贝叶斯预测是一种以动态模型为研究对象的时间序列预测方法，一般模式为先验+总体分布+样本→后验分布。
基本介绍
- 中文名：贝叶斯预测
- 外文名：Thomas Bayes
- 模型的概述：利用模型信息和数据信息
- 一般模式：先验+总体分布+样本→后验分布
贝叶斯预测模型的概述
贝叶斯预测模型是运用贝叶斯统计进行的一种预测.贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息，而且充分利用先验信息。
托马斯·贝叶斯(Thomas Bayes)的统计预测方法是一种以动态模型为研究对象的时间序列预测方法。在做统计推断时，一般模式是：
先验信息+总体分布信息+样本信息→后验分布信息
可以看出贝叶斯模型不仅利用了前期的数据信息，还加入了决策者的经验和判断等信息，并将客观因素和主观因素结合起来，对异常情况的发生具有较多的灵活性。这里以美国1960—2005年的出口额数据为例，探讨贝叶斯统计预测方法的套用。
Bayes预测模型及其计算步骤
此处使用常均值折扣模型， 这种模型套用广泛而且简单，它体现了动态现行模型的许多基本概念和分析特性。
常均值折扣模型
对每一时刻t常均值折模型记为DLM{1，1，V，δ}，折扣因子δ，O<δ
观测方程：μt = μt − 1 + ωt，ωt～N [O,Wt]
状态方程：yt = μt + vt，vt～N [0,V]
初始信息：～N [m0，C0]
其中μ是t时刻序列的水平，Vt是观测误差项或噪声项，ωt是状态误差项。
定理：对于每一时刻t，假设μt − 1的后验 分布()～N [mt − 1,Ct − 1]，则μt的先验分布()～N [mt − 1,Rt]，其中Rt = Ct − 1 + Wt。
推论1：()～N [ft,Qt]，其中ft = mt − 1,Qt = Rt + V。
推论2：μt的后验分布()～N [mt，Ct]，其中mt = mt − 1 + Atet,Ct = ATvt,At = Rt / Qt,et = yt − ft
由于Rt=Ct-1+Wt=Ct-1/δ,故有W − t = Ct − 1(δ − 1)
其计算步骤为：
(1)Rt = C − t / δ； (2)Qt = Rt + V；
(3)At = Rt / Qt； (4)ft − 1 = mt − 1；
(5)et − yt − ft − 1； (6)Ct = AtV；
(7)mt − mt − 1 + Atet
计算实例
根据The SAS System for Windows 9．0所编程式，对美国出口额 (单位：十亿元)变化进行了预测。选取常均值折扣模型和抛物线回归模型。
美国出口额的预测， 预测模型的初始信 息为m0=304，Co=72，V=0.Ol，δ=0.8得到的1960—2006年的预测结果。见表2中给出了预测的部分信息(1980—2006年的预测信息)。
通过The SAS System for Windows 9．0软体回归分析得到抛物线预测方程：
表示年份
见表3给出了1980-2006年的预测信息。
计算结果分析
根据表l和表2对1980-2005年出口额的预测结果可知，常均值折扣模型所得结果的平均绝对百分误差MAPE=8.1745%，而由抛物线回归模型所得结果的平均绝对百分误差为9.5077% 。由此可见这组数据中， 使用贝叶斯模型预测的结果更为精确。
对于随机波动、变化相对稳定的数据，用常均值折扣模型预测是比较精确。这里研究的贝叶斯统计预测方法，在许多领域都可能适用。在解决这类相关问题时，贝叶斯统计预测方法与传统的预测方法相比有明显优势。