Exponential SmoothingSimple exponential SmoothingIntroduction Expential smoothing methods (3)+ The simplest exponential smoothing method is the single smoothing (SES) method where only 1 parameter tham số needs to be estimated => use when have no trend, no seasonality+ Holt’s method makes use of 2 different parameters and allows forecasting fore time series with trend => when have trend, we use 2 different parameters 1 for trend, other for random componence+ HoltWinters’ method involves 3 smoothing parameters to smooth the data: the trend, anh the seasonal index => when we have trend and seasonality This method provides an exponentially weighted moving average of all previously observed values đây là phương pháp dự báo có thể sử dụng hết những quan sát ta có trong quá khứ để dự báo tương lai thông qua trọng số được sử dụng Nó thích hợp cho dự báo cho các số liệu mà nó không thể hiện rõ biến động xu thế ( downwad or upward trend) The aim is to estimate the current level and use it as a forecast of future valueĐể ước lượng dự báo giá trị hiện tại và sử dụng giá trị đó như 1 giá trị dự báo cho tương lai This method initiates from 2 principles+ Closer observation has stronger impact (large weight) : các quan sát càng gần hiện tại thì càng tác động mạnh hơn tới dự báo trong tương lai hơn+ Current error should be used to calculate the following forecast values sai số dự báo ở hiện tại phải được dự báo trong giá trị dự báo ở thời kì tiếp theoFt+1 = Ft + αεt = Ft + α (yt Ft)F1: hàm dự báo ở thời kì trướcαεt: : Sai số sự báo ở thời kì tiếp theo được điều chỉnh bằng sai số α: Moving parameter Formally, the exponential smoothing equation isFt+1 = Ft + αεt = αyt + (1 α) FtFt+1 = forecast for the next period α = smoothing constantyt = observed value of series in period tFt = old forecast for period t The forecast Ft+1 is based on weighting the most recent observation yt with a weight α and weighting the most recent forecast Ft with a weight of (1 α) The implication of exponential smoothing can be better seen if previous equation is expanded by replacing Ft with its components as follows:Ft+1 = αyt + (1 α) Ft = αyt + (1 α) αyt1 + (1 α) Ft1 = αyt + α(1 α) yt1 + (1 α)2 Ft1 If this substitution process is replaced by replacing by its components, by its components, and so on the result is: Ft+1 = αyt + (1 α) yt1 + αyt + α(1 α)2 yt2 + α(1 α)3 yt3 +... + α(1 α)t1y1 + (1 α)t FtFt+1 = α ∑_(i=0)(t1)▒〖(1α)〗i yt1 + (1 α)t Ft0 ≤ α ≤ 1t > ∞ ( t đủ lớn) thì (1 α)t => α > 0 Therefore, Ft+1 is the weighted moving average of all past observation The following table show the weights assigned to past observation for α = 0.2, 0.4, 0.6, …
DỰ BÁO KINH TẾ XÃ HỘI Chương 0: Introduction Why should we learn forcasting? - Do gia tăng ngày nhanh nhu cầu Change of economy and business environment -> Increasing demand for forecasting - Ngoại ứng tích cực dự báo Positive externalities of forecasting - Giúp ta mô kinh tế Simulation of the real world Time series mothods : nc dựa giá trị đối tượng dự báo khứ đến Từ dự báo tương lai Modeling methods: Dựa mqh biến vs biến khác Forecasting methods: Chương 1: Introduction to EF What is forecasting? - A scientific prediction about future + Forcasting is an estimate of the value of variables in a future time + is any statement about the future + Is the company thinking and preparing for the future + Is a tool uesed for predicting future based on past information - Having time and forecasting range (tầm xa dự báo) Dự đoán tiên đốn tổng hợp có khoa học, mang tính xác xuất mức độ, nội dung, mối quan hệ trạng thái, xu hướng phát triển đối tượng nghiên cứu cách thức thời hạn đạt mục tiêu đề tương lai Characteristics of forecasting (3) - Mang tính xác suất - Đáng tin cậy (vì dự báo dựa việc sử dụng phương pháp khoa học) - Mang tính đa phương án (multi-scenarios) Functions and roles functions: - chức tham mưu (kiến nghị thay đổi dự báo ko phù hợp) - điều chỉnh (môi trường thay đổi nên dự báo ko đúng, nên phải điều chỉnh cho phù hợp với điều kiện môi trường) Roles - Dự báo kinh tế thị trường - Dự báo trình định - Dự báo doanh nghiệp Classification - Theo đối tượng dự báo (focus) Dự báo kinh tế Tiến công nghệ Dự báo xã hội Dự báo môi trường - Phạm vi dự báo (focus) + Oparational forecasts: Very short term forcast (quick) < 5p>, investment forecast, thị trường ngoại ứng + Short-term forecasts: year + Medium-term forecasts: e.g: years social development + Long-term forecasts: > years - Mức độ dự báo: relate to individul or firm or industry Macro forecasting Micro forecasting - Kết dự báo + Point fcting: we have movement in the data set and what we see from the past to the present then base on what we predict in the future => we just fc value in the future + base on point fc we can calcultion the fc Then =,- some certain fcting errors Interval = Từ kết dự báo điểm + sai số dự báo l : khoảng dự báo Điểm cắt ht với đường cong: kết point forecasting 11/8 Principle of forecasting stages: 1st :we setting up the forecast 2nd : then obtaining info,we collect the data of forecast 3rd stage: selecting fcting methods We have to selecting which one is best give for the data set 4th : relate to fc implementation Make forecast 5th: after making or predicting result, we should focus on fc evaluation Whether this suitable or not Evaluate fc error is perceptable or not 6th: have fc result and we have to use it - Nguyên tắc liên hệ biện chứng ( principles of forecasting): vật tượng có mối liên hệ với Liên hệ biện chứng: vật tượng có mlh với tượng khác Every social Economic variables are should be put in the relationship with other variables When forecast, we need focus on the relationship around things Sự vật tượng tồn có mlh vs vật tượng khác Giả sử có đối tượng A, thân A có mlh vs biến kte xh khác Gọi giá trị a y, y có mqh với x1 x2 x3… xi Cho bt xd mơ hình báo dựa mlh đối tượng dự báo dựa mối mlh VD: Xác định hàm cầu chịu tác động yếu tố: giá bán, thu nhập, giá hàng hóa liên quan, thị hiếu, kỳ vọng Consumers kỳ vọng P tăng ko dự báo dc lượng cầu - Nguyên tắc kế thừa lịch sử If u remmember , moving from past to present From present you forecast future The thing move from past Mối liên hệ cho phép luận giải dự báo được, vật tượng vận động từ khứ đến sang tương lai Vì mà từ q khứ dự báo tương lai ( vật tượng có tính kế thừa lịch sử) - Tính đặc thù tính chất Mỗi vật tượng, đối tượng dự báo, biến dự báo có chất…, từ hiểu nó Ta hồn tồn xác định, mơ tả dc nhờ đặc điểm => vật tượng có chất có tính đặc thù để thể nó - Ngun tắc mơ tả đối tượng dự báo Mỗi đối tượng báo mơ tả cách kỹ lưỡng If apply , it allow understand and describe by it functuation - Nguyên tắc of similarity of forecasting objects + Khác địa điểm, đối tượng (1 object): May have similarity: give perspective, have the same forecasting object, it can be forecast in different place but have the same object, same way Vd: Gdp mỹ hay VN áp dụng chung phương pháp + Khác đối tượng (2 objects, method): If we go to make forecast economic growth, forecast inflation, but methods we use may be similar or maybe the same => Đều sử dụng chung pp dự báo pp thu thập liệu thời gian vậy, Forecasting methods: a overview Can be defined by different category: số lượng, chất lượng - Quantitative + Time series: Extrapolation: pp ngoại suy ( study in chapter 3) Smoothing: pp san mũ (4) Seasonality: pp dự báo thời vụ, mùa vụ ( chap 5) Arima: apply in business forecasting (4) + Modeling methods Regression models: phương pháp hồi quy(6) Bảng IO ( bảng đầu vào đầu ra) (7) - Experts’opinion Experts/opinion: (8) Forecasting method selection - Tiêu chí lựa chọn (selection criteria) + Độ xác dự báo (forecasting accuracy) + Costs of forecasting: Choose which methods is cheapest => may contracdition ( mâu thuẫn vs 2) + Application capacity of forecast methods (Khả vận dụng pp dự báo) Vd: Doanh nghiệp có sản phẩm phải tìm pp dự báo có pp dự báo cho sản phẩm để đỡ cơng, giúp giảm chi phí dự báo + Time to make forecast : short, medium, long-term + Data availabity: Selection methods that can be apply in case of