單指數平滑
單指數平滑按 St = alpha·yt + (1 - alpha)·St-1 平滑時間序列,並以最後一個平滑水準預測所有未來各期。適用於圍繞穩定值波動、沒有趨勢或季節性的序列。序列不能有遺漏,且至少需要 4 個值。輸出包括配適值、帶預測限的預測值,以及 MAPE、MAD 和 MSD。
最後審閱
核心要點
單指數平滑用一個水準來平滑時間序列,該水準每期按最新誤差的一定比例(alpha)更新,並以該水準預測未來各期;適用於沒有趨勢或季節性的序列。
用途
單指數平滑用一個持續更新的水準來平滑時間序列,該水準每期按最新誤差的一定比例更新,並以該水準預測所有未來各期。它適用於圍繞相當穩定的值波動、沒有明顯趨勢或季節性的序列,例如成熟備件的每週需求、每日廢品率或穩定產線的充填重量。對於有趨勢的資料,請使用雙指數平滑;對於有季節性的資料,請使用 Winters 法或分解。
主要功能
- 您指定的平滑權重(alpha),留空時則採用 ARIMA(0,1,1) 配適得到的最佳權重。
- 起始值取自資料,或由您輸入。
- 在您選擇的信賴水準下給出帶預測限的預測,可從序列末尾開始,或從更早的某一列開始,以便用已知資料檢驗該方法。
- MAPE、MAD 和 MSD 精度度量,以及資料、配適值和預測值的圖。
- 可選的結果表(每期的平滑值、預測值和誤差)以及四合一殘差圖。
統計方法
平滑值為 Sₜ = α·yₜ + (1 − α)·Sₜ₋₁。第 t 期的配適值(一步超前預測)為 Sₜ₋₁,即前一期末的平滑值,誤差為 yₜ 減去該配適值。較小的 α(如 0.1–0.3)給出反應緩慢的平滑線;較大的 α 則緊密跟隨最新的值。
指定權重時,起始值 S₀ 為前 K 個觀測值的平均值(K 預設為 6)。權重留空時,工具用最小平方法對一階差分配適 ARIMA(0,1,1) 模型,並令 α = 1 − θ,其中 θ 為 MA 係數;起始值則取自該配適。這個最佳 α 可能大於 1,這意味著水準對每個新值反應過度;應將其視為序列存在趨勢的跡象。當 Starting values = User-specified 時,使用您輸入的 Initial level 作為 S₀。
所有預測值都等於預測起點處的最後一個平滑值。預測限為預測值 ± z × 1.25 × MAD,其中 z 為對應信賴水準的常態分位數,MAD 為配適值的平均絕對誤差;對於其後的每一期,預測限寬度相同。精度:MAPE = 平均 |誤差 / 資料| × 100,MAD = 平均 |誤差|,MSD = 平均 誤差²。序列不能有遺漏,且至少需要 4 個值。
輸入欄位和選項
欄位 | 說明 |
Variable (Y) | 必填。按時間順序排列的數值序列。 |
Weight to use in smoothing (alpha) | 0.0001 至 1。留空則使用 ARIMA(0,1,1) 的最佳權重。 |
Starting values | From the data(預設):最佳權重從 ARIMA 配適起算;指定權重則從前 K 個觀測值的平均值起算。或 User-specified。 |
Initial level | 當 Starting values 為 User-specified 時使用(此時必填)。 |
Initial smoothed value: average of first K observations, K = | 預設 6。輸入權重時有效。 |
Number of forecasts | 預設 0(無),最多 1000。 |
Confidence level (%) for forecast interval | 預設 95。請求預測時有效。 |
Forecast origin (row) | 可選,請求預測時有效。預測從該列之後開始,使用截至該列的資料;留空表示序列末尾。 |
Results to display | Summary table(預設)或 Summary table and results table。 |
Residual plots (four in one) | 預設不勾選。常態機率圖、殘差對配適值圖、直方圖和殘差對順序圖。 |
Title | 輸出的標題。預設為 Single Exponential Smoothing。 |

圖 1 — 以 alpha = 0.2 平滑月度銷量,並給出六期預測。
輸出說明
- Single Exponential Smoothing (graph)——實際資料、配適值、預測值和預測帶,標題中給出 MAPE、MAD 和 MSD,圖上方給出所用的權重。
- Method——資料欄、長度,以及權重是指定的還是最佳的(設定了預測起點時還包括預測起點)。
- Smoothing Constants——所用的 α 值。
- Accuracy Measures——MAPE、MAD 和 MSD。
- Forecasts——期次、預測值、下限和上限。
- Results——選擇時輸出:每期的 Period、資料、Smooth、Predict 和 Error。
- Residual Plots——勾選時輸出。
- 透過 Download 匯出 PDF。

圖 2 — 平滑線落後於增長的銷量,六期預測值全部相同,均為 1,496.7。
計算範例
某消費電子產品經銷商有 60 個月的銷量資料(2020 年 1 月至 2024 年 12 月)。銷售分析人員先嚐試最簡單的預測方法,看看它遺漏了什麼。分析人員選擇 Variable (Y) = Sales,輸入 Weight to use in smoothing (alpha) = 0.2,保持 Starting values = From the data 和 K = 6,並將 Number of forecasts 設為 6,用於預測 2025 年 1 月至 6 月。
六期預測值全部相同:1,496.7 件,95% 區間為 1,234.9 至 1,758.4。該方法沒有趨勢或季節性,因此無法發現銷量在增長,也無法發現 1 月和 2 月總是偏弱。在圖上,平滑線落後於上升的資料,並從峰值和谷值中間穿過。MAPE 為 9.4%(MAD 為 106.8 件),是該資料上各預測工具中配適最差的:Winters 法達到 4.2%,分解達到 2.2%。
當 alpha 留空時,最佳 ARIMA 權重為 1.43,大於 1:水準為了跟上增長而對每個月都反應過度。MAPE 降至 6.7%,但 2025 年的每個月隨後都被預測為 1,817,即 12 月峰值留下的水準。就決策而言,兩個結果說明的是同一件事:這個序列需要帶趨勢和季節性的方法。只有當資料既沒有趨勢也沒有季節性時,單指數平滑才是合適的工具。
常見問題
什麼情況下應使用單指數平滑?
對於圍繞相當穩定的值波動、沒有明顯趨勢或季節性的序列,請使用單指數平滑,例如成熟備件的每週需求、每日廢品率或穩定產線的充填重量。對於有趨勢的資料,請使用雙指數平滑;對於有季節性的資料,請使用 Winters 法或分解。
如何選擇平滑權重 alpha?
較小的 alpha(如 0.1 至 0.3)給出反應緩慢的平滑線,而較大的 alpha 則緊密跟隨最新的值。如果 alpha 留空,則最佳權重來自 ARIMA(0,1,1) 配適,alpha = 1 減去 MA 係數。最佳 alpha 大於 1,表明序列存在趨勢。
為什麼單指數平滑的所有預測值都相同?
所有預測值都等於預測起點處的最後一個平滑值,因為該方法只有水準,沒有趨勢或季節性成分。預測限為預測值加減 z 乘以 1.25 乘以 MAD,因此對於其後的每一期,預測限寬度也相同。
如何度量預測精度?
精度透過三種基於資料與一步超前配適值之間誤差的度量來報告:MAPE(平均絕對百分比誤差)、MAD(平均絕對誤差)和 MSD(均方誤差)。數值越低,表示配適越接近,並可用於在同一資料上比較各預測方法。
