(Tiểu luận FTU) dự báo DOANH THU của CÔNG TY cổ PHẦN BIBICA VIỆT NAM đến QUÝ 3 năm 2020

Phương pháp thu thập số liệu, nguồn số liệu

Doanh thu thuêo quý của Công ty cổ phần Bibica, được ghi nhận từ quý 1 năm 2003 đến quý 3 năm 2023, đã được thu thập và phân tích Dữ liệu này được trình bày dưới dạng số liệu chuỗi thời gian, tính bằng triệu đồng, nhằm phục vụ cho việc đánh giá hiệu quả kinh doanh của công ty trong suốt thời gian qua.

Dữ liệu thứ cấp được sử dụng trong bài viết này được lấy từ báo cáo tài chính chính thức của Công ty cổ phần Bibica, đảm bảo tính chính xác cao Thông tin có thể được truy cập trên trang web của Công ty chứng khoán Vietstock tại địa chỉ: https://finance.vietstock.vn/BBC/tai-chinh.htm.

Khảo sát dữ liệu

Phương pháp vẽ đồ thị theo thời gian

Trong cửa sổ Command, gõ lệnh: line rev

Ta có đồ thị sau:

Hình 1.2 Đồ thị theo thời gian chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Mô hình phân tích từ đồ thị cho thấy rõ ràng sự tồn tại của yếu tố xu thế T và yếu tố mùa vụ S Yếu tố mùa vụ của năm sau lặp lại với cường độ cao hơn so với từng quý trong năm trước Do đó, chúng ta có thể kết luận rằng chuỗi rev là mô hình nhân tính.

Phương tích giản đồ tự tương quan – tự tương quan riêng phần

Trên cửa sổ Series: rev vào View/ Correlogram

Hình 1.3 GIản đồ tự tương quan chuỗi rev

Chuỗi có ACF khác 0 thể hiện ý nghĩa thống kê và giảm dần về 0, trong khi các quan sát thuộc cùng một mùa vụ có ACF gần giống nhau Qua giản đồ tự tương quan, có thể kết luận rằng chuỗi rev có tính xu hướng T và mùa vụ S.

Kiểm định nghiệm đơn vị

Trên cửa sổ Series: rev vào View/ Unit Root Tests/ Standard Unit Root Test Trên cửa sổ Unit Root Test, phần Test for Unit root in chọn Level

Hình 1.4 Kiểm định tính dừng của chuỗi rev

Theo kết quả kiểm định ta thấy P-value (Prob.) = 0.9229 > α = 0.05

There is no evidence to reject the null hypothesis (H0), indicating that the rev series is non-stationary Therefore, we need to test the stationarity of the first difference of the rev series In the Series window, navigate to View > Unit Root Tests > Standard Unit Root Test In the Unit Root Test window, select "1st difference" for testing the unit root.

Hình 1.5 Kiểm định tính dừng của chuỗi sai phân bậc 1

Theo kết quả kiểm định ta thấy:

=> Bác bỏ H0, chấp nhận H1 => Chuỗi rev dừng ở sai phân bậc 1

Kết luận: rev là chuỗi thời gian có tính xu thế và mùa vụ, là chuỗi kết hợp bậc 1

PHẦN 2: CÁC PHƯƠNG PHÁP DỰ BÁO

Dự báo bằng phương pháp san mũ

Tổng quan về phương pháp

San mũ là quá trình loại bỏ các thành phần bất quy tắc I nhằm làm rõ quy luật vận động của chuỗi Đặc điểm của phương pháp này là sử dụng các hằng số san để tăng cường độ chính xác trong việc phân tích dữ liệu.

2.1.1.1 Dự báo bằng phương pháp san mũ đơn

• Giá trị dự báo tại bất kỳ thời điểm nào là giá trị trung bình có trọng số của tất cả các giá trị sẵn có trước nó

• Giá trị càng xa thời điểm hiện tại thì trọng số của nó càng giảm

- 𝑌 𝑡 𝑆𝐸 là giá trị san tại thời điểm t

- 𝛼 là hằng số san và 0 < 𝛼 < 1 Chuỗi dự báo bằng san mũ đơn sau đó có thể được dung để dự báo sử dụng công thức:

Dự báo chuỗi thời gian có thể được thực hiện bằng công thức 𝑌̂ 𝑛+ℎ = 𝑌 𝑛 𝑆𝐸, trong đó n đại diện cho quan sát cuối cùng của chuỗi thời gian ban đầu Phương pháp này cho phép dự báo giá trị cho các giai đoạn tiếp theo dựa trên giá trị cuối cùng của chuỗi.

