（一）定性预测的主要方法——专家预测法

专家预测法是以某一领域内具有实践经验和丰富知识的专家为预测者，运用其丰富的经验和知识对预测对象进行分析、研究，寻求其特征和发展规律并提出预测结论的一种定性预测方法，主要包括专家会议法、头脑风暴法和专家调查法（也称德尔菲法）。

由于专家预测法是以专家为主要预测者，所以选择的专家是否合适，是直接关系到预测是否成功的关键，为此在确定专家时应遵循以下几个原则：①专家的选择标准要高。要注意选择那些经验丰富、有真才实学，在自己专业领域内有独到见解，分析判断能力都比较强的专家，以保证预测的准确性；②专家的人数要合适。专家的人数不能太多也不可太少，按照通常做法，一般在10～30人。人数太少预测精度会下降，人数太多，对于提高预测精确度的效果不明显，而且组织工作难度大，在时间、财力和人力上都不合算；③专家的选择面要宽，既要选择与预测问题有关的“内行专家”，也要选择相关领域的专家，如一些边缘学科的专家，这样可以保证分析问题的全面和客观；④要充分考虑到专家的自身情况，比如，专家是否乐于接受该任务，能否自始至终坚持下来，近期有没有接受其他大型的咨询项目等，另外专家的身体和心理状况也要考虑到。

以上谈到的是选择专家的基本原则。当然，实际情况是复杂的，要具体情况具体分析，灵活掌握，合理运用。下面介绍一种专家预测法——专家小组法。

专家小组法又称为德尔菲法，它是以匿名方式，通过轮番征询专家意见，最后得出统计预测值的方法。德尔菲法自从问世以来已在世界范围内得到广泛使用，并被证明是一种有效的预测方法。

1.专家小组法具有以下特点

匿名性。德尔菲法运用通信手段，采用匿名方式向专家征询意见。这有利于专家独立思考，大胆判断，敢于发表不同意见，而不必担心自己的威望受到损害，克服了专家会议法的缺陷。

反馈性。在预测过程中，预测组织者把预测意见进行统计、汇总，将结果和不同意见反馈给每位专家，这样反复进行3～5轮。每一轮预测意见都能得到反馈，使专家充分了解不同意见及其理由，从而提高专家预测水平。

收敛性。专家的意见经过多轮征询、反馈之后，意见和认识会趋于一致，经过统计处理，可以得到定量的预测结果。

2.专家小组法的基本步骤

准备阶段。首先，建立预测机构，确定预测课题。预测机构一般由企业的信息部门为主组成。预测课题要明确、具体，紧密围绕企业的经营目标，根据决策要求设定题目。其次，选择专家要按着专家选择原则进行。再次，提供背景资料。要在意见征询之前，准备好与预测题目有关的资料，提供给专家，使专家对征询题目心中有数。最后，设计征询表。征询表要紧紧围绕预测问题进行设计。内容要简明扼要，有针对性，提问方式要直截了当。文字要简练、准确，题目数量不宜过多，一般在20个以下。此外，表中还应留有空白，以便专家写入自己的意见。

征询阶段。在准备阶段就绪后，就可以将背景材料、预测题目和征询表发给专家，并限定在一定时间内答完后收回。然后对征询结果进行汇总统计，并将汇总意见、预测要求及补充的背景材料反馈给专家，进行下一轮的询问。依次类推，经过3～5轮的询问，意见会趋于一致，少数不同意见也会明朗。最后，通过统计和数据处理，得到预测结论。每一轮询问的时间大约10天。

专家意见的汇总设计和数据处理阶段。专家意见的汇总采取统计方法进行。专家的意见一般呈正态分布，所以，对于数据的处理方法常采用中位数法和四分位数法。

对于数量和时间数据的处理，当专家的答案是数量或时间时，可以将这些数据由小到大排列。如果有n个专家参与预测，则共有n个（包括重复）数据，排列如下

计算中位数公式为

式中　m——中位数；

　　　ak，ak+1——第k个和第k+1个数据（k为正整数）。

四分位数设为a1，下四分位数为a2，则

通过上面对预测数据的计算处理，m表示专家预测的期望值，a1表示区间上限，a2表示下限。

对等级比较结果的处理：在进行专家意见征询时，经常请专家对几个同类问题的重要性进行排序。这时就用部分比重对数据进行处理，其步骤如下：①在征询表中罗列出若干评价项目，并规定重要程度的评分标准。②依据下面的公式计算各评价项目总得分S（j）和总分比重K（j）

