常用市场销量预测方法的介绍与使用v-11.1

常用市场销量预测方法的介绍与使用销量预测的方法分类：2.3季节变动预测法预测方法2、时间序列分析方法3、因果分析方法1.1综合判断法2.1灰色系统预测法3.1相关回归分析法3.2弹性系数预测法1、简易预测方法：2.2马尔可夫链预测法1、销量简易预测方法：综合判断法综合判断法是一种简易的销量预测方法，简单来说，就是综合若干人的销量预测，以预测的最低销量，最可能销量，最高销量为基准，乘以相应的经验权重，得到预测估计量的方法。经验值公式：它是一个经验公式，最早使用在美国的计划评审技术中，多作为简易的预测工具预测市场销量趋势。优点：简单，快速。缺点：准确度较低，受人主观影响大。理论依据：假定销量服从正态分布，其均值为a，方差为，那么可以将销量分为三段，第一段为销量不高于,称为最低销量段；第二段为销量不低于，称为最高销量段；第三段在（）之间，成为最可能销量段；由概率论知，第一段和第二段的可能性均是15.9％，第三段的可能性是68.2％，由此可得：2.1时间序列预测方法：灰色系统预测法灰色系统预测法：用于解决“少信息，不确定性”的问题。比较：时间序列分析大多以回归分析为主，是应用最广泛的方法，但回归分析要求大样本，要求样本数据有较好的分布规律，然后实际很多实际情形并非如此。例如：SPSS中的时间序列分析的季节性分析要求至少有4个全季节数据。灰色系统预测法的优势：用于时间短，数据资料少，数据不需要典型的分布规律，计算量较低，对短期预测有较高精度。不适合随机波动较大的数据。灰色系统预测法的建模思想：直接将时间序列转化为微分方程，建立抽象系统的发展变化动态模型，这个模型简称为：GM(1,1)模型，也称为单序列一阶线性动态模型。2.1时间序列预测方法：灰色系统预测法灰色系统预测法的使用过程：1、对历史时间销量数据进行一阶累加处理，得到生成数列：2、建立微分方程模型GM(1,1)

：

3、利用等式求得a、u的值：其中：，2.1时间序列预测方法：灰色系统预测法灰色系统预测法的使用过程：4、将得到的a、u值，代入微分方程解出的时间函数：由此，可以求得数列，然后再将此预测值数列利用下式还原为预测销量数列：5、精度检验：残差检验、关联度检验、后验差检验等。灰色系统预测法的使用案例：案例数据：构造矩阵B和数据向量Yn：2.1时间序列预测方法：灰色系统预测法灰色系统预测法的使用案例：计算出a,u的值：确定预测模型：预测销售额：2.1时间序列预测方法：灰色系统预测法2.2马尔可夫链预测法马尔可夫链预测法：学名叫状态概率矩阵预测法，因为是由俄国数学家马尔可夫创立一种分析随机过程的方法，所有叫马尔可夫链预测法。马尔可夫链预测法的优势：适合于随机波动较大的动态系统的预测问题，。缺点：预测的准确性受客观因素影响太大。使用领域：日用商品、食品、燃料、药品等快速消费品。马尔可夫链预测法的建模思想：系统的未来状态，仅与最近状态有关，而与原始状态和过去状态无关，即具有（或近似具有）无后效性特点；根据某些变量的现在状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态。马尔可夫链预测法的使用过程：1、对历史销量数据进行状态划分：利用样本均值-均方分类法进行分类，按数据值是否落在(-∞,x-s)[x-s,x-0.5s],[x-0.5s,x+0.5s],[x+0.5s,x+s],[x+s,+∞]把数据值分成五种状态。2、状态转移概率的计算和状态转移概率矩阵的构造（即构造马尔可夫链）：数据序列由状态，经过m步转移达到状态的概率为m步转移概率，记为，计算公式为：由m步转移概率元素构成的矩阵称为m步状态转移概率矩阵，见下图：2.2马尔可夫链预测法马尔可夫链预测法的使用过程：3、利用状态转移概率矩阵编制预测表：