Cách chọn hằng số san: Chọn 𝛼 sao cho chênh lệch giữa chuỗi gố và chuỗi san (dự báo) là nhỏ nhất, hay chỉ số RMSE là nhỏ nhất

2.1.1.2 Dự báo bằng phương pháp san mũ kép

• San mũ kép ( double exponential smoothing): là lặp lại lần 2 của san mũ đơn Tổng quát : 𝑌 𝑡 𝐷𝐸 = (𝑌 𝑆𝐸 ) 𝑡 𝑆𝐸 = 𝛼𝑌 𝑡 𝑆𝐸 + (1 − 𝛼)𝑌 𝑡−1 𝐷𝐸

• Tương tự như san mũ đơn, hằng số san của phương pháp san mũ kép được xác định sao cho RMSE là nhỏ nhất

• Để dự báo cho các giá trị tiếp theo trong tương lai của chuỗi:

• Sử dụng khi chuỗi thời gian có yếu tố xu thế ( và không có yếu tố mùa vụ)

• Mở rộng của phương pháp san mũ giản đơn: đưa them một nhân tố xu thế T (yếu tố thời gian) vào phương trình san mũ

• Yếu tố xu thế được mô hình hóa

• Có 3 phương trình và 2 hằng số san được sử dụng trong mô hình holt

- Ước lượng giá trị trung bình hiện tại (giá trị san):

- Ước lượng xu thế ( độ dốc):

- Dự báo h giai đoạn trong tương lai:

𝑌̂ 𝑛+ℎ = 𝐿 𝑛 + ℎ𝑇 𝑛 Trong đó, 𝐿 𝑡 là giá trị san tại thời điểm t

2.1.1.4 Dự báo bằng phương pháp san mũ Winters

• San mũ Winter là phương pháp mở rộng của san mũ Holt được sử dụng với các dữ liệu có chứa yếu tố mùa vụ S

• Trong mô hình nhân: yếu tố mùa vụ ở năm sau được lặp lại với cường độ cao hơn hoặc thấp hơn so với từng mùa ở năm trước

• Trong mô hình cộng: yếu tố mùa vụ ở các năm khác nhau được lặp đi lặp lại một cách đều đặn

• Mô hình Winters sử dụng 4 phương trình và 3 hằng số san

- Ước lượng giá trị trung bình hiện tại

- Ước lượng giá trị xu thế (độ dốc)

- Ước lượng yếu tố mùa vụ ( giá trị chỉ số mùa)

- Dự đoán h giai đoạn trong tương lai

Ứng dụng các phương pháp san mũ vào dự báo doanh thu của Công ty cổ phần Bibica

Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing:

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn

Single Chuỗi san kép là chuỗi revsm

Bước 3: Sử dụng lệnh genr mapesm = @mean(@abs(rev-revsm)/rev) để tính chỉ số MAPE của mô hình Kết quả dự báo:

- Giá trị san tại thời điểm t: 269.0736

- Tổng bình phương phần dư: 456381.6

Ta viết được mô hình san mũ đơn : 𝑌 𝑡 𝑆𝐸 = 0.206𝑌 𝑡 + 0.794𝑌 𝑡−1 𝑆𝐸

Hình 2.1 Đồ thị theo thời gian của chuỗi rev và chuối san mũ đơn revsm

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 2.1.2.2 Dự báo bằng phương pháp san mũ kép

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn double Chuỗi san kép là chuỗi revd

Bước 3: Sử dụng lệnh genr maped = @mean(@abs(rev-revd)/rev) để tính chỉ số

MAPE của mô hình Kết quả dự báo:

Ta viết được mô hình dự báo như sau:

Hình 2.2 Đồ thị theo thời gian của chuỗi Rev và chuỗi san mũ kép Revd

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 2.1.2.3 Dự báo bằng phương pháp san mũ Holt

