近年來，由於液晶顯示器市場中的企業，目前正進入「最適經營模式」之關鍵時刻，也就是企業均處於一個最佳的營運模式，據以維持或提高企業在市場上的競爭力。然而，國內在此產業中之相關企業大多數係以降低成本為提昇競爭力的主要策略之一，但如此經營策略並非完全適合國內企業的經營模式。因此，為能進一步瞭解C公司經營績效的良窳，且探究經營績效之影響因素。 　　有鑑於此，本研究擬針對C公司之銷售數量與額度的影響因素，進行探究，藉以瞭解該公司之銷售地區、產品等級、產品種類等因素的影響關係。其研究結果顯示： 1. 地區對產品等級與產品種類的選擇有顯著影響； 2. 台灣地區的銷售額度顯著較其他地區為高； 3. A產品銷售額度顯著較其他種類產品為高； 4. 平均每月銷售額度會受前一期的影響。

觀光產業的發展良窳，對於地方的基礎與公共建設、人文與自然景觀、國家形象等均隱藏著關鍵性的影響。亦因如此，我國於近年來，除積極推動國人觀光政策，例如實施週休二日，同時也積極從事相關觀光產業發展的政策實施，例如部分國家免簽證、開放大陸旅客來臺觀光等，其主要目的在於推廣國家知名度與強化國家建設。 　 然而，在推動觀光產業發展的同時，旅館業隨之所受到影響應是最為明顯之一。然又鑑於，觀光旅館平均房價與住用率的成長與否是反應其經營管理的良窳。因此，本研究擬針對國內觀光旅館的平均房價與住用率的預測，進行探討，藉以瞭解國內觀光旅館平均房價與住用率的自我影響關係及其預測模型的建構。其研究結果顯示，在趨勢分析的部分，臺北地區國際觀光旅館近五年的住用率均超過七成，甚至在近二年的住用率亦高達七成五，而高雄地區國際觀光旅館近五年的住用率也有近七成；在預測模型的建立部分，國際或一般觀光旅館的平均房價會受前一期的影響、國際或一般觀光旅館的住用率會受前一期或前兩期的影響、指數平滑法的預測能力較佳。 【關鍵字】 時間數列分析、指數平滑法、住用率、平均房價

由於國人對房市仍是充滿信心，其指數高達37%，是香港、新加坡、馬來西亞、韓國等亞洲地區中信心指數最高的國家，以及國人對於房子或土地等不動產是抱持著一種保值投資的觀念，在此觀念與信心的引領下，國內房地產則呈現房價居高不下的情況。雖然，房地產業可以帶動國內金融、製造、營建、傳統等產業的發展及整體經濟的發展，但國內房地產市場價格未能合理達到民眾期待的時候，如果可以提供民眾一些房價參考的訊息時，對於整體研究而言是一項重要的貢獻。 近年來，大台北地區之房地產市場價格一直以來都是國內各地區房價的指標，因而導致投資客的興趣較高，故本研究考量以大台北地區的房價為討論主軸，以及透過進階的方法對大台北地區的房價進行估計，據以瞭解大台北地區的房價影響因素。而整體的研究發現，茲將概述如下： 一、 台北市的房價所得比的成長幅度較新北市為高； 二、 台北市的房價所得比與每戶平均消費支出是呈現正相關； 三、 大台北地區之房價所得比受前季的影響較大； 四、 大台北地區房價得比的指數平滑模型之預測效果相對較好。

