Tài Liệu Môn Kĩ Thuật Dự Báo Thị Trường ( mới nhất)

CHƯƠNG I: TỔNG QUAN VỀ DỰ BÁO TRONG KINH DOANH .....................8 1.1. DỰ BÁO VÀ PHÂN LOẠI DỰ BÁO....................................................................8 1.1.1. Dự báo............................................................................................................8 1.1.2. Phân loại dự báo.............................................................................................9 1.2. NGUYÊN TẮC CỦA DỰ BÁO TRONG KINH DOANH..................................13 1.2.1. Nguyên tắc liên hệ biện chứng.....................................................................14 1.2.2. Nguyên tắc kế thừa lịch sử...........................................................................14 1.2.3. Nguyên tắc tính đặc thù về bản chất của đối tượng dự báo.........................14 1.2.4. Nguyên tắc mô tả tối ưu đối tượng dự báo ..................................................14 1.2.5. Nguyên tắc về tính tương tự của đối tượng dự báo .....................................15 1.3. QUI TRÌNH THỰC HIỆN DỰ BÁO ...................................................................15 1.3.1. Xác định vấn đề dự báo................................................................................15 1.3.2. Thu thập thông tin dữ liệu............................................................................16 1.3.3. Phân tích sơ bộ nguồn dữ liệu......................................................................16 1.3.4. Lựa chọn mô hình và xây dựng mô hình .....................................................17 1.3.5. Ứng dụng và đánh giá mô hình....................................................................17 1.4. THÔNG TIN DỮ LIỆU DỰ BÁO TRONG KINH DOANH ..............................17 1.4.1. Khái niệm và phân loại dữ liệu ....................................................................17 1.4.2. Thu thập dữ liệu ...........................................................................................22 1.4.3. Quản lý dữ liệu phục vụ cho công tác dự báo..............................................25

TỔNG QUAN VỀ DỰ BÁO TRONG KINH DOANH

DỰ BÁO VÀ PHÂN LOẠI DỰ BÁO

1.1.1.1 Bản chất của dự báo

Dự báo là sự tiên đoán có căn cứ khoa học, mang tính chất xác suất về mức độ, nội dung, các mối quan hệ, trạng thái, xu hướng phát triển của các đối tượng nghiên cứu hoặc về cách thức và thời hạn đạt được các mục tiêu nhất định đã đề ra trong tương lai

1.1.1.2 Đặc điểm của dự báo

- Dự báo có tính chất xác suất (khả năng): Mỗi đối tượng dự báo vận động theo một qui luật, một quĩ đạo nào đó đồng thời trong quá trình phát triển nó luôn chịu sự tác động của các nhân tố thuộc môi trường mà nó tồn tại, bản thân các nhân tố tác động lại không ngừng vận động, không ngừng phát triển Vì vậy, dù trình độ dự báo có hoàn thiện đến đâu cũng không chắc chắn rằng kết quả dự báo trong tương lai là hoàn toàn chính xác Hay nói một cách khác, dự báo bao giờ cũng mang tính khả năng hay có xác suất tin cậy ở mức độ nhất định nào đó

- Dự báo có căn cứ khoa học đảm bảo độ tin cậy: Dự báo mang tính xác suất nhưng đáng tin cậy vì nó dựa trên trên những cơ sở lý luận và phương pháp luận khoa học Đó là khi tiến hành dự báo đã dựa vào phép biện chứng duy vật, hệ thống các lý luận khoa học về kinh tế và xã hội, phương pháp và công cụ xử lý thông tin ngày càng hiện đại

- Dự báo mang tính chất phương án: Mỗi dự báo được thực hiện trên những tập hợp những giả thiết nhất định (thường là các dự báo có điều kiện) Một tập hợp các giả thiết như vậy hình thành lên một phông dự báo Tính đa phương án là một thuộc tính

9 khách quan của dự báo và chính thuộc tính này lại phù hợp với yêu cầu của công tác quản lý, nó làm cho việc ra quyết định cũng như chỉ đạo thực hiện quyết định quản lý trở lên linh hoạt hơn, dễ thích nghi với sự biến đổi khó lường của tình hình kinh tế

1.1.2.1 Phân loại theo bản chất của đối tượng dự báo

Theo bản chất của đối tượng, dự báo có thể được phân chia thành các lĩnh vực dự báo chủ yếu sau đây:

Dự báo kinh tế nghiên cứu những xu thế, khuynh hướng vận động phát triển của nền kinh tế và các bộ phận, yếu tố cấu thành của nó trong tương lai Nhiệm vụ của dự báo kinh tế là phát hiện những xu hướng phát triển của các hiện tượng kinh tế quan trọng nhất trong quá khứ và hiện tại, đánh giá khả năng tác động của những tính qui luật đã tìm được ở tương lai, tiên đoán những tình huống và những vấn đề then chốt có tính xác suất lớn của sự phát triển kinh tế sắp tới cũng như trong tương lai xa hơn, nghiên cứu các xu hướng tăng trưởng kinh tế và tạo cơ sở xây dựng các chiến lược phát triển Dự báo kinh tế được nghiên cứu ở cả cấp độ vĩ mô và vi mô bao gồm các nội dung liên quan đến việc điều hành kinh tế cũng như hoạt động sản xuất kinh doanh ở cấp độ doanh nghiệp

Phát triển về mặt xã hội là một nội dung quan trọng trong tiến trình phát triển của đất nước Ngày nay, quan niệm về phát triển luôn gắn liền luôn gắn liền với tính chất bền vững của nó, trong đó bao gồm 3 trụ cột chủ yếu là bền về vững kinh tế, xã hội và môi trường Phát triển xã hội theo hướng tiến bộ xã hội là một đặc trưng cơ bản của đời sống xã hội thời kì hiện đại Trong điều kiện hiện nay, dưới tác động của tiến bộ khoa học công nghệ, cơ chế thị trường, hội nhập quốc tế và xu hướng toàn cầu hóa, sự phát triển về mặt xã hội luôn chứa đựng cả những mặt tích cực lẫn không tích cực Vì vậy việc giải quyết các vấn đề xã hội trong quá trình phát triển là nhiệm vụ quan trọng có tính chất thường xuyên và lâu dài Để giải quyết nhiệm vụ đó nhà nước cần chính sách phát triển xã hội phù hợp, được xây dựng trên cơ sở các đánh giá dự báo đáng tin cậy về xu hướng vận động của các vấn đề xã hội và tương lai

(3) Dự báo tiến bộ khoa học công nghệ:

Xác định các phương án phát triển khoa học công nghệ trong tương lai dựa trên cơ sở phân tích xu thế của nó trong thời kì trước dự báo và những yêu cầu của xã hội, định hướng mục tiêu dự kiến trong tương lai Dự báo khoa học công nghệ cho phép

10 phát hiện ý nghĩa xã hội của các nghiên cứu khoa học, đánh giá khả năng tiềm tàng của việc sáng tạo kỹ thuật mới, xác định trình độ kỹ thuật trong tương lai, làm căn cứ cho việc hoạch định chính sách phát triển khoa học công nghệ Ngoài ra việc xác định tác động của tiến bộ khoa học trong nước và quốc tế đến đời sống kinh tế xã hội của đất nước cũng là một hướng chủ đạo của dự báo tiến khoa học và công nghệ

(4) Dự báo chính trị và quân sự:

Các xu thế chính trị và quân sự khác nhau trên thế giới cho đến nay luôn là vấn đề tồn tại trong thực tế Mặc dù xu hướng chủ đạo trong quan hệ quốc tế ngày nay là hòa bình, hợp tác và phát triển, song ở nơi này, nơi khác vẫn xảy ra các xung đột tôn giáo, sắc tộc, dân tộc ở những mức độ khác nhau Thực tế đó đã buộc các nhà lãnh đạo các quốc gia, các tổ chức quốc tế, các nhà khoa học phải quan tâm đến sự thay đổi của các xu thế chính trị và quân sự Do vậy mặc dù là lĩnh vực rất đặc thù, xong các dự báo về chính trị và quân sự luôn đóng vai trò hết sức quan trọng trong chiến lược phát triển của các quốc gia

(5) Dự báo quan hệ quốc tế:

Dự báo quan hệ quốc tế hay quan hệ đối ngoại là một lĩnh vực dự báo đặc thù có vai trò quan trọng, đặc biệt trong xu thế hội nhập quốc tế và toàn cầu hóa hiện nay Nhiệm vụ cơ bản của dự báo quan hệ quốc tế là xác định các nhân tố ảnh hưởng và xu thế thay đổi tương quan lợi ích và lực lượng giữa các nước và các khu vực trên thế giới trong bối cảnh gia tăng hợp tác và cạnh tranh toàn cầu Nó tạo điều kiện tiền đề cho hoạch định chính sách của quốc gia trên nhiều lĩnh vực như chính trị, ngoại giao, kinh tế, văn hóa trong đó quan hệ kinh tế đối ngoại là lĩnh vực quan trọng do đó chính sách kinh tế đối ngoại là bộ phận cấu thành cốt yếu trong hệ thống chính sách phát triển kinh tế xã hội Các dự báo về biến động thị trường, xuất nhập khẩu, các luồng đầu tư nước ngoài, sự thay đổi về tỷ giá , khả năng hợp tác quốc tế về khoa học công nghệ có vai trò quan trọng trong hoạch định chính sách kinh tế đối ngoại

(6) Dự báo môi trường sinh thái

Hướng đến những thay đổi có thể có của môi trường sinh thái và các tác động của nó tới sự phát triển kinh tế xã hội trong tương lai Nhu cầu dự báo môi trường sinh thái càng lớn trước hiện tượng biến đổi khí hậu toàn cầu, nước biển dâng, những thông tin do dự báo mang lại là căn cứ để nhà nước đứa ra những chính sách vag biện pháp cần thiết kịp thời ngăn chặn các tác động bất lợi đến cảnh quan và môi trường sống của con người Trong dự báo môi trường sinh thái các dự báo hiện đang được quan tâm nghiên cứu như sự biến đổi khí hậu toàn cầu và ảnh hưởng của nó đến sản xuất và đời

