Giải pháp hệ quản trị thông minh và mô hình dự báo doanh thu theo phương pháp phân tích chuỗi thời gian

ĐẠI HỌC QC GIA THÀNH PHĨ HƠ CHÍ MINH TRƯỜNG ĐAI HOC KINH TÉ - LƯẢT Nguyễn Thị Thu Phương GIẢI PHÁP HỆ QUẢN TRỊ THƠNG MINH VÀ MƠ HÌNH DỤ BÁO DOANH THU THEO PHUONG PHÁP PHÂN TÍCH CHUỖI THỜI GIAN Ngành: Kê toán Mã số: 8340301 LUẠN VAN THẠC SI KINH TE NGƯỜI HƯỚNG DẢN KHOA HỌC: TS HỒ TRUNG THÀNH TP HỒ CHÍ MINH - NẢM 2021 LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu cúa riêng hướng dẫn TS Hồ Trung Thành Những số liệu, liệu kết trình bày luận văn trung thực nội dung luận văn chưa công bố nghiên cứu Tất nội dung kế thừa, tham khảo từ nguồn tài liệu khác đưọc trích dẫn đầy đủ ghi nguồn cụ thề danh mục tài liệu tham khảo TAC GIA Nguyễn Thị Thu Phương DANH MỤC CÁC CHŨ VIÉT TẮT Viết tắt AIC Tiếng Anh Akaike Information Criterion Tiếng Việt Tiêu chuấn thông tin Akaike Quản trị thông minh BI Business Intelligence (Kinh doanh thông minh, Trí tuệ doanh nghiệp) BIC Schwartz Bayesian Information Criterion CNTT (IT) Information technology Công ty GS Tiêu chuẩn thông tin Bayesian Công nghệ thông tin Công ty GS Engineering & GS Engineering & Construction Corp Construction Corp DSS Decision Support System Hệ thống hồ trợ định EỈS Executive Information System Hệ thống thông tin đạo Hệ thống hoạch định nguồn lực doanh ERP Enterprise Resource Planning System ESS Executive support system Hệ thống thông tin hồ trợ điều hành HĐKD Business activities Hoạt động kinh doanh KPIs Key Performance Indicators Các số đo lường hiệu suất cốt yếu KRIs Key Result Indicators Các số kết trọng yếu KTQT Management Accounting Kế toán quản trị KTTC Financial Accounting Kế tốn tài MADA Managerial Accounting Data Analytics Phân tích liệu kế tốn quản trị MAE Mean Absolute Error Sai số tuyệt đối trung bình MASE Mean Absolute Scaled Error Sai số tỷ lệ tuyệt đối trung bình MSE Mean Squared Error Sai số bình phương trung bình MIS Management Information System Hệ thống thơng tin quản lý PIs Performance Indicators Các số hiêu suất • nghiệp DANH MỤC CÁC CHŨ VIÉT TẮT RMSE Root Mean Squared Error Căn sai số bình phương trung bình DANH MỤC BẢNG BIẾU Trang Bảng 1.1 Các đặc điểm cua KPIs (Parmenter, 2019) 19 Bảng 1.2 Khuôn mẫu lựa chọn phương pháp làm trơn hàm mũ (Hyndman, 2002) 24 Bảng 3.1 Bảng tồng hợp số giao dịch thu thập theo thời gian 44 Bảng 3.2 Chỉ số KPls tài đề xuất cho mơ hình 48 Bảng 4.1 Tổng hợp tham số ước lượng mơ hình dự báo doanh thu phương pháp làm trơn hàm mũ 68 Bảng 4.2 Tổng hợp tiêu đánh