式中　S（j）——第j个项目的总得分；

　　　n——参加比较的项目个数；

　　　B（i）——第i位的得分；

　　　N（i）——赞同某项目排在第i位的人数。

式中　K（j）——第j个项目的总分比重；

　　　M——对该问题问答的人数。

所有项目的总分比重之和等于1，故

同时

最后，可以按照部分比重的大小排列各项目的重要程度。

3.举例说明德尔菲法在预测中的应用

某县供电局为了分析该县1998年售电量增长5%的原因，并预测1999年的售电增长率，聘请了20位熟悉电力产销形势和该县社会经济发展状况的人士，采用邮寄问卷方式进行了三轮调查。预测的基本操作过程如下。

（1）预测准备阶段。明确预测内容和目标。

1998年全县售电量增长了5%，通过分析发现引起售电量增长主要有以下几方面的原因：①通过清理不合理电费、电价，降低了用电成本；②取消了原有用电限制政策；③对薄弱线路实现整改，提高了供电可靠性和供电能力；④居民收入水平增加，消费结构变化；⑤气候因素的影响。

要求预测人员把以上原因按重要性排序。预测该县1999年售电增长率。

考虑到采用德尔菲法进行预测时，预测结果的有效性主要依赖于预测人员的代表性和自身水平的高低，因此，结合本地实际情况，聘请了以下预测人员：①村电工和乡电管站工作人员各3名，分别来自经济水平处于高、中、低的三类乡村；入选条件为熟悉辖区内电力销售情况及当地实际情况，有一定文化素质；②该县供电局内部员工7名。条件是精通业务，工作能力较强，文化素质较高的人员，分别来自计划、农电、用电、财务和办公室各一名，及主管农电的局长和正局长各一名；③县政府办公室、经贸委和计委各一名熟悉该县情况的人员；④市、省供电局农电处各一名业务熟练的人士；⑤大专院校电力经济管理专业熟悉农电工作的教授2名。

最后，根据预测内容和目标，收集有关资料，设计好问卷，一并寄给有关人员。

（2）数据汇总、整理阶段。现以第一轮预测结果的整理分析为例。

1）关于1998年售电量增长原因分析。按重要性从高到低顺序，从5项原因中选出3项主要原因的结果汇总见表4-1。

利用表4-1数据就可以进行如下计算：

令第1，2，3位次重要性权重（得分）分别为3，2，1，则n=3，B（1）=3，B（2）=2，B（3）=1，代入式（4-4）和式（4-5）得

A项总得分S（A）=7×3+3×2+3×1=30

部分比重为K（A）=30/20（3+2+1）=25%

表4-1　售电量增长因素排序

说明：预测人员中列A项为第一位原因的有7人，列第二位原因的为3人，列第三位原因的3人，其他结果汇总方式相同。

同理，得到其他各项总得分和总分比重，即

根据以上预测结果，可得到如下结论：D项因素最具影响，其次分别为C、A、B、E项因素。其中，E项因素影响最不明显。

为了更进一步明确原因，可以对方案进行修改，再进行下一轮预测。做法是：删去比重分最低的E项，在4个备选因素中，只选择2项因素，可以得到更明确的结论。

2）关于1999年售电增长率预测。

第一轮预测意见如下（从小到大排列）：

由于n=20，为偶数，按式（4-1）可得k=10（n=2k），则中位数m=（a10+a11）/2=（3%+4%）/2=3.5%，即预测售电量增长率的期望值为3.5%。又因为四分位数的项次k=10为偶数，则按式（4-2）和式（4-3）求得

根据上面的预测结果，m为3.5%，表示专家预测的期望值，a1表示预测区间上限，a2表示预测区间下限，即1999年售电量增长率预测为3.5%，有60%的专家预测增长率在0.5%～6%之间。

