跳到主要内容
StatsX

研究模型可视化

预测分析

用历史销量做短趋势外推，并在 holdout 窗里看淡、平、旺三档占用有没有对上；要自动搜 (p,d,q) 和残差白噪声，改走 Auto ARIMA。

更新日期 2026-08-29 市场

这篇能回答什么

预测分析（工作台编码 pridict，销售量预测）回答的是「按简单趋势或季节节奏往前推几期，holdout 里的量落在淡、平、旺哪一档」。它强调可读的拟合—外推图，而不是信息准则网格。本页把 holdout 期（或按预测值分箱后的期）收成三类占用：类别 A = 淡季/偏低档，B = 平档，C = 旺季/偏高档。占用用来检查外推有没有把高峰期「摊平」。

教学 holdout 有效期 294：淡档 A 84 期（28.57%），平档 B 61 期（20.75%），旺档 C 149 期（50.68%）。C 过半，说明这段窗本身偏旺；若拟合线几乎水平，外推会系统性低估高峰。这与 Auto ARIMA 报告的 ARIMA(2,1,1)、AIC、Ljung-Box 是两份合同。

什么时候不该用

要自动选阶、残差诊断和 95% 区间路径，用 Auto ARIMA。短序列、准指数趋势，对照灰色预测。多序列联动用向量自回归。客户分层用RFM，不要把淡旺档当成会员标签。有效连续点过少时不要外推。

如何选择方法

看板只要「下季大概在哪、旺季有没有被吃掉」→ 本页。论文要 (p,d,q)、残差是否白噪声 → Auto ARIMA。二十期产值、要比后验差 → 灰色预测。一人一行的 Recency → RFM。普通线性回归把期数当 X，忽略自相关，不宜代替本页或 ARIMA。

  • 预测分析（pridict）：时间 + 销量；输出拟合、外推与 holdout 三档占用。

  • Auto ARIMA：网格定阶，输出系数、AIC/BIC、区间预测。

  • 灰色预测 GM(1,1)：短序列一次累加外推，精度用 C、P。

  • RFM模型：客户行为分层，不外推销量。

Auto ARIMA 时间序列预测

基于自回归积分滑动平均模型，自动寻找最优参数进行时间序列预测，支持按分组变量分别独立建模预测对比。

灰色预测模型gm(1,1)

灰色预测是一种对含有不确定因素的系统进行预测的方法。

VAR 向量自回归模型

建立多个相互关联的时间序列变量之间的动态系统，分析多变量互动冲击。

客户价值划分(RFM)

用最近一次购买、频率与金额三指标对客户分层与打分。

输入、输出与限制

输入

一列时间（年、月或等间隔期号），一列销量。holdout 长度事先写死（例如最后 8 期）。文本与设计示例没有月销量账本，上传只为熟悉工作台；本页 294 期占用以结果表为准。正式复现请换时序表。

  • 时间：1 列；缺失按所用列删行后排序。

  • 销量：1 个定量；可选预测期长度。

  • holdout：从序列尾部切出，不参与拟合。

输出

结果表按类别 A/B/C 给出 holdout（或分箱后的期）占用。图是历史拟合与未来几期。附加误差（MAPE、RMSE）若出现，只评价 holdout，不评价你还没发生的未来。

产品限制

  • 没有季节项网格，高峰被摊平是预期行为，不是算错。

  • 时间列缺失时按行序当期，乱序会把旺季拆碎。

  • 编号、客户键不能当销量。

  • 图强调趋势，三档人数与误差以表为准。

案例

研究问题。 运营要一张「下三个月大概落在哪」的图，并先用最近一段已经发生的周销量当 holdout，看淡、平、旺有没有被模型吃掉。他们暂时不需要 AIC 最小的那组 (p,d,q)。

holdout 有效期 294。淡档 84 期，平档 61 期，旺档 149 期，旺档占 50.68%。若拟合几乎是一条斜线，149 个高峰期会被预测成平档，MAPE 会主要来自这些点。下载文本与设计表不能复现这条序列；请换月销量或周销量表，时间列排序后切尾部做 holdout。

