Lab 1. SAN BẰNG SỐ MŨ

File dữ liệu chap4.sav chứa số liệu về hàng tồn kho (chuỗi amount- số lượng). Quản trị tồn kho là nguồn bài tập mẫu phù hợp với mô hình san bằng số mũ. Để dự báo nhu cầu hàng tồn kho cần phải có một phương pháp dự báo đơn giản, lưu ý đến các quan sát gần nhất, có khả năng làm thay đổi đặc điểm của chuỗi dữ liệu.
Nội dung trích xuất từ tài liệu:
Lab 1. SAN BẰNG SỐ MŨ 1 Lab 1. SAN BẰNG SỐ MŨ (Exponential Smoothing) Biên soạn: TS. Nguyễn Văn Ngọc File dữ liệu chap4.sav chứa số liệu về hàng tồn kho (chuỗi amount- số lượng). Quản trị tồn kho là nguồn bài tập mẫu phù hợp với mô hình san bằng số mũ. Để dự báo nhu cầu hàng tồn kho cần phải có một phương pháp dự báo đơn giản, lưu ý đến các quan sát gần nhất, có khả năng làm thay đổi đặc điểm của chuỗi dữ liệu. 1. Xây dựng đồ thị cho chuỗi dữ liệu Việc đầu tiên khi nghiên cứu chuỗi thời gian là xây dựng đồ thị. Điều này giúp bạn hình dung được về cách chuyển vận (hành vi) của dữ liệu. Để xây dựng đồ thị chuỗi amount, bạn chọn trong Menu Graphs: Graphs Sequence Hình 1. Hộp thoại Sequence Charts (đồ thị chuỗi) . Bạn hãy đưa biến amount vào khung danh sách biến nguồn VARIABLES và nhấp OK, Kết quả nhận được trong hình 2. 2 1060 1040 1020 1000 980 AMOUNT 960 940 1 17 33 49 65 81 97 113 129 145 9 25 41 57 73 89 105 121 137 Sequence number Hình 2. Biểu đồ chuỗi dữ liệu. Từ đồ thị hình 2. ta nhận thấy: - Chuỗi không có tính xu thế, nó dao động một cách ngẫu nhiên xung quanh đường trung bình. - Chuỗi không có thành phần mùa vụ rõ ràng. - Chuỗi có tính chất “ghi nhớ”, với nghĩa là mỗi một giá trị có gắn bó với giá trị đứng trước nó. Đó cũng là hiện tượng rất phổ biến trong chuỗi thời gian (tự tương quan). Phương pháp san bằng số mũ rất thích hợp với chuỗi dữ liệu có tính chất “ghi nhớ” như vậy. San bằng số mũ nhấn mạnh tính qui luật của chuỗi thời gian, nhờ loại khỏi dữ liệu một số sai lệch ngẫu nhiên. Phát hiện ra tính qui luật này, bạn có thể sử dụng nó để dự báo. 2. San bằng chuỗi chuỗi dữ liệu Thủ thuật san bằng loại khỏi dữ liệu các dao động ngẫu nhiên. Điều này cho phép bạn tập trung vào những đặc điểm mang tính qui luật rõ nét nhất của chuỗi, và sử dụng nó để dự báo cho các giá trị mới. Để dự báo cho các giá trị tiếp theo, bạn cần lưu ý đến một số vấn đề sau đây: Quan sát gần nhất. Phần lớn các chuỗi thời gian có tính chất tự tương quan dương, nghĩa - là mỗi giá trị tiếp theo gần giống với giá trị đứng trước đó. 3 Trung bình chung của chuỗi. Đôi khi đó là điều nhiều nhất bạn có thể nói về chuỗi dữ - liệu, nếu như bạn không thể tìm được bất kỳ qui luật nào về hành vi của chuỗi. Xu thế. Nếu như các giá trị của chuỗi giảm đến 10 đơn vị/ngày, bạn sẽ phải chú ý tới tính - xu thế trong chuỗi. Như vậy, tuy nhiên kỳ vọng một xu thế tương tự sớm hoặc muộn sẽ bi ến mất - đặc điểm của chuỗi dữ liệu nhất định sẽ thay đổi, khi tồn kho bằng 0. Mùa vụ. Nếu bạn xây dựng mô hình dự báo doanh số đồ chơi trẻ em, bạn phải tính đến - qui luật mùa vụ, gắn với Đại lễ Giáng sinh. Dựa trên cơ sở những điều đã phân tích ở trên, có thể phân ra làm 2 quan điểm trái ngược nhau: Xem nhẹ số liệu quá khứ của chuỗi, và cho rằng giá trị tiếp theo sẽ bằng đúng giá trị 1. gần nhất. Quan điểm này đúng khi tương quan dương của chuỗi vượt lên bất kỳ qui luật nào khác, điều này thường hay xảy ra khi bạn khảo sát chuỗi dữ liệu trong một khoảng thời gian cực ngắn. Ví dụ, ngày 31/12 gần như cần một lượng đồ chơi gần như đã bán được trong ngày 30. Xem nhẹ các quan sát gần nhất và làm dự báo dựa trên cơ sở giá trị trung bình của 2. chuỗi, của xu thế tìm được và của thành phần mùa vụ. Quan điểm này có ý nghĩa khi bạn chọn một khoảng thời gian tương đối dài, và có thể xem nhẹ tương quan của các giá trị. Trong trường hợp này, giá trị gần nhất trong chuỗi không quá quan trọng đối với bất kỳ một giá trị nào khác, như vậy bạn có thể hy vọng vào mô hình dựa trên các dữ liệu quá khứ của chuỗi: giá trị trung bình, tính xu thế và thành phần mùa vụ. Người ta thường kết hợp cả 2 quan điểm trên. Sử dụng giá trị trung bình, tính xu thế và thành phần mùa vụ, đồng thời bổ sung trọng số lớn cho các quan sát gần nhất. Quan điểm này là cơ sở của phương pháp san bằng số mũ. Chuỗi có tính xu thế và mùa vụ có thể được cho đ ến 4 tham số, thể hiện “mức độ quan trọng” củ các quan sát gần nhất. Tất cả các tham số biến thiên từ 0 đến 1. 1. Tham số chung alpha cho trọng số của quan sát gần nhất và được sử dụng trong tất cả các mô hình, Khi alpha=1, dự báo chỉ sử dụng giá trị gần nhất; khi alpha=0, thì tất cả các giá trị đều có trọng số ngang bằng nhau. 2. Tham số gamma được sử dụng cho chuỗi có tính xu thế. Khi giá trị gamma cao, dự báo dựa trên cơ sở xu thế, được ước lượng theo các giá trị gần nhất. Khi gamma nhỏ, dự báo sử dụng xu thế của toàn chuỗi dữ liệu. Tham số delta, được sử dụng trong chuỗi có tính mùa vụ. Các mô hình có delta cao, khi 3. ước lượng tính mùa vụ các giá trị gần nhất được coi trọng; các mô hình có delta nhỏ, tất cả các quan sát được cho là tương đương nhau. 4. Tham số Phi được sử dụng cùng với gamma, khi chuỗi có xu thế tắt dần. Khi giá trị của phi lớn, mô hình phản ứng nhanh chóng lên bất kỳ biểu hiện tắt dần nào của xu thế. Khi phi nhỏ, ước lượng sự tắt dần của chuỗi được xây dựng theo dữ liệu của toàn chuỗi. ...