然后，把预测结果通知专家，以便再进行下一轮预测时参考。依照这些程序，依次进行预测，一般会使专家意见统一，得出预测结果。

（3）实例分析评价。德尔菲法属于定性预测方法，其结论的可靠性主要依赖于预测者自身素质和预测者对预测对象认识程度的高低。在本例中，该县局从本地实际出发，选择了基层、中层和高层三级电力工作者，又聘请了从事电力管理研究的理论人士，有一定代表性，为预测结果的有效性奠定了基础。但是，如果能进一步考虑到不同专家之间学识、能力是不同，就可以用一定标准对预测结果加权处理，效果会更好。

（二）定量预测的主要方法之一——时间序列法

时间序列预测法是对一种历史资料的延伸预测方法，它是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一期或以后若干期可能达到的水平。

用时间序列预测法做定量预测是有一定假设性的，即假设在一定时间内某种经济现象的发展变化规律、趋势和速度是不变的。但是，事物是发展变化的，即使是同一经济现象的发展速度、发展趋势在不同时期，也是有变化的。因此，采用时间序列预测法时，还必须十分重视定性分析。时间序列预测法对于短期预测的效果较好，当数据比较稳定时，也可以用作长期预测，否则，长期预测的准确性就很难保证。另外，经济现象在一定时期内的变化常常有转折，如升降变化，而变化的转折点却很难用时间序列预测法推测出来，但这个转折点的预测又非常重要。因此，时间序列预测法和其他方法必须结合起来。

1.时间序列预测法的步骤

第一步，收集历史资料，编制时间序列。

第二步，分析时间序列。事物发展变化是由许多错综复杂因素共同作用的结果。有的是系统因素，对事物的发展起着决定性的作用；有的是偶然因素，对事物的发展只起局部的、临时的、非决定性作用。系统因素的影响，使事物的发展呈现一定的规律性；偶然因素的影响，则又使事物的发展表现得变化无常。为了更深入地认识事物发展变化的规律性，在对时间序列进行分析的基础上，有必要对构成时间序列的诸要素进一步分析。一般可把时间序列分解为以下4种主要成分：

长期趋势（T），是人口、资本构成和技术状况等基本因素发展的结果。通过对过去的数据分析可以发现它是一条直线或曲线。

循环波动（C），可以从销售等数据波动中捕获。许多销售受到总的经济活动的影响，这种经济活动趋向于某种周期性，这个循环成分能够用在中期预测中。

季节变动量（S），是指一年中销售活动的某一个固定形态。季节这个词用以描述任何重复出现的每小时、每周、每月或每季的销售形态，如电力负荷曲线表示的电力负荷情况。该季节成分可能与天气因素、假期和贸易习惯等有关。季节形态可以短期销售预测提供一个推测。

偶发事件（E）包括罢工、时尚、自然灾害等其他突发事件。这些偶发事件成分是随机发生的，根本无法预测，但是有时这些因素对经济的影响作用正好相反，可以期望他们互相抵消；或者为了有利于观察较正常的销售情况，应该把它们从过去是数据中分离出去。

第三步，求时间序列的长期趋势（T），季节变动量（S），循环变动（C）和偶发事件（E）的值，并选定近似数学模型来描述它们。

第四步，利用时间序列资料求出4种成分的数学模型，据此进行预测。

把T、S、C、E这些成分和时间序列的关系用一定的数学关系式表示，就构成了时间序列的数列分解模型。其中，最基本的有加法模型和乘法模型。

设Y为时间序列，则时间序列是加法模型为

时间序列的乘法模型为

下面以乘法模型为例，介绍时间序列各构成成分的测定方法。

2.长期趋势及其测定

所谓长期趋势是指现象在较长期时间内持续发展变化的方向和状态。研究长期趋势，对正确认识现象发展变化的数量规律是有着非常重要的意义。

测定长期趋势的方法很多，较常用的以移动平均法为例进行长期趋势预测。

表4-2　我国工业总产值

移动平均法是通过对原有的时间数列进行修正，来测定长期趋势的一种比较简单的方法。这种方法对时间序列采用逐项移动的办法，按一定时期分别计算一系列的序时平均数，以形成一个新时间数列。在新的时间数列中，短期的偶然因素所引发的波动被削弱，从而呈现出在较长期时间内的基本发展趋势。

现在结合一个实例来说明移动平均法的计算过程。如表4-2所示，是1983～1986年我国工业总产值季度资料，以此为数据，计算3季平均值和4季的移动平均值，结果如表4-3所示。

