HƯỚNG DẪN THỰC HÀNH EVIEW TRONG DỰ BÁO

HƯỚNG DẪN THỰC HÀNH EVIEW TRONG DỰ BÁO

HƯỚNG DẪN THỰC HÀNH EVIEW TRONG DỰ BÁO

1.Hoàng Thạch Nguyên_TF01 2.Nguyễn Văn Lương_TF02 3.Lê Thiện Hòa_TF02

4.Nguyễn Duy Thái_TF01 5.Vũ Thư Hoàng_TF01 6.Trần Hồng Loan Thảo_TF02

Nhóm thuyết trình:

Các phương pháp san bằng mũ

• San bằng mũ đơn giản

• Phương pháp tuyến tính Holt

• Phương pháp Holt-Winter

Dựa vào biểu đồ ta thấy rằng dữ

liệu không có tính mùa vụ

Giá trị:

alpha=0.7 beta=0.6

Theo quý: 4 Theo tháng: 12

Chọn mô hình

nào MSE nhỏ

hơn

Kết quả của holt-winters 2 tham số

không mùa vụ

Kết quả của holt-winters 2 tham số

Mô hình ARIMA-Phương pháp

Box-Jenkins

• Ví dụ: các số liệu về chỉ số giá tiêu dùng

tính theo quý của Việt Nam từ quý I/1991 đến quý IV/1997

• Sau đó chạy dự báo cho 4 quý vào năm

1998

• Dữ liệu trên file arima.xls

Đưa dữ liệu vào :File/open/Foreign Data

as Workfile… (file excel csv )

B1 Xét tính mùa

vụ của

dữ liệu

Dựa vào biểu đồ ta thấy rằng dữ

liệu không có tính mùa vụ

Nếu có mùa vụ

• Genr: DSY = d(y,0,s)

• S: chu kỳ mùa vụ (4: quý, 12: tháng)

• Genr: DSY2 = d(DSY,0,s)

Tiếp tục cho đến khi hết tính mùa vụ

Chạy Correlogram để kiểm tra hết tính mùa vụ chưa

B2:

Kiểm định tính dừng theo pp Dickey- Fuller

Ở phần test for unit root in -Level: kiểm định bình

thường

-1st difference : sai phân bậc 1 -2nd difference : sai phân bậc 2

|T| tính ra

> giá trị kiểm định thì dừng

B3: Xét

mô hình ARIMA

Sai phân dựa vào bước trên

-Ta thấy biểu đồ hàm tự tương quan ACF giảm dần một cách

B4 Chạy mô hình ARIMA (1,0,3)

Nhìn số ar, ma theo correlogram ở trên

Không có mùa vụ

có mùa vụ: ARIMA

(2, 2 ,1)(1, 2 ,2)4

D(Y,2) c ar(1) ma(1) ma(2) ma(3)

D(Z,2) C AR(1) AR(2) MA(1) SAR(4) SMA(4) SMA(8)

GENR X = D(Y,0,4)

GENR Z = D(X,0,4)

Z: là biến tạo mùa vụ ở trên

Giá trị ar, ma nào có P-value > mức ý nghĩa Thì loại khỏi mô hình

Và chạy lại hàm hồi quy

B5 Xác định nhiễu trắng kiểm tra phần dư

Sai số của mô hình ARIMA(1,0,3) là một chuỗi dừng và

nó có phânphối chuẩn Sai số này là nhiễu trắng

Từ lược đồ tự tương quan phần dư có p-value >0.1 và

mô hình phù hợp

Ta có bảng xác định các tiêu chuẩn đánh giá sau khi đã thử với một vài mô hình khác nhau :

Mô hình R-squared

Log likelihood Akaike info

criterion

Schwarz criterion

ARIMA(1,0,0) 0.985394 26.28905 -1.799189 -1.703201 ARIMA(0,0,3) 0.732152 -15.5026 1.250186 1.345343

Thêm thời điểm cần dự báo Proc/ Structure – Resize current…

Sai số dự báo

Thời điểm cần dự báo

Biểu đồ dự báo

Kết quả dự báo