Bài giảng Phân tích dữ liệu và dự báo (Phần 1) - Đại học kinh tế TP Hồ Chí Minh

Chia sẻ: Fvdx Fvdx | Ngày: | Loại File: PDF | Số trang:54

Thêm vào BST

Báo xấu

484
lượt xem 56
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Phân tích dữ liệu và dự báo gồm các nội dung: dự báo thô, trung bình giản đơn, trung bình di động đơn kép,san mũ giản đơn, san mũ Holt, San mũ Winter, phân tách chuỗi thời gian, phần mềm ForecastX/Crystal Ball.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Phân tích dữ liệu và dự báo (Phần 1) - Đại học kinh tế TP Hồ Chí Minh

PHÂN TÍCH DỮ LIỆU VÀ DỰ BÁO P. T.B KHOA KINH TẾ ptbinh[a-còng]ueh.edu.vn Bài giảng 3: Các mô hình dự báo giản đơn
Nội dung: Dự báo thô Trung bình giản đơn Trung bình di động đơn/kép San mũ giản đơn San mũ Holt/San mũ Winter Phân tách chuỗi thời gian Phần mềm ForecastX/Crystal Ball
Phân biệt 3 phương pháp đơn giản:  Các phương pháp dự báo thô: Giả định dữ liệu gần nhất cung cáp các dự đoán tốt nhất tương lai.  Các phương pháp bình quân: Dự báo dựa trên giá trị trung bình của các quan sát quá khứ (tầm quan trọng như nhau).  Các phương pháp san mũ: Dự báo bằng cách lấy trung bình giá trị quá khứ của chuỗi dữ liệu với trọng số giảm dần (tầm quan trọng giảm dần).
Một chiến lược tốt để đánh giá dự báo thường gồm các bước sau (Hanke, 2005): 1. Một phương pháp dự báo được chọn dựa trên phân tích và cảm nhận của người làm dự báo về bản chất của dữ liệu. 2. Bộ dữ liệu được chia thành 2 phần: Phần chạy thử và phần kiểm định. 3. Phương pháp dự báo được chọn được sử dụng để tính các giá trị ước lượng cho phần chạy thử.
4.Phươngpháp được sử dụng để dự báo phần kiểm định của dữ liệu, và sai số dự báo được xác định và dùng để so sánh/đánh giá. 5.Ra quyết định
Dự báo thô (Naïve forecast) (hoặc simple random walk!!!) Thích hợp với các doanh nghiệp mới thành lập vì có rất ít dữ liệu. Giả định giai đoạn gần nhất là ước lượng tốt nhất cho tương lai: Yt 1 Yt
Ví dụ xem file Table4.1H 800 700 600 500 400 300 200 100 2 4 6 8 10 12 14 16 18 20 22 24 26 28 SALES
Lấy dữ liệu trong giai đoạn 1996 – 2001 là dữ liệu ước lượng, vậy giá trị dự báo 2002Q1 sẽ là: ^ ^ Y 25 Y24 Y 25 650 Sai số dự báo: e25 = 200, …, e26 = - 250 Kết hợp đồ thị thấy dữ liệu có xu thế, nên mô hình dự báo thô giản đơn sẽ dự báo “thấp”.
Để khắc phục nhược điểm của mô hình dự báo thô giản đơn ta có thể xem xét thêm xu hướng của nó như sau: Yt 1 Yt P(Yt Yt -1 ) Trong đó: P là tỷ lệ thay đổi giữa hai giai đoạn kế nhau 0 P 1. P bao nhiêu là tốt nhất?
Có khi người ta có thể sử dụng tỷ lệ thay đổi thay cho số thay đổi tuyệt đối: ^ Yt Y t 1 Yt Yt 1 Dự báo thô cho dữ liệu mùa (không xu thế): ^ Yt 1 Yt 3
Nếu dữ liệu mùa và có xu thế thì cách dự báo như thế sẽ dự báo “thấp”, vậy: ^ (Yt Yt 1 ) ... (Yt 3 Yt 4) Yt 1 Yt 3 4 ^ (Yt Yt 4) Yt 1 Yt 3 4 Nếu dữ liệu theo tháng và có xu thế? Table4.1 H
c1t3&f6
Trung bình giản đơn (simple average forecast) Công thức: t 1 Yt 1 Yi t i1 t Yt 1 Yt 1 Yt 2 t 1
Phương pháp trung bình giản đơn phù hợp khi các nhân tố ảnh hưởng đến đối tượng dự báo có tính ổn định, và môi trường liên quan đến chuỗi dữ liệu là không thay đổi. Phương pháp trung bình giản đơn sử dụng giá trị trung bình của tất cả các quan sát quá khứ làm giá trị dự báo cho giai đoạn tiếp theo. Phù hợp với dữ liệu dừng.
320 310 300 290 280 270 260 250 240 5 10 15 20 25 30 Table4.3 H
Trung bình di động (moving average forecast) Quan tâm đến một số cố định các quan sát gần nhất. Khi có thêm một quan sát mới, ta có một giá trị trung bình mới. Yt Yt -1 ... Yt -k 1 Yt 1 MA (k ) k Y^t+1 : giá trị dự báo giai đoạn tiếp theo Yt : giá trị thực tại thời điểm t k : hệ số trượt
Công thức trên Eviews: @MOVAV(Yt,k) 320 310 300 290 280 270 260 250 240 5 10 15 20 25 30 GALLONS @MOVAV(GALLONS,4) Table4.3 H
Chọn hệ số trượt bao nhiêu tùy vào độ dài của chu kỳ hay bản chất của dữ liệu. Để so sánh và chọn mô hình tốt, nên dựa vào các tiêu chí thống kê (RMSE). Thường dùng đối với dữ liệu quý hoặc tháng để làm trơn các thành phần trong chuỗi thời gian. Thường dùng với chuỗi dừng.
Trung bình di động kép (double moving average forecast) Khi dữ liệu có xu thế tuyến tính thì ta sử dụng phương pháp bình phương di động điều chỉnh, được gọi là “trung bình di động kép”: Yt Yt -1 ... Yt -k 1 Mt Yt 1 k ' Mt M t -1 ... M t - k 1 Mt k