零售業是美國最大的產業之一，近年來科技進步以及網路購物擁有價格優勢、交易方便等優點，未來電子商務將成為主流的銷售形式之一，一般實體零售業者如何因應這股潮流是一大課題。 　　與本研究有關之美國服飾零售業，實體店家還是占市場的多數，因此，為了提升服飾零售實體店家的競爭優勢，我們預測來店人數，一方面調整人力資源的分配與進貨量，提供顧客優良的服務品質，另一方面視情況提出促銷方案吸引顧客上門，進而提升營運效率。 　　每年從感恩節到聖誕節這一個月的時間，是關乎全美零售業生存與否的重要時刻，這段時間的銷售額約占全年銷售總額的1/5，也就表示來店人數在這段期間會維持在一定的數值以上甚至達到全年巔峰，而如何不受影響達到精準預測？本研究欲找出指數平滑法中適合的模型精準預測來店人數的資料。 　　本研究旨在探討指數平滑法與延伸之狀態空間模型，指數平滑法屬於時間序列(Time series)的預測方法，是應用相當廣的一種預測方法，一般由趨勢(Trend)以及季節性(Seasonality)組合而成，而將指數平滑模型加入誤差項以後的狀態空間模型，過去一直沒有一個隨機模型做為架構納入概似估計與預測區間等，近幾年才發展出模型之最佳化準則來估計參數，而本研究想探討哪一個狀態空間模型適用於預測來店人數資料以及狀態空間模型之最佳化準則是否能使預測結果更準確。 　　本研究之資料為美國時尚精品服飾店2007年營業時間內每小時來店人數，而實證分析後發現Holt-Winters季節性加法模型ETS(A,A,A)蠻適合用來預測來店人數，此外ETS(A,A,A)模型之最佳化準則以AMSE準則與MLE準則表現最佳， MAE準則表現最差。

因應近年來數位典藏的趨勢日漸發展，越來越多珍貴中文歷史文本 選擇進行數保存，而保存的同時會面對文本的作者遺失或從缺，進而 影響文本的完整性，而本論文提出了一個適用於中文史料文本作者分 析的方法，主要是透過語言模型的建構，為每一位潛在的作者訓練出 一個專屬的語言模型，而搭配不同的平滑方法能避免掉某一受測文本 單詞出現的機率為零的機率進而造成計算上的錯誤，而本論文主要採 用改良式 Kneser–Ney 平滑方法，該平滑方法因其會同時考慮到 N 詞彙 語言模型的高低頻詞的影響，而使其成為建構語言模型普遍選擇的平 滑方式。 若僅將每一位潛在作者的所有文章進行合併訓練成單一的語言模型 會忽略掉許多特性，所以本篇論文在取得附有價值的歷史文本之外， 又加入後設資料 (Metadata) 進行綜合分析，包括人工標記的主題分類 的統計資訊，使建構出來的語言模型更適配受測文本，增加預測結果 的準確性。和加入額外的自定義的字詞以符合文本專有名詞的用詞習 慣，還會在一般建構語言模型的基礎上，加入長字詞的權重，以確定 字詞長度對預測準確度的關係。最後還會採用遞歸神經網路 (Recursive neural networks) 結合語言模型進行作者預測，與傳統的語言模型分析 作進一步的比較。 / In recent years, the trend of digital collections has been developing day by day, and more and more precious Chinese historical corpora have been selected for preservation. The preservation of the corpora at the same time will face the loss or lack of the authors, thus affecting the integrity of the corpora. A method for analyzing the author of the Chinese historical text is mainly through the construction of the language model, for each potential author to train a specific language model, and with a different smoothing method can be avoided zero probability of words and the error is caused by the calculation. This paper mainly adopts the Interpolated Modified Kneser-Ney smoothing method, which will take into account the influence of higher order and lower order n-grams string frequency. So, Interpolated Modified Kneser-Ney smoothing is become a very popular way to construct a general choice of language models. The combination of all the articles of each potential author into a single language model will ignore many of the features, so this paper in addition to the value of the historical corpora, but also to add the metadata to integrate analysis, including the statistical information of the subject matter classification of the artificial mark, so that the constructed language model is more suitable for the measured text, increase the accuracy of the forecast results, add additional custom words to match the language of the proper nouns, in addition. But also on the basis of the general construction language model, the weight of the long word to join, to determine the length of the word on the relationship between the accuracy of prediction. Finally, recursive neural networks language models are also used to predict the authors and to make further comparisons with the traditional language model analysis.

