Bài giảng Phân tích dữ liệu và dự báo (Phần 1) - Đại học kinh tế TP Hồ Chí Minh

Bài giảng Phân tích dữ liệu và dự báo gồm các nội dung: dự báo thô, trung bình giản đơn, trung bình di động đơn kép,san mũ giản đơn, san mũ Holt, San mũ Winter, phân tách chuỗi thời gian, phần mềm ForecastX/Crystal Ball.
Nội dung trích xuất từ tài liệu:
Bài giảng Phân tích dữ liệu và dự báo (Phần 1) - Đại học kinh tế TP Hồ Chí Minh PHÂN TÍCH DỮ LIỆU VÀ DỰ BÁO P. T.B KHOA KINH TẾ ptbinh[a-còng]ueh.edu.vnBài giảng 3: Các mô hình dự báo giản đơnNội dung: Dự báo thô Trung bình giản đơn Trung bình di động đơn/kép San mũ giản đơn San mũ Holt/San mũ Winter Phân tách chuỗi thời gian Phần mềm ForecastX/Crystal BallPhân biệt 3 phương pháp đơn giản: Các phương pháp dự báo thô: Giả định dữ liệu gần nhất cung cáp các dự đoán tốt nhất tương lai. Các phương pháp bình quân: Dự báo dựa trên giá trị trung bình của các quan sát quá khứ (tầm quan trọng như nhau). Các phương pháp san mũ: Dự báo bằng cách lấy trung bình giá trị quá khứ của chuỗi dữ liệu với trọng số giảm dần (tầm quan trọng giảm dần).Một chiến lược tốt để đánh giá dự báothường gồm các bước sau (Hanke, 2005):1. Một phương pháp dự báo được chọn dựa trên phân tích và cảm nhận của người làm dự báo về bản chất của dữ liệu.2. Bộ dữ liệu được chia thành 2 phần: Phần chạy thử và phần kiểm định.3. Phương pháp dự báo được chọn được sử dụng để tính các giá trị ước lượng cho phần chạy thử.4.Phươngpháp được sử dụng để dự báo phần kiểm định của dữ liệu, và sai số dự báo được xác định và dùng để so sánh/đánh giá.5.Ra quyết địnhDự báo thô (Naïve forecast)(hoặc simple random walk!!!) Thích hợp với các doanh nghiệp mới thành lập vì có rất ít dữ liệu. Giả định giai đoạn gần nhất là ước lượng tốt nhất cho tương lai: Yt 1 YtVí dụ xem file Table4.1H 800 700 600 500 400 300 200 100 2 4 6 8 10 12 14 16 18 20 22 24 26 28 SALESLấy dữ liệu trong giai đoạn 1996 –2001 là dữ liệu ước lượng, vậy giátrị dự báo 2002Q1 sẽ là: ^ ^ Y 25 Y24 Y 25 650Sai số dự báo: e25 = 200, …, e26 = -250Kết hợp đồ thị thấy dữ liệu có xuthế, nên mô hình dự báo thô giản đơnsẽ dự báo “thấp”.Để khắc phục nhược điểm của môhình dự báo thô giản đơn ta cóthể xem xét thêm xu hướng củanó như sau: Yt 1 Yt P(Yt Yt -1 )Trong đó: P là tỷ lệ thay đổigiữa hai giai đoạn kế nhau 0P 1.P bao nhiêu là tốt nhất?Có khi người ta có thể sửdụng tỷ lệ thay đổi thay chosố thay đổi tuyệt đối: ^ Yt Y t 1 Yt Yt 1Dự báo thô cho dữ liệu mùa(không xu thế): ^ Yt 1 Yt 3Nếu dữ liệu mùa và có xu thế thìcách dự báo như thế sẽ dự báo“thấp”, vậy:^ (Yt Yt 1 ) ... (Yt 3 Yt 4)Yt 1 Yt 3 4 ^ (Yt Yt 4) Yt 1 Yt 3 4Nếu dữ liệu theo tháng và có xuthế? Table4.1 Hc1t3&f6Trung bình giản đơn (simpleaverage forecast) Công thức: t 1 Yt 1 Yi t i1 t Yt 1 Yt 1 Yt 2 t 1Phương pháp trung bình giản đơnphù hợp khi các nhân tố ảnh hưởngđến đối tượng dự báo có tính ổnđịnh, và môi trường liên quan đếnchuỗi dữ liệu là không thay đổi.Phương pháp trung bình giản đơnsử dụng giá trị trung bình củatất cả các quan sát quá khứ làmgiá trị dự báo cho giai đoạn tiếptheo. Phù hợp với dữ liệu dừng.320310300290280270260250240 5 10 15 20 25 30 Table4.3 HTrung bình di động (movingaverage forecast) Quan tâm đến một số cố định các quan sát gần nhất. Khi có thêm một quan sát mới, ta có một giá trị trung bình mới. Yt Yt -1 ... Yt -k 1 Yt 1 MA (k ) k Y^t+1 : giá trị dự báo giai đoạn tiếp theo Yt : giá trị thực tại thời điểm t k : hệ số trượtCông thức trên Eviews: @MOVAV(Yt,k) 320 310 300 290 280 270 260 250 240 5 10 15 20 25 30 GALLONS @MOVAV(GALLONS,4) Table4.3 HChọn hệ số trượt bao nhiêu tùy vào độdài của chu kỳ hay bản chất của dữliệu.Để so sánh và chọn mô hình tốt, nêndựa vào các tiêu chí thống kê (RMSE).Thường dùng đối với dữ liệu quý hoặctháng để làm trơn các thành phầntrong chuỗi thời gian.Thường dùng với chuỗi dừng.Trung bình di động kép (doublemoving average forecast) Khi dữ liệu có xu thế tuyến tính thì ta sử dụng phương pháp bình phương di động điều chỉnh, được gọi là “trung bình di động kép”: Yt Yt -1 ... Yt -k 1 Mt Yt 1 k Mt M t -1 ... ...