11 sống của các quốc gia, tác động của quá trình công nghiệp hóa và đô thị hóa đến cuộc sống của con người, sự cạn kiệt của nguồn tài nguyên, khủng hoảng lương thực, tình trạng đói nghèo, dịch bệnh Dự báo biến động tài nguyên và môi trường có quan hệ trực tiếp với hoạch định chiến lược phát triển của các quốc gia trong thời kì hiện đại

1.1.2.2 Phân loại theo tầm xa của dự báo

Dự báo tác nghiệp có tầm xa dự báo rất ngắn có thể là ngày, giờ, tuần, tháng, đến dưới một năm Các dự báo loại này được tiến hành thường xuyên, liên tục làm cơ sở cho các hoạt động chỉ đạo điều hành của các tổ chức, doanh nghiệp Các thông tin do dự báo loại này mang lại là căn cứ dùng cho công tác điều hành kế hoạch và chỉ đạo sản xuất kinh doanh Thuộc loại này có thể kể đến như dự báo nhu cầu thị trường hàng hóa, giá cổ phiếu, chỉ số giao dịch trên thị trường chứng khoán, dự báo tỷ giá hối đoái, chỉ số giá, lãi suất, lạm phát Yêu cầu chung đối với loại dự báo này là sai số dự báo phải nhỏ, độ tin cậy phải lớn vì khoảng cách thời gian rất lớn cơ cội sửa sai các hoạt động trong chỉ đạo điều hành là rất nhỏ

Dự báo ngắn hạn là các dự báo có tầm xa dự báo từ 1 đến 3 năm, làm căn cứ cho việc xây dựng và điều chỉnh các kế hoạch ngắn hạn( hàng năm) trong quản lý kinh tế xã hội, các dự báo về nhu cầu thị trường quốc tế và trong nước, biến động dân số và nguồn lao động, giá cả và nhu cầu tiêu dùng xã hội, khả năng huy động vốn, tốc độ tăng trưởng kinh tế thuộc loại dự báo này Sai số cho phép của dự báo ngắn hạn thường được khống chế ở mức độ nhỏ, yêu cầu độ tin cậy cao

NGUYÊN TẮC CỦA DỰ BÁO TRONG KINH DOANH

1.2.1 Nguyên tắc liên hệ biện chứng

Thực hiện nguyên tắc này đòi hỏi quán triệt các quan điểm sau:

Quan điểm toàn diện: Khi phân tích dự báo các quá trình kinh tế, không chỉ xem xét quan hệ giữa các quá trình kinh tế với nhau mà còn phải tính đến các mối quan hệ giữa chúng với các hiện tượng khác loại thuộc lĩnh vực chính trị pháp lý, dân số, tự nhiên, khoa học công nghệ và các hiện tượng, quá trình khác

Quan điểm cụ thể: Yêu cầu phải xem xét các vấn đề nghiên cứu trong một điều kiện, hoàn cảnh cụ thể, tính đến sự phụ thuộc lẫn nhau giữa các mặt, các khía cạnh của vấn đề nghiên cứu trong tình huống cụ thể đó

Quan điểm hệ thống: Trong phân tích dự báo phải sử dụng phương pháp tiếp cận hệ thống, bất cứ một quá trình nào cũng là một hệ thống có liên hệ với thế giới bên ngoài, bao gồm các phân hệ cùng nhiều mối quan hệ qua lại trong đó có mối quan hệ chính yếu

1.2.2 Nguyên tắc kế thừa lịch sử

Các hiện tượng kinh tế vận động và phát triển không ngừng từ thấp lên cao, từ đơn giản đến phức tạp từ chưa hoàn thiện đến hoàn thiện Việc nghiên cứu một cách kỹ lưỡng lịch sử phát triển của đối tượng không chỉ có ý nghĩa trong việc phát hiện nguồn gốc của vấn đề mà quan trọng hơn là phát hiện ra xu thế phát triển của nó Như vậy chỉ có thể dự báo tương lai mà không rơi vào không tưởng khi có sự nghiên cứu sâu sắc sự phát triển của đối tượng trong quá khứ và hiện tại

1.2.3 Nguyên tắc tính đặc thù về bản chất của đối tượng dự báo

Mỗi quá trình hay hiện tượng kinh tế đều có những nét đặc thù riêng về bản chất hay qui luật phát triển Ví dụ: Tăng trưởng kinh tế có xu thế được duy trì trong dài hạn nhưng chịu sự tác động của chu kì kinh tế; cầu về một loại hàng hóa có xu hướng tăng lên nhưng với nhịp độ không giống nhau ở mỗi giai đoạn trong chu kì sống của sản phẩm

Trong phân tích dự báo các hiện tượng kinh tế việc tính đến những nét đặc thù riêng của đối tượng dự báo là một yêu cầu có tính nguyên tắc Nguyên tắc này đòi hỏi nhất thiết phải tính đến những điểm đặc thù về bản chất hoặc về qui luật phát triển, về giá trị tuyệt đối và giá trị tính toán của giới hạn phát triển của nó trong tương lai

1.2.4 Nguyên tắc mô tả tối ưu đối tượng dự báo

Nguyên tắc này đòi hỏi trong phân tích dự báo các hiện tượng kinh tế phải đảm bảo sự xác thực và độ chính xác cho trước với chi phí tối thiểu Để thực hiện nguyên

15 tắc này cần phải mô tả đối tượng dự báo với mức độ hình thức hóa tối ưu Nguyên tắc này cũng đòi hỏi mô tả đối tượng dự báo bằng một biến số và tham số tối thiểu, đảm bảo độ chính xác và xác thực của dự báo Trong phân tích dự báo cần tối ưu hóa việc đo lường các chỉ tiêu, tức là phải chọn thang đo cho mỗi chỉ tiêu đảm bảo thu được thông tin đủ để dự báo trong điều kiện chi phí thấp nhất

1.2.5 Nguyên tắc về tính tương tự của đối tượng dự báo

Các đối tượng dự báo, một mặt có những nét đặc thù riêng như đã nói ở nguyên tắc trên, mặc khác giữa chúng cũng có thể có những điểm tương đồng hay còn gọi là tương tự nhau, được biểu hiện ở nhiều khía cạnh như về hình thức, cấu tạo, bản chất hay qui luật phát triển bao gồm các phạm trù sau:

- Tương tự về mặt cấu trúc hay hành vi

- Tương tự về tiến trình lịch sử

- Tương tự về qui luật phát triển giữa các hiện tượng có cùng bản chất.

QUI TRÌNH THỰC HIỆN DỰ BÁO

Để thực hiện một nhiệm vụ dự báo cho dù là một dự báo đơn giản thì quá trình thực hiện nó cũng cần phải trả lời được các câu hỏi: Vấn đề nào của tổ chức cần phải dự báo? Dự báo cần đạt được điều gì? Điều kiện tiền đề cho dự báo là gì? Dự báo bằng cách nào? Có đạt được sự phù hợp giữa kết quả dự báo với thực tiễn diễn ra hay không?

Và cần điều chỉnh cách thức dự báo như thế nào để có kết quả dự báo tốt hơn? Để trả lời các câu hỏi đặt ra đó đòi hỏi phải xử lý nhiều khâu công việc có quan hệ lẫn nhau và có thể khái quát thành qui trình chung qua 5 bước sau:

- Xác định vấn đề dự báo

- Thu thập thông tin dữ liệu

- Phân tích sơ bộ nguồn dữ liệu

- Lựa chọn mô hình và xây dựng mô hình

- Ứng dụng và đánh giá mô hình

1.3.1 Xác định vấn đề dự báo

Xác định vấn đề dự báo là khía cạnh khó khăn nhất trong toàn bộ nhiệm vụ của người dự báo Nó bao gồm việc tăng cường sự hiểu biết sâu sắc của người dự báo về các vấn đề như: Dự báo sẽ được sử dụng như thế nào? Ai cần đến dự báo và chức năng nào của dự báo sẽ ảnh hưởng đến hoạt động của tổ chức

Việc xác định vấn đề dự báo có thể khác nhau trong những tình huống quản lý

16 khác nhau ở cả cấp độ quản lý vi mô và vĩ mô

Trong quản lý vi mô, các vấn đề dự báo thường xoay quanh mục đích phục vụ quản lý kinh doanh của doanh nghiệp Tuy nhiên tùy từng hoàn cảnh cụ thể vấn đề dự báo cần được xác định sao cho nó có thể đáp ứng được mong mỏi của doanh nghiệp trong việc giải quyết các vấn đề ưu tiên đặt ra

Ví dụ: Đối với doanh nghiệp khi vấn đề nổi lên hiện tại trong kinh doanh là lượng hàng tồn kho quá lớn làm cho chi phí lưu kho tăng lên Lượng hàng tồn kho phân bổ rất khác nhau ở các vị trí như trong phân xưởng sản xuất, trong kho hàng hóa, đang trên đường đi tiêu thụ Mối quan tâm của doanh nghiệp lúc này là làm thế nào là giảm lượng hàng tồn kho nhằm giảm chi phí nhưng vẫn phải đảm bảo hoạt động kinh doanh diễn ra bình thường Vấn đề đặt ra là liệu có thể dự báo tốt hơn khối lượng sản xuất và nhu cầu tiêu thụ trong tương lai để có thể quản lý hàng tồn kho và tiết kiệm chi phí? Trong trường hợp này người dự báo cần nghiên cứu một cách kỹ lưỡng để xác định đúng đắn vấn đề dự báo trước khi có thể đưa ra câu trả lời thỏa đáng Chẳng hạn doanh nghiệp cần biết chính xác những sản phẩm gì cần dự trữ? Ai là người sử dụng chúng? Thời hạn sản xuất mỗi sản phẩm là bao lâu? Mức cầu chưa thỏa mãn mà doanh nghiệp cần đáp ứng là bao nhiêu? Đó chính là vấn đề cần dự báo để thực hiện nhiệm vụ quản lý của doanh nghiệp

1.3.2 Thu thập thông tin dữ liệu

Thông thường có 2 loại thông tin cần thu thập: (i) Dữ liệu thống kê (số liệu); (ii) Ý kiến và kinh nghiệm của chuyên gia Cả hai loại thông tin này cần thu thập phục vụ cho dự báo

Việc thu thập số liệu lịch sử theo danh mục dự báo đang quan tâm là rất cần thiết

Dữ liệu lịch sử được sử dụng để xây dựng mô hình làm cơ sở cho dự báo Tùy thuộc vào đặc điểm của đối tượng nghiên cứu, cách thức tiếp cận và công cụ dùng trong dự báo mà các loại dữ liệu được lựa chọn để thu thập

Ví dụ: Trong trường hợp tồn đọng sản phẩm đã xem xét ở bước 1, dữ liệu lựa chọn để thu thập có thể gồm: Cầu về hàng hóa hàng tháng và sản phẩm của mỗi loại qua thời gian khoảng 3 năm trước, các dữ liệu liên quan khác cũng cần được thu thập như thời gian sản xuất mỗi loại sản phẩm; thời gian ngưng sản xuất, tình trạng thiếu trang thiết bị ngoài ra các thông tin về các nội dung thảo luận chuyên môn liên quan đến quá trình sản xuất và tiêu thụ sản phẩm cũng rất cần thu thập phục vụ cho dự báo

1.3.3 Phân tích sơ bộ nguồn dữ liệu

Phân tích sơ bộ nguồn dữ liệu có tác dụng đưa lại những nhận thức ban đầu về

17 đối tượng dự báo, trả lời câu hỏi các dữ liệu mang lại thông tin gì cho người làm dự báo Thông thường việc phân tích sơ bộ được thực hiện qua việc kiểm tra nhận định trên cơ sở kỹ năng vốn có của người làm dự báo, tiếp đó cần tiến hành tính toán các tham số thống kê mô tả đơn giản như số trung bình, độ lệch chuẩn, số cực tiểu, cực đại, của mỗi nhóm dữ liệu, đồng thời liên kết giữa các nhóm dữ liệu với nhau Ngoài ra có thể sử dụng các công cụ phân tích thích hợp để kiểm tra độ bền vững liên kết của xu hướng, nhận biết tính thời vụ, tính chu kì, nhận dạng các điểm dữ liệu bất thường Thông qua phân tích sơ bộ người dự báo có thể nhận được các câu trả lời cho các câu hỏi dưới dạng: liệu có mô hình nào phù hợp nhất quán không? Có xu thế có ý nghĩa không? Có biểu hiện tính chu kỳ không? Có điểm cực đoan trong dữ liệu không? Mối quan hệ giữa các biến như thế nào? Tóm lại phân tích sơ bộ giúp gợi ý lớp các mô hình định lượng có thể sử dụng cho mục đích dự báo

1.3.4 Lựa chọn mô hình và xây dựng mô hình

Bước này bao gồm việc lựa chọn và ước lượng mô hình dự báo số lượng hình thức Trong chương 2 sẽ trình bày các dạng mô hình dự báo số lượng và giải thích chi tiết kỹ thuật thực hiện thông qua các ví dụ tổng hợp Hiện tại chúng ta chỉ đề cập đến phân tích sơ bộ nhằm giới hạn việc lựa chọn mô hình dự báo thích hợp Mỗi một mô hình tự nó là một cấu trúc hình thức, nó dựa trên tập hợp các giả thiết và thường bao gồm một hoặc nhiều thông số được ước lượng từ dữ liệu lịch sử đã biết

1.3.5 Ứng dụng và đánh giá mô hình

Một mô hình được lựa chọn một cách thận trọng và các tham số của nó được ước lượng một cách thích hợp sẽ được sử dụng để dự báo Người sử dụng mô hình dự báo sẽ đánh giá việc chấp nhận hay không chấp nhận mô hình qua thời gian Việc đánh giá mô hình dự báo chỉ có thể thực hiện một cách chính xác sau khi dữ liệu của thời kì dự báo đã được hiển thị.

THÔNG TIN DỮ LIỆU DỰ BÁO TRONG KINH DOANH

1.4.1 Khái niệm và phân loại dữ liệu

Dữ liệu là những thu thập khi quan sát hay đo lường những thuộc tính của sự vật hiện tượng hay mô tả về sự vật hiện tượng đó Dữ liệu có thể tồn tại dưới các hình thức như số liệu, từ ngữ, âm thanh hay hình ảnh

Dữ liệu được coi là đầu vào cần thiết để tạo ra thông tin dưới dạng có thể sử dụng cho các mục đích ra quyết định Dữ liệu là hình thức sơ khai nhất của chuỗi kiến thức:

Dữ liệu – Thông tin – Kiến thức – Thực tế Dữ liệu thu thập thường rất lớn nhưng lượng

18 thông tin mang lại thường không lớn như dữ liệu Dữ liệu là các ghi nhận về thuộc tính của sự vật hiện tượng ở mức ban đầu, chưa được phân tích, chưa được xử lý và thường chưa bộc lộ thông tin mà dữ liệu đó truyền tải

Dữ liệu và thông tin là hai trạng thái tương đối, thông tin của quá trình này chỉ là dữ liệu cho các quá trình khác và ngược lại

Ví dụ: Hóa đơn bán hàng trong một ngày của doanh nghiệp chỉ là dữ liệu chứ chưa phải là thông tin đối với nhà quản lý bởi vì các hóa đơn này còn quá chi tiết cho giám đốc bán hàng, chưa thể sử dụng được những thông tin chứa đựng trong cả ngàn hóa đơn bán hàng trong ngày Đối với họ tổng doanh số bán hàng là dữ liệu cần thiết và hữu ích Nhưng đối với khách hàng thì các hóa đơn cụ thể có chứa đựng các thông số, dữ liệu hữu ích và là thông tin đối với họ

1.4.1.2 Phân loại dữ liệu sử dụng trong dự báo

(1) Phân loại theo hình thức biểu hiện:

Theo hình thức biểu hiện thì dữ liệu được chia thành 2 loại là: Số liệu và các dạng dữ liệu khác

Trong đó: Số liệu gồm:

+ Chuỗi thời gian: là dãy các giá trị của một biến kinh tế được sắp xếp theo thứ tự thời gian Thông thường chuỗi thời gian được được kí hiệu bằng các chữ cái in hoa với chỉ số thời gian t

Ví dụ: Xt; Yt; Zt

Với chỉ số thời gian t = 1,2,3 n

Chuỗi thời gian thể hiện mức độ của hiện tượng nghiên cứu tại các thời điểm quan sát Các giá trị quan sát tại các thời điểm khác nhau gọi là các mức của chuỗi thời gian Các mức của chuỗi thời gian có thể biểu hiện bằng số tuyệt đối hay tương đối Các mức cũng có thể quan sát tại các thời điểm cụ thể được gọi là chuỗi thời gian điểm, hoặc trong một khoảng thời gian nhất định được gọi là chuỗi khoảng Trên cơ sở chuỗi thời gian, sử dụng các công cụ phân tích chuỗi thời gian cho phép dự báo động thái của sự vật hiện tượng trong tương lai Chuỗi thời gian là số liệu được sử dụng rộng rãi trong dự báo kinh tế xã hội và trong dự báo kinh doanh Phương pháp dự báo dựa trên các chuỗi thời gian được lựa chọn tùy thuộc vào đặc điểm và dạng thức của chuỗi thời gian cụ thể

Ví dụ, phương pháp dự báo ngoại suy được tiến hành dựa trên thành phần biến động mang tính xu thế, trong khi phương pháp biến động thời vụ được tiến hành dựa

19 trên thành phần biến động mang tính mùa vụ và xu thế của chuỗi thời gian

Bảng 1.1 dưới đây cung cấp ví dụ về chuỗi thời gian dân số của Việt Nam từ năm 1985 đến năm 2015 Và GDP bình quân đầu người của Việt nam tính bằng đô la

Bảng 1.1 Dân số của và GDP bình quân đầu người của Việt nam, 1985-2015

GDP bình quân đầu người (USD)

GDP bình quân đầu người (USD)

Nguồn: Ngân hàng thế giới 2015

+ Dãy số liệu chéo: Là dãy số liệu phản ánh mức độ hay trạng thái của các hiện tượng quan sát được thu thập từ các đối tượng nghiên cứu tương đương tại một thời điểm nhất định

Số liệu chéo thuộc dạng số liệu từ các đối tượng tương tự khác nhau nhưng tại một thời gian xác định Ví dụ số liệu về thu nhập của các hộ gia đình tại thời điểm khảo sát năm 2020 trong khảo sát mức sống dân cư Việt Nam năm 2020; số lượng lao động của các doanh nghiệp tại thời điểm 31/12 hàng năm; hay qui mô dân số các tỉnh của Việt Nam tại thời điểm tổng điều tra dân số năm 2019 là các ví dụ về chuỗi số liệu chéo

Trong các ví dụ này thu nhập của các hộ, số lượng lao động của doanh nghiệp, dân số của các tỉnh là các chỉ tiêu thu thập trên các đối tượng tương đương, được thu

20 thập theo các không gian khác nhau ở cùng một thời điểm Như vậy số liệu chéo là dãy số liệu ghi sự thay đổi trạng thái của đối tượng nghiên cứu ở các quan sát tương đương khác nhau và trạng thái của đối tượng nghiên cứu này được thu thập và nghiên cứu tại một điểm thời gian nhất định tùy thuộc vào mục đích của cuộc khảo sát Giá trị ghi chép được về đối tượng nghiên cứu là có ý nghĩa nhưng thứ tự ghi chép hoặc thứ tự xuất hiện của các quan sát trong dãy số liệu chéo không mang ý nghĩa gì lớn ngoài tác dụng chỉ ra thứ tự và phân biệt các đối tượng với nhau

Các dãy số liệu chéo thường được kí hiệu bằng các chữ cái in hoa với chỉ số dưới là i như Xi; Yi; Zi với i = 1;2;3 n với n là tổng số quan sát Chẳng hạn khi khảo sát thu nhập của 1.000 hộ gia đình tại một thời điểm nhất định ta thu thập được dãy số liệu chéo Khi đó Xi là thu nhập của hộ gia đinh i và n = 1.000 là qui mô mẫu khảo sát Dãy số liệu chéo thường được hình thành từ các cuộc khảo sát hoặc thu thập theo các đối tượng tương đương trong một tổ chức hoặc một nhóm tương đồng

Ví dụ Doanh thu/ năm của các doanh nghiệp dệt may trên địa bàn thành phố

Hà Nội tại thời điểm 31/12/2020 là một dãy số liệu chéo Trong ví dụ này các doanh nghiệp dệt may trên địa bàn thành phố Hà Nội là đối tượng được khảo sát và sô thứ tự xuất hiện của từng đối tượng này ít có ý nghĩa Thông tin nghiên cứu quan tâm trong trường hợp này là doanh thu, còn thông tin về thời gian ngày 31/12/2020 phản ánh thời điểm quan sát

Bảng 1.2 sau đây trình bày ví dụ về dãy số liệu chéo về lao động (LĐ) và tổng tài sản (TS) của 20 doanh nghiệp thu thập trong khảo sát doanh nghiệp năm 2019 do tổng cục thống kê tiến hành

Bảng 1.2 Tổng LĐ và TS của một số DN trong khảo sát DN năm 2019

Tổng tài sản (Tỷ đồng)

Tổng tài sản (Tỷ đồng

Nguồn: trích từ khảo sát DN năm 2019

CÁC PHƯƠNG PHÁP DỰ BÁO

PHƯƠNG PHÁP NGOẠI SUY XU THẾ

2.1.1 Giới thiệu mô hình ngoại suy đơn giản

Mô hình ngoại suy đơn giản được sử dụng để dự báo hành vi của đối tượng dự báo dựa trên hành vi của nó trong quá khứ Với mô hình này biến ngoại suy được giả thiết là biến phi ngẫu nhiên hay là biến tất định Nghĩa là giá trị của đối tượng dự báo tại mỗi thời điểm ghi nhận được mang tính xác định

Mô hình ngoại suy đơn giản được xây dựng trên cơ sở chuỗi số liệu lịch sử hay còn gọi là chuỗi thời gian phản ánh mức độ biến động của đối tượng dự báo trong quá khứ Nếu kí hiệu Yt là chuỗi thời gian bao gồm các giá trị quan sát được của đối tượng tại các thời điểm t = 1,2,3 n Vấn đề đặt ra là dự báo các giá trị của

Yt tại các thời điểm n+1; n+2

Với giả thiết hàm Yt là tất định, ta có thể biểu diễn Yt tại các thời điểm t = 1, 2, 3 n bằng một hàm liên tục Yt = f(t)

Hàm f(t) có thể xây dựng được bằng các kỹ thuật ước lượng khác nhau nhưng thông dụng nhất người ta vẫn dùng phương pháp bình phương nhỏ nhất (OLS) Từ đó ta có thể dự báo các giá trị tương lai tại các thời điểm (n+1)

2.1.2 Một số hàm xu thế ngoại suy dự báo phổ biến

2.1.2.1 Xu thế tuyến tính bậc nhất

Xu thế có dạng: Yt = a + bt

Trong đó: a là hệ số phản ánh mức ban đầu của chuỗi b là hệ số phản ánh mức tăng giảm của chuỗi thời gian trung bình một lượng b khi tăng thêm 1 thứ tự quan sát

Rất nhiều các quá trình kinh tế diễn biến theo qui luật được đặc trưng bằng hệ số dao động trong một giới hạn nào đó, nhưng ổn định Chuỗi thời gian như vậy phát triển theo qui luật mũ

Trong đó t là thời gian Hàm này thường dùng để đo sự tăng trưởng của yếu tố Yt theo thời gian, r là tỷ lệ tăng trưởng Ở năm (thời kỳ) t = 0, ta có Yo =  , do đó Yt = Yo (1+ r) t

Biến đổi hàm về dạng tuyến tính đối với tham số: ln Yt = ln Yo + t ln (1+ r) Đặt Yt' = ln Yt

Dễ dàng ước lượng được hàm này và từ đó tìm được Yo và r

2.1.2.3 Hàm có dạng đa thức

Hàm này thường được sử dụng để nghiên cứu quan hệ giữa chi phí và số lượng sản phẩm được sản xuất Chẳng hạn Y - tổng chi phí, X - số lượng sản phẩm được sản xuất ra Nếu như xây dựng được hàm này thì ta dễ dàng tìm được chi phí trung bình và chi phí biên

2.1.2.4 Hàm có hệ số co giãn không đổi - hàm Cobb - Douglas

Hàm Cobb - Douglas có dạng Y = 1X  2 e u

Hàm này là phi tuyến đối với X và phi tuyến đối với tham số 2 Tuy nhiên có thể biến đổi về dạng tuyến tính đối với tham số Lấy ln hai vế, ta có: lnY = ln 1 + 2 lnX + u Đặt 1' = ln 1

Hàm Cobb - Douglas có thể mở rộng cho trường hợp có nhiều biến giải thích:

Bằng phép biến đổi: ln Y = ln 1 + 2 ln X2 + 3 ln X3 + m lnXm + u

Chúng ta dễ dàng có hàm tuyến tính đối với các tham số Trong hàm Coob- Douglas hệ số co dãn của Y đối với biến độc lập Xi bằng i , i =1, 2, , m

Trong thực tế để vận dụng mô hình này hay mô hình khác trước hết phải hiểu được mối quan hệ giữa các biến, tính chất của các mô hình (các dạng hàm) muốn vận dụng

2.1.3 Qui trình thực hiện ngoại suy dự báo

2.1.3.1 Xây dựng chuỗi thời gian Để phản ánh đúng đắn quá trình phát triển khách quan của đối tượng dự báo, chuỗi thời gian xây dựng được phản ánh đồng nhất về nội dung kinh tế và các mưc có thể so sánh được Ngoài ra chuỗi thời gian phải đầy đủ, chính xác phù hợp với yêu cầu phân tích của dự báo

Trong thực tế có nhiều nguyên nhân dẫn đến việc vi phạm các yêu cầu trên, đó là: Do phạm vi lãnh thổ thay đổi, do phạm vi bị chi phối của đối tượng dự báo thay đổi, do khoảng thời gian thu thập khác nhau, do không thống nhất về khái niệm hoặc do đơn vị đo lường khác nhau ngoài ra còn có nguyên nhân về kỹ thuật như: do nhầm lẫn, do công cụ đo lường thiếu chính xác, hoặc các lỗi chủ quan do bản thân người thu thập số liệu Để sử dụng chuỗi thời gian cho dự báo trước hết phải xử lý sơ bộ chuỗi thời gian

2.1.3.2 Kiểm định tính ngẫu nhiên của chuỗi

Mô hình dự báo ngoại suy đơn giản thực hiện trên cơ sở chuỗi thời gian tất định

Vì vậy cần kiểm định tính ngẫu nhiên của chuỗi nếu kết quả kiểm định cho kết quả bác bỏ về giả thuyết về tính ngẫu nhiên của chuỗi, khi đó có thể sử dụng mô hình ngoại suy

Giả sử có chuỗi thời gian bao gồm n quan sát: Y1; Y2; Yn Tính giá trị trung vị của chuỗi, giả sử giá trị trung vị là Y0,5 Tiến hành so sánh từng quan sát ban đầu của chuỗi với giá trị trung vị, nếu Yi > Y0,5 ta đánh dấu “+” và ngược lại Yi < Y0,5 ta đánh dấu “-“ một dãy liên tục các ký hiệu cùng dầu “+” hoặc “-“ được gọi là một đoạn mạch Gọi R là tổng số các đoạn mạch Có 2 trường hợp:

Nếu n ≤ 20 tra bảng giá trị tới hạn về các đoạn mạch trong kiểm định với mức ý nghĩa 5% Bảng số này có 2 phần a và b trong đó các thông tin về kích thước mẫu (trong đó N1 là số các dấu “+” N2 là số các dấu “-“) số đoạn mạch R và mức xác suất thấp nhất giả thiết bị bác bỏ Nếu tổng số đoạn mạch trong một mẫu ≤ số tra trên bảng a hoặc ≥ số tra trên bảng b thì với mức ý nghĩa 5% ta bác bỏ giả thuyết về tính ngẫu nhiên của chuỗi

Nếu n > 20 nếu mẫu là ngẫu nhiên thì R có có phân bố xác suất xấp xỉ chuẩn khi đó ta tính:

Tra bảng giá trị U của phân phối chuẩn hóa N(0,1) được giá trị Zα/2

Nếu Z > Zα/2 ta bác bỏ giả thuyết mẫu là ngẫu nhiên

2.1.3.3 Xây dựng hàm xu thế

Giả sử có sẵn dữ liệu của biến Yt theo thời gian, ta có thể nhận biết được xu thế trong dữ liệu sẽ tuân theo dạng hàm nào Ước lượng hàm xu thế: Các tham số của hàm xu thế có thể được ước lượng bằng nhiều cách khác nhau như phương pháp điểm chọn, phương pháp bình phương nhỏ nhất, phương pháp nội suy Newton, tuy nhiên phương pháp bình phương nhỏ nhất (OLS) là thông dụng nhất

MÔ HÌNH HỒI QUI HAI BIẾN

Hàm tổng thể Yi = β1 + β2Xi + Ui (PRF)

Yi là biến phụ thuộc hay biến được giải thích

Xi là biến độc lập hay biến giải thích

Ui sai số ngẫu nhiên

34 β 1 Hệ số chặn, nó chính nó chính bằng giá trị trung bình của biến phụ thuộc Yi khi biến độc lập Xi nhận giá trị bằng 0 β2 là các hệ số hồi qui được gọi là hệ số góc, thể hiện quan hệ giữa biến độc lập và giá trị trung bình của biến phụ thuộc: khi biến độc lập X tăng (giảm) một đơn vị thì giá trị trung bình của biến phụ thuộc Y tăng (giảm)  2 đơn vị Hệ số 2 có thể nhận giá trị dương, âm hoặc bằng 0

  được gọi là các hệ số hồi quy mẫu hay hệ số ước lượng, là ước lượng của các hệ số tổng thể  1 và 2 tương ứng

2.2.1.1 Phương pháp ước lượng bình phương nhỏ nhất (OLS)

Chúng ta xét mô hình bình phương nhỏ nhất (OLS)

Ta cần ước lượng các hệ số   1 , 2

Giả sử có mẫu ngẫu nhiên kích thước n {(Yi, Xi) (i = 1, 2, , n)} thu được từ tổng thể, khi đó tại mỗi quan sát ta có:

Ký hiệu  ˆ ˆ 1 , 2 là các ước lượng cần tìm của  1 , 2 với thông tin từ mẫu trên, khi đó ta có thể viết hàm hồi quy mẫu như sau:

Gọi sai lệch giữa giá trị thực tế Yi và giá trị ước lượng tương ứng từ hàm hồi quy mẫu Y ˆ i là phần dư (residuals), ký hiệu bởi ei: i i ˆ i e = −Y Y

Khi đó, ta có thể minh họa hàm hồi quy mẫu và phần dư như trong hình vẽ dưới đây:

Hình 2.1 Hàm hồi quy mẫu và phần dư

Chúng ta muốn xác định các giá trị sao cho sai lệch tổng hợp giữa các giá trị thực tế Yi và giá trị ước lượng tương ứng từ hàm hồi quy mẫu là giá trị nhỏ nhất có thể được Sai lệch này có thể được định nghĩa bởi:

(2) Tổng các giá trị tuyệt đối của phần dư

(3) Tổng bình phương các phần dư 2

Với mục tiêu là tổng các phần dư như trong định nghĩa (1) thì bài toán sẽ không có nghiệm vì bao giờ cũng tìm ra được các giá trị sao cho tổng các phần dư nhỏ tùy ý và thực tế nó có thể nhỏ ra đến giá trị âm vô cùng, chẳng hạn chọn giá trị lớn vô cùng, làm cho đường hồi quy mẫu nằm ở phía trên rất xa với các điểm quan sát Với mục tiêu là tổng giá trị tuyệt đối của các phần dư thì việc tìm lời giải trở nên khá phức tạp về mặt toán học Lựa chọn (3) cuối cùng lại là một lựa chọn thích hợp: đơn giản về mặt toán học, phù hợp với trực quan và quan trọng hơn, như phần sau sẽ chỉ ra, các ước lượng thu được từ phương pháp này là các ước lượng tốt nhất khi một số các giả thiết được thỏa mãn Phương pháp xác định dựa trên tiêu chuẩn cực tiểu tổng bình phương các phần dư được gọi là phương pháp bình phương nhỏ nhất (OLS)

Tổng bình phương các phần dư còn viết được dưới dạng:

Như vậy phương pháp OLS chủ trương xác định  ˆ ˆ 1 , 2 thông qua việc giải bài toán cực trị sau đây:

Với   1 , 2 là các số thực bất kỳ Như vậy  ˆ ˆ 1 , 2 sẽ là nghiệm của hệ sau:

Hệ phương trình trên tương đương với:

Sau một số biến đổi toán học đơn giản, ta thu được:

Trong đó:x i =X i −X y; i = −Y i Y và X Y; là trung bình mẫu của X và Y

Thấy rằng  ˆ ˆ 1 , 2 sẽ nhận các giá trị khác nhau với các mẫu khác nhau Nói một cách khác,  ˆ ˆ 1 , 2 là các biến ngẫu nhiên, nhận các giá trị khác nhau với các mẫu khác nhau Cần phân biệt với các hệ số tổng thể   1 , 2 - là các tham số, nhận giá trị duy nhất cho mỗi tổng thể

2.2.1.2 Độ chính xác của các ước lượng OLS

Theo phương pháp bình phương nhỏ nhất, các ước lượng , được xác định theo công thức:

Các ước lượng này là hàm của mẫu, là đại lượng ngẫu nhiên, với các mẫu khác nhau ta có các ước lượng khác nhau Vì phương sai hay độ lệch chuẩn đặc trưng cho độ phân tán của đại lượng ngẫu nhiên, nên được sử dụng làm thước đo cho chất lượng của ước lượng

Với các giả thiết của phương pháp bình phương nhỏ nhất, phương sai và độ lệch chuẩn của các ước lượng được cho bởi các công thức sau:

Trong đó:  2 = Var(Ui) se: sai số tiêu chuẩn (Standard erros) xi = Xi -

Trong các công thức ở trên  2 chưa biết Giá trị của  2 được ước lượng bằng ước lượng không chệch của nó là: là sai số tiêu chuẩn của đường hồi quy (Standard error of regression) Nó chính là độ lệch chuẩn các giá trị Y quanh đường hồi quy mẫu

Ví dụ 2.1: Bảng sau đây cho số liệu về lãi suất (Y) và tỷ lệ lạm phát (X) trong năm 2018 ở 9 nước Giả sử rằng sự phụ thuộc E(Y/X) có dạng tuyến tính

Hãy ước lượng hàm hồi quy và tính các đặc trưng của nó

 2 chưa biết nhưng có thể dùng ước lượng không chệch của nó là

2.2.1.3 Độ phù hợp của hàm hồi qui mẫu – Hệ số xác định R 2 Để đánh giá một cách định lượng sự phù hợp của hàm hồi quy mẫu đối với số liệu mẫu, người ta đưa ra khái niệm hệ số xác định, ký hiệu R 2 Để đưa ra định nghĩa cho đại lượng này, chúng ta có một số ký hiệu sau:

: Độ dao động trong mẫu của biến phụ thuộc, thể hiện sự biến đổi của biến Y quanh giá trong mẫu của nó (Total Sum of Squares)

: Tổng bình phương các phần dư (Residual Sum of Squares) RSS chính là là tổng bình phương của các sai số

: Độ dao động của giá trị ước lượng, thể hiện sự biến đổi của các giá trị ước lượng quanh giá trị trung bình mẫu của nó (Explained Sum of Squares)

TSS được chia thành 2 thành phần: một phần ESS do đường hồi qui mẫu gây ra và phần của RSS do các yếu tố ngẫu nhiên gây ra

Chia hai vế của (2.2.1) cho TSS ta có:

Tỷ số thể hiện phần trăm sự biến đổi của biến Y trong mẫu được giải thích bởi mô hình, còn được gọi là hệ số xác định của hàm hồi quy và được ký hiệu là R 2

Do RSS, TSS và ESS đều không âm nên ta có

Trường hợp đặc biệt, khi hoàn toàn không có sai lệch giữa giá trị quan sát và giá trị ước lượng, ei = 0 (i = 1÷n), khi đó RSS = 0 và R 2 =1: biến X giải thích được 100% sự thay đổi của biến phụ thuộc Và khi R 2 = 0: biến X hoàn toàn không giải thích được sự thay đổi của biến Y, khi đó ta nói rằng mô hình là không phù hợp, có nghĩa là quan hệ giữa biến X và biến Y được thể hiện bởi mô hình hồi quy mẫu là hoàn toàn không phù hợp với số liệu mẫu Và như vậy, có thể cho rằng mô hình hồi quy tổng thể cũng không phù hợp

Với số liệu trong ví dụ 2.1 ta có: R 2 = (2466,14)

2.2.3 Khoảng tin cậy và kiểm định giả thiết về các hệ số hồi qui

2.2.3.1 Khoảng tin cậy của  1 t = ~ T(n - 2) Với hệ số tin cậy 1 -  ta tìm được t /2 (n -2) thoả mãn

Khoảng tin cậy (1 - ) của 1 là:

2.2.3.2 Kiểm định giả thiết đối với  1

Có thể đưa ra giả thiết nào đó về 1, chẳng hạn 1 = Nếu giả thiết này đúng thì: t = ~ T(n - 2)

Ta có bảng sau đây:

Bảng 2.1 Kiểm định giả thiết về  1

Loại giả thiết Giả thiết Ho Giả thiết đối H1 Miền bác bỏ

 thường nhỏ hơn 0,1; t (n -2) được xác định bởi P (t > t (n -2)) = , được cho trong bảng 2 phần phụ lục

Dựa vào: t = ~ T (n-2) do đó với hệ số tin cậy (1 - ), khoảng tin cậy của 2 được xác định bởi :

2.2.3.4 Kiểm định giả thiết đối với  2

Có thể đưa ra giả thiết về giá trị thực của 2, chẳng hạn 2 =

Nếu giả thiết này đúng thì t = ~ T(n-2)

Bảng 2.2 Kiểm định giả thiết về  2

Loại giả thiết Giả thiết Ho Giả thiết đối H1 Miền bác bỏ

Nếu như đưa ra giả thiết 2 = = 0 thì điều này có nghĩa là đưa ra giả thiết biến độc lập X không ảnh hưởng đến biến phụ thuộc Y, khi các ti được tính bằng công thức: ti = = , i =1÷2

Với các số ở ví dụ 2.1, ta có thể tìm khoảng tin cậy của 1 và 2, cũng như kiểm định các giả thiết về tham số này

Với  = 0,10  t0,050 (n - 2) = t0,050 (7) = 1,895 (theo bảng 2); se( ) = 0,6811; se( ) = 0,0388