giá phù hợp khả dự báo mơ hình 68 Bảng 4.3 Kết kiểm định nghiệm đơn vị cho chuỗi doanh thu gốc chuồi doanh thu sai phân bậc 70 Bảng 4.4 Kết thống kê tiêu chuẩn thông tin AIC, BĨC sai số dự báo mơ hình SARIMA thử nghiệm .71 Bảng 4.5 Đánh giá ngẫu nhiên túy số hạng sai số mơ hình 73 Bảng 4.6 Đo lường độ xác dự báo .74 Bảng 4.7 Khoảng tin cậy cho mơ hình Holt-Winters mùa vụ cộng s ARIM A(4,1,1X1,1,1)12 75 Bảng 4.9 Cấp độ thang đo sử dụng cho nghiên cứu 79 DANH MỤC SO ĐỒ Trang Sơ đồ 1.1 Phác thảo nghiên cứu chương Sơ đồ 2.1 Phác thảo nghiên cứu chương 34 Sơ đồ 3.1 Phác thảo nghiên cứu chương 41 Sơ đồ 3.2 Quy trình phân tích định tính 44 Sơ đồ 4.1 Phác thảo nghiên cứu chương 50 DANH MỤC HÌNH VẼ Trang Hình 1.1 Chức kế tốn quán trị (Huỳnh Lợi, 2008) 14 Hình 1.2 Mổi quan hệ bốn loại sổ đo lường hiệu suất (Badawy & cộng sự, 2016) : .17 Hình 1.3 Điếm khác biệt loại số đo lường vùng thời gian (Parmenter, 2019) 18 Hình 1.4 VỊ trí KPIs quản trị chiến lược (Kerzner, 2011) 20 Hình 1.5 Sales Dashboard (Stephen Few, 2006) 22 Hình 1.6 Q trình xây dựng mơ hình AR1MA (Wang & cộng sự, 2015) 27 Hình 1.7 Mơ hình lĩnh vực trọng tâm nghiên cứu hệ BI KTỌT (Pall Rikhardssona & Ogan Yigitbasioglub, 2018) 29 Hình 2.1 Mơ hình hệ quản trị thông minh hồ trợ định (Laudon, 2018) 35 Hình 2.2 Magic Quadrant for Analytics and Business Intelligence Platforms (Gartner, 2020) 37 Hình 2.3 Khung khái niệm phân tích dừ liệu kế tốn quản trị tích họp hệ BI (Appelbaum cộng sự, 2017) .39 Hình 3.1 Mơ hình nghiên cứu giải pháp hệ BI hồ trợ định KTQT (Nguồn đề xuất tác giả) 47 Hình 4.1 Hệ thống báo cáo tài chínhtại cơng ty GS 51 Hình 4.2 Tổng quan tình hình tài 53 Hình 4.3 Phân tích số KPIs 54 Hình 4.4 Báo cáo kết hoạt động kinh doanh .55 Hình 4.5 KPIs tài theo dự án 57 Hình 4.6 Bảng cân đối kế tốn 58 Hình 4.7 Phân tích xu hướng KPIs .60 Hình 4.8 Chi phí phân loại chi phí 62 Hình 4.9 Báo cáo kết kinh doanh theo hình thức số dư đảm phí 63 Hình 4.10 Phân tích What-if 65 Hình 4.11 Phân tích Adhoc 66 Hình 4.12 Chuồi doanh thu ban đầu công ty GS từ tháng 10/2011 đến tháng 08/2020 67 Hình 4.13 Chuỗi doanh thu gốc từ tháng 10/2011 đến tháng 08/2020 69 Hình 4.14 Chuồi doanh thu sai phân bậc từ tháng 10/2011 đến tháng 08/2020 69 Hình 4.15 Hàm PACF sai phân bậc doanh thu 71 Hình 4.16 Hàm ACF sai phân bậc doanh thu 71 Hình 4.17 Đồ thị hàm tự tương quan chuồi phần dư mơ hình s ARIM A(4, i, 1)(1,1,1) 12 73 Hình 4.18 Đồ thị ước lượng dự báo doanh thu phương pháp làm trơn HoltWinters mơ hình mùa vụ cộng từ tháng 09/2019 đến tháng 08/2021 76 Hình 4.19 Đồ thị ước lượng dự báo theo mơ hình SAR1MA(4,1,1)(1,1,1 )12 77 MỤC LỤC Lịi cam đoan Danh mục chữ viết tắt Danh mục bảng biểu, SO’ đồ, hình vẽ Mục lục Trang PHẦN MỞ ĐẦU 1 Lý chọn đề tài Mục tiêu đề tài Đối tượng phạm vi nghiên cứu Các nhiệm vụ nghiên cứu Kết cấu đề tài .4 CHƯƠNG Cơ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN cứu LIÊN QUAN 1.1 LÝ THUYẾT VỀ NGHIÊN cứu BI 1.1.1 Khái niệm hệ BI .6 1.1.2 Thành phần cúa BI 1.1.3 ứng dụng hệ BI 1.2 LÝ THUYẾT VỀ NGHIÊN cứu KÊ TOÁN QUẢN TRỊ .10 1.2.1 Khái niệm kế toán quản trị 10 1.2.2 Khái niệm định 12 1.2.3 Phân loại định 13 1.2.4 Thơng tin kế tốn quản trị 13 1.2.5 Lý thuyết bất định 15 1.3 CHỈ SỐ ĐO LƯỜNG HIỆU SUÁT CỐT YẾU 16 1.3.1 Khái niệm KPIs 16 1.3.2 Đặc điểm KPls .18 1.3.3 Mục tiêu xây dựng KPIs 19 1.3.4 ứng dụng KPIs 20 1.3.5 Trực quan hóa dừ liệu 21 1.3.6 Mối liên hệ Bĩ KPIs 22 1.4 MƠ HÌNH Dự BÁO THEO PHƯƠNG PHÁP PHÂN TÍCH CHUỒI THỜI GIAN .23 1.4.1 Phương pháp làm trơn hàm mũ 23 1.4.2 Phương pháp làm trơn Holt-Winters 25 1.4.3 Phương pháp Box-Jenkins ARIMA 26 1.4.4 Các tiêu chuẩn đánh giá mức độ phù hợp 27 1.4.5 Các phép đo độ xác dự báo ngồi mẫu 27 1.5 CÁC NGHIÊN CỨU LIÊN QUAN VÀ KHOẢNG TRỐNG NGHIÊN cứu 29 1.6 KẾT LUẬN CHƯƠNG 33 CHƯƠNG KHẢO SÁT MƠ HÌNH VÀ CÁC GIẢI PHÁP BI 34 2.1 KHẢO SÁT MƠ HÌNH HỆ BI HỎ TRỢ RA QUYẾT ĐỊNH .34 2.2 CÁC GIẢI PHÁP BI 36 2.3 KHUNG KHÁI NIỆM PHÂN TÍCH DỮ LIỆU KTQT VÀ TÍCH HỢP HỆ BI 38 2.4 KẾT LUẬN CHƯƠNG 40 CHƯƠNG PHÂN TÍCH HIỆN TRẠNG VÀ ĐÈ XUẤT GIẢI PHÁP HỆ BI HỎ TRỢ RA QUYẾT ĐỊNH TRONG KTQT TẠI CÔNG TY GS .41 3.1 GIỚI THIỆU VỀ CÔNG TY GS 41 3.2 THU THẬP DỪ LIỆU 42 3.2.1 Phương pháp nghiên cứu định tính .42 3.2.2 Phương pháp nghiên cứu định lượng 44 3.3 XÂY DỤNG MƠ HÌNH 45 3.3.1 Mô hình nghiên cứu giải pháp hệ BI hồ trợ định KTQT 45 3.3.2 Chỉ số KPIs tài 48 3.3.3 Mơ hình dự báo doanh thu theo phương pháp phân tích chuỗi thời gian PHỤ LỤC 7B KÉT QUẢ KHẢO SÁT (SAU KHI TRIÈN KHAI GIẢI PHÁP BI) Nội dung khảo sát Phần Câu hỏi Giới tính Trình độ chun mơn Thơng tin chung Phần Sư phù hơp công nghệ công việc (Task- Technology-Fit) Kinh nghiệm Mô tả công việc Hệ BI cung cấp chức đạt yêu cầu nhà quản lý Hiệu suất cúa hệ thống/công cụ BI đạt yêu cầu Nội dung thông tin báo cáo BI đạt yêu cầu Thông tin báo cáo BI xác Định dạng báo cáo BI đạt yêu cầu Báo cáo BI cung cấp thông tin kịp thời cho nhà quán lý Thông tin báo cáo BI cập nhât Mức độ chi tiết báo cáo BI đạt yêu cầu Thông tin mà nhà quản lý cho quan trọng làm nơi bật Dashboard hay khơng? Dashboard có thơng