文章目录
前言
预测中使用的模型取决于可用的资源和数据，竞争模型的准确性，以及预测模型的使用方式。
解释模型很有用，因为它包含了其他变量的信息，而不仅仅是要预测的变量的历史值。然而，预测者可能会选择一个时间序列模型，而不是解释性或混合性模型，原因有以下几点。
首先，系统可能不被理解，即使被理解，也可能极难测量假定支配其行为的关系。第二，为了能够预测感兴趣的变量，有必要知道或预测各种预测因子的未来值，而这可能太难了。第三，主要关注点可能只是预测会发生什么，而不是知道为什么会发生。最后，时间序列模型可能比解释模型或混合模型给出更准确的预测。
时间序列预测的基本步骤大致分为五步
一、问题定义
这往往是预测中最困难的部分。仔细定义问题需要了解预测的使用方式，谁需要预测，以及预测功能如何在需要预测的组织中发挥作用。预测员需要花时间与每一个参与收集数据、维护数据库和使用预测的人进行交谈，以进行未来规划。
二、收集信息
总是需要至少两种信息。
(a) 统计数据，和(b) 收集数据和使用预测的人积累的专业知识。
通常情况下，很难获得足够的历史数据来适应一个好的统计模型。在这种情况下，可以使用判断性预测方法。偶尔，由于被预测系统的结构变化，旧的数据将不太有用；那么我们可以选择只使用最新的数据。然而，请记住，好的统计模型会处理系统中的进化变化；不要不必要地丢弃好的数据。
三、初步（探索性）分析
总是从绘制数据图表开始。是否有一致的模式？有显著的趋势吗？季节性是否重要？是否有证据表明存在商业周期？数据中是否有需要由具有专家知识的人解释的异常值？可供分析的变量之间的关系有多强？
已经开发了各种工具来帮助进行这种分析。
四、选择和拟合模型
使用的最佳模型取决于历史数据的可用性、预测变量和任何解释变量之间关系的强度以及预测的使用方式。比较两个或三个潜在模型是很常见的。
每个模型本身就是一个人为的构造，它基于一组假设（明确的和隐含的），通常涉及一个或多个参数，必须使用已知的历史数据进行估计。例如有回归模型、指数平滑法、Box-Jenkins ARIMA模型、动态回归模型、层次预测法，以及包括神经网络和向量自回归的几种高级方法。
五、使用和评估一个预测模型
一旦选择了一个模型并估计了其参数，该模型就被用来进行预测。该模型的性能只有在预测期的数据可用后才能被正确评估。
已经开发了一些方法来帮助评估预测的准确性。在使用预测和采取行动方面也有一些组织性问题。
当在实践中使用预测模型时，会出现许多实际问题，如如何处理缺失值和离群值，或如何处理短的时间序列。这些都需要后续讨论。