tiểu luận dự báo kinh tế dự báo doanh thu của công ty cổ phần bibica việt nam đến quý 3 năm 2020

Đồ thị theo thời gian chuỗi rev Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 Qua đồ thị trên ta thấy mô hình rõ ràng có yếu tố xu thế T và mùa vụ S.. PHẦN 2: CÁC PHƯƠNG PHÁP DỰ

1.1 Phương pháp thu thập số liệu, nguồn số liệu

Số liệu đã thu thập là doanh thu thueo quý của Công ty cổ phần Bibica (đơn vị tính: triệu đồng), thuộc dạng số liệu chuỗi thời gian từ quý 1 năm 2003 đến quý 3 năm

2019 Nguồn dữ liệu thứ cấp được lấy từ nguồn xác minh có tính chính xác cao, cụ thể

là từ báo cáo tài chính của chính Công ty cổ phần Bibica công bố trên trang website chính thức của Công ty chứng khoán Vietstock: https://finance.vietstock.vn/BBC/tai-chinh.htm

1.2 Khảo sát dữ liệu

Nhấn đúp chuột vào chuỗi rev để mở cửa sổ Series: Rev.

Trên cửa sổ Series: Rev vào View/ Descriptive Statistics & Tests/ Stats Table:

Đồ thị phân phân phối của chuỗi dữ liệu

Hình 1.1 Đồ thị phân phối của mẫu dữ liệu

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

1.2.1 Phương pháp vẽ đồ thị theo thời gian

Trong cửa sổ Command, gõ lệnh: line rev

Ta có đồ thị sau:

Hình 1.2 Đồ thị theo thời gian chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Qua đồ thị trên ta thấy mô hình rõ ràng có yếu tố xu thế T và mùa vụ S Yếu tố mùa vụ

ở năm sau được lặp đi lặp lại nhưng với cường độ cao hơn so với từng quý trong năm

trước từ đó ta kết luận chuỗi rev là mô hình nhân tính.

1.2.2 Phương tích giản đồ tự tương quan – tự tương quan riêng

phần Trên cửa sổ Series: rev vào View/ Correlogram Ta có kết quả:

Hình 1.3 GIản đồ tự tương quan chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Chuỗi có ACF khác 0 có ý nghĩa thống kê và giảm dần về 0 Đồng thời quan sát thuộccùng một mùa vụ có ACF xấp xỉ nhau Từ giản đồ tự tương quan, ta cũng rút ra được

kết luận: chuỗi rev có tính xu hướng T và mùa vụ S.

1.2.3 Kiểm định nghiệm đơn vị

Cặp giả thuyết:

Trên cửa sổ Series: rev vào View/ Unit Root Tests/ Standard Unit Root Test

Trên cửa sổ Unit Root Test, phần Test for Unit root in chọn Level

Hình 1.4 Kiểm định tính dừng của chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Theo kết quả kiểm định ta thấy

P-value (Prob.) = 0.9229 > α = 0.05

=> Không có cơ sở bác bỏ H0 => Chuỗi rev không dừng

Vậy ta kiểm định tính dừng của chuỗi rev sai phân bậc 1

Trên cửa sổ Series: rev vào lại View/ Unit Root Tests/ Standard Unit Root

Test Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1st difference

Hình 1.5 Kiểm định tính dừng của chuỗi sai phân bậc 1

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Theo kết quả kiểm định ta thấy:

P-value (Prob.) = 0.0004 < α = 0.05

=> Bác bỏ H0, chấp nhận H1 => Chuỗi rev dừng ở sai phân bậc 1

Kết luận: rev là chuỗi thời gian có tính xu thế và mùa vụ, là chuỗi kết hợp bậc 1.