báo thông tin nhà quản lỷ cần để tạo tranh tồng quan tình hình tài tổ chức hay khơng? Kết khảo sát Phiếu khăo sát sổ Phiếu khảo sát số Phiếu khảo sát số Nam Nam Nam Đai hoc Cao hoc Đai hoc •• • •• Trên 10 năm Trên 10 năm Trên 10 năm Phiếu khảo sát số Nam Đai hoc •• Từ đến 10 năm Phiếu khảo sát ÁW sô Nam Cao hoc • Từ đến 10 năm Giám đốc dư án • Rất đồng ý Quán lý cấp cao Kế tốn trướng Trường phịng Chun viên IT Đồng ý Khơng ỷ kiến Đồng ý Đồng ý Rất đồng ỷ Rất đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Đồng ý Rất đồng ý Đồng ý Đồng ý Đồng ý Không ý kiến Đồng ý Đồng ý Không ý kiến Đồng ý Rất đồng ỷ Đồng ý Đồng ý Đồng ý Đồng ý Rất đồng ỷ Đồng ý Đồng ý Đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Đồng ý Đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Đồng ý Đồng ý Rất đồng ý Đồng ỷ Đồng ý Đồng ý Không ỷ kiến Rất đồng ý Đồng ỷ Đồng ý Đồng ý Không ỷ kiến KPIs tài hiển thị trcn Dashboard thơng tin hỗ trợ trực tiếp cho nhu cầu nhà quàn lý mà không cần thực chuyến đôi tự tính tốn Phần Sự phù hợp cơng nghệ công việc (Task- Technology-Fit) (tiếp) Rất đồng ỷ Rất đồng ý Không đồng ỷ Không đồng ý Rất đồng ý Rất đồng ỷ Đồng ý Đồng ý Đồng ý Rất đồng ỷ Rất đồng ý Rất đồng ý Đồng ỷ Đồng ỷ Đồng ỷ Đồng ỷ Đồng ý Đồng ý Đồng ý Rất đồng ý Rất đồng ỷ Đồng ý Đồng ý Đồng ý Đồng ý Rất đồng ý Đồng ý Đồng ý Đồng ý Rất đồng ý Rất đồng ỷ Rất đồng ý Rất đồng ỷ Rất đồng ý Hệ thống/công cụ BI dễ sừ dụng Không ý kiến Rất đồng ý Đồng ý Đồng ý Rất đồng ý Chất lượng tài liệu đạt yêu cầu Không ý kiến Rất đồng ý Đồng ỷ Không ý kiến Không ý kiến Đồng ý Rất đồng ý Rất đồng ỷ Đồng ý Rất đồng ỷ Rất đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Rất đồng ý Nhà quản lý có thê nhanh chóng xác định xem lieu hiêu suất KPIs tài có • • cao mục tiêu hay không, đáp ứng mục tiêu hay không không đạt mục tiêu (và ycu cầu ý) Nếu nhà quản lý cần đưa định thi họ có dề dàng có thơng tin quan trọng xác cằn thiết đế định khơng? Nhà quản lý dễ dàng so sánh chi so KPIs xem xét mối quan hệ chì số đo lường hiệu suất ứng dụng phương pháp phân tích chuỗi thời gian đê dự báo doanh thu hỗ trợ nhà quản lý định phù hợp Điểm trung bình cộng phần Phần 2: Sự hài lòng người dùng Phần 3: Sử dụng Dữ liệu BI có đạt yêu cầu Học cách sử dụng hệ thống/công cụ BI dễ dàng Điếm trung bình cộng phần Nhà quản lý cần sừ dụng công cụ BI đê làm việc hiệu Diêm trung binh cộng phân Rất đồng ỷ Rất không đồng ý Rất đồng ỷ Đồng ỷ Không ý kiến Đồng ý Nội dung khảo sát Kết kháo sát Phiếu Phiếu Phiếu Phiếu Phiếu khảo sát khảo sát