本論文運用Box-Jenkins 隨機時間序列模式與Winters 趨勢季節平滑模式，進行廿一 縣市液化石油氣需求預測，依模式之配合度、穩定度及預測能力予以評估上述兩種模 式之優缺點，并探討各模式於運用時之限制，以供企業界與學者運用此兩種模式之參 考。 本論文共壹冊，約為五萬餘字，分為八章，茲分述如下： 第一章：闡述研究之動機目的與方法。第二章；介紹Box-Jenkins 模型之理論與建立 方法。第三章：介紹指數平滑法之發展、種類及模式之建立方法。第四章：探討良好 預測模式所應具備之條件，以為評估之標準。第五章：運用Box-Jenkins 模式進行液 化石油氣需求模式之進立與預測。第六章：運用Winters 趨勢季節平滑模式從事液化 石油氣需求預測。第七章：比較前述兩章預測之結果。第八章：結論與建議。

在線性模型中以計算容易，解釋方便為著稱，但是比須加入許多嚴格限制 ，而對於事後之模型檢測亦要花費番功夫。，而可加性模型只要函數給定 ，backfitting 演算法收歛即可。可加性模型除了保留線性模型的加法性 及解釋能力外，尚且提高了估計準度。在美、日、中、英、德五個國家的 保險市場中，雖然判定係數的提升亦大有斬獲 (0.85->0.9957)，然而在 台灣我們根據實證 一、提升統計應用水準，大幅提高模型變數的解釋能 力，模型內MSE(Me Square Error)大幅降低。(見表5-1、表5-2、表5-3、 表5-4、表5-5、表5-6、二、維持了線性模型方便的解釋能力。三、提升 估計水準，用以比較二種模型之優劣時，採1991年保費收入之實際值與估 計值之比較(見表 5-3，表 5-6，表 5-9，表 5-12，表 5- 15)，可發現 線性模型誤差率與可加性模型誤差率的比值美國為2倍、日本為12倍、臺 灣為4.55倍、英國為2.95倍、德國為2.95倍。四、函數以圖形方式表示顯 而易見。可加性模型所做的保費收入估計模型 / An Application of Insurance in Additive Model：United States's, Japan's,Taiwan's,England's and germnany's Life Insurance Model between Premiums and Macro-variables comparison.

人口政策是政府的重要政策之一，而總人口數則是政府制定政治、經濟、社會及文化發展計畫之主要參考依據，因此如何準確地預測未來的總人口數就成為政府相關部門重要的課題。 本論文試圖為台灣地區總人口數建立時間數列預測模式。我們考慮下列模式：單變量自我迴歸整合移動平均介入模式、時間數列迴歸模式、轉換函數介入模式與指數平滑法，其中轉換函數介入模式中所考慮的投入變數包括育齡婦女總生育率、粗出生率及粗死亡率。我們同時以平均絕對百分誤差 (MAPE) 、根均方百分誤差 (RMSPE) 來評估各模式的預測能力，結果顯示以育齡婦女總生育率為投入變數的轉換函數介入模式最佳，而以粗出生率為投入變數的轉換函數介入模式次之，若以這兩個模式進行未來十年總人口數之預測，並與行政院經建會人力規劃處所作的人口預測中推計值比較，其平均絕對百分誤差分別為0.138%，0.156%，顯示時間數列預測模式有相當佳的預測能力。 / In this thesis, we plan to construct various time series models for the total population in Taiwan. The following time series models are considered: ARIMA intervention model, time series regression model, transfers founction intervention model and exponential smoothing method. The input variable considered in the transfer function intervention model include total fertility rate, crude birth rate and crude death rate. We also compare the prediction performance of these models by using mean absolute percentage error (MAPE) and root mean square percentage error (RNSPE). It turns out that the transfer function intervention model with total fertility rate as input is the best model. While the transfer function intervention model with crude birth rate as input ranks the second best. Finally we forecast the total population of the next ten years by using the above two best models and compare with the middle population projection by Manpower Planning Department in Executive YUAN-Council for Economic Planning and Development. The mean absolute percentage error are 0.138% and 0.165% respectively. This result justifies that the time series model has excellent predictive ability and should be considered for total population prediction.