PHẦN 2: CÁC PHƯƠNG PHÁP DỰ BÁO2.1 Dự báo bằng phương pháp san mũ

2.1.1 Tổng quan về phương pháp

Định nghĩa: San mũ là việc loại bỏ các thành phần bất quy tắc I để nhìn thấy quy luậtvận động của chuỗi rõ ràng hơn

Đặc điểm: Sử dụng các hằng số san

2.1.1.1 Dự báo bằng phương pháp san mũ đơn

• Giá trị dự báo tại bất kỳ thời điểm nào là giá trị trung bình có trọng số của tất cả các giá trị sẵn có trước nó

• G á trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.ị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.càng trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.xa trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.thời điểm hiện tại thì trọng số của nó càng giảm.ị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.ị ị m trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.hời điểm hiện tại thì trọng số của nó càng giảm ị n trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.tị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.thời điểm hiện tại thì trọng số của nó càng giảm.ì trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.ị ng trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.số của nó càng giảm.ị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.cị a trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.nó trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.càng trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.g ị m

2.1.1.2 Dự báo bằng phương pháp san mũ kép

• San trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.mị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.kép ( double exponential smoothing): là lặp lại lần 2 ép ( double exponential smoothing): là lặp lại lần 2 p trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.( trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.double trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.exponent al trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.số của nó càng giảm.moothời điểm hiện tại thì trọng số của nó càng giảm ng): trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.là trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.lị p trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.lị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.lị n trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.2 trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm

cị a trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.số của nó càng giảm.an trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.mị trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm.ị ị n

−1

• Tương tự như san mũ đơn, hằng số san của phương pháp san mũ kép được xác định sao cho RMSE là nhỏ nhất

• Để dự báo cho các giá trị tiếp theo trong tương lai của chuỗi:

• Sử dụng khi chuỗi thời gian có yếu tố xu thế ( và không có yếu tố mùa vụ)

• Mở rộng của phương pháp san mũ giản đơn: đưa them một nhân tố xu thế T (yếu tố thời gian) vào phương trình san mũ

• Yếu tố xu thế được mô hình hóa

• Có 3 phương trình và 2 hằng số san được sử dụng trong mô hình holt

- Ước lượng giá trị trung bình hiện tại (giá trị san):

Trong đó, là giá trị san tại thời điểm t

2.1.1.4 Dự báo bằng phương pháp san mũ Winters

• San mũ Winter là phương pháp mở rộng của san mũ Holt được sử dụng với các

dữ liệu có chứa yếu tố mùa vụ S

• Trong mô hình nhân: yếu tố mùa vụ ở năm sau được lặp lại với cường độ cao hơn hoặc thấp hơn so với từng mùa ở năm trước

• Trong mô hình cộng: yếu tố mùa vụ ở các năm khác nhau được lặp đi lặp lại một cách đều đặn

• Mô hình Winters sử dụng 4 phương trình và 3 hằng số san

- Ước lượng giá trị trung bình hiện tại

- Ước lượng giá trị xu thế (độ dốc)

= ( − −1 ) + (1 − ) −1 - Ước lượng yếu tố mùa vụ ( giá trị chỉ số mùa)

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn

Single Chuỗi san kép là chuỗi revsm.

Bước 3: Sử dụng lệnh genr mapesm = @mean(@abs(rev-revsm)/rev) để tính chỉ

số MAPE của mô hình

Ta viết được mô hình san mũ đơn : = 0.206 + 0.794 −1

Hình 2.1 Đồ thị theo thời gian của chuỗi rev và chuối san mũ đơn revsm

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview

8 2.1.2.2 Dự báo bằng phương pháp san mũ kép

Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing:

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn

double Chuỗi san kép là chuỗi revd.

Bước 3: Sử dụng lệnh genr maped = @mean(@abs(rev-revd)/rev) để tính chỉ số MAPE của mô hình

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview

8 2.1.2.3 Dự báo bằng phương pháp san mũ Holt

Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing:

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn

Holt – Winters – No seasonal Chuỗi san kép là chuỗi revh

Bước 3: Sử dụng lệnh genr mapeh= @mean(@abs(rev-revh)/rev) để tính chỉ số MAPE của mô hình

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview

8 2.1.2.4 Dự báo bằng phương pháp san mũ Winters

Nhận xét: Dựa vào dạng đồ thị, ta có thể thấy chuỗi dữ liệu có tính xu thế và tính mùa

vụ tương đối rõ ràng, có thể áp dụng các mô hình nhân tính để phân tích và dự báo

Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing:

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn

Holt – Winters – Multiplicative Chuỗi san kép là chuỗi revhw

Bước 3: Sử dụng lệnh genr mapehw= @mean(@abs(rev-revhw)/rev) để tính chỉ

số MAPE của mô hình

Bảng 2.1 Bảng chỉ số mùa vụ san mũ Winters

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

- Ta viết được mô hình dự báo như sau:

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

2.2 Dự báo bằng phương pháp phân tích

2.2.1 Tổng quan về phương pháp

Quy trình gồm 4 bước:

Bước 1: Nhận dạng dữ liệu.

