蔣明晃Chiang, Ming-Huang臺灣大學:商學研究所鍾鎮宇Chung, Chen-YuChen-YuChung2010-06-012018-06-292010-06-012018-06-292008U0001-0807200813571100http://ntur.lib.ntu.edu.tw//handle/246246/184455需求資訊的準確性可透過降低需求變異來達成，而層級式預測法中之聚合與分解均為降低需求變異之有效方法。隨產品多樣化及生命週期日益縮短之現象產生，若對一公司中每個產品細項皆進行預測，雖然可以提供企業較為細微之資訊以作決策，但現實面上來看，其所需之實質成本以及時間成本相對龐大，且因為產品生命週期之縮短，亦使得產品細項之預測資訊所能涵蓋有效使用之時間範圍也相對的縮短，以至於無法根據歷史資訊判斷出該產品未來動向及形態。研究發現經由導入多變數來修正單變數轉換函數模型後，提升了模型本身解釋及預測能力；再依據分析修正後十五種分解法則所產生之各層級預測值資料發現，表現較好之分解法則為總平均分解法。且於分析各層級最適預測法發現，Top-level最佳之預測法為TT，亦即透過所建構Top-level模型本身預測能力可產生最佳之誤差率；Middle-level最佳之預測法為BM，即透過建構Bottom-level之模型在運用聚合法可使Middle-level產生最佳之誤差率；Bottom-level最佳之預測法為MB，即透過建構Middle-level之模型，再運用總平均分解法使Bottom-level產生最佳之誤差率。且根據分解法分解到向下層級亦發現到，當分解有跨越兩階層時，有放大誤差率之現象。接著經由資料間相關系數之觀察後發現，當資料間具有負相關性，該資料之階層採用聚合法向上聚合可得到較佳之預測值，即此種相關系數判別在季節性資料亦可適用。綜合而言，企業今後如需建立需求預測之模型，可先分析欲預測模型之資料型態，透過欲預測模型資料型態之相關性可判定適合聚合之層級，再透過所分之層級架構之層級數來調整分解法跨越多層級預測有放大現象之缺點，即可決定出所需預測之模型階層為何。如因成本考量限制了預測模型之數量，亦可透過選定總比例分解法，使誤差率不至於偏差過多。此種預先資料的判定，縮減了需求預測之複雜性，即提升了便利性，更可使預測能力更為準確。Accuracy of demand information could be lower by decreasing the variance of demand. Hierarchical forecasting methodology is a useful way to decrease the variance of demand. According to the diversification of product and reduction of product life cycle, forecasting all the product items for gaining more information from the items will spend huge cost and time in deriving forecasting model..n this study we discover multiple variables of transfer function can make the model much accuracy in prediction. According to the revised deposition method, we discover the total average deposition is the best way to deposit data. After analyzing each level, TT (forecasting top-level directly) is the best prediction way in top-level. BM (the prediction value of Bottom-level up to middle level) is the best prediction way in middle-level. MB (the prediction value of middle-level down to bottom-level) by using total average deposition is the best prediction way in bottom-level. When we use TB (the prediction value of top-level down to bottom-level) method cross two levels to generate prediction value, we discover it will increase the prediction error. Observing the correlation of the data, we discover when the data has negative relation we can use the upper integration method to generate better prediction value. Enterprise can observe correlation of the data and deices which level is suited for up-integration method. As considering the cost factor, the enterprise must constrain the forecasting model. The company also can use the best deposition method to decrease the prediction errors. The pre-analysis steps can reduce the complex of deriving the forecasting model and make it much convenience and accuracy.