需求不确定性下医药零售销售预测的统计特征与建模思路

若模型在估计过程中简单剔除极端值，虽然可以改善拟合效果，却可能掩盖真实风险结构，导致预测结果在关键时刻失效。这在医药零售场景中尤为危险。

（三）短期相关性与长期不确定性并存

医药零售需求在短期内通常表现出较强的时间相关性。例如，在疾病流行期间，连续数天或数周的销量往往呈现高度相关。这种短期相关性为预测提供了一定可利用的信息基础。然而，在更长时间尺度上，需求走势却表现出高度不确定性。疾病流行路径、政策环境和消费者行为的变化，使得长期需求预测面临显著风险。这种“短期可预测、长期不稳定”的特征构成医药零售预测的核心难题。

从统计角度看，这种特征意味着需求序列的可预测性随预测步长显著下降。模型在短期预测中可能表现良好，但在中长期预测中误差迅速累积。这种时间尺度依赖性要求预测模型在设计时明确其应用目标。用于日常补货决策的模型，与用于战略库存规划的模型，其统计侧重点应有所不同。

四、需求不确定性下的建模思路

（一）强调结构约束的统计模型

在高度不确定的需求环境中，引入结构约束有助于提升预测稳定性。通过将需求分解为趋势、季节性和随机扰动，可以在统计上区分可预测成分与不可预测成分。

结构性时间序列模型通过显式建模不同成分，使模型在面对外生冲击时更具解释力。即便某一成分发生剧烈变化，其影响也可被局部吸收，而不至于破坏整体结构。

这种方法的统计价值在于限制参数空间，减少模型自由度，从而降低过拟合风险。尤其在样本长度有限或需求环境频繁变化的情境下，结构约束尤为重要。