Bài thảo luận môn dự báo

- Nghiên cứu mối liên hệ phụ thuộc giữa giá trị của một biến Y-gọi là biến phụ thuộc haybiến được giải thích với giá trị của một hoặc nhiều biến khác Xj=j=1,2,….,m- các biếnnày gọi là cá

Table of Contents

PHẦN 1:LÝ THUYẾT 1

I.Dự báo bằng phương pháp phân tích hồi quy 1

1.Phân tích hồi quy 1

2.Mô hình hồi quy tổng thể và mô hình hồi quy mẫu 1

3.Phân tích hồi quy và dự báo: 2

II Dự báo bằng phương pháp phân tích 3

III.Dự báo bằng các mô hình xu thế 3

IV.Dự báo bằng phương pháp san mũ 4

1.San mũ đơn giản 4

2.San mũ Holt 5

3.San mũ Holt-Winter 6

PHẦN 2:THỰC HÀNH TRÊN EXCEL 7

1.Tính toán trên excel 8

2.Dự báo bằng lượng tăng giảm tuyệt đối trung bình 11

3.Dự báo bằng tốc độ phát triển trung bình 12

4.Dự báo bằng phương pháp trung bình trượt 12

PHẦN 3:THỰC HIỆN TRÊN EVIEW 13

1.Bảng số liệu 3 biến 13

2.Bảng số liệu theo năm: 17

2.1.Dự báo biến phụ thuộc Y 18

2.2.Phương pháp san mũ 29

PHẦN 1:LÝ THUYẾT.

I.Dự báo bằng phương pháp phân tích hồi quy.

1.Phân tích hồi quy.

- Nghiên cứu mối liên hệ phụ thuộc giữa giá trị của một biến Y-gọi là biến phụ thuộc haybiến được giải thích với giá trị của một hoặc nhiều biến khác Xj=(j=1,2,….,m)- các biếnnày gọi là các biến độc lập hay biến giải thích

- Phân tích hồi quy giúp chúng ta:

+ ước lượng giá trị của biến phụ thuộc Y khi đã biết giá trị của(các) biến độc lập Xj

+ kiểm định giả thiết về sự phụ thuộc

+ dự báo giá trị trung bình hoặc cá biệt của biến phụ thuộc khi đã biết giá trị của (các)biến độc lập

2.Mô hình hồi quy tổng thể và mô hình hồi quy mẫu

*Mô hình hồi quy tổng thể (PRF)là hàm có dạng tổng quát:

i là ước lượng của E(Y/Xji)

là ước lượng của f

*Mô hình hồi quy nhiều biến

Yi=β1+β2X2i+β3X3i+…+βkXki+Ui

Trong đó:

Yi: giá trị của biến phụ thuộc Y(i=)

β1: hệ số chặn( hệ số tự do)

βj: hệ số góc(hệ số hồi quy riêng) của biến giải thích Xj(j=)

Ui: sai số ngẫu nhiên

3.Phân tích hồi quy và dự báo:

3.1 Dự báo giá trị trung bình

Với độ tin cậy γ=1-α cần dự báo E(Y/X0)

Ước lượng điểm của E(Y/X0) là:

3.2.Dự báo giá trị cá biệt

Với độ tin cậy γ cần dự báo giá trị Y=Y0 khi X=X0

Ước lượng điểm của Y0 vẫn là:

0=X0T.=1+2X20+3X30+…+kXk0

Hoàn toàn tương tự ta xây dựng thống kê:

T= T(n-k)

Bằng phép biến đổi tương tương ta cũng tìm ra được khoảng tin cậy của Y0 là:

- Mô hình cộng tính:

Y t =Tr t +Cl t +Sn t +Ir t

Mô hình cộng tính có hiệu quả khi chuỗi dữ liệu đang được phân tích có sự biến thiên xấp

xỉ đều nhau suốt độ dài của chuỗi thời gian Có nghĩa là accs giá trị của chuỗi thời gian về

cơ bản năm trong một dải giá trị có độ rộng là một hằng số và trung tâm của dải này làđường xu thế.Với mô hình cộng tính, ta sử dụng chênh lệch so với trung bình trượt

III.Dự báo bằng các mô hình xu thế

Xu thế là sự vận động tăng hay giảm của dữ liệu trong một thời gian dài Sự vận động này

có thể được mô tả bằng một đường thẳng hay đường cong toán học.Có thể mô hình hóa

xu thế bằng cách thực hiện một hàm hồi quy thích hợp giữa biến cần dự báo Y và thờigian T

* Một số dạng hàm xu thế điển hình:

Yt=β1+β2T+Ut

Yt=β1+β2T+ β3T2 +Ut

Yt=β1+β2T+ β3T2 + β4T3 +Ut

Yt=β1+β2ln(T)+Ut Yt= eβ +β

2T+Ut

Yt=β1+β2()+Ut ln(Yt)= β1+β2T+Ut

Dự báo điểm với hàm xu thế:(mũ)

IV.Dự báo bằng phương pháp san mũ.

Là ứng dụng mở rộng của phương pháp trung bình trượt

Trung bình trượt dựa vào k quan sát gần nhất

Dựa vào giá trị trung bình trượt với trọng số giảm dần cho tất cả các quan sát trong quákhứ

1.San mũ đơn giản

t+1=αYt+(1-α)t

Trong đó:

t+1 : giá trị dự đoán ở thời điểm t+1

t : giá trị dự đoán ở thời điểm t

Yt : giá trị quan sát ở thời điểm t

α: hệ số san mũ

Phương pháp san mũ đơn giản cho rằng giá trị dự báo mới là một giá trị trung bình cótrọng số giữa giá trị thực tế và giá trị dự báo ở thời điểm t

Yếu tố quan trọng nhất trong phương pháp san mũ là việc xác định hệ số san mũ α

Nếu dãy số có nhiều biến đổi bất thường ta nên chọn α gần 0 và ngược lại nên chọn α gần

1 nếu muốn kết quả dự báo kết hợp với những thay đổi gần nhất trong số liệu

2.San mũ Holt

Hầu hết các chuỗi dữ liệu kinh tế hiếm khi theo một xu thế cố định

Khi chuỗi thời gian có yếu tố xu thế(cục bộ) thì ta cần phải dự báo cả giá trị trungbình(giá trị san mũ) và độ dốc(xu thế) hiện tại để làm cơ sở cho dự báo tương lai.

Ý tưởng cơ bản của phương pháp Holt là sử dụng các hệ số san mũ α, β khác nhau để ướclượng giá trị trung bình và độ dốc của chuỗi thời gian(theo mô hình san mũ đơn giản)

* Ước lượng giá trị trung bình hiện tại:

Lt=αYt+(1-α)(Lt-1+Tt-1)

Lt: giá trị san mũ(mới) ở thời điểm t

Yt: giá trị quan sát ở tời điểm t

α: hệ số san mũ của giá trị trung bình(0<α<1)

Tt: giá trị ước lượng xu thế

* ướclượng xu thế(độ dốc):

Tt= β(Lt-Lt-1)+(1-β)Tt-1

Trong đó:

Tt: giá trị ước lượng xu thế

Lt: giá trị san mũ mới

β: hệ số san mũ cửa giá trị xu thế(0<α<1)

* dự báo p giai đoạn trong tương lai.

t+p=Lt+pTt

Trong đó:

t+p: giá trị dự đoán ở thời điểm t+p

Tt: giá trị ước lượng xu thế

Lt: giá trị san mũ mới

3.San mũ Holt-Winter

Là dạng 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 cộng tính hoặc nhân tính

- Dạng cộng tính: có nghĩa là yếu tố mùa ở các năm khác nhau được lặp đi lặp lại mộtcách đều đặn.

- Dạng nhân tính: có nghĩa là yếu tố mùa ở năm sau được lặp đi lặp lại nhưng với với mộtcường độ cao hơn hoặc thấp hơn so với từng mùa trong năm trước

Mô hình san mũ Holt-Winter tổng quát nhất là mô hình dạng nhân tính

* ước lượng giá trị trung bình hiện tại:

Lt=α()+(1-α)(Lt-1+Tt-1)

Lt: giá trị san mũ mới ở thời điểm t

Yt: giá trị quan sát ở thời điểm t

α: hệ số san mũ của giá trị trung bình(0<α<1)

Tt: giá trị ước lượng xu thế

St-s: giá trị ước lượng của chỉ số mùa với độ dài s

* ước lượng xu thế(độ dốc):

Tt= β(Lt-Lt-1)+(1-β)Tt-1

Trong đó:

Tt: giá trị ước lượng xu thế

Lt: giá trị san mũ mới

β: hệ số san mũ của giá trị xu thế(0<β<1)

PHẦN 2:THỰC HÀNH TRÊN EXCEL.

Bảng số liệu khách quốc tế đến du lịch tại Việt Nam qua các năm từ 1995 đến 2013.Đơn vị:nghìn lượt người

1.Tính toán trên excel.