表4-3　工业总产值移动平均趋势值计算表

从表4-3中可以看出，在计算奇数项移动平均值时，先将要移动平均各项的数值相加以计算出移动总数，然后用移动总数除以移动项数，就得出了移动平均数。在本例中计算3季移动平均数时，先将3季数值相加，然后除以3。例如第一个移动总数是：1382.4+1584.2+1536.7=4500.3，记在与三项数值中间数据对应的位置上，然后用移动总数除以3，得到第一个移动平均数1500.1，记在与移动总数相对应的位置上，以下依次计算。

在计算偶数项移动平均数时（如本例中4季平均数），由于第一次移动平均的结果正对着两个数值的中间，所以还要进行第二次移动平均。方法是把相邻的两个第一次移动平均值相加再除以2。

采用移动平均测定事物发展的长期趋势，其移动平均时间要视现象本身的特性而定。假如现象的变化有周期性，就以周期长度作为移动平均时间，如上例中采用了季度资料，那么移动平均时间以四季为宜，因为这样进行移动平均可消除季节变动。用移动平均法测定长期趋势，适宜对现有的时间数列进行分析以及为消除季节变动做准备，而不适宜对未来发展进行预测。(www.daowen.com)

3.季节变动及其测定

所谓季节变动是指现象随着季节的变换而引起的比较有规律的变动。认识和掌握这个变动规律，对于组织生产经营活动，对于正确认识和把握现象整体的发展变化规律性，具有重要意义。测定季节变动的方法很多，常用的有简单平均法和移动平均趋势剔除法。

（1）简单平均法，又称为月（季）平均法。计算时，首先根据历年同月（季）资料，求出该月（季）的平均数，然后将各年各月（季）的平均数和总平均数相比，得到季节指数，其公式为

季节指数=同月（季）平均数/总平均数

仍以上文中的例题为例，结果如表4-4所示。

表4-4　工业总产值季节指数计算表（简单平均法）

简单平均法计算简单，容易理解，但没有考虑长期趋势情况，其计算结果不够精确。

（2）移动平均趋势剔除法。这种方法的特点是将移动平均数作为长期趋势加以剔除，再测定季节变动，其计算步骤如下：

第一步，根据各年的月资料Y，计算12月移动平均数T′（如果是季资料，则应计算4季移动平均数）。

第二步，将实际数值Y除以相对应的移动平均数T′，得到Y/T′，如表4-5所示。

第三步，把Y/T′按月（季）排列，求同月（季）平均数，再将同月（季）平均数除以总平均数，即得季节变动量，其结果如表4-6所示。

表4-5　工业总产值季节指数计算表（一）

表4-6　工业总产值季节指数计算表（二）　单位：%

4.循环波动及其测定

循环波动是一种周期较长的近乎规律性的从低到高，再从高到低，周而复始的变动。它和季节变动相似，但和季节变动有主要区别：其变动周期在一年以上，且其周期长短不一。研究循环波动，主要目的在于探索现象循环波动的规律，以及这个现象和其他现象循环波动的联系，从而分析和预测社会经济现象的发展趋向，为决策与管理提供有效的依据。测定循环波动的最基本的方法有直接法和剩余法。

（1）直接法。直接法是用每年各月数值与上一年同月数值相比，求得循环和不规则变动相对数，反映现象循环波动的一种方法，其计算公式为

式中　CIt，i——第t年第i月的循环和不规则变动相对数；

　　　Yt，i——第t年第i月的时间序列数值；

　　　Yt-1，i——第t-1年第i月的时间序列数值。

当时间序列为季节资料时，式（4-10）中i（i=1，2，3，4）就代表季度。上例中循环和不规则变动计算如果如表4-7所示。

（2）剩余法。又称残余法，采用剩余法测定循环波动，就是从时间序列中逐渐或一次消去长期趋势T和季节变动量S，剩余循环与不规则变动，在此基础上进一步削去偶发事件E，其结果就是循环波动值。以乘法模型为例，循环波动相对数的计算过程可以表述如下。已知乘法模型的一般形式为