Holt – Winters – No seasonal Chuỗi san kép là chuỗi revh

Bước 3: Sử dụng lệnh genr mapeh= @mean(@abs(rev-revh)/rev) để tính chỉ số MAPE của mô hình

- Ta viết được mô hình dự báo như sau:

Hình 2.3 Đồ thị theo thời gian của chuỗi Rev và chuỗi san mũ Holt Revh

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 2.1.2.4 Dự báo bằng phương pháp san mũ Winters

Dựa trên đồ thị, chuỗi dữ liệu thể hiện rõ ràng xu thế và tính mùa vụ, cho phép áp dụng các mô hình nhân tính để phân tích và dự báo hiệu quả.

Holt – Winters – Multiplicative Chuỗi san kép là chuỗi revhw

Bước 3: Sử dụng lệnh genr mapehw= @mean(@abs(rev-revhw)/rev) để tính chỉ số

MAPE của mô hình Kết quả dự báo:

- Chỉ số mùa vụ qua các năm không đổi và bằng:

Bảng 2.1 Bảng chỉ số mùa vụ san mũ Winters

- Ta viết được mô hình dự báo như sau:

Hình 2.4 Đồ thị theo thời gian của chuỗi rev và chuỗi san mũ Winters Revhw

Dự báo bằng phương pháp phân tích

Tổng quan về phương pháp

Bước 1: Nhận dạng dữ liệu

Xác định chuỗi thuộc mô hình nhân hay mô hình cộng

Bước 2: Tách yếu tố mùa vụ S ra khỏi chuỗi ban đầu

- Tách yếu tố mùa vụ bằng phương pháp trung bình trượt trung tâm có trọng số

Hiệu chỉnh mùa vụ nhằm triệt tiêu yếu tố I, tách yếu tố S và làm yếu tố C trở nên mờ nhạt hơn Để đơn giản hóa, giả định không có yếu tố chu kỳ trong chuỗi thời gian, với C=1 cho mô hình nhân và C=0 cho mô hình cộng Do đó, chuỗi hiệu chỉnh chủ yếu phụ thuộc vào yếu tố T.

* Đối với mô hình nhân:

B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm) (CMA)

B2: Tính tỷ số thời vụ cho mỗi thời điểm: Yt/Yt*

B3: Tìm trung bình tỷ số thời vụ cho từng mùa vụ Mi (quý, năm) B4: Tính chỉ số thời vụ chung Scaling Factor

Tích các chỉ số thời vụ trong một năm phải bằng 1 B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ) ADYt = Yt/SFi

* Đối với mô hình cộng

B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm) (CMA)

B2: Tính chênh lệch thời vụ cho mỗi thời điểm: Yt -Yt*

B3: Tìm trung bình chênh lệch thời vụ cho từng mùa vụ Mi (quý, năm) B4: Tính chỉ số thời vụ chung Scaling Factor

Tổng các chỉ số thời vụ trong một năm phải bằng 0 B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ) ADYt = Yt - SFi

Bước 3: Ước lượng hàm xu thế t và dự báo

B1: Tạo xu thế t B2: Ước lượng chuỗi đã hiệu chỉnh theo xu thế t B3: Kiểm định mô hình ước lượng

Mô hình phải vượt qua các kiểm định của mô hình hồi quy thông thường nếu không phải xây dựng mô hình ước lượng khác

Bước 4 : Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng

Để dự báo chuỗi gốc, có thể sử dụng hai mô hình là mô hình nhân và mô hình cộng kết hợp với chỉ số mùa vụ Đối với mô hình nhân, công thức được sử dụng là Yf = ADYn+h * SFi, trong khi đó, mô hình cộng được thể hiện qua công thức Yf = ADYn+h + SFi.