Khoảng tin cậy của 1 và 2 với hệ số tin cậy 90% là:

Có thể kiểm định giả thiết

Giả thiết H0 về mặt kinh tế biến X không ảnh hưởng đến Y, trong ví dụ cụ thể này nghĩa là nêu ra giả thiết tỷ lệ lạm phát không ảnh hưởng đến lãi suất ngân hàng

Với  = 0,05, t0,025 (7) = 2,365 t = = ; t > t0,025 (7) do đó ta bác bỏ giả thiết H0 và chấp nhận H1

2.2.3 Phân tích hồi qui và dự báo

Các phần trên đã trình bày phương pháp xây dựng một hàm hồi quy, các đánh giá và kiểm định về các hệ số của hàm hồi quy Tuy nhiên mục đích không chỉ dừng tại đó, có thể sử dụng hàm hồi quy để dự báo Có hai loại dự báo:

- Dự báo trung bình có điều kiện của Y với một giá trị X = X 0

Giả sử X = X0, ta muốn dự báo E(Y|X0) Đường hồi quy mẫu cho ước lượng điểm của E(Y|X0): = + X0 là ước lượng không chệch có phương sai nhỏ nhất của E(Y|X0) Tuy nhiên vẫn khác so với giá trị thực của nó có phân bố chuẩn với kỳ vọng 1 + 2 X0 , nên var ( ) = E( + X0 - 1 - 2 X0 ) 2

= E [ ( - 1 ) 2 + 2 X0( - 1 )( - 2 ) + ( - 2 ) 2 ] var ( ) = E[( - 1 ) 2 ] + E [ ( - 2 ) 2 ] + 2 X0 E [( - 1)( - 2)] = var ( ) + X0 2 var ( ) + 2 X0 Cov ( , ) var( ) = var ( - ) + X0 2 var ( ) + 2 X0 Cov ( , ) var( ) = σ( 1

∑ 𝑥 𝑛 1 𝑖 2 ) Nhưng  2 chưa biết, nên có thể sử dụng ước lượng không chệch của  2 là ,

Do khoảng tin cậy 1-  của E( Y | X0 ):

Theo số liệu trong ví dụ 2.1 Hãy dự báo mức lãi suất trung bình nếu tỷ lệ lạm phát

- Dự báo giá trị cá biệt của Y với X = X 0

Nếu chúng ta muốn dự báo giá trị riêng biệt Y = Y0 vối X = X0 khi đó ước lượng của Y0 là = + X0 và Var ( Y0 ) =  2 [ 1+ ; t= ~ T(n-2)

Khoảng tin cậy của Y0 được xác định bởi:

Theo số liệu trong ví dụ 2.1 Hãy dự báo mức lãi suất nếu tỷ lệ lạm phát X0 = 5% , 

HƯỚNG DẪN SỬ DỤNG PHẦN MỀM

2.3.1 Hướng dẫn sử dụng phần mềm EVIEWS

Phần này sẽ giới thiệu các bước ban đầu trong việc sử dụng Eviews phục vụ cho

44 mục đích phân tích hồi quy Người đọc được khuyến khích sử dụng các tập số liệu mẫu để thực hành

Eviews là phần mềm kinh tế lượng khá dễ sử dụng, tên của nó là viết tắt của Econometrics Views Cũng như với nhiều phần mềm ứng dụng khác, Eviews có bộ Help tương đối phong phú và dễ sử dụng Sau một số hướng dẫn cơ bản trong quyển sách này, người đọc có thể tự tìm hiểu các lệnh phức tạp hơn bằng cách sử dụng trợ giúp trong Help

2.3.1.1 Nhập số liệu trong Eviews

Có nhiều cách để nhập số liệu vào Eviews, ở đây mô tả một cách đơn giản nhất Sau khi nháy chuột vào icon của Eviews, màn hình sẽ xuất hiện

- Dòng các lựa chọn gồm File, Edit còn gọi là thanh chọn dùng để lựa chọn các công cụ có sẵn trong thanh này

Trước khi nhập số liệu, cần khai báo về tập số liệu, bao gồm các thông tin: dạng của số liệu và số quan sát trong tập số liệu

+ Khai báo về tập số liệu:

Chọn: File/New/Workfile, màn hình sẽ xuất hiện cửa số có tên: workfile create (tên của các cửa sổ xuất hiện phía trên cùng bên trái của cửa sổ)

Số liệu có thể ở dạng: số liệu chéo (unstructured/undated), chuỗi thời gian (dated

- regular frequency), hoặc số liệu mảng (balanced panel) Sau khi khai báo các thông số tiếp theo ở các ô trống về phải của cửa sổ workfile create (tên của mỗi cửa sổ nằm góc trên bên trái của cửa số), ấn nút OK Chẳng hạn chọn: số liệu chéo, số quan sát là 51, màn hình hiện ra như sau:

Hình trên gồm 2 phần: dải trắng dài dưới thanh công cụ là chỗ để gõ lệnh trong Eviews và cửa sổ workfile dùng để chứa các biến số và các đối tượng khác như phương trình, mô hình, tham số, v.v Trong cửa sổ workfile này đã có sẵn hai đối tượng mặc định trong Eviews: C và resid mà ý nghĩa của nó sẽ được hiểu rõ sau khi tiến hành hồi quy

- Chọn: Quick/empty group, sẽ xuất hiện cửa sổ group để chứa số liệu, ta có thể nhập số liệu từ bàn phím vào cửa sổ này như thông thường, hoặc copy số liệu từ file excel Giả sử số liệu trong file excel xếp theo cột (mỗi cột là cho một biến), có tên biến ở dòng đầu tiên của mỗi cột Việc copy từ excel được thực hiện như sau:

-Nếu muốn copy cả tên biến: Copy số liệu cùng với tên biến số trong file excel, sau đó trở lại màn hình Eviews và dùng con trỏ chọn ô trên cùng bên trái của cửa sổ group, cạnh ô obs và paste

-Nếu không copy cả tên biến: copy từ dòng đầu tiên của số liệu ở file excel, sau đó dùng con trỏ chọn ô trên đầu tiên của cột đầu tiên

Hình dưới đây minh họa trường hợp copy cả tên biến trong file excel:

Dải để gõ lệnh trong Eviews

Giả sử trong file số liệu có các biến: income, health và pop, khi đóng cửa sổ group, màn hình sẽ xuất hiện như sau:

Bây giờ ta đã có workfile với 3 biến số cùng với hai thành phần mặc định là c và resid:

+ Lưu workfile: Khi lưu workfile, máy tính sẽ lưu toàn bộ thông tin có sẵn trong workfile, bao gồm: số liệu, tên biến, tên file

- Để lưu workfile, chọn File/Save as và đặt tên cho file với tên chẳng hạn Yte,

Eviews sẽ tự động thêm đuôi wf1 vào sau tên file Chẳng hạn lưu file trên ở ổ C, thư mục Eviews_thuchanh, với tên là yte, ta sẽ có đường dẫn: C:/eviews_thuchanh/yte.wf1

- Để mở một workfile có sẵn: chọn File/Open/ đường dẫn của file Chẳng hạn để mở lại file vừa lưu giữ nói trên, chọn: File/Open/ và theo đường dẫn C:/eviews_thuchanh/yte.wf1

+ Chỉnh sửa giá trị của biến X trong số liệu:

- Trong cửa sổ workfile, cho con trỏ vào biến X và nháy đúp chuột trái vào biến này, khi đó xuất hiện cửa số Series chứa số liệu của biến X

Cho con trỏ vào giá trị cần sửa và điền giá trị đúng vào (nếu không điền được thì nhấn con trỏ vào nút Edit trên cửa sổ Series để chuyển sang chế độ chỉnh sửa)

Nơi đặt con trỏ để thực hiện copy số liệu sang Eviews

+ Đóng màn hinh series lại

- Đổi tên biến X trong số liệu

Trong cửa sổ workfile, cho con trỏ vào biến X và nháy chuột phải, chọn rename và gõ tên mới của biến vào, tên biến phải được viết liền nhau

Tạo biến mới từ biến đã có trong workfile: giả sử trong workfile đã có biến income, khi đó trên dải lệnh gõ: genr income2 = 2*Income sẽ tạo biến mới với tên income2 có giá trị bằng 2 lần biến Income genr incomebp= income^2: biến mới với tên incomebp có giá trị bằng bình phương của biến income genr lnZ = log(income): biến mới với tên lnZ, có giá trị bằng logarit cơ số e của biến income

Trong đó genr là viết tắt của từ generate nghĩa là "tạo ra"

Nhập thêm biến mới với số liệu có sẵn ở file khác: trên cửa sổ workfile , chọn empty group và thực hiện copy-paste như ở phần nhập số liệu

Nhập thêm biến mới với số liệu nhập từ bàn phím: trên cửa sổ workfile , chọn empty group và gõ số liệu vào Nếu không gõ được thì nhấn vào nút edit +/- để vào chế độ chỉnh sửa rồi sau đó gõ số liệu vào

Sau các chỉnh sửa lại tiếp tục nhấn nút save trong cửa số workfile

2.3.1.2 Đọc các thống kê mô tả của số liệu Để đọc các thống kê cơ bản của số liệu như: trung bình mẫu, phương sai mẫu, hiệp phương sai, v.v của các biến số ta thực hiện như sau:

Bôi đen các biến cần xem (để bôi đen nhiều biến: ấn đồng thời chuột trái vào tên biến trong workfile+ control), nháy đúp chuột phải, chọn: open as group Màn hình sẽ hiện lên bảng số liệu của các biến số này

Trong cửa sổ group , chọn view sẽ xuất hiện các lựa chọn tiếp theo Khi đó có thể chọn tiếp các lựa chọn có sẵn trong menu, chẳng hạn:

Graph: để vẽ đồ thị về các biến, trong đó scatter là dạng đồ thị rải điểm, thường dùng để xem xét liệu giữa hai biến số có mối quan hệ tuyến tính hay không

