数模--预测类模型选择的一般规律

目录

一、单序列or回归分析？

1. 分析数据特性

2. 考虑问题目标

3. 评估可用信息

4. 明确模型假设

二、单序列预测模型

三、回归分析预测模型

---

一、单序列or回归分析？

1. 分析数据特性

• 时间依赖性： 如果数据主要表现为随时间变化的序列，并且预测目标是基于时间推进的（如未来销售量、股价等），单序列预测。
• 多变量关系： 如果数据中涉及多个变量，且需要分析这些变量之间的关系对一个特定变量（如销售量、价格、用户行为等）的影响，回归分析预测。

2. 考虑问题目标

• 预测未来值： 如果目标是预测一个量随时间的变化（而不涉及其他变量的影响），单序列预测是首选。
• 分析因果关系： 如果需要理解和量化一个或多个自变量对因变量的影响，回归分析是更好的选择。

3. 评估可用信息

• 数据量： 回归分析通常需要足够的数据点来估计变量之间的关系，而单序列预测可能在较少的数据点上也能有效。
• 数据质量： 如果数据中包含许多异常值或缺失值，需要考虑这些因素对两种方法的影响。

4. 明确模型假设

• 单序列预测 常基于时间序列的特定统计特性（如平稳性、季节性等）。
• 回归分析 通常需要假设数据满足特定条件（如变量间的线性关系、误差项的正态分布等）。

二、单序列预测模型

模型	适用范围	优点	缺点
灰色预测	数据量较少、信息不完全	对数据要求不高，适用于小样本	精度有限，难以处理复杂系统
插值与拟合	数据点较少，需要找到趋势	很好地逼近给定数据点	可能过拟合，对新数据预测能力有限
时间序列预测	给出时间序列的数据	适用于趋势分析	需要大量历史数据，对新信息反应不够灵敏
马尔科夫预测	状态转移概率已知的随机过程	能够处理随机过程	对初始状态和转移概率的要求较高
神经网络	多数据，复杂环境的识别和预测	强非线性处理能力，适应性强	大量数据训练，计算成本高

三、回归分析预测模型

模型	适用范围	优点	缺点
线性回归	简单的趋势预测
非线性回归	复杂系统建模
Logistic回归	分类预测，处理因变量是分类变量的情况（疾病诊断）	处理分类输出，提供概率结果。	只适用于分类问题，且主要用于二分类
向量自回归	多个时间序列数据之间的相互影响（金融）	分析多个序列间的动态关联。	复杂，数据量大
偏最小二乘回归	自变量数量很多（生态）	减少数据维度，提高模型稳定性	忽略变量间的具体关系。