双指数平滑
Holt 法每期用权重 alpha 更新水平、用权重 gamma 更新趋势,预测值为水平加 m 倍趋势。权重可以指定,也可留空以使用 ARIMA(0,2,2) 的最优权重,但最优权重需做合理性检查。输出包括预测限逐渐变宽的预测值以及 MAPE、MAD 和 MSD。序列不得有缺失,且至少有 4 个值。
最后审阅
核心要点
双指数平滑(Holt 法)用水平和趋势两个分量平滑时间序列,因此预测值沿最新趋势速率延续;适用于有稳定漂移且无季节性模式的序列。
用途
双指数平滑(Holt 法)用水平和趋势两个滚动分量平滑时间序列,因此其预测值按最新趋势速率持续上升或下降。可用于有稳定上升或下降漂移且无季节性模式的序列,例如累积磨损、逐月增长的需求或缓慢漂移的过程均值。对于有季节性的数据,请使用 Winters 法或分解。
主要功能
- 可指定水平权重(alpha)和趋势权重(gamma);两者均留空时,使用 ARIMA(0,2,2) 拟合得到的最优权重。
- 起始水平和趋势取自数据,或使用您输入的值。
- 沿最新趋势给出预测值,预测限随向前预测的期数逐期变宽,可从序列末尾或较早的某一行开始预测。
- MAPE、MAD 和 MSD 准确度度量,以及数据、拟合值和预测值的图。
- 可选的结果表(每期的水平、趋势、预测值和误差)和四合一残差图。
统计方法
每期更新水平和趋势:Lₜ = α·yₜ + (1 − α)·(Lₜ₋₁ + Tₜ₋₁),Tₜ = γ·(Lₜ − Lₜ₋₁) + (1 − γ)·Tₜ₋₁。第 t 期的拟合值为 Lₜ₋₁ + Tₜ₋₁,起点之后第 m 期的预测值为 L + m·T,其中 L 和 T 为起点处的水平和趋势。α 越大,水平越紧密地跟随近期值;γ 越大,趋势变化越快。
指定权重时,起始水平和趋势为数据对时间的最小二乘直线的截距和斜率。权重留空时,工具用最小二乘法对二阶差分拟合 ARIMA(0,2,2) 模型并换算其系数:α = 1 + θ₂,γ = (2 − α − θ₁) / α;起始水平和趋势由该拟合反向推算。最优权重可能落在 0 到 1 之外,应检查其合理性。当 Starting values = User-specified 时,使用您输入的 Initial level 和 Initial trend。
预测限为预测值 ± z × dₘ × MAD,其中 z 为所选置信水平对应的正态分位数,MAD 为拟合值的平均绝对误差,dₘ 为随向前预测期数 m 增大的系数(由 α 和 γ 中较大者算出),因此预测带随着时间向未来延伸而变宽。准确度:MAPE = 平均 |误差 / 数据| × 100,MAD = 平均 |误差|,MSD = 平均 误差²。序列不得有缺失,且至少有 4 个值。
输入字段和选项
字段 | 说明 |
Variable (Y) | 必填。数值序列,按时间顺序排列。 |
Level weight (alpha) / Trend weight (gamma) | 0.0001 到 1。两者均留空则使用 ARIMA(0,2,2) 的最优权重。 |
Starting values | From the data(默认):由 ARIMA 拟合反向推算(最优权重),或由数据对时间的回归得到(指定权重)。或 User-specified。 |
Initial level / Initial trend | 当 Starting values 为 User-specified 时使用;此时两者均必填。 |
Number of forecasts | 默认值为 0(不预测),最多 1000。 |
Confidence level (%) for forecast interval | 默认值为 95。要求预测时有效。 |
Forecast origin (row) | 可选,要求预测时有效。预测从该行之后开始,使用截至该行的数据;留空表示序列末尾。 |
Results to display | Summary table(默认)或 Summary table and results table。 |
Residual plots (four in one) | 默认不勾选。正态概率图、残差对拟合值图、直方图和残差对顺序图。 |
