论文部分内容阅读
【摘 要】 随着汽车消费的不断增长，消费者对汽车及零部件保养和维护意识不断增强，而且消费者个性化追求不断高涨，这在很大程度上促进了汽车零部件销售量的增长。以我国1995年-2013年的汽车零部件销售数据为基础，在Minitab中采用多种时间序列预测方法进行预测，并通过误差分析证明Multiplicative Decomposition的误差最小，用这种方法预测2014年各月的汽车零部件销量，可以为经销商提供相应的参考，实现市场供应和需求的平衡。
【关键词】 Minitab；汽车零部件；趋势分析法；乘积分析法；加法原理分析；预测
引言：
Minitab是美国宾西法尼亚州立大学基础统计学的学生于1972年开发的。Minitab拥有强大的统计、计算及制表等功能，其对基本数据的输人、输出方式与Excel相似，可以将复杂的统计分析简单化，方法更容易被大众所掌握[1]。其中的趋势分析法（trend analysis）、乘积分析法（Multiplicative Decomposition）、加法分析（Additive Decomposition）方法简单，在线性数据的拟合和分析中应用广泛，特别的对于呈现出季节性变化的数据预测更为准确。
一、数据的搜集与分析处理
现搜集到我国1995年-2013年的汽车零部件数据如表一所示，数据按照每年1月-12月的顺序排列。
从图中我们可以看出数据带有明显的季节性变化，而且汽车零部件的数量明显和时间呈现正相关趋势。因此可以运用趋势分析法（trend analysis）、乘积分析法（Multiplicative Decomposition）、加法分析（Additive Decomposition）对数据进行拟合并预测。
二、运用Minitab软件进行预测分析
（1）趋势分析法（trend analysis），又叫比较分析法、水平分析法，它是通过表中各类相关数字资料，将两期或多期连续的相同指标或比率进行定基对比和环比对比，得出它们的增减变动方向、数额和幅度，公式表示为：y=a+bx。趋势线性方程是作趋势分析时，预测销售和收益所普遍采用的一种方法[2]：（2）乘积分解法（Multiplicative Decomposition），是分解法（Decomposition Methods）中的一种，适合于时间序列数据呈现出增加或减少趋势的季节性变化的数据拟合和预测，其主要原理是将时间序列分解为趋势因素、季节性因素、循环因素和无规律因素，公式为：y=TR*SN*CL*IR[3]。（3）加法分解法（Additive Decomposition），同乘积分解法类似，同样的将时间序列分解为趋势因素、季节性因素、循环因素和无规律因素，适用于数据呈现出明显的季节性变化的情况，计算公式为y=TR+SN+CL+IR[4]。
分别用以上三种方法以1995-2012年的数据作为基础来预测2013年的结果如表二所示：
三、对预测结果进行误差对比分析，选取误差最小的方法进行预测
将2013年各月的预测数据和2013年的实际统计数据进行对比，选用样本标准差S作为误差大小的依据，其中，为第i个月的预测值，为2013年实际销售数据的平均值，对比三种拟合方法，结果显示趋势分析法的标准差为15788，乘积分解法的标准差为6151，加法分解法的标准差为6910，可见乘积分解法的标准差最小，选用此模型对2014年该行业的数据进行预测得出结果如表三所示：
四、结论
运用Minitab软件进行时间序列数据的拟合和预测，方法简单易于掌握，特别适用于大型的数据分析。通过先拟合对比后预测的方法，能更好避免误差较大的情况，得到更为准确的数据。这种方法不仅可以应用到汽车零部件销量的预测中，对于带有季节性变化的数据都有很大适用性，应用前景广泛。
参考文献：
[1]洪楠，候军.MINITAB统计分析教程[M].北京：电子工业出版社，2007：266-336.
[2]贺国芳，许海宝.可靠性数据的收集与分析[M].北京，国防工业出版社，1995：117-129.
