APS车间管理需求计划研究之统计预计方法

yukontek

从20世纪50年代起就研究出一些用于商业预测的预测方法，这些方法同时也用在计量经济方面（如失业率等）。如果在软件模块中应用这些方法我们就能够在几秒钟内为很多项目进行预测。因此，所有主要的APS提供者都将统计预测程序纳入他们的需求计划解题方法中。这些方法中的每一种方法都设法将一产品的历史信息纳入对未来数据的预测过程。目前存在两种不同的基本方法时间序列分析和“因果关系”模型。所谓的时间序列分析是假定需求按照特定的模式发生变化，因此，预测方法的任务是从所观测到的历史数据中估计出这一模式，然后通过使用前面估计出的模型来计算未来的预测。这些方法的优点在于它们只需要以往需求数据的观测值。时间序列分析中最常用的模型：
水平模型（level model）;趋势模型（trend model）：在水平模型的公式中加入线性趋势项;
季节模型（seasonal model）：该模型假定每个时期（周期）重复一次固定模型。
统计预测的第二种方法是因果分分馍型。它们假定需求过程由某些巳知的因素来决定，例如冰淇淋的销售量可能依赖于某一天的天气状况或温度，因此，温度就成为冰淇淋销售量所谓的引导指数（leading indicator）。如果针对所考虑的项目能够获得足够的销售量和温度的观测值，就能够估计出潜在的模型。
因果分析模型中的参数估计需要需求的历史数据和一个或更多具有指数的时间序列，它对数据的要求比时间序列分析对数据的要求高。此外，实际经验表明，简单的时间序列模型通常比复杂的“因果关系”模型更能得出好的预测值。这些方法倾向于将随机波动（噪声）解释为“结构上”的问题，因此在模型中引进了系统误差。
最常用的预测方法有三种：1、移动平均和平滑法；2、回归分析；三、回归移动平均ARIMA/Box-Jenkins法。
移动平均和平滑法；回归分析就不详细介绍。这里介绍一下ARIMA/Box-Jenkins法。
前两种模型都假定不同时期需求量在统计上是互相独立的，而自回归移动平均（ARIMA）模型明确地考虑了各需求之间的相互依赖关系。因此，这些方法没有对潜在的需求模型做出假设，而是从不同的构成因素中构造出一个公式，这些构成因素非常适合观测到的数据。通过反复实施下列三个步骤得出模型的函数：
模型的确定：通过比较理论上分布的自相关和实际观测到的自相关来选择适当的ARIMA。自相关表明了实际需求与过去某个时期内的观测值之间存在相关性。
模型的估计：由于在回归模型中，预测函数中的参数必须在ARIMA模型中才能估计出来。因此模型估计的过程就是寻找模型平均方差最小化值的过程。
测试模型：如果模型的误差项是纯随机的，并且是独立的，那么该模型就被认为是可靠的。
Box-Jenkins法需要从需求计划中获得大量输入信息和更多的经验。而且，对模型的初始估计应该建立在至少50个需求观测值的基础上。因此，ARIMA模型可能只适用于一些重要的A级项目或中期总预测。但是如果使用ARIMA模型，所获得的估计值的质量要比简单时间序列模型甚至因果关系模型的质量都好。