歡迎來到預測的世界！

你有沒有想過，超市是怎麼在雨季來臨前決定要進多少把雨傘的？或者科技公司是如何預測明年的銷售額的？他們可不是靠水晶球，而是運用時間序列分析 (Time Series Analysis)。在本章中，我們將探討企業如何利用過往數據找出規律，並對未來做出精明的預測。別擔心數學不是你的強項，我們會一步步拆解這些概念！

1. 理解時間序列數據

時間序列是指在一段時間內，按固定時間間隔記錄的一組數據點（例如每日銷售額、每月通脹率或年度 GDP）。當我們觀察這些數據時，通常會同時看到四種現象：

1. 趨勢 (Trend)：這是長期的「潛在」走向。業務是在整體增長、萎縮，還是持平？這就像海邊的潮汐，有漲有退。
2. 季節性變動 (Seasonal Variations)：這是指短期、有規律且會重複出現的波動（例如 12 月玩具銷量通常較高）。
3. 循環變動 (Cyclical Variations)：這是由經濟引起的長期「波浪」（例如持續數年的經濟衰退）。
4. 不規則變動 (Irregular / Residual Variations)：這是指我們無法預測的「一次性」隨機事件，例如突如其來的罷工或自然災害。

小比喻：想像你在山上遛狗。你上山的路線就是趨勢。那隻拉著牽引繩左右亂跑的狗就是季節性變動。突然出現一隻松鼠令狗暴衝，那就是不規則變動。

重點總結：預測的主要任務就是找出趨勢，然後加上季節性影響，從而得出最終預測。

2. 移動平均法 (Moving Averages)：消除「雜訊」

有時候，圖表上的原始數據看起來非常「跳躍」。為了清晰地看出潛在趨勢，我們使用移動平均法。這種技術透過「平滑化」處理，消除了跳躍部分（即季節性和不規則變動），從而顯示出趨勢線。

如何計算移動平均：

要計算移動平均，你需要取特定期數（例如 3 個月）的數據相加，然後除以該期數。接著，向後移一個月，重複此計算。

逐步範例（3個月移動平均）：
- 1月銷量：10
- 2月銷量：20
- 3月銷量：30
- 4月銷量：40
1. 將1月、2月及3月相加：\( 10 + 20 + 30 = 60 \)
2. 除以3：\( 60 / 3 = 20 \)（這是你的第一個趨勢點）。
3. 現在，剔除1月，加入4月：\( 20 + 30 + 40 = 90 \)
4. 除以3：\( 90 / 3 = 30 \)（這是你的第二個趨勢點）。

重要提示：如果你處理的是偶數期數（例如 4 季的移動平均），結果會落在季度「之間」。為了修正這個問題，我們進行第二步，稱為置中 (Centring)。你只需要將兩個相鄰的移動平均數再取平均，這樣結果就能精確地對應到特定的時間點。

快速回顧：移動平均法非常適合識別趨勢，但它有一個大缺點：它存在滯後性，因為它是基於過去的數據！

3. 線性回歸 (Linear Regression)：最佳擬合線

線性回歸聽起來很可怕，但它其實只是一種數學方法，用來在圖表的一堆散點中畫出一條最佳直線。在 BA1 中，我們使用最小平方法 (Least Squares Method)。

直線方程為：\( y = a + bx \)

- \( y \)：這是我們要預測的數值（例如銷售額）。
- \( a \)：「截距」(Intercept)。這是直線與縱軸的交點（當時間為零時的銷售額）。
- \( b \)：「梯度」或「斜率」(Gradient/Slope)。這告訴我們每增加一個單位 \( x \)，\( y \) 會改變多少。如果 \( b \) 為正，趨勢向上；如果 \( b \) 為負，趨勢向下。
- \( x \)：時間週期或自變量。

別擔心，如果這看起來很複雜！在考試中，你通常不需要從頭計算整個回歸方程，但你必須懂得如何將數字代入公式以進行預測。如果你已知 \( a = 100 \)，\( b = 5 \)，並且需要預測第 10 期的數據，你只需計算：\( 100 + (5 \times 10) = 150 \)。

你知道嗎？「最小平方」的名字由來，是因為我們試圖讓數據點到直線距離的平方和達到最小！

4. 相關性 (Correlation)：兩者真的有關聯嗎？

兩件事同時發生並不代表其中一件導致了另一件。相關性衡量的是兩個變量之間關係的強度。

我們使用相關係數 (\( r \)) 來衡量。\( r \) 的值總是在 -1 到 +1 之間。

- +1：完全正相關（兩者完美同步移動）。
- 0：無相關性（散點雜亂無章，沒有規律）。
- -1：完全負相關（一個上升，另一個下降）。

判定係數 (\( r^2 \))

如果你將相關係數平方 (\( r \times r \))，就會得到 \( r^2 \)。這是一個非常重要的百分比！它告訴我們 \( y \) 的變化中有多少比例是由 \( x \) 的變化所解釋的。
範例：如果 \( r = 0.9 \)，則 \( r^2 = 0.81 \)（即 81%）。這意味著銷量的變化中，有 81% 是由趨勢引起的，而其餘 19% 只是隨機的雜訊。

常見誤區：混淆相關性與因果關係。例如，雪糕銷量和鯊魚襲擊事件在夏天都會增加。它們是相關的，但吃雪糕並不會導致鯊魚襲擊！

5. 預測及其限制

一旦有了趨勢線，我們就可以用它來預測未來。方法有兩種：

1. 內插法 (Interpolation)：預測數據範圍以內的數值。這通常非常可靠。
2. 外推法 (Extrapolation)：預測數據範圍以外的數值（未來）。這風險較高，因為我們假設未來會精確地延續過去的趨勢。

重點總結：模型的準確度取決於你輸入的數據。如果市場發生突變（例如有新的競爭對手加入），你的回歸模型在發生之前是不會知道的！

總結：宏觀視野

- 使用移動平均法來平滑數據並觀察趨勢。
- 使用線性回歸 (\( y = a + bx \)) 為趨勢建立數學模型。
- 使用相關性 (\( r \)) 來判斷關係的強弱。
- 使用外推法來推測未來，但要保持謹慎！

繼續加油！你剛剛掌握了商業資訊範疇中最技術性的部分之一。多練習幾個 \( y = a + bx \) 的計算，你就能應對考試中的任何挑戰了！