data Forecast evaluation (Đánh giá dự báo) Forecast evaluation is conducted both before and after forecast - Pre-forecast evaluation + Mục tiêu: Giảm rủi ro tăng tính tin cậy dự báo + What to be evaluated? Check which data is the most reliable Developing forecast models and relationship: base on theory to develop build relationship, object or other factors Checking everything to ensure the successfull of the the forecast - Post-forecast evaluation + Dựa forecast errors: we just use accuracy forecast to make post forecast evaluation + Popular forecast errors: Eg: yt -> actual value y^t => forecasting value et=> errors et = yt - y^t Base on et, we calculate errors, they are: MAE ( sai số tuyệt đối trung bình) t: observative ( số quan sát) et : absolute errors Cộng khoảng cách chia cho số quan sát y y^ Negative error Positive error MFE (sai số dự báo trung bình) Cộng hết khoảng cách, sai số dự báo et, có giá trị âm dương, cộng lại bị triệt tiêu lẫn nên MFE nhỏ (Because have negative and positive=> may can cancel out (MFE should be very close to 0)) MFE = when et follow the normal distribution forecast (tuân theo quy luận phân phối chuẩn) - Tầm quan trọng: sai số lớn đóng góp nhiều cho MFE Mọi quan sát để tính MFE có tầm quan trọng 1/T Tuy nhiên người ta phê phán tính có quan sát sai số lớn sai số nhỏ => ko có chuyện sai số lớn vs nhỏ có đóng góp => Tính MSE => Trọng số t ko cịn phản ánh nx … (khum hiểu ghi bừa) MSE (mean square errors) Multiply by summation (cộng) et2 MSE đánh giá dc tầm quan trọng sai số dự báo MAPE (Mean absolute percentage errors): Phần trăm sai số tuyệt đối trung bình: How much is different forecast value with the actual value (Giá trị dự báo khác vs gía trị thực tỷ lệ bao nhiêu) Eg: MAPE=8.2%: giá trị dự báo khác với giá trị thực 8.2% OLS estimation method ( 10 Phương pháp bình phương nhỏ thơng thường) Hay sử dụng OLS có đặc điểm ước lượng tốt, có tính chất BLUE [Best Linear Unbiased Estimator] ( ước lượng ko chệch tuyến tính tốt nhất) - Giả sử ta có: Yt = α + βt + et - Ước lượng tham số (estimate parameters) là: - Đạo hàm riêng tham số đặt ∂z/∂α = ∂Yt/∂α = => - α and β obtained from the above equation system(hệ phương trình) are called OLS estimator 11 Forecast error and interval forecast - The maximum error is Where n - p - 1: số bậc tự p: số biến ngoại sinh mơ hình σu chưa phải sai số, phải nhân với k thành sai số Giá trị dự báo kqua áp dụng pp dự báo 12 Factors - Tự đọc - may affect forecast errors CHAPTER 2: DATA FOR ECONOMIC FORECASTING Overview on data Data = truth + error Data: what we see Truth: what we want => Minimize the error and make data close to the truth 1.1 Classifications of economic data Đọc giáo trình dự báo kinh tế xã hội chương (cách phân loại) * Dữ liệu sơ cấp với thứ cấp - Dự liệu sơ cấp: First hand Generated by researcher in experiments/surveys Common in many sciences Can be replicated - Dữ liệu thứ cấp: Collected by another party, 3rd party, tyically goverment (public goods) + Chưa dc thực nghiệm + Quan sát + Needs careful treatment (population consensus [sự đồng thuận]; GDP computation [tính tốn],…) * Time series vs cross sectional - Chuỗi thời gian - “Động” + Được tạo theo thời gian + Một phép đo tác nhân kinh tế theo thời gian (cá nhân, công ty, v.v.) + Động - Mặt cắt ngang - “Tĩnh” ( eg: GPA of student in class) + Được tạo đại lý / đơn vị khác ( GPA tỉnh/thành phố) + Đồng thời (GPA in 2019) + Tĩnh (thời gian ko thay đổi) ... Dự báo trình định - Dự báo doanh nghiệp Classification - Theo đối tượng dự báo (focus) Dự báo kinh tế Tiến công nghệ Dự báo xã hội Dự báo môi trường - Phạm vi dự báo (focus) + Oparational... đổi dự báo ko cịn phù hợp) - điều chỉnh (mơi trường thay đổi nên dự báo ko đúng, nên phải điều chỉnh cho phù hợp với điều kiện môi trường) Roles - Dự báo kinh tế thị trường - Dự báo trình định -. .. growth rate GR(Yt) = (Yt - Yt-1)/Yt-1 = DYt/Yt-1 - Second-order difference: is the difference of first difference according to the time Δ2Yt = ΔYt - ΔYt-1 = Yt - 2Yt-1 + Yt-2 Change in DY 1.4 Level,