Professional Documents
Culture Documents
Chương 14 + Bảng
Chương 14 + Bảng
- 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
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%
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 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:
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.
- 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.
- 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: