MÔ TẢ SỐ LIỆU
Chương III: Kết luận dự báo
Nhóm tác giả xin gửi lời cảm ơn chân thành đến Giảng viên ThS Nguyễn Thúy Quỳnh vì sự chỉ bảo và hướng dẫn tận tình trong quá trình hoàn thành báo cáo Chúng em nhận thức được rằng kiến thức của mình còn hạn chế, do đó bài báo cáo không thể tránh khỏi một số sai sót Chúng em rất mong nhận được những nhận xét và góp ý từ cô để cải thiện hơn trong tương lai.
Nhóm chúng em xin chân thành cảm ơn cô!
B NỘI DUNG Chương I MÔ TẢ SỐ LIỆU
Nhấn đúp vào chuỗi import để mở cửa sổ series: IMPORT Trên cửa sổ Series: IMPORT vào View/ Descriptive Statistics & Tests/ Stats Table
Sau khi thực hiện câu lệnh trên ta có bảng thống kê như sau:
Trên cửa sổ Series: IMPORT vào View/ Graph Ta có biểu đồ mô tả số liệu sau:
Mô tả thống kê quan trọng
Số quan sát (Observations) 69 Giá trị trung bình (Mean) 16318996 Giá trị lớn nhất (Maximum) 23072005 Giá trị nhỏ nhất (Minimum) 9892473 Độ lệch chuẩn (Std.Dev.) 3566285
DỰ BÁO TRỊ GIÁ CÁC MẶT HÀNG NHẬP KHẨU
Các phương pháp dự báo giản đơn
1.1 Dự báo bằng phương pháp san mũ
San mũ là quá trình loại bỏ các yếu tố ngẫu nhiên để làm rõ bản chất của chuỗi dữ liệu, từ đó giúp việc dự báo trở nên dễ dàng hơn Phương pháp san mũ đơn có khả năng loại bỏ các yếu tố ngẫu nhiên và dự đoán giá trị mẫu, nhưng không thể hỗ trợ trong việc dự báo ngoài mẫu.
Phương pháp san mũ kép là việc lặp lai 2 lần của san mũ đơn Phương pháp này có thể dự báo ngoài mẫu
Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing
Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn Double
Chuỗi san kép là chuỗi importd, mẫu dự báo là 2014m01-2020m05
Ta thu được kết quả dự báo như sau:
Trung bình bình phương sai số 1653508
Kết thúc giai đoạn: Trung bình 21822528
Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 1653508
Trên cửa sổ Command dùng lệnh line import importd có biểu đồ sau:
1.2 Dự báo bằng phương pháp san mũ Holt Tổng quan về phương pháp san mũ Holt:
Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu thế T bằng cách loại bỏ được yếu tố xu thế T
T t là ước lượng của phần xu thế ở thời kỳ t
là ước lượng giá trị trung bình hiện tại của Y ở thời kì t h
là giá trị dự báo của Y sau h giai đoạn trong tương lai
Với ,là hằng số san sao cho RMSE nhỏ nhất Áp dụng trong Eviews:
Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing, trong phần Smoothing method chọn Holt-Winters-No seasonal
Chuỗi san Holt là chuỗi importh
Ta thu được kết quả dự báo như sau:
Trung bình bình phương sai số
Kết thúc giai đoạn: Trung bình 22040578
Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 1658814 Trên cửa sổ Command dùng lệnh line import importh có biểu đồ sau:
1.3 Dự báo bằng phương pháp san mũ Winters Tổng quan về phương pháp san mũ Winters:
Phương pháp san mũ Winters dùng để dự báo các chuỗi có chứa cả yếu tố xu thế và yếu tố mùa vụ
T t là ước lượng của phần xu thế ở thời kỳ t
là ước lượng giá trị trung bình hiện tại của Y ở thời kì t h
là giá trị dự báo của Y sau h giai đoạn trong tương lai
S t là yếu tố thời vụ tại thời điểm t (Chỉ số mùa vụ qua các năm là không đổi) k là số thời vụ trong một năm k
S t là yếu tố thời vụ tại thời điểm t của thời kỳ trước Đầu tiên chúng ta phải xác định dạng mô hình của chuỗi:
Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
Y Ước lượng giá trị xu thế T là:
T Ước lượng giá trị chỉ số mùa vụ là:
( 1 ) ( 1 ) Như vậy, ta có dự báo h giai đoạn trong tương lai là
(với S i là chỉ số mùa vụ của năm cần dự báo) Áp dụng trong Eviews:
Từ đồ thị của chuỗi import , ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời gian Vậy ta sử dụng mô hình nhân
Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing
Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn Holt- Winters – Muliplicative
Chuỗi san Winters là chuỗi importw
Ta thu được kết quả sau:
Trung bình bình phương sai số
Kết thúc giai đoạn: Trung bình 21666233
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 989161,6
Chỉ số mùa vụ qua các năm không đổi và bằng:
Trên cửa sổ Command dùng lệnh line import importw có biểu đồ sau:
Dự báo bằng phương pháp phân tích
Xác định chuỗi thuộc mô hình nhân hay mô hình cộng
Tính CMA4 (nếu số liệu theo quý) hoặc CMA12 (nếu số liệu theo tháng)
Bước 2 : Tách yếu tố mùa vụ:
Tách yếu tố mùa vụ ra khỏi chuỗi thu được chuỗi mới là Y SA Đối với mô hình nhân: tính các tỉ số Y t
Mô hình MA cho phép tính toán hiệu số giữa Y t và Y t MA, giúp tách biệt ảnh hưởng của các yếu tố chu kỳ (C) và (I) Nhờ đó, chuỗi dữ liệu chỉ còn phụ thuộc vào yếu tố xu thế (T), tạo điều kiện thuận lợi cho việc ước lượng chính xác hơn.
Bước 3: Ước lượng chuỗi Y SA bằng hàm xu thế và dự báo chuỗi hiệu chỉnh
Tính giá trị trung bình chênh lệch: Đối với mô hình nhân: tính M i = 1 m-1 x ∑ Y ( j ) i
Y ( MA j ) i Đối với mô hình cộng: tính M i = 1 m-1 x ∑(Y t -Y t MA ) Tính chỉ số mùa vụ: Đối với mô hình nhân: SR i = M i
(M 1 +M 2 +…+M 11 +M 12 )/12 Đối với mô hình cộng: SD i = M i - (M 1 +M 2 +…+M 11 +M 4 )/12
Bước 4: Dự báo chuỗi gốc
Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc Đối với mô hình nhân: Y (j)i SAR = Y (j)i
SR i Đối với mô hình cộng: Y (j)i SAD = Y (j)i - SD i Áp dụng trong Eviews:
Ta đã xác định được chuỗi thuộc dạng mô hình nhân
Bước 2 : Tách yếu tố mùa vụ:
Trên cửa sổ Series: IMPORT, vào Proc/Seasonal Adjustment/ 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 importsa , chỉ số mùa vụ là importsf
Ta có bảng kết quả chỉ số mùa vụ như sau:
Chuỗi gốc: IMPORT Chuỗi dự báo: IMPORTSA Scaling Factors:
Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ chung qua từng tháng
Bước 3 : Ước lượng chuỗi importsa theo hàm xu thế và dự báo chuỗi hiệu chỉnh
Ước lượng importsa theo biến T:
Gõ lệnh genr t=@trend(2013M12) để tạo biến xu thế t
Gõ lệnh LS importsa c t để ước lượng importsa theo biến t Thu được kết quả:
Variable Coefficient Std Error t-Statistic Prob
Ta có mô hình hồi quy: 𝒊𝒎𝒑𝒐𝒓𝒕̂ = 10845278 + 155451,1t
Kiểm định giả thuyết thống kê về hệ số hồi quy
H 1 : β j ≠ 0 Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0
Theo kết quả ước lượng, với α = 0,05 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: {H 0 : Mô hình không bỏ sót biến
H 1 : Mô hình thiếu biến Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET Test
Value df Probability t-statistic 2.170055 66 0.0336 F-statistic 4.709139 (1, 66) 0.0336
Theo kết quả kiểm định ta thấy P-value (Probability) = 0,0336 < α = 0,05
OLS bị vi phạm, mô hình bị bỏ sót biến Ước lượng lại importsa theo t, t 2 , t 3
Trên cửa số Command gõ lệnh LS importsa c t t^2 t^3
Variable Coefficient Std Error t-Statistic Prob
Kiểm định giả thuyết thống kê về hệ số hồi quy
Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0 Theo kết quả ước lượng, với α = 0,05 ta thấy:
Biến p-value Ho Kết luận t 0,289 > 0,05 Không bác bỏ Không có ý nghĩa thống kê
𝑡 2 0,0233 < 0,05 Bác bỏ Có ý nghĩa thống kê
𝑡 3 0,0450 < 0,05 Bác bỏ Có ý nghĩa thống kê
Hệ số hồi quy của biến t không có ý nghĩa thống kê nhưng không có cơ sở để loại biến t khỏi mô hình
Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05 vì có hai hệ số hồi quy của biến độc lập khác 0
Kiểm định bỏ sót biến
Giả thuyết thống kê: {H 0 : Mô hình không bỏ sót biến
H 1 : Mô hình thiếu biến Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET Test
Value df Probability t-statistic 1.875800 64 0.0652 F-statistic 3.518625 (1, 64) 0.0652
Theo kết quả kiểm định ta thấy P-value (Probability) = 0,0652 > 𝛼 = 0,05
Không bác bỏ giả thuyết Ho
OLS không bị vi phạm, mô hình không bỏ sót biến với mức ý nghĩa 𝛼 0,05
Kiểm định phân phối chuẩn của nhiễu
Cặp giả thuyết: {H 0 : Nhiễu phân phối chuẩn
H 1 : Nhiễu không phân phối chuẩnTrên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test
Không có cơ sở bác bỏ Ho
Mô hình có nhiễu phân phối chuẩn với mức ý nghĩa 𝛼 = 0,05
Kiểm định phương sai sai số thay đổi
Cặp giả thuyết: {H 0 : Phương sai sai số không đổi
H 1 : 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 thu được kết quả sau:
F-statistic 0.709533 Prob F(6,62) 0.6431 Obs*R-squared 4.433428 Prob Chi-Square(6) 0.6182 Scaled explained SS 5.727358 Prob Chi-Square(6) 0.4544
Không có cơ sở bác bỏ Ho
Mô hình có phương sai sai số không đổi với mức ý nghĩa 𝛼 = 0,05
Kiểm định tự tương quan
Cặp giả thuyết: {H 0 : 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 như sau:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.948404 Prob F(2,63) 0.3928 Obs*R-squared 2.016737 Prob Chi-Square(2) 0.3648
Không có cơ sở bác bỏ Ho
Mô hình không có tự tương quan với mức ý nghĩa 𝛼 = 0,05
Bước 4 : Dự báo chuỗi gốc
Trên cửa sổ ước lượng, chọn Forecast:
trong phần Forecast name điền importsaf
trong phần Forecast Sample chọn mẫu từ 2014m01 2019m09
trong phần Output/ Graph chọn Forecast & Actuals
Ta có kết quả sau:
I II III IV I II III IV I II III IV I II III IV I II III IV I II III
Forecast: IMPORTSAF Actual: IMPORTSA Forecast sample: 2014M01 2019M09 Included observations: 69
Root Mean Squared Error 996541.8 Mean Absolute Error 788987.0 Mean Abs Percent Error 4.989032 Theil Inequality Coefficient 0.030022 Bias Proportion 0.000000 Variance Proportion 0.024304 Covariance Proportion 0.975696
Nhìn vào kết quả dự báo trong mẫu ta thấy:
Tức là sai số dự báo < 5%, Có thể sử dụng mô hình này để dự báo ngoài mẫu
Mở lại cửa sổ Forecast Trong phần Forecast sample chọn mẫu 2019M10 2020M5
Ta thu được chuỗi dự báo importsaf
Ta lấy chuỗi importsaf nhân với chỉ số mùa vụ importsf sẽ được chuỗi dự báo importf
Trên cửa sổ Command gõ lệnh genr importf=importsaf*importsf Trên cửa sổ Command gõ lệnh line importf import thu được kết quả:
