HỒI QUY VÀ DỰ BÁO

Ước lượng mô hình với số liệu chuỗi thời gian T = 1,2,3,…,n

Số liệu thời gian thì dùng chỉ số t thay cho i

MÔ HÌNH HÓA XU THẾ BẰNG PHÂN TÍCH HỒI QUY

Phân tích hồi quy là cách thức mô hình hóa mối quan hệ giữa Y t và t (biến t sử dụng như
một biến giải thích)

Mô hình xu hướng tuyến tính: phù hợp với dữ liệu chuỗi thời gian có giá trị quan sát
tăng, giảm một khoảng không đổi theo thời gian. Yt+1 – Yt = const
Yt = β 1+ β2 T +u t
Với β 2 là thay đổi của Y sau mỗi thời kì (T tăng 1)
Công thức dự báo :YFt = ^β 1+ ^β2 T +u t

DỰ BÁO
Có nhiều phương pháp khác nhau để dự báo, một trong số đó là dự báo dựa
trên mô hình hồi quy. Ta cũng lưu ý rằng mô hình hồi quy dùng để dự báo phải
đảm bảo là một mô hình đủ tốt, có nghĩa là các giả thiết về mô hình hoặc không
vi phạm hoặc đã được khắc phục nhằm đảm bảo độ tin cậy cho kết quả dự báo
được

Giá trị dự báo (forecast) kí hiệu là YF

Phân tích chuỗi thời gian có nghĩa là chia nhỏ các dữ liệu đã qua thành các thời kỳ nhỏ
hơn để dễ dàng phân tích, bốn thành phần đặc trưng của chuỗi thời gian là : xu hướng;
theo mùa, chu kỳ và biến đổi ngẫu nhiên.
Ls gdp c @trend
Chạy e view ra B1 mũ, B2 mũ
Sử dụng các đại lượng đánh giá chất lượng dự báo của mô hình là:
RMSE (Root mean squared error): Lỗi trung bình bình phương là độ lệch chuẩn của phần
dư (lỗi dự đoán). Cho biết mức độ tập trung của dữ liệu xung quanh dòng phù hợp nhất.
MAE (Mean absolute error): sai số trung bình tuyệt đối. MAE đo lường mức độ trung
bình của các lỗi trong một tập hợp các dự đoán, mà không xem xét hướng của chúng.
MAPE (Mean absolute percentage error) là phần trăm sai số trung bình tuyệt đối. Lỗi
phần trăm tuyệt đối trung bình (MAPE) là thước đo thống kê mức độ chính xác của một
hệ thống dự báo.
Căn cứ vào 3 đại lượng này, mô hình có RMSE, MAE, MAPE nhỏ hơn sẽ được chọn.