单指数平滑
单指数平滑按 St = alpha·yt + (1 - alpha)·St-1 平滑时间序列,并以最后一个平滑水平预测所有未来各期。适用于围绕稳定值波动、没有趋势或季节性的序列。序列不能有缺失,且至少需要 4 个值。输出包括拟合值、带预测限的预测值,以及 MAPE、MAD 和 MSD。
最后审阅
核心要点
单指数平滑用一个水平来平滑时间序列,该水平每期按最新误差的一定比例(alpha)更新,并以该水平预测未来各期;适用于没有趋势或季节性的序列。
用途
单指数平滑用一个持续更新的水平来平滑时间序列,该水平每期按最新误差的一定比例更新,并以该水平预测所有未来各期。它适用于围绕相当稳定的值波动、没有明显趋势或季节性的序列,例如成熟备件的每周需求、每日废品率或稳定产线的灌装重量。对于有趋势的数据,请使用双指数平滑;对于有季节性的数据,请使用 Winters 法或分解。
主要功能
- 您指定的平滑权重(alpha),留空时则采用 ARIMA(0,1,1) 拟合得到的最优权重。
- 起始值取自数据,或由您输入。
- 在您选择的置信水平下给出带预测限的预测,可从序列末尾开始,或从更早的某一行开始,以便用已知数据检验该方法。
- MAPE、MAD 和 MSD 精度度量,以及数据、拟合值和预测值的图。
- 可选的结果表(每期的平滑值、预测值和误差)以及四合一残差图。
统计方法
平滑值为 Sₜ = α·yₜ + (1 − α)·Sₜ₋₁。第 t 期的拟合值(一步超前预测)为 Sₜ₋₁,即前一期末的平滑值,误差为 yₜ 减去该拟合值。较小的 α(如 0.1–0.3)给出反应缓慢的平滑线;较大的 α 则紧密跟随最新的值。
指定权重时,起始值 S₀ 为前 K 个观测值的均值(K 默认为 6)。权重留空时,工具用最小二乘法对一阶差分拟合 ARIMA(0,1,1) 模型,并令 α = 1 − θ,其中 θ 为 MA 系数;起始值则取自该拟合。这个最优 α 可能大于 1,这意味着水平对每个新值反应过度;应将其视为序列存在趋势的迹象。当 Starting values = User-specified 时,使用您输入的 Initial level 作为 S₀。
所有预测值都等于预测起点处的最后一个平滑值。预测限为预测值 ± z × 1.25 × MAD,其中 z 为对应置信水平的正态分位数,MAD 为拟合值的平均绝对误差;对于其后的每一期,预测限宽度相同。精度:MAPE = 平均 |误差 / 数据| × 100,MAD = 平均 |误差|,MSD = 平均 误差²。序列不能有缺失,且至少需要 4 个值。
输入字段和选项
字段 | 说明 |
Variable (Y) | 必填。按时间顺序排列的数值序列。 |
Weight to use in smoothing (alpha) | 0.0001 至 1。留空则使用 ARIMA(0,1,1) 的最优权重。 |
Starting values | From the data(默认):最优权重从 ARIMA 拟合起算;指定权重则从前 K 个观测值的均值起算。或 User-specified。 |
Initial level | 当 Starting values 为 User-specified 时使用(此时必填)。 |
Initial smoothed value: average of first K observations, K = | 默认 6。输入权重时有效。 |
Number of forecasts | 默认 0(无),最多 1000。 |
Confidence level (%) for forecast interval | 默认 95。请求预测时有效。 |
Forecast origin (row) | 可选,请求预测时有效。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。默认为 Single Exponential Smoothing。 |

图 1 — 以 alpha = 0.2 平滑月度销量,并给出六期预测。
输出说明
- Single 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,图上方给出所用的权重。
- 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——所用的 α 值。
- Accuracy Measures——MAPE、MAD 和 MSD。
- Forecasts——期次、预测值、下限和上限。
- Results——选择时输出:每期的 Period、数据、Smooth、Predict 和 Error。
- Residual Plots——勾选时输出。
- 通过 Download 导出 PDF。

图 2 — 平滑线滞后于增长的销量,六期预测值全部相同,均为 1,496.7。
计算示例
某消费电子产品经销商有 60 个月的销量数据(2020 年 1 月至 2024 年 12 月)。销售分析人员先尝试最简单的预测方法,看看它遗漏了什么。分析人员选择 Variable (Y) = Sales,输入 Weight to use in smoothing (alpha) = 0.2,保持 Starting values = From the data 和 K = 6,并将 Number of forecasts 设为 6,用于预测 2025 年 1 月至 6 月。
六期预测值全部相同:1,496.7 件,95% 区间为 1,234.9 至 1,758.4。该方法没有趋势或季节性,因此无法发现销量在增长,也无法发现 1 月和 2 月总是偏弱。在图上,平滑线滞后于上升的数据,并从峰值和谷值中间穿过。MAPE 为 9.4%(MAD 为 106.8 件),是该数据上各预测工具中拟合最差的:Winters 法达到 4.2%,分解达到 2.2%。
当 alpha 留空时,最优 ARIMA 权重为 1.43,大于 1:水平为了跟上增长而对每个月都反应过度。MAPE 降至 6.7%,但 2025 年的每个月随后都被预测为 1,817,即 12 月峰值留下的水平。就决策而言,两个结果说明的是同一件事:这个序列需要带趋势和季节性的方法。只有当数据既没有趋势也没有季节性时,单指数平滑才是合适的工具。
常见问题
什么情况下应使用单指数平滑?
对于围绕相当稳定的值波动、没有明显趋势或季节性的序列,请使用单指数平滑,例如成熟备件的每周需求、每日废品率或稳定产线的灌装重量。对于有趋势的数据,请使用双指数平滑;对于有季节性的数据,请使用 Winters 法或分解。
如何选择平滑权重 alpha?
较小的 alpha(如 0.1 至 0.3)给出反应缓慢的平滑线,而较大的 alpha 则紧密跟随最新的值。如果 alpha 留空,则最优权重来自 ARIMA(0,1,1) 拟合,alpha = 1 减去 MA 系数。最优 alpha 大于 1,表明序列存在趋势。
为什么单指数平滑的所有预测值都相同?
所有预测值都等于预测起点处的最后一个平滑值,因为该方法只有水平,没有趋势或季节性成分。预测限为预测值加减 z 乘以 1.25 乘以 MAD,因此对于其后的每一期,预测限宽度也相同。
如何度量预测精度?
精度通过三种基于数据与一步超前拟合值之间误差的度量来报告:MAPE(平均绝对百分比误差)、MAD(平均绝对误差)和 MSD(均方误差)。数值越低,表示拟合越接近,并可用于在同一数据上比较各预测方法。