Descriptive Stats: để xem thống kê mô tả của các biến số

Correlation: hệ số tương quan giữa các biến số

Covariance: ma trận hiệp phương sai giữa các biến số,

MÔ HÌNH HỒI QUI ĐA BIẾN

Mô hình hồi quy tuyến tính k biến có thể viết dưới dạng sau:

Trong đó Yi là biến phụ thuộc và các Xj (j = 2,3, , k) là các biến độc lập Ta biết rằng dù có đưa bao nhiêu biến độc lập vào mô hình thì vẫn tồn tại những yếu tố có tác động đến biến phụ thuộc mà chúng ta hoặc không có quan sát của chúng, hoặc không thể và cũng không muốn đưa vào mô hình như là các biến số, do đó với mô hình k biến vẫn tồn tại sai số ngẫu nhiên u, đại diện cho các yếu tố ngoài các biến Xj (j = 2÷ k), có tác động đến Y nhưng không đưa vào mô hình như là biến số Như vậy ta có, Sai số ngẫu nhiên u trong mô hình hồi quy bội là yếu tố đại diện cho các yếu tố có tác động đến Y nhưng không đưa vào mô hình như các biến số

Các giả thiết của mô hình

Với mô hình (2.4.1), xét ra các giả thiết sau:

Giả thiết 1: Việc ước lượng được dựa trên cơ sở mẫu ngẫu nhiên

Giả thiết này tương tự như trong mô hình hồi quy hai biến: các cá thể được chọn một cách ngẫu nhiên, rồi từ đó thu thập các chỉ tiêu của các cá thể này Chẳng hạn khi xem xét vấn đề năng suất lao động thì người lao động được lựa chọn một cách ngẫu nhiên từ tổng thể, sau đó thu thập các số liệu từ những người được chọn trong mẫu về năng suất, trình độ học vấn, tuổi, v.v

Giả thiết 2: Kỳ vọng của sai số ngẫu nhiên tại mỗi giá trị (X2i, , Xki) bằng 0

Giả thiết 3: Phương sai của sai số ngẫu nhiên tại các giá trị (X2i, , Xki) đều bằng nhau:

Giả thiết 4: Giữa các biến độc lập Xj (j=2÷k) không có mối quan hệ đa cộng tuyến hoàn hảo, nghĩa là không tồn tại các hằng số không đồng thời bằng 0 sao cho

Trong các giả thiết trên, chỉ có giả thiết 4 là mới Ta thấy rằng nếu giữa các biến

Xj (j=2÷k) là có quan hệ đa cộng tuyến hoàn hảo thì sẽ có ít nhất một biến trong các biến này suy ra được từ các biến còn lại, hay nói cách khác, thông tin từ biến này đã được chứa đựng trong thông tin của các biến còn lại Giả thiết 4 loại trừ tình huống này Ý nghĩa của các hệ số hồi quy

Các hệ số hồi quy trong mô hình hồi quy bội còn được gọi là hệ số hồi quy bội là giá trị trung bình của biến Y khi các biến độc lập trong mô hình nhận giá trị bằng 0 Tuy nhiên cũng như trong trường hợp mô hình hồi quy hai biến, ý nghĩa của hệ số này thường không phải là mối quan tâm chính

Hệ số góc βj (j=2÷k) thể hiện tác động riêng phần của biến Xj lên giá trị trung bình của biến phụ thuộc, là tác động của biến Xj lên giá trị trung bình của biến phụ thuộc khi các yếu tố X s ( ) là không đổi Do đó trong mô hình hồi quy bội, các hệ số góc còn được gọi là hệ số hồi quy riêng (partial coefficient)

Ví dụ 2.2 Chẳng hạn ta có mô hình hồi quy tổng thể về lạm phát như sau:

Trong đó LP, m và gdp lần lượt là tỷ lệ lạm phát, mức tăng trưởng cung tiền và mức tăng trưởng GDP (đơn vị %) Khi đó có thể giải thích mô hình này như sau:

Khi mức tăng trưởng của cung tiền và GDP bằng 0 thì mức lạm phát trung bình

Nếu cung tiền tăng (giảm) 1% và mức tăng trưởng GDP không thay đổi thì lạm phát trung bình sẽ gia tăng (giảm) 0.3 đơn vị

Nếu GDP gia tăng 1% và cung tiền không thay đổi thì lạm phát trung bình sẽ giảm 0.15 đơn vị Đây là một sự khác biệt quan trọng giữa mô hình hồi quy nhiều biến và mô hình hồi quy hai biến: Mô hình hồi quy nhiều biến cho phép đánh giá tác động riêng phần của một biến độc lập lên biến phụ thuộc, trong khi xem các biến độc lập còn lại trong mô hình là không đổi, điều mà mô hình hồi quy hai biến không thực hiện được Với các biến số kinh tế xã hội, việc giữ nguyên các biến số khác không đổi trong nhiều trường hợp là bất khả thi trong thực tế, điều này cho thấy tính ưu việt của mô hình hồi quy bội so với mô hình hồi quy hai biến

2.4.1.1 Phương pháp OLS và giải thích kết quả ước lượng Để ước lượng các tham số của mô hình:

Chúng ta sử dụng phương pháp bình phương nhỏ nhất OLS

Giả sử chúng ta có n quan sát, quan sát thứ i có 3 giá trị ứng với Y, X2, và X3 , kí hiệu ( Yi , X2i,X3i )

Hàm hồi quy mẫu SRF được xây dựng từ n quan sát này có dạng:

Trong đó  i : i=1,2,3 là ước lượng tương ứng của i : i=1,2,3

Khi đó Yi=  1 +   2 X2i + 3 X3i + ei; ei là phần dư ứng với quan sát thứ i ei = Yi - Y  i = Yi - 1 - 2 X2i - 3 X3i

Phương pháp OLS tính giá trị của các tham số   1 ,   2 ,   3 sao cho:

Các tham số   1 ,   2,  3 được tính từ hệ phương trình chuẩn sau đây:

Giải hệ phương trình ta được:

  1 ,   2 ,   3 được gọi là các ước lượng bình phương nhỏ nhất

Ví dụ 2.3 Bảng sau đây cho số liệu về doanh thu (Y), chi phí cho quảng cáo (X2) tiền lương của nhân viên tiếp thị (X3) của 12 công nhân (đơn vị 1.000.000đ) Xây dựng hàm hồi quy Y phụ thuộc vào X2, X3

Theo kết quả ở bảng trên đây ta có:

2.4.1.2 Phương sai và độ lệch chuẩn của các ước lượng OLS

Phương sai và độ lệch chuẩn của các ước lượng bình phương nhỏ nhất được cho bởi các công thức sau đây: var (   2 ) x x x x x x r i i n i i n i i n i i i n i i n

Trong đó r23 là hệ số tương quan mẫu giữa biến X2 và X3 se (   2 ) = var(   2 ) var (   3 ) 

Trong đó r23 là hệ số tương quan giữa biến X2 và X3 , r x x x x i i i n i i

Trong các công thức trên  2 là phương sai của Ui nhưng chưa biết Ước lượng không chệch của  2 là :

3 là tham số của mô hình, trong trường hợp tổng quát nếu mô hình có k tham số

−Với các số liệu ở ví dụ 2.3 ta có:

2.4.1.3 Độ phù hợp của hàm hồi quy

Hệ số xác định bội

Ký hiệu R 2 vẫn được sử dụng cho hệ số xác định của hàm hồi quy bội như là một ký hiệu chung cho các hàm hồi quy với số biến bất kỳ Chúng ta sẽ xem xét ý nghĩa và công thức tính toán hệ số này trong mô hình hồi quy k biến

Ta vẫn sử dụng các ký hiệu như với mô hình hai biến:

Tương tự như với mô hình hồi quy hai biến, khi mô hình có chứa hệ số chặn thì:

Và hệ số xác định bội của mô hình, ký hiệu là R 2 được định nghĩa bởi công thức dưới đây:

Do các thành phần TSS, RSS và ESS đều không âm, nên từ biểu thức trên có thể thấy ngay rằng R 2 nhận giá trị trong đoạn [0,1] Ý nghĩa của R 2

Với mô hình hồi quy k biến, R 2 có ý nghĩa như sau:

R 2 bằng phần trăm sự thay đổi của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình

R 2 thể hiện mức độ tương quan tuyến tính giữa biến phụ thuộc với các biến độc lập

Ta có thể chỉ ra rằng việc đưa thêm một biến số bất kỳ vào mô hình thì nói chung sẽ làm gia tăng R 2 , việc đưa thêm một biến số mới vào mô hình cũng tạo ra những tác động không tốt đến chất lượng của các ước lượng Để tổng hòa giữa tác động tích cực của việc đưa thêm biến, thể hiện bằng sự gia tăng trong R 2 và tác động tiêu cực này, người ta đưa ra khái niệm R 2 hiệu chỉnh, ký hiệu bởi và được định nghĩa như sau:

Giá trị thường được sử dụng thay vì R 2 thông thường khi so sánh các mô hình hồi quy có số lượng biến số khác nhau

2.4.2 Kiểm định giả thiết và khoảng tin cậy của các hệ số hồi qui

Với các giả thiết về Ui đã trình thì thành phần   i bày ở trên có phân bố chuẩn với kỳ vọng βi và phương sai bằng  2 nhân với phần tử thứ i trên đường chéo chính của ma trận Cov(β)

Tuy nhiên do  2 chưa biết nên ta dùng ước lượng không chệch của  2 là   2

Với tiêu chuẩn này có thể tìm khoảng tin cậy của các hệ số hồi qui như sau:

Khoảng tin cậy với hệ số tin cậy 1-  của i được xác định :

Tiêu chuẩn dùng để kiểm định: t = 

Tuỳ theo các giả thiết H1, có các miền bác bỏ sau đây:

Bảng 2.3 Kiểm định giả thiết về  i

Loại giả thiết H0 H1 Miền bác bỏ

Nếu i * = 0, kiểm định biến độc lập Xi không ảnh hưởng đến biến phụ thuộc

Kiểm định mô hình hồi qui

Trong trường hợp 2, 3, βk đồng thời bằng không thì X2, X3 Xk không có quan hệ tuyến tính với Y Để kiểm định 2, 3 βk đồng thời bằng không, ta không thể kiểm định riêng lẻ từng giả thiết một mà phải kiểm định đồng thời vì các miền bác bỏ đối với từng giả thiết riêng biệt không độc lập với nhau

H1: không phải tất cả các hệ số hồi quy riêng bằng 0 ( hay R 2 >0)

( Có ít nhất một trong các hệ số i khác không )

− trong đó k là tham số - kể cả hệ số chặn của mô hình

Biểu thức cuối cùng này cho biết quan hệ giữa R 2 và F Như vậy kiểm định giả thiết: 2 = k = 0 và R 2 = 0 là như nhau Khi R 2 = 0 thì F cũng bằng 0; R 2 càng lớn thì F cũng càng lớn, R 2 = 1 thì F không xác định

Với tài liệu trong ví dụ 2.3 ta có:

F > F0,05(2,9) do đó giả thiết H0 bị bác bỏ

2.4.3 Ứng dụng trong dự báo

Các phần trên đã trình bày phương pháp xây dựng một hàm hồi quy, các đánh giá và phán xét về các hệ số của hàm hồi quy Tuy nhiên mục đích không chỉ dừng tại đó, có thể sử dụng hàm hồi quy để dự báo Có hai loại dự báo:

- Dự báo giá trị trung bình

Do khoảng tin cậy 1-  của E( Y | X0 ):

- Dự báo giá trị riêng biệt:

Khoảng tin cậy của Y0 được xác định bởi:

Thực hiện ước lượng Để ước lượng biến Y theo X2, X3 chẳng hạn, trong cửa sổ lệnh ta gõ lệnh: ls Y

Trong đó ls là từ mặc định trong eviews, viết tắt của từ Least squares, là lệnh chạy mô hình hồi quy sử dụng phương pháp OLS

MÔ HÌNH HỒI QUI BIẾN GIẢ

2.5.1.1 Bản chất của biến giả - Mô hình trong đó biến giải thích là biến giả

Trong các mô hình hồi quy tuyến tính mà chúng ta đã xem xét thì các biến giải thích đều là các biến số lượng Các biến đó có thể nhận giá trị bằng số Chẳng hạn, tiền lương của cán bộ, doanh số bán ra của một cửa hàng, chi tiêu cho quảng cáo, cung tiền,

… là những biến số lượng Nhưng trong thực tế có nhiều trường hợp các biến giải thích (hoặc thậm chí cả biến phụ thuộc) là biến chất lượng Biến chất lượng thường chỉ ra có hoặc không có một thuộc tính nào đó, chẳng hạn nam hay nữ; khu vực tư nhân hay nhà nước … vấn đề đặt ra là làm thế nào để lượng hoá được những thuộc tính như vậy Trong phân tích hồi quy người ta sử dụng kỹ thuật gọi là kỹ thuật biến giả Kỹ thuật này cho phép ta lượng hoá được những thuộc tính như vậy Chẳng hạn để giải thích cho việc một số thanh niên vào trường đại học, một số khác thì không, chúng ta tạo nên biến

64 giả mà nhận giá trị là 1 nếu thanh niên vào đại học và nhận giá trị là không nếu thanh niên đó không vào đại học Chúng ta cũng sẽ chỉ ra biến giả có thể được sử dụng như thế nào trong phạm vi hồi quy để giải thích cho sự kiện là có những quan sát trong phạm trù (thuộc tính) đã cho gắn với một tập các tham số hồi quy còn các quan sát khác trong phạm trù thứ hai (hoặc thứ 3) lại gắn với những tham số hồi quy khác Biến giả được sử dụng trong mô hình hồi quy giống như biến số lượng thông thường

Giả sử một công ty sử dụng 2 quá trình sản xuất (kí hiệu quá trình sản xuất A và quá trình sản xuất B) để sản xuất ra một loại sản phẩm Giả sử sản phẩm thu được từ mỗi một quá trình sản xuất là đại lượng ngẫu nhiên có phân phối chuẩn và có kỳ vọng khác nhau nhưng phương sai như nhau Chúng ta có thể biểu thị quá trình sản xuất đó như một phương trình hồi quy

Trong đó Yi là sản lượng sản phẩm gắn với quá trình thứ i

Di là biến giả nhận 1 trong 2 giá trị:

1 nếu sản lượng sản phẩm thu được từ quá trình sản xuất A

0 nếu sản lượng sản phẩm thu được từ quá trình sản xuất B

Mô hình hồi quy trên đây giống như mô hình hồi quy 2 biến mà chúng ta gặp trước đây chỉ khác là biến số lượng X được thay bằng biến giả D Căn cứ vào mô hình này chúng ta có thể biết được sản lượng trung bình do quá trình sản xuất A có khác với sản lượng trung bình do quá trình sản xuất B tạo ra hay không?

Hệ số chặn 1 của hồi quy tuyến tính đo sản lượng trung bình gắn với quá trình sản xuất B, trong khi đó độ dốc 2 của đường hồi quy đo sự khác nhau về sản lượng sinh ra do việc thay đổi từ quá trình sản xuất B đến quá trình sản xuất A Điều này có thể thấy bằng cách lấy giá trị kỳ vọng cả 2 vế của phương trình

Yi = 1 + 2Di + Ui ứng với Di = 0 và Di = 1:

Kiểm định giả thiết H0: 2 = 0 cung cấp kiểm định về giả thiết là không có sự khác nhau về sản lượng do quá trình sản xuất A và B tạo ra Điều này dễ làm được như đã chỉ ra trước đây

Thủ tục biến giả có thể dễ dàng mở rộng cho trường hợp có nhiều hơn 2 phạm trù Chẳng hạn trong thí dụ ở trên ta giả thiết có 3 quá trình sản xuất khác nhau A, B, C có thể sử dụng để sản xuất ra sản phẩm và người ta hy vọng giải thích cho vấn đề là sản

65 lượng được sản xuất ra cho mỗi quá trình có thể không như nhau Trong trường hợp này ta sẽ đưa vào 2 biến giả là D1 và D2 Ta sẽ xét mô hình:

1 nếu sản lượng sản phẩm thu được từ quá trình sản xuất A

0 nếu sản lượng sản phẩm thu được từ quá trình khác

1 nếu sản lượng sản phẩm thu được từ quá trình sản xuất B

0 nếu sản lượng sản phẩm thu được từ quá trình khác

Như vậy 3 quá trình sản xuất này được biểu thị dưới dạng các kết hợp sau của các giá trị của các biến giả

Bảng 2.4 Giá trị biến giả

Bằng việc lấy kỳ vọng cho mỗi một trong 3 trường hợp này chúng ta có thể giải thích kết quả hồi quy:

Hệ số chặn của hồi quy biểu thị giá trị kỳ vọng của sản lượng do quá trình sản xuất C tạo ra Hệ số góc thứ nhất do sự thay đổi trung bình về sản lượng do việc chuyển từ quá trình sản xuất C sang quá trình sản xuất A và hệ số góc thứ 2 tức là 3 đo mức thay đổi trung bình về sản lượng khi thay đổi từ quá trình sản xuất C sang quá trình sản xuất B

Kiểm định giả thiết H0: 2 = 0 có nghĩa là không có sự khác nhau giữa quá trình sản xuất A và quá trình sản xuất C Giả thiết H0: 3 = 0 cũng có ý nghĩa tương tự nhưng lại so sánh 2 quá trình sản xuất B và C

Ví dụ 2.4 Để xem xét kết quả sản lượng do 2 quá trình sản xuất A và B có khác nhau hay không người ta tiến hành lấy một mẫu được cho trong bảng dưới đây Hãy phân tích kết quả hồi quy thu được

Dựa vào các kết quả dưới đây ta thấy rằng sản lượng trung bình 1 ca của quá trình sản xuất B được ước lượng là 18 kg =   1 , còn sản lượng trung bình 1 ca đã được ước lượng của quá trình sản xuất A là 21,280 kg =   1 +  2

Quá trình sản xuất A là 1, quá trình sản xuất B là 0

Sản lượng trong 1 ca hoạt động

Kết quả hồi quy như sau:

Biến Hệ số Sai lệch tiêu chuẩn t

R 2 = 0.8737   2 có nghĩa về mặt thống kê, kết quả chỉ ra rằng sản lượng trung bình của 2 quá trình đó là khác nhau

1 Để phân biệt 2 phạm trù nam hoặc nữ hay quá trình sản xuất A hoặc B, người ta dùng một biến giả Để phân biệt 3 phạm trù người ta dùng 2 biến giả Một cách tổng quát để phân biệt N phạm trù người ta dùng N - 1 biến giả Số biến giả thấp hơn số phạm trù là 1 để tránh tính đa cộng tuyến hoàn hảo Để phân biệt 3 quá trình sản xuất

A, B và C ta chỉ sử dụng 2 biến giả D1 và D2 nếu ta đưa thêm 1 biến giả D3 nữa chẳng

1 nếu sản lượng sản phẩm thu được từ quá trình sản xuất C

0 nếu sản lượng sản phẩm thu được từ quá trình sản xuất khác

Thì việc đưa thêm D3 vào không cho thêm thông tin mà lại gặp đa cộng tuyến hoàn hảo Trong trường hợp này thì ước lượng bình phương bé nhất của tham số hồi quy không thể thu được Có hiện tượng đa tuyến tính hoàn hảo vì:

CÁC KHUYẾT TẬT TRONG MÔ HÌNH DỰ BÁO

DỰ BÁO CẦU THỊ TRƯỜNG VÀ GIÁ CẢ