kháo sát khảo sát kháo sát số số số số số Phần Câu hỏi 5 4 5 5 5 5 5 4 5 4 4 4 4 4 4 4 Phần Sự phù hợp công nghệ công việc (TaskTechnology-Fit) BI cung cấp chức nàng đạt yêu cầu cúa nhà quản lỷ Hiệu suất hệ thống/công cụ BI đạt yêu cầu Nội dung thông tin báo cáo BI đạt yêu cầu Thông tin báo cáo BI xác Định dạng báo cáo BI đạt yêu cầu Báo cáo BI cung cấp thông tin kịp thời cho nhà quản lý Thông tin báo cáo BI cập nhật Mức độ chi tiết báo cáo BI đạt yêu cầu Thông tin mà nhà quản lý cho quan trọng làm nôi bật Dashboard hay khơng? Dashboard có thơng báo thông tin nhà quán lỷ cần đô tạo tranh tơng quan tình hình tài tỏ chức hay khơng? KPIs tài hiến thị Dashboard thơng tin hỗ trợ trực tiếp cho nhu cầu nhà quản lý mà khơng cần thực chuyến đơi tự tính toán 4 5 5 Nhà quản lý nhanh chóng xác định xem liệu hiệu suất KPIs tài có cao mục tiêu hay không, đáp ứng mục tiêu hay không không đạt mục tiêu (và yêu cầu ý) Nếu nhà quàn lý cần đưa định thi họ dàng có thơng tin quan trọng xác cần thiết đế xác định cách nhà quản lỷ đưa định không? Nhà quản lý dề dàng so sánh số KPIs xem xét mối quan hệ chi số đo lường hiệu suất ứng dụng phương pháp phân tích chuỗi thời gian đê dự báo doanh thu hỗ trợ nhà quản lý định phù hợp Điểm trung bình cộng phần Dữ liệu có đạt yêu cầu Học cách sử dụng hệ thông/công cụ BI dê dàng Hệ thống/công cụ BI dề sư dụng Chất lượng tài liệu đạt yêu cầu Điểm trung bình cộng phần Nhà quản lý cần sừ dụng công cụ BI đê làm việc hiệu quà Điểm trung bình cộng phần 2 5 4 5 4 4 4 4,53 3 3,75 4,33 5 5 4,13 4 4,25 4,07 4 3,87 5 4,25 5 5 Phần 2: Sư hài • lịng người dùng Phần 3: Sử dụng PHỤ LỤC DỤ BÁO DOANH THU THEO PHUONG PHÁP PHÂN TÍCH CHUỎI THỜI GIAN TRÊN TABLEAU Forecast indicator Estimate Month Forecast Lower Prediction Upper Prediction Sep 2019 65,654.46 -98,310.21 229,619.13 Oct 2019 43,639.21 -121,929.57 209,207.99 Nov 2019 135,473.78 -31,683.72 302,631.29 Dec 2019 116,296.11 -52,435.15 285,027.38 31,237.20 -139,053.29 201,527.68 Feb 2020 63,749.75 -108,085.81 235,585.30 Mar 2020 60,279.21 -113,087.64 233,646.07 Apr 2020 57,965.33 -116,919.42 232,850.08 44,403.59 -131,985.99 220,793.17 46,368.16 -131,513.53 224,249.84 Jul 2020 50,279.72 -129,081.65 229,641.09 Aug 2020 47,749.50 -133,079.46 228,578.45 Sep 2020 65,654.46 -117,716.22 249,025.13 Oct 2020 43,639.21 -141,167.21 228,445.63 135,473.78 -50,757.31 321,704.88 Dec 2020 116,296.11 -71,348.84 303,941.07 Jan 2021 31,237.20 -157,811.05 220,285.44 Feb 2021 63,749.75 -126,691.44 254,190.94 Mar 2021 60,279.21 -131,544.81 252,103.24 Apr 2021 57,965.33 -135,231.63 251,162.29 44,403.59 -150,156.61 238,963.80 46,368.16 -149,545.81 242,282.13 50,279.72 47,749.50 -146,978.72 -150,844.31 247,538.16 246,343.31 Jan 2020 May 2020 Jun 2020 Nov 2020 May 2021 Jun 2021 Jul 2021 Aug 2021 PHỤ LỤC DỤ BÁO DOANH THU THEO PHUONG PHÁP PHÂN TÍCH CHUỖI THỜI GIAN TRÊN NGƠN NGŨ LẬP TRÌNH R Forecasting Time serial Kết nối liệu > library(AER) Loading required package: car Loading required package: car Data Loading required package: lmtest Loading required package: zoo Attaching package: ‘zoo’ The following objects are masked from ‘package:base’: as.Date, as.Date.numeric Loading required package: sandwich Loading required package: survival > library(readxl) > library(íưnitRoots) Loading required package: timeDate Loading required package: timeSeries Attaching package: ‘timeSeries' The following object is masked from ‘package :zoo’: time library(forecast) Registered S3 method overwritten by ’quantmod’: method from as.zoo.data.frame zoo > library(MLmetrics) Attaching package: ‘MLmetrics’ The following object is masked from ‘package:base’: Recall > > > > setwd("d:/DATA 102020/arimaVSholtwiner”) dulieu plot.ts(diff(dulieu[,5])) Hồi quy ARIMA thủ cơng # Tìm d, ta d=l # Kiêm định unit root test liệu gốc > adfTest(dulieu[,5], lags=12, type=(c(”nc”))) Title: Augmented Dickey-Fuller Test Test Results: PARAMETER: Lag Order: 12 STATISTIC: Dickey-Fuller: -0.697 p VALUE: 0.3911 Description: Sun Dec 20 14:53:50 2020 by user: DELL ttKiêm định unit root test liệu sai phân bộc > adfTest(diff(dulieu[,5])» lags=12, type="nc") Title: Augmented Dickey-Fuller Test Test Results: PARAMETER: Lag Order: 12 STATISTIC: Dickey-Fuller: -4.3129 p VALUE: 0.01 Description: Sun Dec 20 14:55:30 2020 by user: DELL Warning message: In adiTest(diff(dulieu[, 5]), lags = 12, type = ”nc”): p-value smaller than printed p-value # Tìm p, ta p=4 > pacf(diff(dulieu[,5])) Series diff(dulieu[, 5]) Lag # Tìm q, ta q=l > acf(diff(dulieu[,5])) Series diff(dulieu[, 5]) 0.0 0.5 1.0 La g 1.5 # Hồi quy A RI MA Cách > hoiquyl hoiquyl Series: dulieuf, 5] ARIMA(4,1,1)(1,1,1)[12] Coefficients: arl ar2 ar3 -0.0340 0.3256 -0.2881 0.2471 ar4 mal sari 0.0563 0.2131 -0.7344 0.3061 0.1346 0.1181 ar4 mal sail 0.0563 0.2131 -0.7344 0.3061 0.1346 0.1181 -0.0832 0.2413 sma -0.9999 0.1497 sigmaA2 estimated as 6.787e+09: log likelihood—1206.08 AIC=2428.17 AICc=2429.86 BIC=2448.51 > uocluongl AlC(hoiquyl) [1] 2428.168 > BlC(hoiquyl) [1] 2448.514 > MSE(uocluongl,dulieu[,5]) [1] 5518630780 > MSE(uocluongl,hoiquy l$x) [1]5518630780 > RMSE(uocluongl,dulieu[,5]) [1] 74287.49 > MAE(uocluongl,dulieu[,5J) [1] 52464.68 Cách > hoiquy2 summary(hoiquy2) Call: arima(x = dulicu[, 5], order = c(4, 1,1), seasonal = c(l, 1, 1)) Coefficients: arl -0.0340 0.3256 ar2 -0.2881 0.2471 ar3 -0.0832 0.2413 sigmaA2 estimated as 6.282c+09: log likelihood = -1206.08, aic = 2428.17 Training set error measures: ME RMSE MAE MPE Training set -5271.86 74287.49 52464.68 Hồi quy ARIMA tự động > hoiquy2 summary(hoiquy2) Series: dulieuf, 5] ARI MA(0,l,l)( 1,0,0) [12] Coefficients: mal sari -0.8826 0.2493 NaN MAPE Inf MASE 0.7520002 smal -0.9999 0.1497 ACF1 -0.01704874 s.e 0.0512 0.0913 sigmaA2 estimated as 7.405e+09: log likelihood— 1354.93 AIC=2715.85 AICc—2716.09 BIC=2723.84 Training set error measures: ME RMSE Training set 3197.682 84836.43 MAE 56775.73 MPE NaN MAPE MASE Inf 0.7739568 ACF1 0.08369391 > uocluong2 MSE(uocluong2,hoiquy2$x) [1J 7197220011 > AIC(hoiquy2) [1] 2715.853 > BIC(hoiquy2) [1] 2723.843 > MSE(uocluong2,dulieu[,5]) [1] 7197220011 > RMSE(uocluong2,dulieu[,5]) [1] 84836.43 > MAE(uocluong2,dulieu[,5]) [1] 56775.73 Dự báo # Dồ thị ưởc lượng dự háo theo ARIMA thú cơng > plot(hoiquyl$x,col="red") > lines(fítted(hoiquyl),col=”blue”) > dubaol dubao1 Sep 2019 96634.19 -15066.47 208334.8 -74197.22 267465.6 Dec 2019 157291.06 42229.51 272352.6 -18680.39 333262.5 Time Jan 2020 27808.28 -92212.73 147829.3 -155748.01 211364.6 Feb 2020 Mar 2020 40097.42 86709.39 -82780.23 -37402.96 162975.1 210821.7 -147827.73 -103104.07 228022.6 276522.9 Apr 2020 May 2020 73441.55 98575.61 -52141.34 -29199.63 199024.4 226350.9 -118620.91 -96839.75 265504.0 293991.0 Jun 2020 51566.58 -78313.64 181446.8 -147068.08 250201.2 Jul 2020 77153.97 -54453.95 208761.9 -124122.98 278430.9 Aug 2020 55967.36 -77277.32 189212.0 -147812.79 259747.5 Sep 2020 Oct 2020 109107.33 59657.13 -32883.12 -84915.72 251097.8 204230.0 -108048.32 -161447.97 326263.0 280762.2 Nov 2020 Dec 2020 161488.97 170189.22 15418.26 22055.31 307559.7 318323.1 -61906.90 -56362.05 384884.8 396740.5 Jan 2021 38198.92 -112892.81 189290.6 -192875.94 269273.8 Feb 2021 Mar 2021 54315.60 101111.48 -99346.76 -54699.92 207978.0 256922.9 -180690.70 -137181.49 289321.9 339404.5 Apr 2021 92439.42 -65544.99 250423.8 -149176.89 334055.7 May 2021 92624.40 -67702.71 252951.5 -152574.76 337823.6 Jun 2021 Jul 2021 67022.54 85153.83 -95627.37 -79653.61 229672.5 249961.3 -181729.03 -166897.39 315774.1 337205.0 Aug 2021 66316.1 -100535.64 233167.9 -188861.63 321493.8 > plot(dubaol) Forecasts from ARIMA(4,1,1 )(1,1,1 )[12] # Dồ thị ước lượng dự hảo A Rỉ MA tự động > plot(hoiquy2$x?col-’red") > lines(fitted(hoiquyl),col="blue") Time > dubao2 dubao2 Point Forecast Lo80 Ili 80 Lo 95 Hi 95 Sep 2019 Oct 2019 40191.45 40191.45 -70087.77 -70845.12 150470.7 151228.0 -128466.07 -129624.33 208849.0 210007.2 Nov 2019 48288.47 -63500.31 160077.3 -122677.72 219254.7 Dec 2019 73077.33 42282.55 -39458.64 185613.3 245186.2 -70995.69 155560.8 -99031.59 -130961.56 Feb 2020 Mar 2020 40191.45 52457.05 -73824.21 154207.1 -62291.30 167205.4 -134180.45 -123035.41 Apr 2020 40191.45 -75284.94 155667.8 -136414.45 216797.3 May 2020 Jun 2020 92068.09 40867.12 -24131.77 -76051.74 208268.0 157786.0 -85644.27 -137944.86 269780.5 219679.1 Jul 2020 61320.39 -56313.08 178953.9 -118584.48 241225.3 Aug 2020 Sep 2020 51653.62 50210.45 50210.45 169997.4 175272.1 176313.6 -129337.55 -141054.80 -142647.68 232644.8 241475.7 Oct 2020 -66690.15 -74851.18 -75892.70 Nov 2020 52228.89 -74907.25 179365.0 -142209.06 246666.8 Dec 2020 Jan 2021 58408.31 50731.72 186569.1 179909.1 50210.45 180396.4 -137596.74 -146827.98 -148891.78 254413.4 248291.4 Feb 2021 -69752.50 -78445.62 -79975.50 Mar 2021 Apr 2021 53268.04 50210.45 -77918.75 -81969.61 184454.8 182390.5 -147364.85 -151941.51 253900.9 252362.4 May 2021 Jun 2021 63142.36 50378.89 55477.51 -70023.57 -83765.66 -79638.56 196308.3 184523.4 266802.1 255535.3 190593.6 -140517.35 -154777.49 -151164.68 53067.76 -83012.90 189148.4 -155049.65 261185.2 Jan 2020 Jul 2021 Aug 2021 > plot(dubao2) 215526.7 214563.4 227949.5 243068.6 249312.7 262119.7 Forecasts from ARIMA(0,1,1 )(1,0,0) [12] Kiểm định #Ljung-Box test > chcckrcsiduals(hoiquyl) Ljung-Box test data: Residuals from ARlMA(4,l,l)(l,l,l)[l2] Q* = 14.332, df = 14, p-value = 0.4253 Model df: Total lags used: 21 Residuals from ARIMA(4;1,1)(1,1,1)[12] 2e+051e+050e+00-1e+05" -2e+05" Lag residuals #Kiểm dinh không chệch > uocluong thucte phandu dulieu2 tinh tinh2 linearHypothesis(tinhl, c("(lntercept) = 0”, "uocluong = 1")) Linear hypothesis test Hypothesis: (intercept) = uocluong = Model 1: restricted model Model 2: thucte ~ uocluong Res.Df RSS 107 5.9049e+ll 105 5.6797e+l Df SumofSq 2.2522e+10 F Pr(>F) 2.0818 0.1298 #Holden- Peel test > linearHypothesis(tinh2, c(”(Intercept) = 0")) Linear hypothesis test Hypothesis: (Intercept) = Model 1: restricted model Model 2: phandu ~ Res.Df 106 107 RSS Sum of Sq Df Pr(>F) 5.9049e+l 5.8752e+l 1 2973798140 0.5365 0.4655