*Lượng tăng (giảm) tuyệt đối

1 Lượng tăng (giảm) tuyệt đối liên hoàn

2 Lượng tăng (giảm) tuyệt đối định gốc

3 Lượng tăng (giảm) tuyệt đối trung bình (cái này hình như k cần)

3 Trị tuyệt đối của 1% tăng (giảm) liên hoàn

2.Dự báo bằng lượng tăng giảm tuyệt đối trung bình

n+L = yn + L

Với n+L là giá trị dự báo ở thời điểm n + L

Yn là giá trị thực tế ở thời điểm n

là lượng tăng giảm tuyệt đối trung bình

L là tầm xa của dự báo

3.Dự báo bằng tốc độ phát triển trung bình

n+L = Yn(

Với n+L là giá trị dự báo ở thời điểm n + L

Yn là giá trị thực tế ở thời điểm n

là tốc độ phát triển trung bình

L là tầm xa dự báo

4.Dự báo bằng phương pháp trung bình trượt

n+1 =

Với n+1 là giá trị dự báo ở thời điểm n + 1

Yn là giá trị thực tế ở thời điểm n

Yi : Mức tiêu thụ hàng hóa của từng địa phương

Xi : Dân số từng địa phương

Ti :Giá trị sản xuất của từng địa phương

( nguồn: tổng cục thống kê)

R2=0.982252 > 0.8 khá cao mô hình có ý nghĩa.

t-Statistic: không chênh lệch quá nhiều

 Không có hiện tượng đa cộng tuyến

Durbin-Watson stat: 1.665220

Với α =0.05 -> du=1.537, dl=1.100

 du< d< 4-du nên không có tự tương quan âm hay dương

Dependent Variable: RESID

Method: Least Squares

U(theil inequality coefficient)=0.056807< 0.5 -> mô hình tốt hơn mô hình thô.RMES=14225.53

Theil Inequality Coefficient 0.056807 Bias Proportion 0.000000

2.Bảng số liệu theo năm:

Hàm xu thế

*Tạo biến xu thế t:

Genr t=@trend(1990)

Trên cửa sổ workfle xuất hiện biến xu thế t

Gõ vào cửa sổ chính là eview

2.1.Dự báo biến phụ thuộc Y

1969.584

R-squared 0.896391 S.D dependent var

1256.253

S.E of regression 404.3661 Akaike info14.9418

criterion 2Sum squared resid 2779704 Schwarz criterion

15.04123

Log likelihood -139.9473

Hannan-Quinncriter

14.95864

F-statistic 156.7308 Durbin-Watson stat

0.643658

Method: Least Squares

*Hàm : Y= + ()+ U

Tương tự trong ô Equation Spectification gõ: y c 1/t ta được

1.142959Log likelihood 13.80255

Hannan-Quinncriter

1.225548F-statistic 509.3504 Durbin-Watson stat 1.718830

t Std Error t-Statistic Prob

R-squared -1.135609 Mean dependent var 1969.584

So sánh các hàm số để xác định hàm phù hợp nhất

Xét giá trị R-squared: chọn mô hình có R-squared lớn nhất

Giá trị theil Inequality Coeficient : chọn mô hình có theil Inequality Coeficient nhỏ nhất.Hàm bậc 1 có R-squared 0.902147 là và theil Inequality Coeficient là 0,083064

Hàm bậc 2 có R-squared là 0,967501 và theil Inequality Coeficient là 0,04765

Hàm bậc 3 có R-squared 0,971364 là và theil Inequality Coeficient là 0,044717

Hàm Y= + ()+ U có R-squared 0,309645 là và theil Inequality Coeficient là 0,230790Hàm Hàm Ln: Ln(Y)=+ T+ U có R-squared là 0,967702 và theil Inequality Coeficient

là 0,044507

Hàm Yt= eβ +β

2T+Ut : có R-squared là -1,135609, theil Inequality Coeficient là 0,470825

Từ kết quả so sánh ta thấy Hàm bậc 3 là phù hợp nhất( hiệu quả nhất)

2.2.Phương pháp san mũ

*San mũ giản đơn:

Từ bảng Series Y chon procchọn Exponential Smoothingở ô smoothing method chọn

* San mũ holt winter.

Date: 05/04/15 Time: 12:53

Sample: 1995 2013

Tiến hành so sánh giữa các mô hình ta được

Xét giá trị mean có giá trị lớn nhất:

san mũ giản đơn có mean=4639,531

san mũ không mùa vụ có mean=4617.287

san mũ theo mô hình nhân tính có mean= 5547,767

Phương pháp san mũ theo mô hình nhân tính có mean là lớn nhất nên do đó phương phápsan mũ theo mô hình nhân tính là phù hợp nhất