下载教学示例表（文本与设计）

在 StatsX 中操作

  1. 步骤 1 · 按时间排好再切尾巴

    升序。最后 H 期当 holdout，H 写进方法。不要随机抽行当验证，时序没有「随机 20%」。

  2. 步骤 2 · 画像确认销量是定量

    日期或期号是时间。促销标记是定类，本过程当不了干预回归。客户键拿开。

  3. 步骤 3 · 搜索预测分析

    目录关键词「预测」或「销售量」。编码是 pridict，不要改成 predict。要定阶请改点 Auto ARIMA。

  4. 步骤 4 · 指定时间与销量

    时间一列、销量一列，填写外推期数。运行后把 A/B/C 对上淡/平/旺，切点与 H 一起写。

  5. 步骤 5 · 先看占用再看外推

    核 84+61+149=294。旺档过半而拟合平坦，先加季节项或改 Auto ARIMA，再把图贴进周会。

上传销量时序以便做预测分析
正式复现请上传按期排序的销量表。
画像中检查时间列与销量列
时间可排序，销量是定量，不要把客户键当销量。
目录中选择预测分析 pridict
选定「预测分析」或「销售量预测」，slug 为 pridict。
为预测分析指定时间与销量角色
时间与销量各一列，并设定外推期数。

如何阅读输出

下表是 holdout 里的淡平旺占用，分母 294 期。类别 A（淡）84、28.57%；类别 B（平）61、20.75%；类别 C（旺）149、50.68%。加总 100%。它不报告 p、d、q，也不报告 Ljung-Box p 值。

销售量预测结果表
项目类别统计量取值
销售量预测类别 A频数84
销售量预测类别 B频数61
销售量预测类别 C频数149
销售量预测合计有效样本 N294
销售量预测类别 A占比(%)28.57
销售量预测类别 B占比(%)20.75
销售量预测类别 C占比(%)50.68

左右滑动可查看完整表格

教学示例表在 StatsX 工作台中的计算结果口径。

预测分析 holdout 三档占用表
工作台占用表应与上表同一 holdout 期数。
销量拟合外推与淡平旺占用图
趋势图看路径；淡平旺有没有对上，看表内占用。

和 Auto ARIMA 对读：那边先交最优阶数与残差是否像白噪声，再交带区间的未来值。这边先交「旺档是否还在」。本例 C 占 50.68%，若区间预测把高峰压进 B，即使 AIC 好看也不该直接上生产。灰色预测的综合精度一级，评价的是级比与后验差，同样不能代替这张占用表。

读图顺序：时间是否排好 → holdout 从哪一期开始 → 三档切点 → 旺档有没有被摊平 → 外推几期是否仍用同一套切点。切点用历史分位时，holdout 重新计算分位会泄密，应锁训练窗分位。

理论与公式

记训练窗销量为 y_1,\ldots,y_T，holdout 为 y_{T+1},\ldots,y_{T+H}。简单水平或线性趋势给出 \hat y_t。占用把 y_t 或 \hat y_t 按锁死的分位 c_1<c_2 切成三档。

本例 H=294，n_C=149，p_C=50.68\%。Auto ARIMA 最小化的是 AIC(p,d,q)，与 p_C 无代数关系。ARIMA 的 95% 区间覆盖的是未来 y 的不确定性，不是淡平旺三档人数的置信区间。

注意事项

  • 促销、缺货、改价会在 holdout 里造出假旺季，先做日历对齐。

  • H 太短，三档人数会剧烈跳动；H 太长，训练窗又不够估趋势。

  • 把未来外推期也切进占用表，没有实际值，占用没有对照。

  • 乱序、重复日期会把同一周算成两期。

  • 客户 RFM 标签、价位占用、满意档，都不能代替 holdout 误差。

常见问题

参考文献

  • Hyndman, R. J., Athanasopoulos, G. Forecasting: Principles and Practice. OTexts.

  • Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. Time Series Analysis: Forecasting and Control. Wiley.

  • Makridakis, S., Wheelwright, S. C., Hyndman, R. J. Forecasting: Methods and Applications. Wiley.

  • 贾俊平. 统计学[M]. 中国人民大学出版社.