式中　Y、T——绝对量；

　　　C、S、E——相对量。

表4-7　工业总产值循环和不规则变动计算表（直接法）

利用时间Y，分别求出长期趋势T和季节变动量S后，循环波动C可以用下面公式求出

式中　MA为移动平均的英文缩写，即对循环与偶发事件CE进行移动平均，消除偶发事件E，求得循环波动C。计算结果如表4-8所示。

表4-8　时间与变动因素关系

续表

（三）定量预测的主要方法之二——回归预测法

1.回归分析的含义及分类

市场的发展变化是由多种因素决定的，影响其变化的各种因素之间存在着一定的依存关系，即因果关系。市场经济现象之间的因果关系，是从量的方面来描述的，分析市场经济现象之间的数量变化关系，被称为因果函数关系。这种因果关系大致可以分为两类：①确定性因果关系，即指自变量与因变量之间的关系可以运用确定性函数关系来表达的因果关系；②非确定性因果关系，即自变量与因变量之间的关系只能利用统计方法来找出它们之间的回归关系。因此，对非确定性因果关系的分析，主要采用回归分析方法。

回归分析法，是对具有相互联系的现象，根据其变量间（两个以上变量）的关系，用数理统计方法选择一个合适的数学表达式，用来近似地表达变量间平均变化关系，并根据已知的自变量来估计和预测因变量的值。这个数学表达式称为回归方程式。

设因变量为Y，自变量为xi（i=1，2，…，n），则它们之间的关系表达式为

其中：f（x1，x2，…，xn）为一个含待定参数的回归函数；e为误差项，是一个随机量，代表用回归函数f（x1，x2，…，xn）来近似代替因变量Y所产生的误差，其计算式为

称为回归方程式。

如果研究的因果关系只涉及两个变量（即一个因变量和一个自变量），则称之为一元回归分析，将Y=f（x）称为一元回归方程；如果研究的因果关系涉及两个以上变量（即一个因变量和两个或两个以上自变量），则称之为多元回归分析或复回归分析，将

称为多元回归方程式。

回归分析中，又可依据描述自变量与因变量之间关系形态的回归函数f（x）是线性还是非线性，分为线性回归分析和非线性回归分析，所以，回归分析可概括如下

其中，非线性回归经常可以转化成为线性回归处理，因此，线性回归分析是最基本方法，也是市场预测中的一种重要预测方法。

在某些情况下，对市场变量间的某些因果关系，不能只研究自变量对因变量的影响，而忽视因变量对自变量的逆向影响，或自变量之间的相互影响。回归分析法往往不能对这样一种市场变量间相互依存的复杂关系作出系统描述，而需要采用经济计量法，即在经济分析的基础上，列出一个或多个数学表达式，用来进行市场变量的预测。经济计量法就是揭示市场这类变量复杂关系的方法。一般它能较好地描述经济机制，是一种比较先进，能取得预测效果的方法。

2.回归预测法的应用步骤

回归预测方法应用的基本思路是通过对市场变量之间关系的分析，根据现象之间相互联系的规律性，选择恰当数学模型描述主要变量间的关系，据以预测市场发展前景及可能达到的水平。应用步骤大体如下：

（1）通过对市场经济现象之间的因果关系的分析，确立预测目标及因变量和自变量。

市场预测最终目的一般是预测市场需求量或是企业的销售量。但影响市场需求量的因素很多，所以，市场预测的内容也是相当广泛的。就某项市场预测而言有一定的预测内容和项目，还取决于预测所要解决问题的要求。因此，分析市场现象因果关系必须做到：

1）凭借人们的经验、知识及判断能力，对预测问题在定性分析基础上，明确预测目标及影响其变化因素的诸多市场变量。

2）选定因变量和自变量。一般情况下，表示预测目标的变量为因变量，表示影响其变化因素的各种因素为自变量。

从市场预测过程来讲，明确预测目标，选定因变量是首要目标，但从众多影响预测目标的因素中选定自变量，这是保证预测结果可信度的关键。在选定自变量时，必须抓住影响预测目标变化的主要矛盾和主要方面，选择与因变量关系最密切和比较密切的影响因素作为自变量。此外，也要考虑到所选变量数据资料的可取情况，因为丰富的数据资料是提高变量间因果关系定量分析效果的基本条件。

