Độ chính xác dự báo:

- Đo lường độ chính xác dự báo là sai số dự báo

SAI SỐ DỰ BÁO = GIÁ TRỊ THẬT - GIÁ TRỊ DỰ BÁO
-> Sai số dự báo dương cho thấy các phương pháp dự báo đánh giá thấp hơn giá trị
thực tế.
-> Sai số dự báo âm cho thấy các phương pháp dự báo đánh giá cao hơn giá trị thực tế.

- Phương pháp dự báo đơn giản (Naïve) sử dụng quan sát gần đây nhất trong
chuỗi thời gian để dự báo trong khoảng thời gian tiếp theo.
Ft+1 = Giá trị thực tế của kỳ t

Độ chính xác của mô hình Naive:

-> MAE= 80/9= 8,89
-> MSE= 850/9= 94,44
-> MAPE= 65,35/9= 7,26%

Trung bình trượt:

- Phương pháp trung bình (di động) sử dụng trung bình của k giá trị dữ liệu gần
nhất trong chuỗi thời gian như dự báo cho giai đoạn tiếp theo.
Trong đó: Ft+1= giá trị dự báo cho kỳ t + 1
Mỗi quan sát trong tính toán trung bình trượt nhận cùng một trọng số

Độ chính xác 3MA

-> MAE= 53,3/7= 7,61
-> MSE= 489,45/7= 69,92
-> MAPE= 44,22/7= 6,32%
Cách tiếp cận Trung bình trượt 3 tuần cung cấp dự báo chính xác hơn so với phương
pháp Naïve.

Trung bình trượt có trọng số

- Trọng số có tổng= 1
3WMA= .2(110) + .3(115) + .5(125)

Làm trơn bằng hàm mũ

Dự báo làm trơn bằng hàm mũ

Trong đó:
Ft+1 = dự báo cho thời kỳ t + 1
Yt = giá trị thực tế kỳ t
Ft = giá trị dự báo cho chuỗi thời gian kỳ t
α = trọng số làm trơn (0 < α < 1)
Và chọn: F2 = Y1 (để bắt đầu việc tính toán)
Dự báo san bằng hàm mũ
Với một số biến đổi đại số, chúng ta có thể viết lại Ft+1 = αYt + (1 – α)Ft như sau:

Chúng ta thấy rằng các dự báo mới Ft + 1 bằng với dự báo trước đó Ft cộng với một
điều chỉnh, đó chính là α nhân với sai số dự báo gần nhất, Yt – Ft.
Độ chính xác dự báo:
-> MAE= 82,95/9= 9,22
-> MSE= 974,22/9= 108,25
-> MAPE= 66,98/9= 7,44%

Hồi quy xu hướng tuyến tính:

- Khi dùng phương pháp bình phương bé nhất thì công thức để dự phóng thành
phần xu hướng là:

Trong đó:
Tt = giá trị của chuỗi thời gian ở kỳ t
b0 = điểm cắt của đường xu hướng
b1 = độ dốc của đường xu hướng
t = thời gian

- Trong phương trình xu hướng tuyến tính Tt = b0 + b1t

Trong đó:
Yt = giá trị của chuỗi thời gian ở kỳ t
n = số thời kỳ (số quan sát)
Y= giá trị trung bình của chuỗi thời gian
t= giá trị trung bình của thời kỳ t
Dự phóng xu hướng:
Trung bình trượt 3 mức độ có trọng số:
- Dự báo tháng 12 bằng cách tính trung bình trượt từ số liệu của 3 tháng trước:
tháng 9, 10 và 11.
F10 = 0,1YT9 + 0,3YT10 +0,6YT11
= 0,1(399) + 0,3(412) + 0,6(408)
= 408,3
Dự phóng theo thành phần xu hướng:
F10 = 422,27

Làm trơn bằng hàm mũ tuyến tính Holt

Các phương trình làm trơn bằng hàm mũ tuyến tính Holt

Trong đó:
Lt = ước lượng của mức độ được làm trơn của chuỗi thời gian tại kỳ t
bt = ước lượng cho độ dốc của chuỗi thời gian tại kỳ t
α = hệ số làm trơn cho chuỗi thời gian
β = hệ số làm trơn cho ước lượng xu hướng
Ft+k = dự báo ở kỳ t+k
k = số giai đoạn (kỳ) dự báo trong tương lai

Để vận dụng phương pháp này ta cần phải có các giá trị xuất phát:
L1 : ước lượng chuỗi thời gian ở kỳ 1
b1 : ước lượng cho độ dốc của chuỗi thời gian.
Cách tiếp cận thường sử dụng là đặt L1 = Y1 và b1 = Y2 – Y1.
Hồi quy phi tuyến:
- Đôi khi chuỗi thời gian có liên hệ theo đường cong, hay liên hệ phi tuyến.
- Có khá nhiều hàm phi tuyến có thể được dùng để ước lượng xu hướng của
chuỗi thời gian, ví dụ như:

- Chỉ có mùa không có xu hướng: Dạng tổng quát của phương trình hồi quy
được ước lượng là:

- Thành phần mùa và thành phần xu hướng: Dạng tổng quát của phương trình
hồi quy được ước lượng là:

Phân tách chuối thời gian:

Mô hình cộng:
Trong đó:
Xu hướng t= giá trị xu hướng ở kỳ t
Mùa t= giá trị mùa ở kỳ t
Ngẫu nhiên t= giá trị ngẫu nhiên ở kỳ t
- Mô hình cộng phù hợp khi biến động mùa không phụ thuộc vào mức độ của
chuỗi thời gian.

Mô hình nhân:

Trong đó:
Xu hướng t= giá trị xu hướng ở kỳ t
Mùa t= giá trị mùa ở kỳ t
Ngẫu nhiên t= giá trị ngẫu nhiên ở kỳ t
- Mô hình nhân thích hợp khi biến động theo mùa tăng nhiều hơn khi doanh số
tăng nhờ vào xu hướng tuyến tính dài hạn.

Tính toán chỉ số mùa:

Bước 1. Tính các số trung bình trượt trung tâm (CMA)
Có 3 mùa riêng biệt trong năm. Vì vậy, cần tính số trung bình trượt 3 mức độ để loại
bỏ thành phần mùa và ngẫu nhiên.
Bước 2. Canh giữa các số trung bình trượt trung tâm
Số trung bình trượt trung tâm đầu tiên đã tính được ở bước 1 (1617,67) được đặt ở vị
trí mùa 2 của năm thứ 1. Chú ý rằng số trung bình trượt tính được ở bước 1 sẽ đặt ở vị
trí giữa của khoảng cách làm trơn bởi vì số quan sát ở bài này là số lẻ.
 - Trung bình trượt trung tâm có xu hướng “làm trơn” cả thành phần mùa và
những biến động ngẫu nhiên trong chuỗi thời gian.

- Trung bình trượt trung tâm biểu hiện xu hướng của dữ liệu và mọi biến động
ngẫu nhiên đã không được loại bỏ khi dùng số trung bình trượt để làm trơn dữ
liệu.

Bước 3. Xác định chỉ số mùa và thành phần ngẫu nhiên (St It ).
- Bằng cách chia từng giá trị thực tế cho số trung bình trượt cùng thời kỳ. Chúng
ta nhận được thành phần kết hợp mùa và ngẫu nhiên trong chuỗi thời gian.

Bước 4. Xác định trung bình cho các mùa cùng tên.
- Tính trung bình cho tất cả các giá trị St It tương ứng với mùa cùng tên.
Bước 5. Tính chỉ số mùa điều chỉnh (St ).
- Chỉ số mùa trung bình = (1,180 + 1,238 + 0,587)/3 = 1.002. Kế đó, chia trung
bình của mỗi mùa cho chỉ số mùa trung bình.

Dùng chuỗi khử mùa để nhận diện xu hướng

Bước 6. Xác định chuỗi loại bỏ tính mùa.

- Tính bằng cách lần lượt chia giá trị Yt cho chỉ số mùa điều chỉnh St tương
ứng.
Bước 7. Xác định đường xu hướng từ dữ liệu đã khử mùa.
- Dùng phương pháp bình phương bé nhất với t = 1, 2, ..., 12,

Bước 8. Dự báo.
- Thế lần lượt t = 13, 14, và 15 vào phương trình bình phương bé nhất:

Điều chỉnh tính mùa

Bước 9 . Xem xét đến tính mùa
- Nhân từng kết quả dự báo đã loại bỏ tính mùa với chính chỉ số mùa điều chỉnh
tương ứng để có được kết quả dự báo các mùa ở năm thứ 5:
BẢNG: