本书主要介绍常用的统计预测与决策方法。统计预测方法主要包括定性统计预测、统计回归预测、时间序列分解法和趋势外推法、马尔可夫预测、平稳时间序列预测、模糊时间序列预测、灰色系统预测、神经网络预测和组合预测方法；决策方法主要包括不确定型决策、风险型决策、多目标决策和序贯决策等。本书注重阐述统计预测与决策模型的基本原理和方法，使之具有一定的系统性和新颖性；同时也介绍了各类模型的特点和适用范围，并给出应用案例，突出学以致用。另外，每章都配有适量的习题，部分习题具有一定的拓展性；并且提供习题详解，扫描二维码可以核对习题答案。
本书可作为高等院校统计和应用统计专业的教材，也可以作为数学与应用数学专业、系统工程专业、工商管理等专业的本科生或研究生的教材，或者可作为工程技术人员、管理人员的参考读物。

前言
上篇 统计预测
第1章 统计预测概述
1.1 统计预测的概念
1.2 统计预测方法的分类
1.3 统计预测的原则和步骤
1.3.1 统计预测的原则
1.3.2 统计预测的步骤
1.4 统计预测的发展现状
1.4.1 不确定性预测方法
1.4.2 组合预测方法
1.5 统计预测与决策的关系
习题
第2章 定性统计预测方法
2.1 定性预测概述
2.2 德尔菲法
2.2.1 德尔菲法的实施过程
2.2.2 德尔菲法特点
2.2.3 专家意见的统计处理
2.2.4 德尔菲法在中国生物制药行业技术预测分析中的应用
2.3 主观概率法
2.3.1 主观概率法
2.3.2 主观概率预测方法的案例
习题
第3章 统计回归预测方法
3.1 一元线性回归预测方法
3.1.1 回归模型的建立
3.1.2 一元线性回归模型参数的估计
3.1.3 一元线性回归模型的检验
3.1.4 一元线性回归模型的预测
3.2 多元线性回归预测方法
3.2.1 多元线性回归模型
3.2.2 参数估计
3.2.3 统计检验
3.2.4 多元线性回归模型进行预测
3.3 非线性回归预测方法
3.4 主成分回归预测方法
3.4.1 主成分分析
3.4.2 主成分回归预测
习题
第4章 时间序列分解法和趋势外推法
4.1 时间序列以及时间序列分解
4.1.1 时间序列的含义
4.1.2 时间序列确定性因素分解
4.2 趋势外推法概述
4.2.1 趋势外推概念
4.2.2 趋势外推法分类
4.2.3 趋势外推模型的选择
4.3 多项式曲线趋势外推法
4.3.1 二次多项式曲线预测
4.3.2 三次多项式曲线预测
4.4 指数曲线趋势外推法
4.4.1 指数曲线预测
4.4.2 修正的指数曲线预测
4.5 生长曲线趋势外推法
4.5.1 Gompertz曲线模型
4.5.2 Logistic曲线模型
4.6 曲线拟合优度分析
4.7 时间序列分解的案例研究
4.7.1 背景介绍
4.7.2 数据说明
4.7.3 描述性统计分析
4.7.4 时间序列分解及趋势外推
4.7.5 总结
习题
第5章 马尔可夫预测方法
5.1 马尔可夫链基本理论
5.2 马尔可夫预测方法
5.3 市场占有率预测
5.4 股票价格走势预测
习题
第6章 平稳时间序列预测方法
6.1 平稳时间序列
6.1.1 平稳时间序列概念
6.1.2 平稳性检验
6.2 平稳时间序列模型及识别
6.2.1 AR(p)模型
6.2.2 MA(q)模型
6.2.3 ARMA(p, q)模型
6.2.4 ARMA(p, q)模型定阶
6.3 平稳时间序列模型的参数估计
6.3.1 矩估计
6.3.2 最小二乘估计
6.4 平稳时间序列模型的预测
6.4.1 AR(p)序列预测
6.4.2 MA(q)序列预测
6.4.3 ARMA(p, q)序列预测
6.5 平稳时间序列案例分析
6.5.1 背景介绍
6.5.2 数据说明
6.5.3 随机时间序列预测过程
习题
第7章 模糊时间序列预测方法
7.1 模糊时间序列
7.1.1 模糊数学基本概念与理论
7.1.2 模糊时间序列模型
7.2 一阶模糊时间序列预测方法
7.3 高阶模糊时间序列预测方法
7.3.1 高阶模糊时间序列分析简介
7.3.2 高阶模糊时间序列分析模型建立
7.4 多因素模糊时间序列预测方法
7.4.1 多因素高阶模糊时间序列分析
7.4.2 多因素高阶模糊时间序列模型建立
7.5 模糊时间序列应用案例分析
7.5.1 模糊时间序列预测
7.5.2 高阶模糊时间序列预测
习题
第8章 灰色系统预测方法
8.1 灰色预测GM(1, 1)模型
8.1.1 灰色系统基本概念
8.1.2 GM(1, 1)预测模型的基本原理
8.2 GM(1, 1)模型检验
8.2.1 GM(1, 1)模型残差检验
8.2.2 GM(1, 1)模型后验差检验
8.2.3 GM(1, 1)模型关联度检验
8.3 GM(1, 1)残差模型
8.4 GM(n, h)模型
8.4.1 GM(1, h)模型
8.4.2 GM(n, h)模型
8.5 案例分析：生活垃圾清运量预测
8.5.1 研究背景
8.5.2 数据来源
8.5.3 模型建立
习题
第9章 神经网络预测方法
9.1 BP 神经网络预测模型
9.1.1 人工神经元数学模型
9.1.2 BP神经网络的结构
9.1.3 传递函数(激活函数)
9.1.4 BP神经网络学习算法及流程
9.2 BP神经网络的MATLAB工具箱函数
9.2.1 数据的预处理和后处理
9.2.2 创建网络
9.2.3 设定参数
9.2.4 训练网络
9.2.5 BP神经网络的仿真
9.2.6 模拟输出
9.3 神经网络预测案例
习题
第10章 组合预