Áp dụng phương pháp phân tích vào dự báo doanh thu Công ty cổ phần

Ta đã xác định được chuỗi thuộc dạng mô hình nhân (như đã kết luận ở phần 2.1.3)

Bước 2 : Tách yếu tố mùa vụ

Bấm chọn chuỗi rev, chọn Proc, vào Seasonal Adjustment, chọn 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 revsa , chỉ số mùa vụ là sfm

Ta có kết quả chỉ số mùa vụ như sau:

Bảng 2.2 Bảng kết quả chỉ số mùa vụ được tách bằng phương pháp phân tích

Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ sfm qua từng quý

Bước 3: Ước lượng chuỗi revsa theo hàm xu thế

Vẽ đồ thị của chuỗi đã hiệu chỉnh revsa để xác định dạng hàm xu thế ta được:

Hình 2.5 Đồ thị chuỗi đã hiệu chỉnh mùa vụ revsa

Lần lượt thử dự báo với dạng mô hình khác nhau:

Dạng 1: Tuyến tính Ước lượng revsa theo biến t

• Gõ lệnh genr t=@trend(2002Q4) để tạo biến xu thế t

• Gõ lệnh ls revsa c t để ước lượng chuỗi đã hiệu chỉnh theo biến xu thế t

Hình 2.6 Kết quả phân tích bằng mô hình tuyến tính

Ta có mô hình hồi quy: revsâ = 32.58336 + 4.861582t + ut

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 = 5% 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 Stability Diagnostics/ Ramsey RESET Test

Hình 2.7 Kết quả kiểm định bỏ sót biến

Theo kết quả kiểm định ta thấy P-value (Probability) = 0.3758> α = 0,05

 Chưa có cơ sở bác bỏ Ho

 Mô hình không bị bỏ sót biến

Kiểm định phân phối chuẩn của nhiễu

Cặp giả thuyết: {H 0 : Nhiễu phân phối chuẩn

H 1 : Nhiễu không phân phối chuẩn Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test

Hình 2.8 Kết quả kiểm định phân phối chuẩn

 Không có cơ sở bác bỏ H 0  Nhiễu phân phối chuẩn

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

Hình 2.9 Kết quả kiểm định phương sai sai số thay đổi

 Bác bỏ Ho, chấp nhận H1

 Mô hình có phương sai sai số thay đổi

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 sau :

Hình 2.10 Kết quả kiểm định tự tương quan

Theo kết quả kiểm định ta thấy

 Không có cơ sở bác bỏ Ho, chấp nhận H1

 Mô hình không có tự tương quan tại mức ý nghĩa α = 0,05

Bước 4: Dự báo chuỗi gốc

Trên cửa sổ ước lượng, ta chọn Forecast

Trên cửa sổ Forecast, trong phần Forecast Sample chọn mẫu từ 2006Q1 2008Q4

Ta có kết quả sau:

Hình 2.11 Kết quả dự báo trong mẫu

Nhìn vào kết quả dự báo trong mẫu ta thấy:

Tiến hành dự báo ngoài mẫu (2003q1 – 2020q3) cho chuỗi đã hiệu chỉnh mùa vụ - revsaf:

Hình 2.12 Kết quả dự báo ngoài mẫu

Bước cuối cùng, ta thêm yếu tố mùa vụ vào chuỗi hiệu chỉnh đã dự báo revsaf bằng lệnh:

Vẽ chuỗi dữ liệu gốc và chuỗi đã dự báo trên cùng một đồ thị bằng lệnh: line rev revf1 ta được:

Hình 2.13 Đồ thị theo thời gian chuỗi gốc rev và chuỗi dự báo revf1

- Tính MAPE bằng lệnh genr mape = @mean(@abs(rev - revf)/rev)

- Tính RMSE bằng lệnh genr rmse = @sqrt(@mean (rev - revf)^2)

Sử dụng câu lệnh: ls revsa c t t^2 Ước lượng mô hình này ta được kết quả:

Hình 2.14 Kết quả ước lượng mô hình bậc 2

Ta thấy biến t^2 có p-value = 0.37 > α% Biến không có ý nghĩa thống kê Mô hình này không phù hợp để dự báo

Sử dụng câu lệnh: ls revsa c t t^2 t^3 Ước lượng mô hình này ta được kết quả:

Hình 2.15 Kết quả ước lượng mô hình bậc 3

Ta thấy biến t có p-value = 0.5281 > α% Biến không có ý nghĩa thống kê

Mô hình này không phù hợp để dự báo

Dạng 4: Tạo biến giả d1, loại bỏ yếu tố mùa, hồi quy với biến t^2 và t^3

Trên cửa sổ Command, lần lượt gõ các câu lệnh:

Genr d1=0: để tạo biến giả d1 có giá trị bằng 0 cho toàn mẫu Smpl 2009q2 2020q3

Genr d1=1: để tạo biến giả d1 có giá trị bằng 1 cho mẫu từ 2009q2 đến 2020q3 Smpl 2003q1 2020q3

Loại bỏ yếu tố mùa tạo thành chuỗi đã hiệu chỉnh có tên revsa Tạo biến xu thế t bằng lệnh: Genr t=@trend(2002q4)

Thực hiện hồi quy mô hình bằng câu lệnh: ls revs c d1 t^2 t^3

Ta được kết quả hồi quy như sau:

Hình 2.16 Kết quả ước lượng mô hình chứa biến giả

- Thực hiện kiểm định cho mô hình này:

+ Kiểm định phân phối chuẩn của nhiễu

Hình 2.17 Kết quả kiểm định phân phối chuẩn của nhiễu

Cặp giả thuyết: {H 0 : Nhiễu phân phối chuẩn

H 1 : Nhiễu không phân phối chuẩn

Ta thấy p-value = 0.44 > α = 5% Chưa có cơ sở để bác bỏ H0

+ Kiểm định phương sai sai số thay đổi:

Hình 2.18 Kết quả 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

Ta thấy p-value = 0.0820 > α= 5% Chưa có cơ sở để bác bỏ H0

Mô hình có phương sai sai số không đổi

+ Kiểm định tự tương quan

Hình 2.19 Kết quả 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

Ta thấy p – value = 0.5586 > α Chưa có cơ sở để bác bỏ H0

=> Mô hình không có tự tương quan

=> Ta thấy mô hình thỏa mãn tất cả các giả thiết OLS Tiến hành dự báo bằng mô hình này

B1: Tiến hành dự báo trong mẫu cho mô hình với mẫu từ 2003Q1 đến 2007Q3

Hình 2.20 Kết quả Dự báo trong mẫu

Dự báo trong mẫu cho ra Mean Abs Percent Error = 12.54 B2: Tiến hành dự báo ngoài mẫu cho chuỗi đã được hiệu chỉnh revsa

B3: Thêm yếu tố mùa vụ vào chuỗi đã dự báo revsaf bằng lệnh:

Vẽ chuỗi dự báo và chuỗi gốc trên cùng một đồ thị bằng lệnh: line rev revf

Hình 2.22 Đồ thị theo thời gian của chuỗi gốc rev và chuỗi dự báo revf

- Tính MAPE bằng lệnh genr mape = @mean(@abs(rev - revf)/rev)

- Tính RMSE bằng lệnh genr rmse = @sqrt(@mean (rev - revf)^2)

Dự báo bằng mô hình ARIMA

Tổng quan về mô hình

Mô hình ARIMA bậc p, d, q là mô hình với:

AR(p) là mô hình tự tương quan bậc p Y(d) là chuỗi dừng khi lấy sai phân bậc d MA(q) là mô hình trung bình trượt bậc q có phương trình là:

Các bước tiến hành

• Đối với chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo ARIMA với chuỗi gốc

Đối với chuỗi dữ liệu có tính mùa vụ, cần tách yếu tố mùa vụ khỏi chuỗi gốc Sau khi tách, kiểm tra tính dừng của chuỗi đã tách và tiến hành dự báo ARIMA dựa trên chuỗi này.

• Đối với chuỗi có tính xu thế: kiểm tra tính dừng của chuỗi gốc Y t =β̂

2t + e t (với e t là phần dư), sau đó kiểm tra tính dừng của chuỗi e t và tiến hành dự báo ARIMA với chuỗi e t

Bước 2: Xác định độ trễ p, q

Bước 3: Kiểm tra các điều kiện giả định của mô hình:

• Mô hình khả nghịch và ổn định (nghiệm đơn vị của các mô hình hồi quy phụ <

• Nhiễu trắng (nhiễu không tự tương quan)

Bước 4: Dự báo ngoài mẫu

• Đối với chuỗi có yếu tố mùa vụ: Nhân hoặc cộng chuỗi dự báo đã hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc

• Đối với chuỗi có yếu tố xu thế: Tạo biến Y f = β̂

2t + e f là dự báo của chuỗi

Áp dụng

Kiểm tra tính mùa vụ và tách yếu tố mùa vụ:

Đã xác định được chuỗi thuộc mô hình nhân và sau khi tách yếu tố mùa vụ, chúng ta thu được chuỗi revsa cùng với yếu tố mùa vụ sfm.

