4.7 判断性调整

在最后一节中,我们考虑有历史数据并可用于生成统计预测的情况。从业人员通常会对这些预测进行判断性调整,这些调整有可能具有本章前面讨论过的判断预测的所有优点。例如,它们提供了一种合并统计模型中未考虑因素的途径,如促销活动,大型体育赛事,节假日或尚未反映在数据中的近期事件。但是,只有在适当的情况下,这些优势才会实现。判断性调整和判断预测一样,也会有偏差和局限性。因此我们必须实施系统性的策略,以使其最小化。

保守使用调整

从业者进行调整的次数通常多于他们应该调整的次数,而且很多时候是出于错误的原因。通过调整统计预测,预测的用户会产生一种拥有感和信任感。用户通常不理解或不认可产生统计预测的机制(因为他们通常没有在这方面经历过培训)。通过实施判断性调整,用户感觉他们对预测做出了贡献并完成了预测,由此他们可以将自己的直觉和解释与这些联系起来。这些预测已经成为他们自己的预测。

判断性调整不应旨在纠正统计模型中忽略的数据的系统模式,这已被证明是无效的,因为预测者倾向于在噪声序列中获取不存在的模式。对于数据模式,使用统计模型要好得多,而判断性调整只会影响准确性。

当手头有重要的补充资料或有必要进行调整的有力证据时,判断性调整最为有效。只有当我们有重要的额外信息没有纳入统计模型时,我们才应该进行调整。因此,当额外信息量较大时,调整似乎是最准确的。人们发现,微小的调整(特别是向产生乐观幻觉的方向)会阻碍准确性,应该避免。

应用结构化方法

采用结构化和系统化的方法将会提高判断性调整的准确性。遵循4.2中概述的关键原则至关重要。特别地,要求记录并证明调整的合理性会使推翻统计预测结果更具挑战性,并且会防止不必要的调整。

调整通常由调查小组进行(见下面的例子),这样使用德尔菲法具有很大的优势。但是,如果在小组会议中进行调整,首先应当考虑对关键市场或产品的预测,因为小组成员在此过程中会逐渐感到疲倦。随着会议进行到后来,调整的次数往往会减少。

示例:旅游预测委员会(TFC)

澳大利亚旅游局每年发布两次有关澳大利亚旅游各方面的预测,其公布的预测是由TFC完成的。TFC是由来自政府和业界专家组成的独立机构,专家来自诸如澳大利亚联邦财政部、航空公司、咨询公司、银行业公司和旅游公司等机构。

应用的预测方法是一个迭代过程。首先,由澳大利亚旅游预测单位生成基于模型的统计预测,然后对这些预测单元进行两轮评估。在第一轮中,TFC技术委员会11(包括高级研究员、经济学家和独立顾问)调整了基于模型的预测。在第二轮也是最后一轮,TFC(由行业和政府专家组成)进行最终调整。两轮调整都是通过协商进行。

澳大利亚国内游客夜数长期年度预测。我们在第5章研究回归模型,第7章研究ETS(ExponenTial Smoothing,指数平滑)模型。

图 4.2: 澳大利亚国内游客夜数长期年度预测。我们在第5章研究回归模型,第7章研究ETS(ExponenTial Smoothing,指数平滑)模型。

2008年,我们(Athanasopoulos & Hyndman, 2008)分析了澳大利亚国内旅游的预测。我们发现,公布的TFC预测是很乐观的,特别是对于长期而言,因此我们提出了基于模型的替代预测。现在可以获取2011年以前(含2011年)的观测数据。在图4.2中,我们将公布的预测与实际数据进行比较,可以看到公布的TFC预测仍然持续乐观。

我们可以从这个例子中学到什么?虽然TFC在其方法中明确指出它产生的是“预测”而不是“目标”,但这种情况下,这些预测会被混淆吗?预测者和用户在这个过程中是否充分隔离?迭代过程本身是否可以改进?会议中的调整过程能否得到改善?难道是小组会议促进了乐观?是否应该在当天早些时候考虑国内旅游?

参考文献

Athanasopoulos, G., & Hyndman, R. J. (2008). Modelling and forecasting Australian domestic tourism. Tourism Management, 29(1), 19–31. https://robjhyndman.com/publications/aus-domestic-tourism/


  1. GA曾担任过几年该技术委员会的观察员↩︎