MÔN DỰ BÁO KINH TẾ Các mô hình dự báo giản đơn và Dự báo bằng phương pháp phân tích Giảng viên:Nguyễn Duy Tâm Lớp K10401 – Nhóm 6 1. Huỳnh Thế Duy – K104010014 2. Đỗ Thu Hà – K104010019 3. Đỗ Hiếu – K104010024 MỤC LỤC: CHƯƠNG 1: Tổng quan 1.1 Giới thiệu Dự báo đã trở thành một phần thiết yếu không thể thiếu trong cuộc sống. Nhờ có dự báo các công ty mới có thể xác lập các kế hoạch, Chính phủ mớiđưa ra được chính sáchđiều chỉnh kinh tế xã hội, thậm chí cả những người bình thường cũng có thể sử dụng dự báođể quyết ra những quyết định liên quan mật thiếtđến nguồn thu nhập của mình. Sau đây ta sẽđi tìm hiểu một số mô hình dự báo giản đơn mà chúng ta có thể dễ dàng sử dụng khi không có quá nhiều dữ liệu trong quá khứ được thu thập, và có thể được thực hiện dù người làm dự báo không phải là chuyên gia phân tích dữ liệu chuyên nghiệp sử dụng các mô hình dự báo phức tạp. Cụ thể hơn, ta sẽ đi vào 3 nhóm phương pháp dự báo chuỗi this gian giảnđơn gồm: các phương pháp dự báo thô, các phương pháp trung bình, và các phương pháp san mũ. Sau khi tìm hiểu các mô hình dự báo giảnđơn, ta sẽđi sâu hơn một chút về mô hình dự báotheo phương pháp phân tích để có được một mô hình dự báo chính xác hơn khi xét thêm nhiều yếu tố trong các giả định khác. 1.2 Mục tiêu nghiên cứu - Hiểu và thực hiện được các kỹ thuật dự báo sau: • Mô hình dự báo thô giảnđơn • Mô hình dự báo thô điều chỉnh • Mô hình dự báo trung bình giản đơn • Mô hình dụ báo trung bình di động • Mô hình dự báo san mũ giảnđơn • Mô hình dự báo Holt • Mô hình dự báo Winters - Phân biệt được các thành phần của chuỗi this gian - Phân biệt và trình bàyđược mô hình cộng tính và mô hình nhân tính trong dự báođặc biệt có yếu tố mùa nổi trội - Sử dụng được kiểm định Kruskal-Wallis để kiểm định yếu tố mùa - Xác định được dạng mô hình nên sử dụng trong từng trường hợp cụ thể 1.3 Phương pháp và phạm vi nghiên cứu Phương phápchung nhất được sử dụng trong bài cho các mô hình dự báo gồm các bước sau: (1) Chia bộ dữ liệu quá khứ làm hai giai đoạn: giai đoạn dữ liệu mẫu và giai đoạn dự báo hậu nghiệm (ước lượng trong giai đoạn quá khứ và hiện tại) (2) Thực hiện các mô hình dự báo trong gia đoạn dự báo mẫu (3) Đánh giá kết quả dự báo hậu nghiệm bằng việc phân tíchđồ thị và các tiêu chí thống kê (4) Dự báo tiền nghiệm (dự báo cho các giai đoạn tương lai) đối với mô hình tốt nhất trong giai đoạn dự báo hậu nghiệm Các phương pháp phân tích(Decomposition methods) hay các mô hình phân tích chuỗi this gian (Time-series decomposition models) được sử dụng trong cả dự báo ngắn hạn và dài hạn. Tuy nhiên chúng ta sẽ tập trung hơn vào các dự báo ngắn hạn. Ta sẽ sử dụng phương pháp phân tích chuỗi this gian cổ điển(Classical times- series decomposition), đây là cách thức thực hiện chủ yếu dựa trên nền tảng của các phương pháp trung bình di động và dự báotheo hàm xu thế. Tuy nhiên các phương pháp có tínhđến sự kết hợp cộng tính hay kết hợp nhân tính với yếu tố mùa vụ mà chúng ta đã đề cập trong mô hình san bằng mũWinters. 1.4 Ý nghĩa thực tiễn Phương pháp dự báo giản đơn vừa có thể được tiếp thu và thực hiện một cách nhanh chóng trên cơ sở một bộ dữ liệu vừa phải. Và mặc dùđơn giản theo tính học thuật, nhưng các phương pháp dự báo giảnđơn này vẫn có khả năngđiều chỉnh một cách hiệu quả các yếu tố căn bản của việc phân tích dữ liệu là tính xu thế, tính mùa, và các dao động ngẫu nhiên. Thậm chí dự báo bằng các phương pháp thô nàyđã vàđangđượcáp dụng phổ biến hơn là các phương pháp dự báo phức tạp khácở bản chất tính thích nghi vàđơn giản của chúng CHƯƠNG 2: Cơ sở lý thuyết và mô hình nghiên cứu 2.1 Mô hình dự báo giản đơn 2.1.1 Các giả định cho mô hình giản đơn: - Các phương pháp dự báo thôđược sử dụng để phát triển các mô hình dự báo giản đơn với giả định rằng các dữ liệu gần nhất là các dự đoán tốt nhất cho tương lai. - Các phương pháp trung bìnhđưa ra các dự báo dựa trên giá trị trung bình của các quan sát quá khứ với trọng số như nhau. - Các phương pháp san mũđưa ra các dự báo dựa trên giá trị trung bình có trọng số của các quan sát quá khứ vớiđiều kiện là các trọng số có xu hướng giảm dần. 2.1.2 Các mô hình dự báo (1) Mô hình dự báo thô • Mô hình dự báo thô giản đơn: các mô hình dự báo thô giả định rằng các giai đoạn gần nhất là các ước lượng tốt nhất cho tương lại, được biểu diễn như sau: là giá trị dự báo giai đoạn t+1 trên cơ sở giá trị thực tếở giai đoạnt. Giá trị dự báo thô giản đơn của mỗi giai đoạnđơn giản chỉ là giá trị của quan sát của giai đoạn ngay trước đó. 100% trọng số được gán cho giá trị hiện tại của dữ liệu () khi dự báo cho giai đoạn t+1 • Mô hình dự báo thô điều chỉnh Mô hình dự báo thô giản đơn có thể bịảnh hưởng của yếu tố xu thế và yếu tố mùa (sẽđược trình bày kĩ hơnở phần mô hình dự báo bằng phương pháp phân tích) vì tính dựa vào this gian của nó o Điều chỉnh xu thế: công thức của mô hình dự báo thô giản đơn có thể được điều chỉnh yếu tố xu thế như sau: Hoặc o Điều chỉnh mùa vụ: đối với dữ liệu theo quý, thì mô hình dự báo thô có thể được điều chỉnh như sau: Điều này có nghĩa là: khi dự báo có yếu tố mùa thì giá trị dự báo cho một quý nào đó (mùa nào đó) của năm sau chính là giá trị thực tế của chính quý đó năm trước. • Đối với dữ liệu vừa có yếu tố xu thế, vừa có yếu tố quý (mùa), chúng ta có thể điều chỉnh như sau: (2) Phương pháp dự báo trung bình: các phương pháp nàyđều sử dụng hình thức bình quân hoặc bình quân gia quyền của các quan sát quá khứ để “san” (Smooth) các dao động ngắn hạn của dữ liệu. Giả định cơ bản của phương pháp này là cho rằng các dao động trong các dữ liệu quá khứ chỉ thể hiện tính ngẫu nhiên xoay quanh một cấu trúcổnđịnh.Một khi cấu trúc dữ liệu quá khứ được nhận diện, thì việc dự báo tương lai trở nên dễ dàng. • Trung bình giản đơn: mô hình dự báo trung bình giảnđơn được biểu hiện qua công thức: t có thể là quan sát cuối cùng trong mẫu hoặc toàn bộ mẫu dữ liệu quá khứ sẵn có. Khi một quan sát mớiđượcđưa thêm vào, thì giá trị dự báo cho giai đoạn tiếp theo chỉ đơn giản là trung bình của và quan sát mới thêm vào. Cho nên khi cập nhật thông tin, công thức trên sẽ được điều chỉnh như sau: Phương pháp này chỉ phù hợp với các chuỗi dữ liệu không có biến động lớn (chuỗi this gian có tính “dừng”).Điều này có nghĩa rằng, các yếu tố và môi trường kinh doanh ảnh hưởng lên đối tượng dự báo có tính ổn định. • Trung bình di động: chỉ sử dụng một số quan sát gần nhất làm giá trị dự báo. Phương pháp này cũng thích hợp với các chuỗi dừng. Với hệ số số trượtk, trung bình di động bậc k, ký hiệu là MA(k) được thể hiện theo công thức: Trung bình di động trong giai đoạn t là giá trị trung bình số học củak quan sát gần nhất, trọng số của mỗi quan sát đều bằng nhau và bằng 1/k • Trung bình di động kép: phương pháp này nhằm sử dụngđể dự báo dữ liệu chuỗi this gian có yếu tố xu thế, gồm 2 bước cơ bản: Bước 1: Tính giá trị bình quân di động cho chuỗi dữ liệu gốc (MA) Bước 2: Tính giá trị bình quân di động cho chuỗi bình quân di động thứ nhất (MA’) Các bước thực hiện cụ thể bao gồm: - Bước 1: Tính chuỗi trung bình di động bậc 1, MA(k) theo công thức: - Bước 2: Tính chuỗi trung bình di động bậc 2, MA(k)’ theo công thức: - Bước 3: Tính chênh lệch giữa và để xác định ‘vị trí’ trung bình của chuỗi dữ liệu khi có yếu tố xu thế () - Bước 4: Ước lượng hệ sốđiều chỉnh yếu tố xu thế của dữ liệu, hệ số nàyđược xem nhưđộ dốc (). Lưuý là hệ số độ dốc này có thể thay đổitheo this gian. ] - Bước 5: Dự báo cho giai đoạn tiếp theo: Trong đó, k là hệ số trượt và P là số giai đoạn dự báo (3) Các phương pháp san mũ • San mũ giản đơn: đưa ra một giá trị trung bình di động với trọng số giảm dần cho tất cả các quan sát trong quá khứ. Mô hình san mũ giảnđơn thường phù hợp với loại dữ liệu không thể dự đoán được có xu hướng tăng hay giảm. Phương pháp san mũ vẫn dựa trên cơ sở lấy trung bình tất cả các giá trị quá khứ của chuỗi dữ liệu dưới dạng trọng số giảm dầntheo hàm mũ. Quan sát gần nhất (với giá trị dự báo) nhận trọng số (với 0<<1) lớn nhất, quan sát tiếp theo nữa nhận trọng số nhỏ hơn nữa, , và cứ tiếp diễn như thế cho đến quan sát cuối cùng trong dữ liệu quá khứ. Các thể hiệnđơn giản nhất của phương pháp này được biểu hiện theo công thức sau: Trong đó: = giá trị dự báo (mới) ở giai đoạn t+1 = Hệ số san mũ = Giá trị quan sát hoặc giá trị thực ở giai đoạn t = Giá trị dự báo (cũ) ở giai đoạn t Ta có thể viết lại công thức trên như sau: Với , theo đó giá trị dự báo mới bằng giá trị dự báo cũ đượcđiều chỉnh theo sai số dự báo cũ () Nếu công thứcđơn giản nhất đúng với giai đoạnt+1, thì cũng đúng với giai đoạnt, và nếu đúng với giai đoạnt, thì cũng sẽ đúng với giai đoạnt-1… Ta có công thức tổng quát như sau: Trong đó: n là số quan sát có sẵn trong mẫu dữ liệu quá khứ Như vậy, với bất kỳ giá trị bằng bao nhiêu, thì quan sát càng lùi sâu về quá khứ thì trọng số của nó trong giá trị dự báo càng nhỏ, và tổng trọng số của tất cả các quan sát quá khứ phải bằng 1. Hơn nữa, nếu giá trị càng lớn thì giá trị dự báo thực sự chỉ phụ thuộc vào một số quan sát gần nhất, và ngược lại. Yếu tố quan trọng nhất trong phương pháp san mũ giảnđơn là việc xác định giá trị của hệt số san mũ. Kinh nghiệm cho thấy rằng, nếu dữ liệu tươngđốiổn định với mức biến thiên thấp, thì chúng ta có thể chọn giá trị nhỏ, và ngược lại. Để xác định được hệ số tốiưu là phương pháp lặpđi lặp lại sao cho sai số dự báo tính toán được là bé nhất. Một yếu tố khác, ngoài hệsố, cóảnh hưởng đáng kểđến kết quả dự báo theo mô hình san mũ giản đơn là việc chọn giá trị dự báo đầu tiên . Nếu dữ liệu đủ lớn thì đây không phải là vấnđề quan trọng vìảnh hưởng của giá trị dự báo đầu tiên sẽ giảm đáng kể khi t tăng lên. Một cách khác có thể sử dụng là lấy giá trị trung bình củak quan sátđầu tiên. • San mũ Holt: được sử dụngđối với dữ liệu có yếu tố xu thế. Khi chuỗi thời gian có yếu tố xu thế (cục bộ), thì chúng ta cần phải dự báo cả giá trị trung bình (giá trị san mũ) và độ dốc (xu thế) hiện tại là, cơ sở cho dự báo tương lai. Mô hình san mũ Holt được thể hiện qua ba phương trình sau đây: 1. Ước lượng giá trị trung bình hiện tại : ==+ (1-)( + ) (4.19) 2. Ước lượng xu thế ( độ dốc) =(-) + (1-) (4.20) 3. Dự báo p giai đoạn trong tương lai = + (4.21) Trong đó = Giá trị san mũ mới ( hoặc giá trị ước lượng trung bình hiện tại) = hệ số mũ của giá trị trung bình ( 0<<1) = Giá trị quan sát hoặc giá trị thực tại thời điểm t = Hệ số san mũ của giá trị xu thế (0<<1) = Giá trị ước lượng của xu thế P = thời đoạn dự báo trong tương lai = giá trị dự báo cho p giai đoạn trong tương lai Nhận xét : • Giá trị san mũ (trung bình) dự báo tại thời điểm t được tính bằng bình quân gia quyền giữa hai giá trị ước lượng của trung bình: một ước lượng chính là giá trị quan sát và một ước lượng khác được tính bằng cách cộng thêm yếu tố xu thế vào giá trị san mũ trước đó: , nghĩa là dự báo cho giá trị ước lượng của trung bình tại thời điểm t. • Hệ số san mũ thứ 2 được sử dụng để tạo ra các ước lượng xu thế. Phương trình (4.20) cho thấy giá trị ước lượng của xu thế mới là bình quân gia quyền của 2 giá trị ước lượng của xu thế: một giá trị ước lượng được tính bằng thay đổi trong giá trị của trung bình từ thời điểm t-1 sang t( - ) .Về mặt ý tưởng thì phương trình (4.20) cũng giống như phương trình (4.19) nhưng khác biệt ở đây chỉ là san mũ đối với “xu thế” chứ không phải là san mũ đối với dữ liệu quan sát thực. • Phương trìn (4.21) hàm ý rằng nếu ta dự báo cho một giai đoạn tiếp theo () thì p sẽ bằng 1, hai giai đoạn tiếp theo () thì p sẽ bằng 2… Như vậy kết quả dự báo chính là giá trị san mũ mới (trung bình) có điều chỉnh yếu tố xu thế cục bộ. • Tương tự như san mũ giản đơn, và trong san mũ Holt có thể được chọn một cách chủ quan hoặc bằng cách tối thiểu hóa sai số dự báo (RMSE). Ở đây chúng ta có thể sử dụng kỹ thuật phân tích độ nhạy hai chiều để xác định và tối ưu. • San mũ Winters:là một phương pháp mở rộng của san mũ Holt đối với các dữ liệu có chứa yếu tố mùa. Yếu tố mùa trong chuỗi thời gian có thể thuộc dạng phép cộng hoặc phép nhân.Dạng phép cộng có nghĩa là yếu tố mùa ở các năm khác nhau chưa được lặp đi lặp lại một cách đều đặn.Ngược lại, dạng phép nhân có nghĩa là yếu tố mùa ở năm sau được lặp đi lặp lại nhưng với một cường độ cao hơn hoặc thấp hơn so với từng mùa trong năm trước. Mô hình san mũ Winters tổng quát nhất là mô hình dạng nhân tính. Mô hình này được ước lượng thong qua hệ bốn phương trình sau đây: 1. Ước lượng giá trị trung bình hiện tại =. + (1-)( + ) (4.25) 2. Ước lượng giá trị xu thế ( độ dốc) =(-) + (1-) (4.26) 3. Ước lượng giá trị chỉ số mùa = + (1-) (4.27) 4. Dự báo p giai đoạn trong tương lai = (+p) (4.28) Trong đó : = Giá trị san mũ mới ( hoặc giá trị ước lượng trung bình hiện tại) = hệ số mũ của giá trị trung bình ( 0<<1) = Giá trị quan sát hoặc giá trị thực tại thời điểm t = Hệ số san mũ của giá trị xu thế (0<<1) = Giá trị ước lượng của xu thế = Hệ số san mũ của chỉ số mùa = giá trị ước lượng của chỉ số mùa P = thời đoạn dự báo trong tương lai S = độ dài của yếu tố mùa = giá trị dự báo cho p giai đoạn trong tương lai Nhận xét : • Phương trình 4.27 là san mũ giản đơn giữa / và / • Phương trình 4.25 có điều chỉnh loại ảnh hưởng mùa vụ để ước lượng giá trị trung bình . • Do đây là mô hình nhân tính nên để bụ báo cho các giai đoạn tương lai , chúng ta nhân giá trị ước lượng của trung bình có điều chỉnh xu thế với chỉ số mùa vụ của từng mùa vụ riêng biệt • Mô hình cộng tính có 3 điểm khác biệt so với mô hình nhân tính là :  Giá trị san mũ tại thời điểm t là (-) chứ không phải là (/)  Chỉ số mùa vụ tại thời điểm t là (-) chứ không phải (/  Giá trị dự báo mới sẽ là tổng của ba thành phần ( + p+) 2.2 Mô hình dự báo bằng phương pháp phân tích 2.2.1 Giới thiệu Mô hình xu thế là một trong số những mô hình dự báo đơn giản với giả định là yếu tố xu thế (thời gian) là nổi trội. Tuy nhiên không phải lúc nào dự báo bằng các mô hình xu thế cũng được áp dụng một cách dễ dàng với giả định trên. Thực tế, khi ta biểu diễn một số loại dữ liệu được thu thập trong quá khứ (thường theo tháng hoặc theo quý) trên đồ thị, ta có thể nhận ra dữ liệu không chỉ tăng giảm theo yếu tố thời gian (yếu tố xu thế) mà nó còn có quy luật vận động lặp đi lặp lại sau mỗi năm (yếu tố mùa). Ví dụ như doanh số của những hãng du lịch thường tăng cao vào những tháng/quý thuộc mùa hè, v…v…. Trong trường hợp như vậy, người ta nói rằng dữ liệu của chúng ta bao gồm trong đó yếu tố mùa. Ngoài ra trong một chuỗi dữ liệu còn có hai thành phần khác là yếu tố ngẫu nhiên (bất thường), và yếu tốchu kỳ (khi chúng ta cần xét một chuỗi dữ liệu dài khoảng vài chục năm). Trong trường hợp dữ liệu của chúng ta có các yếu tố này, ta cần phân tích các thành phần trong một chuỗi thời gian để có thể thực hiện các kỹ thuật dự báo được chính xác hơn.Đây chính là nguyên nhân của sự ra đời các mô hình dự báo bằng phương pháp phân tích mà chúng ta sẽđi tìm hiểu. (Một chuỗi thời gian thường bao gồm 4 thành phần khác biệt về bản chất.Đó là thành phần xu thế (Trend component), thành phần chu kỳ (Cyclical component), thành phần mùa (Seasonal component) và thành phần bất thường/ngẫu nhiên (Irregular/Random component). Ta sẽđi vào phân tích làm rõ từng thành phần và sử dụng 2 mô hình dự báo với giả định yếu tố mùa và yếu tố xu thế là yếu tố nổi trội). 2.2.2 Cơ sở lý thuyết a) Bốn thành phần của chuỗi thời gian Một chuỗi thời gian thường bao gồm 4 thành phần sau đây: - Xu thế (Trend): là thành phần thể hiện sự tăng (hoặc giảm) ẩn bên trong một chuỗi thời gian, thườngđược ký hiệu làTr, hay T. - Chu kỳ (Cyclical) là một chuỗi những sự dao động giống nhau như hình sóng và sự dao động này sẽ lặp lại sau một thời kỳ thường dài hơn một năm, thường được ký hiệu là Cl, hay C. Trong thực tế, chu kỳ thường khó xác định và thường được xem như một thành phần của yếu tố xu thế. Khi đó, một chuỗi thời gian sẽ bao gồm 3 thành phần là Tr, Sn, Ir. - Mùa (Seasonal) đây là những dao động thường được tìm thấy với dữ liệu theo quý, theo tháng, thậm chí là theo tuần. Sự dao động mùa vụ liên quan đến kiểu thay đổi kháổn định xuất hiện hằng năm và kiểu thay đổi đó lăp lạiở năm sau, các năm sau nữa, ký hiệu là Sn hay S. - Ngẫu nhiên/bất thường (Irregular) là thành phần bao gồm những thay đổi ngẫu nhiên, không dựđoán được. Những sự thay đổi này là kết quả của vô số những sự kiện mà nếu xét riêng lẻ thì không quan trọng gì, nhưng nếu kết hợp lại thì có thể tạo ra mộtảnh hưởng lớn. Thành phần ngẫu nhiên thường được ký hiệu là Ir hay I. b) Các mô hình dự báo: Các mô hình dự báo chỉ có thể tập trung tìm ra các thành phần xu thế, mùa vụ. Còn thành phầnchu kỳ cần có một chuỗi dữ liệu lưu trữít nhất là trên 30 năm. Ta sẽ sử dụng 2 mô hình dự báo với giả định yếu tố mùa và yếu tố xu thế là 2 yếu tố nổi trội, cố gắng tìm ra những cách thức kết hợp của hai thành phần này nhằm phục vụ cho nhu cầu dự báo chuỗi thời gian. • Mô hình - Mô hình nhân tính: Có dạng: Mô hình nhân tính sẽ phù hợp khi sự biến thiên của chuỗi thời gian tằng dần theo thứ tự của thời gian. Điều này có nghĩa là các giá trị của chuỗi trải rộng ra khi xu thế tăng dần, và tập hợp các quan sát có dạng hình cái loa (megaphone), hay hình cái phễu (funnel). - Mô hình cộng tính: Mô hình cộng tính có hiệu quả khi chuỗi dữ liệuđang được phân tích có sự biến thiên xấp xỉđều nhau suốt độ dài dài của chuỗi thời gian.điều này có nghĩa là các giá trị của chuỗi thời gian về cơ bản nằm trong một dải giá trị có độ rộng là một hằng số và trung tâm của dải này làđường xu thế. • Hiệu chỉnh yếu tố mùa cho dữ liệu: Khi dữ liệu có yếu tố mùa, ta cần tách yếu tố mùa ra khỏi chuỗi dữ liệu, sau đó mới sử dụng chuỗi dữ liệu được hiệu chỉnh yếu tố mùa để thực hiện dự báo xu thế. Đểđơn giản, với mô hình nhân tính chúng ta sử dụng Tỷ lệ trung bình di động(Ratio to Moving Average), với mô hình cộng tính ta sử dụng chênh lệch so với trung bình di động(Difference from moving average). - Tỷ lệ trung bình di động – Mô hình nhân tính [...]... pháp dự báo giản đơn này vẫn có khả năng điều chỉnh một cách hiệu quả các yếu tố căn bản của việc phân tích dữ liệu là tính xu thế, tính mùa, và các dao động ngẫu nhiên Theo đánh giá của các nhà phân tích dữ liệu thì các phương pháp dự báo thô này đã và đang được áp dụng phổ biến hơn là các phương pháp dự báo hàn lâm phức tạp khác ở bản chất tính thích nghi và đơn giản của chúng Phương pháp phân tích. .. DỰ BÁO GIỮA MÔ HÌNH NHÂN TÍNH, CỘNG TÍNH VÀ SAN MŨ GIẢN ĐƠN MAE San mũ giản đơn Mô hình nhân tính Mô hình cộng tính MAPE RMSE 116015 0.092359 152576 85907 7.301661 99549 83250 7.264637 98883 Dựa vào bảng so sánh trên ta thấy ta chọn kết quả dự báo của phương pháp dùng mô hình công tính vì cho kết quả có độ chính xác cao nhất trong 3 phương pháp CHƯƠNG 4: Tổng hợp Tính hiệu quả của các phương pháp dự. .. dự báo giản đơn là nhưng cá nân làm nhiệm vụ phân tích dữ liệu và dự báo ở các lĩnh vực như các doanh nghiệp thông thường, cũng như các nhà phân tích kinh tế tài chính trong các thị trường có khả năng vừa tiếp thu và tác nghiệp chúng một cách dễ dàng, và đồng thời có khả năng đưa ra kết quả dự báo nhanh chóng trên cơ sở một bộ dữ liệu vừa phải mặc dù đơn giản theo tính học thuật nhưng các phương pháp. .. thế, yếu tố mùa vụđểđưa ra kết quả dự báo cuối cùng Trênđây là các bước cơ bản khi thực hiện dự báotheo phương pháp phân tích Tuỳ thuộc vào việc nhận dạng mô hình mà ta sử dụng Mô hình nhân tính hay Mô hình cộng tính Ta có thể sử dụng thêm đồ thị trong việc đánh giá kết quả dự báo • Kiểm định yếu tố mùa cho bộ dữ liệu bằng phương pháp Kruskal-Wallis Đây là phương pháp kiểm định yếu tố mùa vụ có xuất... trong nhiều trường hợp các mô hình phân tích chuỗi thời gian cung cấp những kết quả dự báo tuyệt vời vì tính phân tích cụ thể của nó Thứ hai, các mô hìn ày tạo sự dễ dàng trong việc hiểu và giải thích kết quả dự báo; nó làm tăng sự hợp lý trong việc giải thích kết quả dự báo cũng như sử dụng kết quả dự báo Thứ ba, thông tin được cung cấp bởi phân tích chuỗi thời gian phù hợp với cách thức mà nhà quản... mô hình cộng tính hay mô hình cũng có thể căn cứ trên độ chính xác của từng mô hình mà ta chọn để dự báo, dựa trên những phân tích của mình về mô trường dự báo trong tương lai • Kiểm định Kruskal-Wallis cho chuỗi Sn.Ir với công thức tính CMA của Gaynor & Kirkpatrick Bước 1 Tính với khoảng trượt L chẵn (L=4 nếu dữ liệu theo quý, L=12 nếu dữ liệu theo tháng) Bước 2 Tính Bước 3 Tính Mô hình nhân tính: Mô. .. Kết quả ước lượng bằng mô hình cộng tính: Phương trình hồi quy: YSA=1150384 – 63252.4T + 6166.5T2 – 96.9T3 Kết quả dự báo khoảng Kiểm định ý nghĩa thống kê của các hệ số hồi quy : Ta có Prob( )=0.047 . hình dự báo thô giản ơn • Mô hình dự báo thô điều chỉnh • Mô hình dự báo trung bình giản đơn • Mô hình dụ báo trung bình di động • Mô hình dự báo san mũ giản ơn • Mô hình dự báo Holt • Mô hình dự. gian giản ơn gồm: các phương pháp dự báo thô, các phương pháp trung bình, và các phương pháp san mũ. Sau khi tìm hiểu các mô hình dự báo giản ơn, ta sẽđi sâu hơn một chút về mô hình dự báotheo phương. kiện là các trọng số có xu hướng giảm dần. 2.1.2 Các mô hình dự báo (1) Mô hình dự báo thô • Mô hình dự báo thô giản đơn: các mô hình dự báo thô giả định rằng các giai đoạn gần nhất là các ước