4、根据最后预测状态，确定预测值。预测值可以取数值区间的中位数。2.2马尔可夫链预测法2.2马尔可夫链预测法马尔可夫链预测法的使用过程：5、案例数据：季节变动的含义：季节变动是指有些社会经济现象，因受社会因素和自然因素的影响，在一年内随着时序的变化而引起周期性的变化。这种周期性的变化一般都是比较稳定的。在统计中，一般指的是一年内4季或12月的周期性变动。季节模型：一般认为影响动态数列发展变化的因素有四个，即：长期趋势(这是最主要的)，用T表示；季节变动，用S表示；循环变动，用C表示；不规则变动，用I表示。因此，动态数列的模型有三种模式：乘法模式：加法模式：混合模式：2.3时间序列预测方法——季节变动预测法趋势和季节混合型动态数列的季节变动分析：在我们工作中，碰到更多的是既有长期趋势因素又有季节因素影响的数列。但如果数据量不足，在SPSS中无法进行季节变动分析时，我们就需要计算数列的季节指数，再和SPSS预测的趋势值一起预测未来值。2.3时间序列预测方法——季节变动预测法季节变动预测法的使用过程：1、必须先消除长期趋势的影响，才能得到准确的季节指数。先利用移动平均法计算原始时间数列，求出数列长期趋势值。若样本数据较多，可以使用中心移动平均法（指以当前值为中心，计算前后若干期的平均值）；若样本数据较少，可以使用前移动平均法（指计算当前值以前若干期的平均值）。可以利用SPSS计算移动平均值。2、：用原始数列的值除以对应的长期趋势值，依照乘法模型，Y／T＝S×I（暂不考虑循环因素影响）。季节变动预测法的使用过程：3、将同年各月的数值求平均值，也就是对S×I求平均值，就可以消除I（不规则变动因素）的影响，就剩下了S（季节因素）。4、将12个月的平均季节指数加总，其总和应为12，如果不等于12则要求出调整系数＝（12/）。5、用调整系数再乘回各月比率值，得到修正后的季节指数。6、预测出预测期的长期趋势值，然后乘以已经求出的固定的季节指数，就得到数列预测值。2.3时间序列预测方法——季节变动预测法季节变动预测法使用案例：1、原始值：2、长期趋势：月份2003年2004年2005年月份2003年2004年2005年1

2

3

4

5

61440

1353

1275

1289

1407

17601460

1378

1357

1365

1525

18821711

1558

1474

1440

1529

18157

8

9

10

11

122022

2080

2055

1709

1451

12972119

2162

2142

1870

1581

14412066

2228

2169

1821

1495

14932003200420052003200420052.3时间序列预测方法——季节变动预测法季节变动预测法使用案例：3、季节指数计算表：2003200420052.3时间序列预测方法——季节变动预测法季节变动预测法使用案例：4、预测值计算：假如测定2006年1月的趋势值为2000元，而该月的固定的季节指数为93.72％。则该月的预测值为：

2000*93.72％＝1874.4（元）

2.3时间序列预测方法——季节变动预测法相关回归分析法的含义：市场预测中常用的方法有回归分析法、弹性系数法、时间序列法等；其中回归分析法是研究变量之间相关关系的一种统计方法，它要解决的问题如下：

1、确定变量之间是否存在相关关系，如果存在的话，找出它们之间合适的数学表达式。

2、从共同影响变量的若干自变量中，判断自变量的影响显著效果。

3、利用所找到的数学表达式对变量进行预测。3.1因果分析方法——相关回归分析法3.1因果分析方法——相关回归分析法相关回归分析法的使用过程：1、相关分析。在进行回归分析之前，要先进行相关分析，采用相关分析确定变量之间是否确实有相关关系存在，如果存在，则再用回归分析求出变量之间的定量关系表达式。衡量变量之间的相关程度使用的是：散点图和相关系数。SPSS的相关分析：利用SPSS选项：Analize－>Correlate－>Bivariate再把两个有关的变量选入，选择Pearson，Spearman或Kendall就可以得出这三个相关系数和有关的检验结果(零假设均为不相关)。3.1因果分析方法——相关回归分析法相关回归分析法的使用过程：2、回归分析。利用spss提供的若干回归工具，确定回归方程，建立预测模型。

