。
朴素模式认为时间序列资料中只有很少的有用信息，而大多数为干扰信息。因此，预测应主要依赖于近期资料。它的预测模式为：
t+1=yt即第t+1期的预测值就是第t期的实际值。运用这种模式，2月份的销售额就是1月份的销售额。这种模式称为随机移动方式，它认为历史资料不含有用的信息。它也可以通过加入某些信息而加以改进，如可以认为序列数据不是静止的，该模式可改写为将本期和上期的变化融入这种趋势中的形式。
移动平均法认为时间序列资料中既包含有用信息又包括“干扰信息”。有用信息代表着序列数据在考虑期内的稳定波动性，但观察到它并不十分容易，因为常有一些干扰信息引起随机波动。移动平均法就是要对数据进行平滑处理来消除这种干扰信息。一个时距为三个月的移动平均法要用到三个月的平均值，对此可以用一个例子来说明从以上的例子我们可以得出关于平滑指数法的特征：第一，平滑指数的取值在0～1之间，指数为0表示不考虑现值，指数为1表示不考虑预测值。第二，该模式需要假定第一个预测值在例子中，首期的观察值即为预测值。第三，上面示范的简单的指数平滑法为各时间序列的未来值都做出了预测。如果出现季节性变化因素，该模型需要修正。
时间序列技术（如移动平均法和平滑指数法）都是用过去的资料来预测如销售额之类的变量的未来值。没有人敢断言这些模式适用于所有情况。两种模式都有严重的缺陷：第一，当预测是建立在过去的观察值基础上时，资料的准备要求更加规范化；第二，历史资料中的有用信息在某些场合与其他信息在一起被筛眩
5.直线回归预测法预测时存在一条基本的规律：信息越好，决策越好。时间序列预测中，有它的独到之处，但它忽略了相关系列中包括的有效信息。例如我们将生产数据融合进去，此时对人工成本的预测一定能得到改进。回归分析模式可以通过融入相关有效的信息来达到更好的时间序列预测的目的。
回归模型是建立在相关的概念之上的。回归分析是现代统计学研究的两个重要方法之一（另一种为相关分析）。相关是指两个系列的数据存在一种统计意义上的相联系的运动趋势，对此可以用一个例子来说明。
相关分析在识别数据的相关性方面很有用处，但却无法独立完成预测任务。回归分析是较好的预测技术。它在其他参数的基础上预测另一个参数的值。一般来说，回归的模型为：
y=α+βx
在上面的例子中即为：
直接人工工时=α+β×（生产产量）
直接人工工时是独自变化的，表示产量为零时所需的人工工时，是将预测产量转换为人工工时的系数。上例子中的回归方程为：
直接人工工时=66.3+0.165×（生产产量）
根据方程式，生2500单位产品需要478.8直接人工工时，这是一种点预测结果，它没有传递预测可信程度的信息，也没有给出置信区间。置信区间可用回归模式的结果来形成。上例中，如果生2500单位的产品，我们有95%的可信程度取定直接人工工时在396.3～562.5之间，可信程度的公式为：
预测的直接人工工时±2（预测值的标准差）
有时候在回归模型中需要多系列。我们在构件回归模型时引入的变量就不是一个，而是多个……以一个两个变量的例子来说，它的回归方程为：
y=β0+β1x1+β2x2回归模型在建立时要注意它对数据的一些假设是否成立，一般而言，回归模型要求数据具有等方差、0均值的性质；另外在建立了一个回归模型时，我们并不能马上就利用该模型进行预测，要首先对模型的显著性进行检验，当方程的系数、方程都通过了检验，我们才可以利用它进行预测；最后，在建立回归模型时，管理者应了解模型对样本数据个数的要求，一般而言，样本总数据的个数越大越好。但由于现实中，数据是有限的，但模型对样本数据的个数的最低要求为：样本总数据的个数应该大于变量个数的10倍。
收购“休克鱼”
1995年，海尔集团兼并了青岛红星电器股份有限公司。当时很多人都在为海尔担心：虽然青岛红星公司年产洗衣机70万台，曾是行业骨干企业，但现在已亏损到不能偿还贷款，这样一个烂摊子，怎么“收拾”呢？
但张瑞敏还是把红星公司纳入了旗下。
这个厂被兼并时当月亏损700万元。第二个月减亏，第四个月盈亏相等，第五个月盈利150万元。1995年在行业内排名最后的“红星”开始闪亮了。1995年排名开始靠前，到1996年6月已成为本行业第一的名牌企业。整个兼并过程，海尔没有增加一分钱的投入，仅用一年时间就获取了丰厚的回报。
这有什么秘密吗？海尔解释道，海尔选择兼并的目标都是非常有特点的：主要选择技术、设备、人才素质优良，只是管理不善，处于