摘 要 iii目錄 ix目錄 x一章 緒論 1.2 研究目的 2.3 論文架構 3二章 文獻探討 5.1 預測相關理論 5.1.1 預測的定義及分類 5.1.2 預測相關理論 6.1.2.1計量經濟模型 6.1.2.2 迴歸模式 6.1.2.3 定性分析法 7.1.2.4 人工智慧法 7.1.2.5 時間序列 7.2 比例分配法 9.3 層級式預測 11.4 小結 14三章 研究方法 15.1 研究架構 15.2 層級架構之建立 18.2.1 市場分類方法 18.2.2 Friedman 檢定法 18.2.3 Hollander-Wolfe 之多重比較 19.3 外部驅動變數分析 21.3.1 總體面外部驅動變數介紹 21.3.2 外部驅動變數之選擇 23.4 預測模型建構 25.4.1 預測模型統計方法的選擇 25.4.2 轉換函數模式 25.4.3 轉換函數模式建構法 27.4.4 線性轉換函數方法 27.4.5 Q統計量 29.4.6 Jarque-Bera 統計量 30.4.7 各階層預測模式 30.4.7.1 Top-level之預測模型 30.4.7.2 Middle-level之預測模型 31.4.7.3 Bottom-level之預測模型 32.5 各階層預測值產生 33.5.1 修正十五種分解法則 33.5.1.1 遞延分配法 33.5.1.2 移動平均分配 34.5.1.3 加權移動平均法(相關係數) 34.5.1.4 簡單平均分配(總量平均) 34.5.1.5 加權移動平均法(比例差異變異數及共變數) 35.5.1.6 加權移動平均法(比例差異變異數) 35.5.2 各階層預測值產生 36.5.2.1 Top-down 36.5.2.2 Middle-out 36.5.2.3 Bottom-up 37.6 各階層誤差率比較 39.6.1 預測誤差計算方法 39.6.2 各階層不同預測方法之預測績效 40.7 探討預測結果績效 42四章 實證研究 43.1 研究樣本描述 43.2 產品層級架構 45.3 外部驅動變數之決定 46.3.1 外部驅動變數之選擇 46.4 Top-level冷氣出庫量預測 48.4.1 預測變數說明 48.4.2 預測模型建構 48.4.2.1 研究流程 48.4.2.2 模式建立 48.4.3 預測結果誤差率 50.5 Middle-level冷氣出庫量預測 51.5.1 預測變數說明 51.5.2 預測模型建構 51.5.2.1 研究流程 51.5.2.2 模式建立 52.5.3 預測結果誤差率 55.6 Bottom-level冷氣出庫量預測 56.6.1 預測變數說明 56.6.2 預測模型建構 56.6.2.1 研究流程 56.6.2.2 模式建立 57.6.3 預測結果誤差率 65.7 層級式預測法分析 66.7.1Top-down及Middle-down十五種分解法之比較 66.7.1.1　Top-down之分解法比較 66.7.1.2　Middle-down之分解法比較 67.7.1.3　分解結果分析 68.7.2Middle-up及Bottom-up聚合法 68.7.3層級式預測法聚合、分解綜合分析比較 69.8 單變數與多變數轉換函數應用於層級式預測之比較 70.9 最適層級建構模型分析 71.9.1 分析資料相關係數 71.9.2 驗證季節資料是否具有聚合法則 72.9.3聚合預測與分解預測間誤差率比較分析 72五章 結論與建議 74.1 研究結論與貢獻 74.2 管理上之建議與應用 76.3 未來研究方向 77考文獻 79錄1 選擇變數之逐步迴歸模式 84錄2 Top-level 模型建立 85錄3 Middle-level 模型建立 87.1 分離式冷氣出庫量預測模型 87.2 變頻式冷氣出庫量預測模型 89.3 窗型式冷氣出庫量預測模型 91.4 直立式冷氣出庫量預測模型 93錄4 Bottom-level 模型建立 95.1 分離式冷氣經銷通路出庫量預測模型 95.2 分離式冷氣非經銷通路出庫量預測模型 97.3 變頻式冷氣經銷通路出庫量預測模型 99.4 變頻式冷氣非經銷通路出庫量預測模型 101.5 窗型式冷氣經銷通路出庫量預測模型 103.6 窗型式冷氣非經銷通路出庫量預測模型 105.7 直立式冷氣經銷通路出庫量預測模型 107.8 直立式冷氣非經銷通路出庫量預測模型 109錄5 BB預測法之誤差率 111application/pdf3945338 bytesapplication/pdfen-US層級式預測方法季節性ARIMA轉換函數LTFHierarchical Forecastingtime seriesARIMAtransfer fuctionthesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/184455/1/ntu-97-R95741058-1.pdf