SPSS中自变量和因变量都是定量变量时的线性回归分析：利用SPSS选项：Analize－>Regression－>Linear再把有关的自变量选入Independent，把因变量选入Dependent，然后点OK即可。如果自变量有多个（多元回归模型），只要都选入就行。3、用预测模型求预测值，并评估预测效果。

3.1因果分析方法——相关回归分析法相关回归分析法的使用过程：

需要注意说明自变量解释因变量变化百分比的度量，叫做决定系数（coefficientofdetermination），用Rsquare表示。对于下例，Rsquare=0.889；这说明这里的自变量可以大约解释88.9％的因变量的变化。Rsquare越接近1，回归就越成功。由于Rsquare有当变量数目增加而增大的缺点，人们对其进行修改，有一修正的Rsquare（adjustedRsquare）。3.1因果分析方法——相关回归分析法相关回归分析法的使用案例：

根据北京市某区的大型电器商场渠道提供的自2000年~2007年的电冰箱销售数据及由民政局,统计局等政府信息部门提供的数据,编制了《电冰箱年销售量（2000~2007）》表格,见下表:年份电冰箱销售量Y（千台）年新结婚户数X1居民户均收入X2（千元）2000202228.520012622.53420023023.138.620033423.4402004402442.520054424.5462006492650.220075528.554.83.1因果分析方法——相关回归分析法相关回归分析法的使用案例：Correlations

电冰箱销售量Y（千台）年新结婚户数X1居民户均收入X2（千元）电冰箱销售量Y（千台）PearsonCorrelation10.9430.993Sig.(1-tailed)

0.0000.000N888年新结婚户数X1PearsonCorrelation0.94310.946Sig.(1-tailed)0.000

0.000N888居民户均收入X2（千元）PearsonCorrelation0.9930.9461Sig.(1-tailed)0.0000.000

N888**.Correlationissignificantatthe0.01level(1-tailed).3.1因果分析方法——相关回归分析法相关回归分析法的使用案例：弹性系数预测法：弹性系数预测法属于微观预测，它认为市场上某种商品的销量，主要是受居民收入、该商品价格和相关商品价格等因素的影响，通过计算产品销售（产品需求）的价格弹性、收入弹性、和交叉弹性等系数来反映并预测未来销量。1、价格弹性系数预测法。产品需求的价格弹性，表示需求量（销售量）变化对价格变化反映的灵敏程度。计算公式为：产品销量预测模型：3.2因果分析方法——弹性系数预测法价格弹性系数预测法的使用案例。假设某商品当每台平均零售价2150元时，销售3100台；价格下降为1430元时，销售达到6900台，该地区本期共销售该商品25000台，假如预测期平均每台价格再下降300元，在其它条件不变的情况下，下期该商品的销量预测是多少台？首先计算出实验销售所取得的价格弹性系数：

Ed＝（（6900-3100）/（1430-2150））*（2150/3100）＝-3.66再根据价格弹性系数测算下期可能销售量：

Q1＝25000+（-3.66*25000*（-300））/1430＝44196台因此，预测期的销售量约为44200台左右。3.2因果分析方法——弹性系数预测法2、收入弹性系数预测法。产品需求的收入弹性，是衡量收入的相对变动与随之变化的需求量的相对变动之间的关系，反映需求量（销售量）对收入量变化的敏感程度。计算公式为：预测值计算公式为：3.2因果分析方法——弹性系数预测法收入弹性系数预测法的使用案例。经过对历史数据的测算，某地区居民对文娱用品类的收入需求弹性为1.55，去年该地区的文娱产品的销售额为40亿元，从统计部门得知该地区的居民可支配收入将比去年上涨5％，则今年的文娱产品的销售额预测为多少？

Q1＝40*（1+1.55*5％）＝43.1亿元预测今年的文娱产品的销售额可能为43亿元左右。3.2因果分析方法——弹性系数预测法3、交叉弹性系数预测法。交叉弹性又称为偏弹性，表明一种商品价格变动影响另一种商品销售量的程度，计算公式为：内涵：1、若系数为