本文採用可加性模型分析法建立台灣地區小型商用車市場之需求模型，並 引進Box-Jenkins時間序列模型處理具自我相關之誤差項，以利進行拔靴 推論設計時，能拔靴白干擾(bootstrapping white noise)，即重抽樣白 干擾的經驗分配。在此次研究過程中，除配適Box-Jenkins時間序列模型 外，所有分析步驟都是完全自動的，不須作假設和檢驗的工作，所以可降 低傳統上因統計人員主觀判斷錯誤所造成的估計偏誤。可加性模型改進傳 統迴歸模型須先假設模型形式的限制，可從商用車實證分析中，直接由資 料配適平滑函數，顯見其合理性。拔靴法免除傳統推論程序須強使隨機干 擾項分配為常態分配或漸近常態分配之束縛，改由殘差經驗分配模擬隨機 干擾項分配行為，在推論商用車市場上，也獲得不錯的結果。

共變數的值會隨著時間而改變時，我們稱之為時間相依之共變數。時間相依之共變數往往具有重複測量的特性，也是長期資料裡最常見到的一種共變數形態；在對時間相依之共變數進行重複測量時，可以考慮每次測量的間隔時間相同或是間隔時間不同兩種情形。在間隔時間相同的情形下，我們可以忽略間隔時間所產生的效應，利用分組的Cox模式或是合併的羅吉斯迴歸模式來分析，而合併的羅吉斯迴歸是一種把資料視為“對象 時間單位”形態的分析方法；此外，分組的Cox模式和合併的羅吉斯迴歸模式也都可以用來預測存活機率。在某些條件滿足下，D’Agostino等六人在1990年已經證明出這兩個模式所得到的結果會很接近。 當間隔時間為不同時，我們可以用計數過程下的Cox模式來分析，在計數過程下的Cox模式中，資料是以“對象 區間”的形態來分析。2001年Bruijne等人則是建議把間隔時間也視為一個時間相依之共變數，並將其以B-spline函數加至模式中分析；在我們論文的實證分析裡也顯示間隔時間在延伸的Cox模式中的確是個很顯著的時間相依之共變數。延伸的Cox模式為間隔時間不同下的時間相依之共變數提供了另一個分析方法。至於在時間相依之共變數的預測方面，我們是以指數趨勢平滑法來預測其未來時間點的數值；利用預測出來的時間相依之共變數值再搭配延伸的Cox模式即可預測未來的存活機率。 / It is so called “time-dependent covariates” that the values of covariates change over time. Time-dependent covariates are measured repeatedly and often appear in the longitudinal data. Time-dependent covariates can be regularly or irregularly measured. In the regular case, we can ignore the TEL(time elapsed since last observation) effect and the grouped Cox model or the pooled logistic regression model is employed to anlalyze. The pooled logistic regression is an analytic method using the“person-period”approach. The grouped Cox model and the pooled logistic regression model also can be used to predict survival probablity. D’Agostino et al. (1990) had proved that pooled logistic regression model is asymptotically equivalent to the grouped Cox model. If time-dependent covariates are observed irregularly, Cox model under counting process may be taken into account. Before making the prediction we must turn the original data into“person-interval”form, and this data form is also suitable for the prediction of grouped Cox model in regular measurements. de Bruijne et al.(2001) first considered TEL as a time-dependent covariate and used B-spline function to model it in their proposed extended Cox model. We also show that TEL is a very significant time-dependent covariate in our paper. The extended Cox model provided an alternative for the irregularly measured time-dependent covariates. On the other hand, we use exponential smoothing with trend to predict the future value of time-dependent covariates. Using the predicted values with the extended Cox model then we can predict survival probablity.