Title | 输出的标题。默认值为 Double Exponential Smoothing。 |

图 1 — 月销量,alpha = 0.2,gamma = 0.05,12 个预测值。
输出说明
- Double Exponential Smoothing (graph) — 实际数据、拟合值、预测值和预测带,标题中给出 MAPE、MAD 和 MSD,图上方给出所用权重。
- Method — 数据列、长度,以及权重是指定的还是最优的(设置了预测起点时还包括预测起点)。
- Smoothing Constants — α(水平)和 γ(趋势)。
- Accuracy Measures — MAPE、MAD 和 MSD。
- Forecasts — 期数、预测值、下限和上限。
- Results — 选择后显示:每期的 Period、data、Level、Trend、Predict 和 Error。
- Residual Plots — 勾选后显示。
- 通过 Download 导出 PDF。

图 2 — Holt 法用于月销量:2025 年的预测值在逐渐变宽的 95% 预测带内呈直线上升。
计算示例
某消费电子产品经销商有 60 个月的销售量(2020 年 1 月至 2024 年 12 月),逐年增长。销售分析员想知道 Holt 法得出的月增长量是多少,以及它对 2025 年的预测结果。分析员选择 Variable (Y) = Sales,输入 Level weight (alpha) = 0.2 和 Trend weight (gamma) = 0.05(使水平平缓地跟随数据、趋势缓慢变化,避免季节性使趋势大幅波动),并设置 Number of forecasts = 12。
2024 年底的趋势为每月 14.85 件,因此预测值从 2025 年 1 月的 1,556 呈直线上升到 2025 年 12 月的 1,719。95% 区间随向前预测的月数变宽:1 月为 1,334 至 1,778,12 月为 1,431 至 2,008。MAPE 为 8.3%(MAD 90.5),优于单指数平滑(9.4%),但远逊于 Winters 法(4.2%)和分解(2.2%),因为该方法没有季节性。1 月的预测值 1,556 可能偏高:每年销量从 12 月到 1 月都会大幅下降(2024 年 12 月为 1,759,而 2024 年 1 月为 1,261)。
两个权重均留空时,最优 ARIMA 权重为 alpha 1.42 和 gamma 0.0001。拟合几乎没有变化(MAPE 8.3%),但预测值攀升至 2025 年 12 月的 3,301,因为水平对 2024 年 12 月的峰值反应过度。最优权重需做合理性检查;此处季节性波动使其失准。结论:对无季节性的趋势使用 Holt 法,对本数据使用 Winters 法。
常见问题
什么情况下应使用双指数平滑?
适用于有稳定上升或下降漂移且无季节性模式的序列,例如累积磨损、逐月增长的需求或缓慢漂移的过程均值。对于有季节性的数据,请使用 Winters 法或分解;在季节性销量的计算示例中,Holt 法的 MAPE 为 8.3%,而 Winters 法为 4.2%。
alpha 和 gamma 权重有什么作用?
Alpha 是水平权重:alpha 越大,水平越紧密地跟随近期值。Gamma 是趋势权重:gamma 越大,趋势变化越快。指定的权重范围为 0.0001 到 1。两者均留空则使用 ARIMA(0,2,2) 拟合得到的最优权重,其值可能落在 0 到 1 之外。
为什么 Holt 法的预测限会变宽?
预测限为预测值加减 z x dₘ x MAD,其中 z 为所选置信水平对应的正态分位数,MAD 为拟合值的平均绝对误差,dₘ 为随向前预测期数增大的系数。因此,预测带随着时间向未来延伸而变宽。
最优平滑权重可信吗?
最优权重需做合理性检查。在示例中,最优权重为 alpha 1.42 和 gamma 0.0001;拟合几乎没有变化,但预测值攀升至 2025 年 12 月的 3,301,因为水平对 2024 年 12 月的峰值反应过度。季节性波动使权重失准。