Dạng 1: Dự báo ARIMA cho chuỗi revsa đã hiệu chỉnh mùa vụ

Kiểm định tính dừng của chuỗi revsa

Cặp giả thuyết: {H 0 : Chuỗi không dừng

H1: Stop Chain In the Series window, navigate to REVSA and select View/Unit Root Tests/Standard Unit Root Test In the Unit Root Test window, choose Level under the Test for unit root section.

Theo kết quả kiểm định ta thấy

The absence of evidence to reject the null hypothesis (H0) indicates that the REVSA series is non-stationary To assess the stationarity of the first differenced REVSA series, navigate to the Series window and select REVSA, then go to View > Unit Root Tests > Standard Unit Root Test In the Unit Root Test window, ensure to choose the first difference for testing the unit root.

Hình 2.23 Kết quả kiểm định tính dừng của chuỗi revsa sai phân bậc 1

 Bác bỏ H0, chấp nhận H1  Chuỗi revsa dừng ở sai phân bậc 1

Tìm độ trễ cho mô hình AR và MA cho chuỗi revsa Trên cửa sổ Series: REVSA vào View/ Correlogram

Số bậc trễ (lags) thông thường bằng sấp sỉ căn bậc hai của số quan sát = sqrt(67)

9 Trên cửa sổ Correlogram Specification chọn độ trễ phần Lags to include là 9

Hình 2.24 Giản đồ tự tương quan của chuỗi revsa

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 Đồ thị ACF có dạng xương cá cho thấy MA = 0, trong khi PACF được chọn là 2, 3 và 7 Các mô hình ARIMA(2,1,0), (3,1,0), và (7,1,0) đã được hồi quy cho chuỗi revsal a bằng lệnh ls d(revsa) c ar(2) Kết quả kiểm định cho thấy nhiễu phân phối chuẩn với p-value > 0.5, có tự tương quan, và PSSS thay đổi.

Tiến hành dự báo trong mẫu: mape = 15.5606

Ta thực hiện tiếp dự báo ngoài mẫu

Kết hợp yếu tố mùa vụ sfm vào chuỗi dự báo đã điều chỉnh mùa vụ revsaf giúp dự báo chuỗi gốc rev hiệu quả hơn Để thực hiện điều này, ta sử dụng lệnh: genr revf_ar2=revsaf_ar2*sfm.

Vẽ chuỗi dữ liệu gốc và chuỗi đã dự báo trên cùng một đồ thị, ta được:

Hình 2.27 Đồ thị theo thời gian của chuỗi gốc rev và chuỗi dự báo revf_ar2

Theo phân tích của nhóm tác giả bằng phần mềm Eview 8, chỉ số MAPE được tính toán là 0.1556 Khi xem xét mô hình hồi quy với d(revsa) và ar(3), biến này không cho thấy ý nghĩa thống kê Tương tự, khi áp dụng d(revsa) với ar(7), kết quả cũng cho thấy biến không có ý nghĩa thống kê.

Dạng 2: Lấy logarit chuỗi revsa rồi dự báo ARIMA

To initiate the analysis, execute the command `genr revsal = log(revsa)`, which creates the variable `revsal` for stationarity testing and to determine the lag parameters p and q Subsequently, conduct the Unit Root Test, revealing that `revsal` is a first-order integrated series, indicating that the differencing order d equals 1.

Hình 2.28 Giản đồ tự tương quan chuỗi revsal

Từ giản đồ ACF và PACF, chúng ta chọn các giá trị p = 1, 2 và 3 để thực hiện hồi quy cho các mô hình ARIMA(1,1,0), (2,1,0) và (3,1,0) trên chuỗi revsal a Sử dụng lệnh ls d(log(revsa)) c ar(1), chúng tôi kiểm định các yếu tố như nhiễu phân phối chuẩn với p-value đạt 0.4938, cho thấy không có vấn đề về phân phối chuẩn, và kiểm định tự tương quan với p-value 0.5680, cho thấy PSSS không đổi.

Dự báo trong mẫu: mape = 20.0537

Dự báo ngoài mẫu cho revsa sample 2003q1 2020q3

Kết hợp yếu tố mùa vụ sfm vào chuỗi dự báo đã hiệu chỉnh mùa vụ revsaf giúp dự báo chuỗi gốc rev hiệu quả hơn Để thực hiện điều này, ta sử dụng lệnh genr revlf_ar1=revsaf*sfm.

Hình 2.31 Đồ thị theo thời gian của chuỗi gốc rev và chuỗi dự báo revf_ar1

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8 genr mape=@mean(@abs(rev-revlf_ar1)/rev)

Mape= 0.2005 b Với MH: ls d(log(revsa)) c ar(2) Nhiễu phân phối chuẩn (0.8189), có tự tương quan, PSSS không đổi (0.6366)

Dự báo trong mẫu: mape = 19.4361

Dự báo ngoài mẫu cho revsa

Để dự báo chuỗi gốc rev, ta cần kết hợp yếu tố mùa vụ sfm vào chuỗi dự báo đã hiệu chỉnh mùa vụ revsaf Để thực hiện điều này, hãy sử dụng lệnh: genr revlf_ar2=revsaf*sfm.

Hình 2.34 trình bày đồ thị theo thời gian của chuỗi gốc rev và chuỗi dự báo revlf_ar2, với giá trị MAPE được tính là 0.1943, cho thấy mức độ sai lệch giữa hai chuỗi Đồng thời, kết quả từ mô hình hồi quy với biến phụ thuộc là log(revsa) và biến độc lập là ar(3) cho thấy biến này không có ý nghĩa thống kê.

To analyze the forecasting methods, select the series rev revd revf revf1 revf_ar2 revh revhw revlf_ar1 revlf_ar2 revsa by right-clicking and choosing "Open/ as Group." The resulting data table presents the outcomes of these forecasting techniques.

Bảng 3.1 Kết quả của các phương pháp dự báo

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 10 Để so sánh các mô hình dự báo: Trên cửa sổ Series: Rev vào View/ Forecast Evaluation:

Trên cửa sổ Forecast Evaluation, trong phần Forecast data objects gõ tên các chuỗi dự báo:

Hình 3.1 Hướng dẫn so sánh các mô hình dự báo

Ta có kết quả so sánh sau:

Bảng 3.2 Kết quả so sánh các mô hình dự báo

Hình 3.2 Đồ thị theo thời gian của chuỗi gốc rev và các chuỗi dự báo

Kết quả dự báo cho thấy phương pháp phân tích chuỗi revf và phương pháp san mũ Winters (chuỗi revhw) có các thông số tương đồng và đạt độ chính xác cao hơn so với các phương pháp khác, với các chỉ số RMSE, MAE và MAPE ở mức thấp nhất.

Vậy, để lựa chọn phương pháp dự báo tốt nhất cho chuỗi, ta lựa chọn phương pháp phân tích và phương pháp san mũ Winters

PGS.Ts Nguyễn Quang Dong & PGS.Ts Nguyễn Thị Minh, 2013, Giáo trình Kinh Tế Lượng, NXB Đại học Kinh tế Quốc dân, Hà Nội.

Tiêu đề	Dự Báo Doanh Thu Của Công Ty Cổ Phần Bibica Việt Nam Đến Quý 3 Năm 2020
Tác giả	Vũ Đình Hoan, Bùi Thị Thu Hương, Hồ Thị Diệu Linh, Hoàng Thị Minh
Người hướng dẫn	ThS. Nguyễn Thuý Quỳnh
Trường học	Trường Đại Học Ngoại Thương
Chuyên ngành	Kinh Tế Quốc Tế
Thể loại	tiểu luận
Năm xuất bản	2019
Thành phố	Hà Nội

Định dạng
Số trang	46
Dung lượng	1,2 MB