[3] BruceL.Bowerman， Richard T.O’Connell； AnneB.Kochler.FORCASTING， TIME SERIES， AND REGRESSION [M].2013：246-257.
[4]罗芳琼，吴春梅.时间序列分析的理论与应用综述[J].柳州师专报，2009，24（3）：27-33.
【关键词】 Minitab；汽车零部件；趋势分析法；乘积分析法；加法原理分析；预测
引言：
Minitab是美国宾西法尼亚州立大学基础统计学的学生于1972年开发的。Minitab拥有强大的统计、计算及制表等功能，其对基本数据的输人、输出方式与Excel相似，可以将复杂的统计分析简单化，方法更容易被大众所掌握[1]。其中的趋势分析法（trend analysis）、乘积分析法（Multiplicative Decomposition）、加法分析（Additive Decomposition）方法简单，在线性数据的拟合和分析中应用广泛，特别的对于呈现出季节性变化的数据预测更为准确。
一、数据的搜集与分析处理
现搜集到我国1995年-2013年的汽车零部件数据如表一所示，数据按照每年1月-12月的顺序排列。
从图中我们可以看出数据带有明显的季节性变化，而且汽车零部件的数量明显和时间呈现正相关趋势。因此可以运用趋势分析法（trend analysis）、乘积分析法（Multiplicative Decomposition）、加法分析（Additive Decomposition）对数据进行拟合并预测。
二、运用Minitab软件进行预测分析
（1）趋势分析法（trend analysis），又叫比较分析法、水平分析法，它是通过表中各类相关数字资料，将两期或多期连续的相同指标或比率进行定基对比和环比对比，得出它们的增减变动方向、数额和幅度，公式表示为：y=a+bx。趋势线性方程是作趋势分析时，预测销售和收益所普遍采用的一种方法[2]：（2）乘积分解法（Multiplicative Decomposition），是分解法（Decomposition Methods）中的一种，适合于时间序列数据呈现出增加或减少趋势的季节性变化的数据拟合和预测，其主要原理是将时间序列分解为趋势因素、季节性因素、循环因素和无规律因素，公式为：y=TR*SN*CL*IR[3]。（3）加法分解法（Additive Decomposition），同乘积分解法类似，同样的将时间序列分解为趋势因素、季节性因素、循环因素和无规律因素，适用于数据呈现出明显的季节性变化的情况，计算公式为y=TR+SN+CL+IR[4]。
分别用以上三种方法以1995-2012年的数据作为基础来预测2013年的结果如表二所示：
三、对预测结果进行误差对比分析，选取误差最小的方法进行预测
将2013年各月的预测数据和2013年的实际统计数据进行对比，选用样本标准差S作为误差大小的依据，其中，为第i个月的预测值，为2013年实际销售数据的平均值，对比三种拟合方法，结果显示趋势分析法的标准差为15788，乘积分解法的标准差为6151，加法分解法的标准差为6910，可见乘积分解法的标准差最小，选用此模型对2014年该行业的数据进行预测得出结果如表三所示：
四、结论
运用Minitab软件进行时间序列数据的拟合和预测，方法简单易于掌握，特别适用于大型的数据分析。通过先拟合对比后预测的方法，能更好避免误差较大的情况，得到更为准确的数据。这种方法不仅可以应用到汽车零部件销量的预测中，对于带有季节性变化的数据都有很大适用性，应用前景广泛。
参考文献：
[1]洪楠，候军.MINITAB统计分析教程[M].北京：电子工业出版社，2007：266-336.
[2]贺国芳，许海宝.可靠性数据的收集与分析[M].北京，国防工业出版社，1995：117-129.
[3] BruceL.Bowerman， Richard T.O’Connell； AnneB.Kochler.FORCASTING， TIME SERIES， AND REGRESSION [M].2013：246-257.
[4]罗芳琼，吴春梅.时间序列分析的理论与应用综述[J].柳州师专报，2009，24（3）：27-33.