（2）根据变量之间的因果关系类型，选择数学模型，并经过运算，求出有关参数，建立预测模型。

（3）预测分析，确定预测值。首先，利用预测模型进行数量计算，即在掌握自变量预测估计值的前提下，利用上面建立的预测计算因变量预测值，并应用统计检验推断方法，估计预测值的置信区间。其次，综合分析判断，确定最终预测值。要注意定量分析时，还需要与定性分析相结合，把各种主要因素考虑进去，参照已经出现和正在出现的可能性进行分析，对预测模型计算的预测值作出适当的调整，确定最终预测值，使预测结果更接近实际。

3.回归预测的优点与缺点

回归预测具有三个主要优点：一是能研究预测对象与相关因素的相互关系，抓住预测对象变化的实质原因，因而预测结果比较可信；二是能给出预测结果置信区间和置信度，从而使预测更加完善和客观；三是考虑了相关性，能运用有关的数理统计方法，对回归方程进行检验，从理论上保证了预测的质量。

回归预测也有缺点：一是对实际数据一视同仁，即不论数据是什么时候发生的，都认为各数据对预测对象的影响程度相等，这往往不符合实际情况；二是计算工作量大，三元以上的回归方程通常要计算机才能胜任。如果出现新数据时，一般要重新估计回归方程和重新进行相关分析，应用时远不如时间序列预测方法那么简便。

4.一元线性回归预测法

一元线性回归预测法是回归预测方法中一种最简单、最基本的方法。

（1）基本原理和基本公式。一元线性回归法就是实际运用中常用的拟合直线问题。假定x为自变量，y为因变量，选取n个样本值（xi，yi），作一条回归直线，即

对应于每一个x1，根据回归直线方程可以求出，它就是y1的估算值。设它们之间的偏差为。显然，n个偏差的总和越小，说明回归直线拟合程度越好。为了方便起见，以误差平方和最小为标准，求回归直线，这就是著名的最小二乘法。

由微分学可知，为了使Q最小，必须使a，b满足下列方程式

为了计算方便，并与多元回归分析的计算公式统一书写格式，并定义

求出a，b之后代入式（4-15），就可得到回归直线=a+bx，那么，只要给定x1值，可以就用作为yi的预测值。

（2）相关系数r。对于任何给定的一组样本值（xi，yi），都可用最小二乘法拟合出一条回归直线。但是，这样人为拟合出来的回归直线并非总是有意义的。事实上，只有当x，y之间存在某种线性的因果关系时，其回归直线才有意义。

检验回归直线是否有意义，主要靠丰富的专业知识和实践经验。另外，统计学也给出了一种简便的方法——用相关系数r来进行检验，其计算公式为

相关系数是描述两个变量线性关系密切程度的一个数量指标，r的几何意义如图4-2所示。

图4-2　相关系数示意图

由线性代数可知，，所以，相关系数r具有下列性质：0≤|r|≤1，其中，|r|越接近于0，x与y的线性相关程度越小；|r|越接近于1，与y的线性相关程度越大。

从图4-2中可知：

1）当r=0时，Sxy=0，因此，回归直线方程中的b=0，回归直线平行x轴，说明y的取值与x无关，即x与y无线性相关关系，如图4-2（a）所示。但要注意，当r=0时，x与y不存在线性相关关系，但可能存在其他非线性相关关系，如图4-2（b）所示。

2）当|r|=1，a=0，即y=，这时所有的点都在回归直线上，x与y存在完全确定的线性函数关系，即x与y完全线性正相关，如图4-2（e）所示，或完全负相关关系，如图4-1（f）所示。

3）当0＜|r|＜0时，x与y存在一定的线性关系，|r|越接近于1，样本值散点越靠近回归直线。r＞0时，b＞0，称x与y正相关，如图4-2（c）所示；r＜0时，b＜0，称为x与y负相关，如图4-2（d）所示。

按|r|数值的大小，将两变量间的线性相关程度分为三类：①当0.7≤|r|≤1，x与y具有高度线性相关关系；②当0.3≤|r|＜0.7时，x与y具有中度线性相关关系；③当0≤|r|≤0.3时，x与y具有低度线性相关关系。

（3）预测与预测精度。由于x与y之间是相关关系，知道了x0的值，不能精确地知道y0的值，但是，由回归直线可以求出y0的预测值。

可以证明，y0波动规律为

其中：为回归直线的预测值；称为剩余标准值，且

根据正态分布的3σ原则，有

显然，S越小，用回归直线y预测就越精确，所以，剩余标准差S可以作为预测精度的标志。