Xác định chuỗi thuộc mô hình nhân hay mô hình cộng

Bước 2: Tách yếu tố mùa vụ S ra khỏi chuỗi ban đầu

- Tách yếu tố mùa vụ bằng phương pháp trung bình trượt trung tâm có trọng số

- Hiệu chỉnh mùa vụ để triệt tiêu I, tách được S và làm yếu tố C mờ nhạt hơn

=> Chuỗi hiệu chỉnh chủ yếu phụ thuộc vào T và C

Để thuận tiện, ta giả định không có yếu tố chu kì trong chuỗi thời gian tức là C=1 (đốivới mô hình nhân) và C=0 (đối với mô hình cộng) Lúc này chuỗi hiệu chỉnh chủ yếuphụ thuộc vào T

Cụ thể như sau:

* Đối với mô hình nhân:

B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm)

(CMA)

0.5 ( − )+ ( − +1)+⋯+ +⋯+ ( + −1)+0.5 ( + )

B2: Tính tỷ số thời vụ cho mỗi thời điểm: Yt/Yt*

B3: Tìm trung bình tỷ số thời vụ cho từng mùa vụ Mi (quý, năm)

B4: Tính chỉ số thời vụ chung Scaling Factor

√

Tích các chỉ số thời vụ trong một năm phải bằng 1

B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ)

ADYt = Yt/SFi

* Đối với mô hình cộng

B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm)

(CMA)

0.5 ( − )+ ( − +1)+⋯+ +⋯+ ( + −1)+0.5 ( + )

B2: Tính chênh lệch thời vụ cho mỗi thời điểm: Yt -Yt*

B3: Tìm trung bình chênh lệch thời vụ cho từng mùa vụ Mi (quý, năm)

B4: Tính chỉ số thời vụ chung Scaling Factor

SF = Mi- 1+ 2+⋯+

i

Tổng các chỉ số thời vụ trong một năm phải bằng 0

B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ)

ADYt = Yt - SFi

Bước 3: Ước lượng hàm xu thế t và dự báo

B1: Tạo xu thế t

B2: Ước lượng chuỗi đã hiệu chỉnh theo xu thế t

B3: Kiểm định mô hình ước lượng

Mô hình phải vượt qua các kiểm định của mô hình hồi quy thông thường nếu không phải xây dựng mô hình ước lượng khác

Bước 4: Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng

Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc

Đối với mô hình nhân: Yf = ADYn+h * SFi

Đối với mô hình cộng: Yf = ADYn+h +SFi

2.2.2 Áp dụng phương pháp phân tích vào dự báo doanh thu Công ty cổ phần Bibica Bước 1: Xác định dạng chuỗi

Ta đã xác định được chuỗi thuộc dạng mô hình nhân (như đã kết luận ở phần 2.1.3)

Bước 2: Tách yếu tố mùa vụ

Bấm chọn chuỗi rev, chọn Proc, vào Seasonal Adjustment, chọn Moving Average Methods

Trên cửa sổ Seasonal Adjustment trong phần Adjustment methods chọn Ratio to

moving average - Multiplicative

Chuỗi đã tách yếu tố mùa vụ là revsa, chỉ số mùa vụ là sfm

Ta có kết quả chỉ số mùa vụ như sau:

Bảng 2.2 Bảng kết quả chỉ số mùa vụ được tách bằng phương

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ sfm qua từng quý.

