歡迎來到預測的未來：時間序列分析

在時間序列模型 (Time Series Models) 章節的前幾部分，你已經學會了如何識別模式、檢查平穩性 (stationarity)，以及擬合 AR、MA 和 ARMA 等模型。但為什麼我們要費這麼大勁做這些分析呢？大多數情況下，是因為我們想知道「下一步」會發生什麼。

在本章中，我們將重點放在點預測 (Point Forecasts)（我們對未來的最佳猜測）和預測區間 (Prediction Intervals)（我們對該猜測的信心程度）。如果你曾看過颶風路徑圖，注意到隨著風暴移動距離越遠，「不確定性錐 (cone of uncertainty)」就會變得越寬，那麼你已經掌握了本章的核心直覺！

如果這些數學公式起初看起來有點嚇人，別擔心。我們會一步步拆解，讓你能夠滿懷信心地應對 SRM 考試中的相關題目。


1. 點預測：做出最佳猜測

點預測 (Point Forecast) 是一個單一數值，代表我們對時間序列未來數值的最佳估計。在 SRM 考試中，我們通常將時間 \(T\) 對未來時間 \(T+h\) 的預測表示為 \(\hat{y}_{T+h}\)。

預測的黃金法則

當我們從過去（已有數據）跨入未來（無數據）時，針對誤差項 (\(\epsilon\)) 我們遵循一個簡單的規則：
我們假設未來的隨機誤差為零。

為什麼？因為白雜訊 (white noise) 的期望值為零。我們無法預測這些「隨機衝擊 (random shocks)」，所以我們最好的策略就是假設它們不會將數列推向任何特定的方向。

如何計算不同模型的預測值

1. AR(1) 模型：
AR(1) 模型的公式為 \(y_{t} = \phi_0 + \phi_1 y_{t-1} + \epsilon_t\)。
預測未來一步 (\(h=1\))：
\(\hat{y}_{T+1} = \phi_0 + \phi_1 y_T\)
預測未來兩步 (\(h=2\))：
\(\hat{y}_{T+2} = \phi_0 + \phi_1 \hat{y}_{T+1}\)

2. MA(1) 模型：
公式為 \(y_t = c + \epsilon_t + \theta_1 \epsilon_{t-1}\)。
預測未來一步：
\(\hat{y}_{T+1} = c + \theta_1 \epsilon_T\)（其中 \(\epsilon_T\) 是最後一個觀測點的殘差）。
預測未來兩步：
\(\hat{y}_{T+2} = c\)。
等等，為什麼 \(\theta\) 項消失了？ 因為在預測兩步時，我們處理的是 \(\epsilon_{T+1}\)，而我們假設其值為零！

重點總結： 對於 MA(q) 模型，預測值在 \(q\) 步後會完全回歸到均值。對於 AR(p) 模型，預測值會隨著時間推移逐漸衰減至均值。


2. 預測區間：衡量不確定性

即使是最好的模型也不可能完全準確。預測區間 (Prediction Interval)（在此背景下通常也稱為置信區間）為我們提供了一個未來數值可能落入的範圍。

區間的構成

就像線性迴歸一樣，區間的構建方式如下：
預測值 \(\pm\) (臨界值 \(\times\) 標準誤)

對於 95% 的區間，公式如下：
\(\hat{y}_{T+h} \pm 1.96 \times \sqrt{Var(e_{T+h})}\)

其中 \(e_{T+h}\) 是預測誤差 (forecast error)（未來實際值與我們預測值之間的差額）。

為什麼「錐狀」會變寬？

試著這樣想：你可能很精準地猜到 1 小時後的氣溫，但要準確猜測 10 天後的氣溫就難多了。

在時間序列中：

  • 標準誤 (Standard Error) 幾乎總是隨著預測步長 (\(h\)) 的增加而增加。
  • 當我們向更遠的未來進行預測時，我們累積了更多「未知」的隨機衝擊。
  • 這導致了區間變寬（呈現「扇形」或「錐形」）。

快速複習： - 點預測 = 未來範圍的「中點」。 - 預測區間 = 反映我們不確定性的「寬度」。 - 當 \(h\) 增加，不確定性也隨之增加。


3. 計算預測誤差的變異數

這是學生經常卡住的地方，但混亂之中自有規律！讓我們看看 AR(1) 模型：\(y_t = \phi y_{t-1} + \epsilon_t\)（為簡化起見，假設均值為 0）。

一步預測 (h=1)：

誤差僅為下一個隨機衝擊：\(\epsilon_{T+1}\)。
變異數僅為 \(\sigma^2_\epsilon\)。

兩步預測 (h=2)：

誤差涉及第 1 步的衝擊和第 2 步的衝擊。
變異數為 \(\sigma^2_\epsilon (1 + \phi^2)\)。

h 步預測：

變異數為 \(\sigma^2_\epsilon \sum_{j=0}^{h-1} \psi_j^2\)。
注意：\(\psi\) (psi) 權重代表將模型重寫為無窮 MA 過程。對於 SRM 考試，你主要需要知道的是，當 \(h \rightarrow \infty\) 時，預測誤差的變異數會趨近於過程變異數 (process variance)（即時間序列的總變異數）。

你知道嗎？ 如果時間序列是平穩的，預測區間不會無限擴大。最終它會根據序列的總變異數，穩定在一個最大寬度上。


4. 避免常見錯誤

錯誤 1：遺漏常數項。
計算 \(\hat{y}_{T+1}\) 時，別忘了截距項 (\(\phi_0\) 或 \(c\))。如果你漏掉它，你的預測將會向零偏倚。

錯誤 2：混淆「殘差 (residual)」與「誤差 (error)」。
在 MA(q) 模型中，請使用已計算出的現有殘差。對於未來步驟，請使用 0。不要試圖去「猜測」未來的誤差！

錯誤 3：使用了錯誤的 Z 分數。
95% 的區間使用 1.96，90% 的區間使用 1.645。務必再三確認題目要求的是哪一個！


5. 總結與重點提示

Exam SRM 的「大局觀」：

  • 預測是迭代的： 使用當前值預測下一個值，然後用該預測值去預測再下一個值。
  • 均值回歸 (Mean Reversion)： 在平穩模型中，長期預測總是會收斂於該過程的均值。
  • 誤差累積： 預測區間會隨著預測時間越遠而越寬，因為未來有更多我們目前無法預見的「衝擊」(\(\epsilon\))。
  • MA 模型的局限性： MA 模型遺忘過去的速度很快。在 \(q\) 步之後，預測值就僅等於均值，且預測區間會保持恆定。

你做得到的！試著手動練習幾個 AR(1) 預測計算，這些規律很快就會變得像直覺一樣自然。