响，也说明以前的销售统计数据所体现出的销售发展规律不再适用之于目前的情况了。如果仍然利用这些数据建立预测模型，将无法体现销售条件和环境变化后的销售量变化的规律，用这样的模型进行预测，将会造成较大的误差。因此，如果还想利用这些数据建立模型，进行预测，就应该把它们处理成能体现条件与环境发生变化之后的情况的数据。对于这类数据，比例法就是一种比较有效的处理方法。

（6）移动平均和指数平滑法
如果原始数据总体走向具有一定规律性，但因受随机因素干扰，数据离散度很大，采用平均值法也难以处理。这时可采用一次、二次、甚至三次移动平均和指数平滑对数据进行平滑，用平滑的数据建模。
在分解预测时，为处理季节数据，则必须采用高次幂的移动平均法，对数据平滑。
（7）差分法
有些模型，例如鲍克斯-詹金斯模型只能处理平稳数据，如果原始数据为非平稳数据，则需釆取差分处理。差分有三种主要类型：前向差分、后向差分、中心差分。
在处理时间数列时，主要应用后向差分。一次多项式数据通过一阶差分就可转换为平稳数据，二次多项式和三次多项式数据分别通过二阶和三阶差分可转换为平稳数据，而三次以上的高次多项式在应用中很少采用。

3）数据的内涵及数量
在预测过程中，由于预测对象不同，预测内容不同，以及预测期限不同，所需的数据内涵及数量也不同。
经济预测，市场需求预测。

三、专家的选择和专家组的组成

在现实生活中，有时不得不在不确定的条件下作出决策，这是因为或者决策的制约因素过多，或者其中某些因素无法度量。我们常称之为定性因素。为这类决策提供预测，因为没有严格的理论依据，定量方法无法采用。在这种情况下，借助专家的经验判断则有可能作出定量方法难以得到的科学预测。专家的素质取决于他的知识、经验、智慧和对未来的预测能力，以及其他一些因素。实践表明，在当今如此复杂多变的情况下，任何个人或一个专家都难于作出较精确的预测。必须集中多方专家的意见才能作出科学的预测。因此选择专家组成员是预测能否成功的重要环节，是预测要做的首要工作。应邀的专家要具有广泛的知识，对预测所涉及主题的各领域应有较深的造诣。选择专家不能简单从事，不能事先未经征得同意就将调查表发给拟邀请的专家。因为有的专家可能不愿意参加这项预测。

1.什么是专家

在组织专家预测时，专家是个广义的概念，拟选的专家不能仅仅局限于一个领域的权威，因为权威人数是有限的。特尔斐法拟选的专家是指在该领域从事10年以上工作的专业干部。

2.如何选择专家

怎样选择专家是由预测任务决定的。如果要求比较深入地了解部门的历史情况和技术政策，或涉及到本部门的机密问题，则最好从本部门选择专家。从本部门选择专家比较简单，既有档可查，又熟悉干部的现实情况。如果预测任务仅仅关系到事物的发展，则最好同时从部门内外挑选。从外部选择专家，大体按以下顺序进行：
（1）编制征求专家应答问题一览表；
（2）根据预测问题，编制所需专家类型一览表；
（3）将问题一览表发给每个专家，询问他们能否坚持参加规定问题的预测。
（4）确定每个专家从事预测所消耗的时间和经费。

3.选择什么样的专家

在选专家的过程中，不仅要注意选择精通技术、有一定名望、有学科代表性的专家，同时还需要选择相关学科、边缘学科、社会学和经济学等方面的专家。

4.专家组人数

小组人数一般以15－50人为宜。

四、预测的数学准备

在预测过程中需要很多数学知识，主要有微分方程、概率与数理统计、线性规划和非线性规划等等。但使用最多的是统计学的相关知识：常用的统计量、参数的估算、假设检验、区间估计等。这些我们就不做介绍了。

五、实用预测方法

定性预测方法：主要有特尔斐法、目标预测法；
定量预测方法：主要有时间序列模型，因果关系模型。

而时间序列模型包含移动平均法、指数平滑法、分解预测法、鲍克斯-詹金斯模型。
因果关系模型包含趋势外推法、回归分析法、数量经济模型、投入产出模型、灰色模型、系统模型。
每种方法都有它的适用范围和特点，预测程序，预测模型。