Bước 3: Ước lượng chuỗi revsa theo hàm xu thế

Vẽ đồ thị của chuỗi đã hiệu chỉnh revsa để xác định dạng hàm xu thế ta được:

Hình 2.5 Đồ thị chuỗi đã hiệu chỉnh mùa vụ revsa

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Lần lượt thử dự báo với dạng mô hình khác nhau:

Dạng 1: Tuyến tính

Ước lượng revsa theo biến t

Trên cửa sổ Command:

• Gõ lệnh genr t=@trend(2002Q4) để tạo biến xu thế t

• Gõ lệnh ls revsa c t để ước lượng chuỗi đã hiệu chỉnh theo biến xu thế t

Hình 2.6 Kết quả phân tích bằng mô hình tuyến tính

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Ta có mô hình hồi quy: revsâ = 32.58336 + 4.861582t + ut

Kiểm định giả thuyết thống kê về hệ số hồi quy

0: βj = 0

Cặp giả thuyết: { H 1: βj ≠ 0

Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0

Theo kết quả ước lượng, với α = 5% ta thấy:

Hệ số chặn của t có P-value (Prob.) = 0,0000 < α = 0,05



Hệ số hồi quy của t có ý nghĩa thống kê

 Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05

(vì mô hình chỉ có biến độc lập duy nhất t)

Kiểm định bỏ sót biến

Cặp giả thuyết: {H0 : Mô hình không bỏ sót biến

H1: Mô hình thiếu biến

Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET

Test Ta có kết quả:

Hình 2.7 Kết quả kiểm định bỏ sót biến

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Theo kết quả kiểm định ta thấy P-value (Probability) = 0.3758> α = 0,05

 Mô hình không bị bỏ sót biến

Kiểm định phân phối chuẩn của nhiễu.

{ H 0 : Nhiễu phân phối chuẩn

H1: Nhiễu không phân phối chuẩn

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test

Hình 2.8 Kết quả kiểm định phân phối chuẩn

Cặp giả thuyết:

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Theo kết quả kiểm định ta thấy:

P-value (Probability) = 0.767792> α = 0,05

Nhiễu phân phối chuẩn

Kiểm định phương sai sai số thay đổi

{ H 0 : Phương sai sai số không đổi

H1: Phương sai sai số thay đổi

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity Test Trên cửa sổ Heteroskedasticity Test chọn White.

Ta có kết quả:

Hình 2.9 Kết quả kiểm định phương sai sai số thay đổi

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Theo kết quả kiểm định ta thấy:

P-value (Prob.F(2,64)) = 0,0066 < α = 0,05

 Mô hình có phương sai sai số thay đổi.

Cặp giả thuyết:

Kiểm định tự tương quan

H0: Mô hình không có tự tương quan

{ H 1: Mô hình có tự tương quan

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM test

Ta có kết quả sau :

Hình 2.10 Kết quả kiểm định tự tương quan

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview

8 Theo kết quả kiểm định ta thấy

P-value (Prob.F(1,24)) = 0,0684 > α = 0,05

 Mô hình không có tự tương quan tại mức ý nghĩa α = 0,05.

Bước 4: Dự báo chuỗi gốc

Trên cửa sổ ước lượng, ta chọn Forecast.

Trên cửa sổ Forecast, trong phần Forecast Sample chọn mẫu từ 2006Q1 2008Q4

Ta có kết quả sau:

Hình 2.11 Kết quả dự báo trong mẫu

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Nhìn vào kết quả dự báo trong mẫu ta thấy:

Mean Abs Percent Error = 15.95585 > 5%

Tiến hành dự báo ngoài mẫu (2003q1 – 2020q3) cho chuỗi đã hiệu chỉnh mùa vụ - revsaf:

Hình 2.12 Kết quả dự báo ngoài mẫu

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Bước cuối cùng, ta thêm yếu tố mùa vụ vào chuỗi hiệu chỉnh đã dự báo revsaf bằng lệnh:

Genr revf1= revsaf * sfm

Vẽ chuỗi dữ liệu gốc và chuỗi đã dự báo trên cùng một đồ thị bằng lệnh: line rev revf1

ta được:

Hình 2.13 Đồ thị theo thời gian chuỗi gốc rev và chuỗi dự báo revf1

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

- Tính MAPE bằng lệnh genr mape = @mean(@abs(rev - revf)/rev)

- Tính RMSE bằng lệnh genr rmse = @sqrt(@mean (rev - revf)^2)

Ta được RMSE = 1.606420

Dạng 2: Bậc 2

Sử dụng câu lệnh: ls revsa c t t^2 Ước lượng mô hình này ta được kết quả: