DỰ BÁO BẰNG CÁC MÔ HÌNH XU THẾ UEL

1.1.Lí do chọn đề tài. Trong nền kinh tế thị trường hiện nay, để các cá nhân và doanh nghiệp có thể tồn tại và phát triển bền vững thì không thể bỏ qua công tác dự báo vì nó cung cấp thông tin giúp cho việc sử dụng và phân bổ nguồn lực khan hiếm một cách có hiệu quả. Dự báo ngày càng được sử dụng phổ biến ở hầu hết các bộ phận của doanh nghiệp trong quá trình xây dựng kế hoạch chiến lược, phân tích tình huống kinh doanh, lập kế hoạch ngân sách, vốn đầu tư,.. Tuy nhiên cũng phải tùy vào nhu cầu sử dụng cũng như dạng và tính chất của bộ dữ liệu mà nhà dự báo mới chọn mô hình cho phù hợp. Trong trường hợp thực tế kinh doanh ở công ty hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốn nhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất. Dự báo bằng các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng và logistics,..vì tính đơn gián và dễ thực hiện của nó trong thực tế. 1.2. Mục tiêu nghiên cứu. Sau khi nghiên cứu chương này, nhóm chúng tôi kỳ vọng sẽ đạt được các nội dung sau đây: Hiểu được tổng quan về các mô hình dự báo bằng phương pháp hồi quy hàm xu thế. Có khả năng nhận biết những trường hợp nào có thể áp dụng mô hình xu thế trong dự báo. Nhận biết và phân biệt được các hàm xu thế thường sử dụng. Biết cách sử dụng Eviews để thực hiện công tác dự báo nói chung và dự báo bằng mô hình xu thế nói riêng. 1.3. Phạm vi nghiên cứu. Về phạm vi nghiên cứu, đề tài chỉ tập trung vào dự báo các mô hình xu thế đơn thuần mà không có các yếu tố khác như yếu tố mùa vụ, chu kì … ảnh hưởng đến số liệu. Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm eviews để thực hiện các phép tính cũng như dự báo cho mô hình xu thế. Đề tài chỉ tập trung nghiên cứu sử dụng phương pháp bình phương tối thiểu OLS để thực hiện dự báo khoảng và dự báo điểm. Bên cạnh đó, sẽ giới thiệu cho mọi người biết thêm các kiểm định phương sai thay đổi, kiểm định xem mô hình có hiện tượng tự tương quan hay dữ liệu có phân phối chuẩn không. Nhưng không đi sâu tìm hiểu các bước tính toán và kiểm định. CHƯƠNG 2: TỔNG QUAN VỀ HÀM XU THẾ. 2.1. Khái niệm. Hàm xu thế. Sự vận động tăng hay giảm của dữ liệu trong một thời gian dài. Sự vận động này có thể mô tả bằng một đường thẳng (xu thế tuyến tính) hoặc có thể bởi một dạng đường cong toán học (xu thế phi tuyến). Chúng ta có thể mô hình hóa xu thế bằng cách thực hiện một hàm hồi quy thích hợp giữa biến cần dự báo (biến Y) và thời gian (biến t). Sau đó, hàm hồi quy này được sử dụng để tạo ra các giá trị dự báo trong tương lai. Phương pháp dự báo bằng mô hình hàm xu thế không cần phải dựa trên lý thuyết nào đó về sự ảnh hưởng của các biến độc lập (biến giải thích) lên biến phụ thuộc (biến được giải thích) như khi thực hiện dự báo bằng mô hình nhân quả mà nó dựa trên một giả định rằng dạng thức vận động của dữ liệu trong quá khứ sẽ còn tiếp tục trong tương lai. Nó sử dụng thời gian (biến Time) là biến giải thích, với Time bằng 1 tương ứng với quan sát đầu tiên, tăng dần theo chuỗi thời gian và bằng n tương ứng với quan sát cuối cùng. 2.2. Giới thiệu mô hình xu thế. 2.2.1. Phương pháp dự báo xu thế. Mô hình dự báo này sử dụng các hàm đa thức. Mô hình hồi quy phi tuyến tính theo các tham số. Mô hình hồi quy tuyến tính theo tham số. 2.2.2. Ưu và nhược điểm của mô hình. Ưu điểm: Dự báo bằng mô hình xu thế là phương pháp đơn giản và hữu ích trong việc dự báo xu hướng vận động của các chuỗi thời gian trong giai đoạn tăng trưởng của chu kì kinh doanh hoặc dự báo tốc độ tăng trưởng của một số chỉ số kinh tếxã hội. Vì vậy, cần nghiên cứu mô hình để có thể ứng dụng vào thực tiễn. Nhược điểm: Các mô hình dự báo chỉ đơn thuần là những thống kê mô tả đơn giản các dữ liệu lịch sử của những công ty nào đó, việc sử dụng các mô hình này là quá cứng nhắc hoặc trên thực tế đôi khi nó không giống với những gì trên lý thuyết. Do đó, chúng ta không thể quyết định một chính sách dựa trên một khuôn khổ quá máy móc của một mô hình. Mô hình này tuy khắc phục được những khâu thu thập dữ liệu phức tạp nhưng chắc hẳn nó sẽ tiềm ẩn những sai lệch do xu thế thay đổi hay những biến động phức tạp xảy ra trong thực tế mà mô hình này không phản ánh hết được. 2.2.3. Ứng dụng của mô hình dự báo xu thế. Dự báo của các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị vận hành và quản trị chuỗi cung ứng… vì tính đơn giản cũng như dễ thực hiện trong thực tế. Trong thực tế, kinh doanh ở những công ty hay tổ chức của mình, chúng ta cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không có nhiều và cũng khó có thể thu thập được số liệu của nhiều biến khác có khả năng ảnh hưởng đến số cần dự báo trong giới hạn về điều kiện thời gian, kinh phí…Lúc đó, chúng ta cần nghĩ đến phương pháp dự báo bằng mô hình xu thế. 2.3. Quy trình thực hiện dự báo bằng mô hình xu thế. 2.3.1. Nhận dạng. Giả sử chúng ta có sẵn dữ liệu của biến Y_t theo thời gian thì làm sao chúng ta biết được xu thế trong dữ liệu sẽ tuân theo dạng hàm nào? Thì lúc đó, cách đơn giản nhất là người làm dự báo thường sẽ vẽ đồ thị của biến phụ thuộc (Yt) theo thời gian (Time), sau đó nhận dạng xem đồ thị được vẽ biến động gần với đồ thị của hàm số tương ứng với dạng hàm toán học nào. BẢNG 2.1: Một số dạng hàm xu thế điển hình. Dạng hàm xu thế Phương trình hồi quy tổng thể A Tuyến tính Yt =β0 +β1 Time + ut (5.1) B Bậc hai Yt =β0 +β1 Time + β2 Time2 +ut (5.2) C Bậc ba Yt =β0 +β1 Time + β2 Time2 + β3 Time3 + ut (5.3) D Tuyến tínhlog Yt =β0 +β1 ln(Time) + ut (5.4) E Nghịch đảo Yt =β0 +β1(1Time) + ut (5.5) F Tăng trưởng mũ Yt =e(β_0+β_1 Time+ut ) (5.6) G Logtuyến tính ln(Yt)= β0 +β1 Time + ut (5.7) Ba dạng hàm đầu tiên được gọi là các hàm đa thức. Ngoại trừ mô hình F là mô hình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại đều là các mô hình hồi quy tuyến tính theo tham số. Người ta không ước lượng mô hình F một cách trực tiếp bằng phương pháp OLS được, mà ước lượng nó gián tiếp qua mô hình G. Chúng ta có thể dễ dàng nhận thấy được nếu lấy ln hai vế của phương trình hồi quy ở mô hình F, sẽ có được kết quả như mô hình G. Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là u_tsai số của mô hình. Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế không phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khác thường tồn tại một sai số. Và sai số này càng nhỏ càng tốt.

TRƯỜNG ĐH KINH TẾ LUẬT – ĐH QUỐC GIA TP HCM KHOA KINH TẾ BÀI TIỂU LUẬN Đề tài: DỰ BÁO BẰNG CÁC MÔ HÌNH XU THẾ Giảng viên hướng dẫn: Thầy Nguyễn Duy Tâm Thầy Phạm Tiến Dũng Sinh viên thực hiện: Đặng Hải Ninh K134011722 Cao Thị Mỹ Hạnh K134011711 Trịnh Thái Bảo Trân K134010081 Phạm Thanh Tùng K134011736 Hoàng Văn Dũng K134011704 TP Hồ Chí Minh, ngày 26 tháng 09 năm 2015 Trang / 28 MỤC LỤC DANH MỤC BẢNG BIỂU Bảng 2.1: Một số dạng hàm xu điển hình Bảng 2.2: Ước lượng hàm xu Eview Bảng 2.3: Dự báo điểm với hàm xu Bảng 3.1: Số liệu giá trị xuất ngành hàng Gốm sứ Việt Nam (triệu USD) Bảng 3.2: Kết dự báo Eviews DANH MỤC HÌNH ẢNH Hình 2.1: Đồ thị số dạng hàm xu điển hình Hình 3.1: Đồ thị thể giá trị xuất ngành hàng gốm sứ Việt Nam giai đoạn 1995- 2013 Hình 3.2: Ước lượng mô hình xu tuyến tính Eviews Hình 3.3: Kiểm định LM Breusch-Godfrey Hình 3.4: Giản đồ tự tương quan phần dư Hình 3.5: Kiểm định phương sai thay đổi Hình 3.6: Kiểm định Jarque- Bera Hình 3.7 : Kết dự báo Eviews Hình 3.8: Ước lượng mô hình xu bậc Eviews Hình 3.9: Kiểm định LM Breusch-Godfrey Trang / 28 Hình 3.10 : Giản đồ tự tương quan phần dư Hình 3.11: Kiểm định phương sai thay đổi Hình 3.12: Kiểm định Jarque- Bera Hình 3.13: Ước lượng mô hình xu bậc Eviews Hình 3.14: Ước lượng mô hình xu dạng hàm tăng trưởng Eviews Hình 3.15: Kiểm định LM Breusch-Godfrey Hình 3.16: Giản đồ tự tương quan mô hình Hình 3.17: Kiểm định phương sai thay đổi Hình 3.18: Kiểm định Jarque- Bera DANH MỤC TỪ VIẾT TẮT OLS: Phương pháp bình phương tối thiểu CHƯƠNG 1: GIỚI THIỆU 1.1.Lí chọn đề tài Trong kinh tế thị trường nay, để cá nhân doanh nghiệp tồn phát triển bền vững bỏ qua công tác dự báo cung cấp thông tin giúp cho việc sử dụng phân bổ nguồn lực khan cách có hiệu Dự báo ngày sử dụng phổ biến hầu hết phận doanh nghiệp trình xây dựng kế hoạch chiến lược, phân tích tình kinh doanh, lập kế hoạch ngân sách, vốn đầu tư, Trang / 28 Tuy nhiên phải tùy vào nhu cầu sử dụng dạng tính chất liệu mà nhà dự báo chọn mô hình cho phù hợp Trong trường hợp thực tế kinh doanh công ty hay thực tế quản lý tổ chức mình, cần phải dự báo tiêu liệu khứ không nhiều hay gặp khó khăn vấn đề thời gian, tốn nhiều kinh phí trình thu thập số liệu nhiều biến khác có ảnh hưởng đến biến số cần dự báo phương pháp dự báo mô hình xu phù hợp Dự báo mô hình xu sử dụng rộng rãi lĩnh vực kinh doanh, thiết lập quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng logistics, tính đơn gián dễ thực thực tế 1.2 Mục tiêu nghiên cứu Sau nghiên cứu chương này, nhóm kỳ vọng đạt nội dung sau đây: - Hiểu tổng quan mô hình dự báo phương pháp hồi quy hàm xu - Có khả nhận biết trường hợp áp dụng mô hình xu - dự báo Nhận biết phân biệt hàm xu thường sử dụng Biết cách sử dụng Eviews để thực công tác dự báo nói chung dự báo mô hình xu nói riêng 1.3 Phạm vi nghiên cứu Về phạm vi nghiên cứu, đề tài tập trung vào dự báo mô hình xu đơn mà yếu tố khác yếu tố mùa vụ, chu kì … ảnh hưởng đến số liệu Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm eviews để thực phép tính dự báo cho mô hình xu Đề tài tập trung nghiên cứu sử dụng phương pháp bình phương tối thiểu OLS để thực dự báo khoảng dự báo điểm Bên cạnh đó, giới thiệu cho người biết thêm kiểm định phương sai thay đổi, kiểm định xem mô hình có tượng tự Trang / 28 tương quan hay liệu có phân phối chuẩn không Nhưng không sâu tìm hiểu bước tính toán kiểm định CHƯƠNG 2: TỔNG QUAN VỀ HÀM XU THẾ 2.1 Khái niệm Hàm xu Sự vận động tăng hay giảm liệu thời gian dài Sự vận động mô tả đường thẳng (xu tuyến tính) dạng đường cong toán học (xu phi tuyến) Chúng ta mô hình hóa xu cách thực hàm hồi quy thích hợp biến cần dự báo (biến Y) thời gian (biến t) Sau đó, hàm hồi quy sử dụng để tạo giá trị dự báo tương lai Phương pháp dự báo mô hình hàm xu không cần phải dựa lý thuyết ảnh hưởng biến độc lập (biến giải thích) lên biến phụ thuộc (biến giải thích) thực dự báo mô hình nhân mà dựa giả định dạng thức vận động liệu khứ tiếp tục tương lai Nó sử dụng thời gian (biến Time) biến giải thích, với Time tương ứng với quan sát đầu tiên, tăng dần theo chuỗi thời gian n tương ứng với quan sát cuối 2.2 Giới thiệu mô hình xu 2.2.1 Phương pháp dự báo xu Mô hình dự báo sử dụng hàm đa thức Mô hình hồi quy phi tuyến tính theo tham số Mô hình hồi quy tuyến tính theo tham số Trang / 28 2.2.2 Ưu nhược điểm mô hình Ưu điểm: Dự báo mô hình xu phương pháp đơn giản hữu ích việc dự báo xu hướng vận động chuỗi thời gian giai đoạn tăng trưởng chu kì kinh doanh dự báo tốc độ tăng trưởng số số kinh tế-xã hội Vì vậy, cần nghiên cứu mô hình để ứng dụng vào thực tiễn Nhược điểm: Các mô hình dự báo đơn thống kê mô tả đơn giản liệu lịch sử công ty đó, việc sử dụng mô hình cứng nhắc thực tế không giống với lý thuyết Do đó, định sách dựa khuôn khổ máy móc mô hình Mô hình khắc phục khâu thu thập liệu phức tạp hẳn tiềm ẩn sai lệch xu thay đổi hay biến động phức tạp xảy thực tế mà mô hình không phản ánh hết 2.2.3 Ứng dụng mô hình dự báo xu Dự báo mô hình xu sử dụng rộng rãi lĩnh vực kinh doanh, thiết lập quản trị dự án, quản trị vận hành quản trị chuỗi cung ứng… tính đơn giản dễ thực thực tế Trong thực tế, kinh doanh công ty hay tổ chức mình, cần phải dự báo tiêu liệu khứ nhiều khó thu thập số liệu nhiều biến khác có khả ảnh hưởng đến số cần dự báo giới hạn điều kiện thời gian, kinh phí…Lúc đó, cần nghĩ đến phương pháp dự báo mô hình xu 2.3 Quy trình thực dự báo mô hình xu 2.3.1 Nhận dạng Trang / 28 Giả sử có sẵn liệu biến theo thời gian biết xu liệu tuân theo dạng hàm nào? Thì lúc đó, cách đơn giản người làm dự báo thường vẽ đồ thị biến phụ thuộc (Yt) theo thời gian (Time), sau nhận dạng xem đồ thị vẽ biến động gần với đồ thị hàm số tương ứng với dạng hàm toán học BẢNG 2.1: Một số dạng hàm xu điển hình Dạng hàm xu A Tuyến tính B Bậc hai Phương trình hồi quy tổng thể Yt =β0 +β1 Time + ut Yt =β0 +β1 Time + β2 Time2 +ut C Bậc ba Yt =β0 +β1 Time + β2 Time2 + β3 Time3 + ut (5.3) D Tuyến tính-log Yt =β0 +β1 ln(Time) + ut (5.4) E Nghịch đảo Yt =β0 +β1(1/Time) + ut (5.5) F Tăng trưởng mũ Yt = G Log-tuyến tính ln(Yt)= β0 +β1 Time + ut (5.1) (5.2) (5.6) (5.7) Ba dạng hàm gọi hàm đa thức Ngoại trừ mô hình F mô hình hồi quy phi tuyến tính theo tham số, mô hình lại mô hình hồi quy tuyến tính theo tham số Người ta không ước lượng mô hình F cách trực tiếp phương pháp OLS được, mà ước lượng gián tiếp qua mô hình G Chúng ta dễ dàng nhận thấy lấy ln hai vế phương trình hồi quy mô hình F, có kết mô hình G Trong phương trình trên, gặp số hạng ký hiệu -sai số mô hình Trong chương trình dự báo có liệu thực tế lúc hoàn toàn nằm đường xu bạn hay nói cách khác thường tồn sai số Và sai số nhỏ tốt Trang / 28 HÌNH 2.1: Đồ thị số dạng hàm xu điển hình Có khi, đồ thị chưa phân biệt liệu có xu tương ứng với dạng hàm toán học Lúc ước lượng số mô hình mà cho có khả phù hợp, sau kiểm định tính toán tiêu đo lường độ xác,v.v… chọn mô hình phù hợp Chúng ta kết hợp nhiều cách nhận diện khác quan sát đồ thị, hệ số tương quan, sai phân , tốc độ phát triển 2.3.2 Ước lượng mô hình xu Các mô hình xu mô hình hồi quy bội làm mô hình hàm hồi quy đơn Với mô hình xu tuyến tính theo tham số ta dùng phương pháp OLS để ước lượng Với Eview, dễ dàng ước lượng mô hình cách gõ lệnh tương ứng vào cửa sổ lệnh Trang / 28 Thao tác thực chi tiết Eview trình bày phần ứng dụng thực tế bên BẢNG 2.2 : Ước lượng hàm xu Eview Phương trình hồi quy tổng thể Các lệnh Eviews LS Y C Time LS Y C Time Time^2 LS Y C Time Time^2 Time^3 LS Y C LOG(Time) LS Y C 1/Time LS LOG(Y) C Time LS LOG(Y) C Time 2.3.3 Kiểm định phù hợp mô hình Kiểm định chẩn đoán Sau ước lượng phương pháp OLS, tiếp đến cần kiểm định ý nghĩa thống kê hệ số độ dốc, đánh giá mức độ phù hợp chung, đánh giá độ xác mô hình dò tìm xem mô hình có bị vi phạm giả định phương pháp OLS không (Gaynor & Kirkpatrick, 1994) Ba số cá giả định mô hình hồi quy tuyến tính cổ điển là: (1) sai số dự báo tuân theo quy luật phân phối chuẩn, (2) phương sai sai số không đổi, (3) mô hình không bị tượng tự tương quan (Gaynor & Kirkpatrick, 1994) Nếu số giả định bị vi phạm, kết kiểm định hệ số độ dốc không hiệu lực hệ số độ dốc ước lượng bị chệch Ba số giả định mô hình hồi quy tuyến tính cổ điển là: 2.3.3.1 Sai số dự báo tuân theo quy luật phân phối chuẩn kiểm định Jarque-Bera Trang / 28 Xét cặp giả thuyết: Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn H1: Sai số không tuân theo quy luật phân phối chuẩn Kết kiểm định dễ dàng thực hiên Eview  Nếu Prob F-statistic > 0.05 chấp nhận Ho, bác bỏ H1 Vậy mô hình có sai số dự báo tuân theo quy luật phân phối chuẩn 2.3.3.2 Kiểm tra giả thuyết phương sai sai số không đổi kiểm định White Xét cặp giả thuyết: Ho: tượng phương sai thay đổi H1: có tượng phương sai thay đổi Kiểm định White: Đây kiểm định tổng quát phương sai không thay đổi White đề xuất không lệ thuộc vào giả thuyết quy luật chuẩn thực dễ dàng Eview Nếu Prob F-statistic > 0.05 chấp nhận Ho, bác bỏ H1 Vậy mô hình tượng phương sai thay đổi 2.3.3.3 Kiểm tra giả thuyết mô hình tượng tự tương quan Xét cặp giả thuyết: Ho: Mô hình tượng tự tương quan H1: Mô hình có tượng tự tương quan  Nếu Prob F-statistic > 0.05 chấp nhận Ho, bác bỏ H1 Vậy mô hình tượng tự tương quan Nếu số giả định bị vi phạm, kết kiểm định hệ số độ dốc không hiệu lực hệ số ước lượng bị chệch Trang 10 / 28 2005 2006 2007 2008 2009 2010 2011 2012 2013 255.3 274.4 334.9 344.3 267.2 317.1 359.2 440.5 475.3 11 12 13 14 15 16 17 18 19 Nguồn: Tổng cục Thống kê Việt Nam Bên cạnh cột GTXK (Giá trị xuất khẩu) có biến T, với T=1 năm (1995), T tăng dần năm 19 nắm 2013 Từ bảng số liệu trên, ta tiến hành vẽ đồ thị để nhận dạng liệu biến động theo thời gian dạng hàm HÌNH 3.1: Đồ thị thể giá trị xuất ngành hàng gốm sứ Việt Nam giai đoạn 1995- 2013 Nguồn: Nhóm nghiên cứu thực Từ đồ thị trên, ta dự đoán giá trị xuất ngành hàng gốm sứ Việt Nam dạng hàm tuyến tính, bậc 2, bậc dạng hàm tăng trưởng mũ 3.3 Ước lượng kiểm định: Trang 14 / 28 3.3.1 Ước lượng kiểm định hàm tuyến tính: Ước lượng mô hình xu tuyến tính HÌNH 3.2: Ước lượng mô hình xu tuyến tính Eviews Nguồn: Nhóm nghiên cứu thực Kiểm định hệ số Ta có: Prob hệ số hồi quy 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5% Kiểm định chẩn đoán Trang 15 / 28 HÌNH 3.3: Kiểm định LM Breusch-Godfrey Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: (Mô hình tượng tự tương quan) H1: (Mô hình có tượng tự tương quan) Kiểm định LM Breusch-Godfrey cho thấy Prob F-statistic 0.0703 > 0.05 Chấp nhận H0, bác bỏ H1, nên độ tin cậy 95%, mô hình tượng tự tương quan HÌNH 3.4: Giản đồ tự tương quan phần dư Nguồn: Nhóm nghiên cứu thực Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy cột autocorrelation chủ yếu nằm giới hạn đường nét đứt, Prob thống kê Q-Stat lớn 0,05 nên dấu hiệu tượng tự tương quan Trang 16 / 28 Kiểm định phương sai thay đổi HÌNH 3.5: Kiểm định phương sai thay đổi Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: “Mô hình tượng phương sai thay đổi” H1: “Mô hình có tượng phương sai thay đổi” Kiểm định White cho thấy Prob F-statistic 0,0669 > 0,05 Chấp nhận H0, bác bỏ nên mô hình tượng phương sai thay đổi Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera HÌNH 3.6: Kiểm định Jarque- Bera Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: Sai số dự báo có phân phối chuẩn H1: Sai số dự báo phân phối chuẩn Trang 17 / 28 Kiểm định Jarque-Bera cho Prob F-statistic 0,533 > 0,05 Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn • Đánh giá mức độ phù hợp mô hình hồi qui: H0: R2 =0 H1: R2 Thống kê F 252,99 với Prob (F-statistic) =0.000 < 0.05 Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với liệu • Thực dự báo HÌNH 3.7 : Kết dự báo Eviews Nguồn: Nhóm nghiên cứu thực BẢNG 3.2: Kết dự báo Eviews Trang 18 / 28 Nguồn: Nhóm nghiên cứu thực Nếu sử dụng mô hình xu tuyến tính để dự báo giá trị xuất hàng gốm sứ Việt Nam vào năm 2016 502,8168 triệu USD, độ tin cậy 95% Giá trị xuất hàng gốm sứ Việt Nam vào năm 2016 có khả nằm khoảng từ 413,948 triệu USD đến 591,6857 triệu USD 3.3.2 Ước lượng kiểm định dạng hàm bậc 2: - Ước lượng mô hình xu bậc Trang 19 / 28 HÌNH 3.8: Ước lượng mô hình xu bậc Eviews Nguồn:Nhóm nghiên cứu thực Kiểm định hệ số Ta có: Prob hệ số hồi quy 0,042 < 0,05 nên bác bỏ H0, chấp nhận H1 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5% Kiểm định chẩn đoán HÌNH 3.9: Kiểm định LM Breusch-Godfrey Xét cặp giả thuyết: H0: (Mô hình tượng tự tương quan) Trang 20 / 28 H1: (Mô hình có tượng tự tương quan) Kiểm định LM Breusch-Godfrey cho thấy Prob F-statistic 0,1079 > 0,05 Chấp nhận H0, bác bỏ H1, nên độ tin cậy 95%, mô hình tượng tự tương quan HÌNH 3.10 : Giản đồ tự tương quan phần dư Nguồn: Nhóm nghiên cứu thực Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy cột autocorrelation chủ yếu nằm giới hạn đường nét đứt, Prob thống kê Q-Stat nhỏ 0,05 nên có dấu hiệu tượng tự tương quan Kiểm định phương sai thay đổi Trang 21 / 28 HÌNH 3.11: Kiểm định phương sai thay đổi Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: “Mô hình tượng phương sai thay đổi” H1: “Mô hình có tượng phương sai thay đổi” Kiểm định White cho thấy Prob F-statistic 0,0004 < 0,05  Bác bỏ H0, chấp nhận nên mô hình có tượng phương sai thay đổi Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera HÌNH 3.12: Kiểm định Jarque- Bera Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: Sai số dự báo có phân phối chuẩn Trang 22 / 28 H1: Sai số dự báo phân phối chuẩn Kiểm định Jarque-Bera cho Prob F-statistic 0,883 > 0,05 Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn • Đánh giá mức độ phù hợp mô hình hồi qui: H0: R2 =0 H1 : R Thống kê F 147,49 với Prob (F-statistic) =0.000 < 0.05 Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với liệu Tuy nhiên, dạng hàm bậc không phù hợp với liệu Vì mô hình có phương sai sai số thay đổi, điều không thỏa mãn giả định hồi quy tuyến tính theo tham số Dẫn đến kết kiểm định hệ số độ dốc không hiệu lực hệ số độ dốc ước lượng bị lệch 3.3.3 Ước lượng kiểm định dạng hàm bậc - Ước lượng mô hình xu bậc HÌNH 3.13: Ước lượng mô hình xu bậc Eviews Kiểm định hệ số Trang 23 / 28 Hệ số hồi quy ý nghĩa thống kê với mức ý nghĩa 5% Prob > 0.05 Mô hình không phù hợp với liệu 3.3.4 Ước lượng kiểm định dạng hàm tăng trưởng - Ước lượng mô hình xu dạng hàm tăng trưởng HÌNH 3.14: Ước lượng mô hình xu dạng hàm tăng trưởng Eviews Nguồn: Nhóm nghiên cứu thực Kiểm định hệ số hồi quy Ta có Prob hệ số hồi quy 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5% Đánh giá mức độ phù hợp mô hình hồi qui: H0: R2 =0 H1 : R Thống kê F 199,15 với Prob (F-statistic) =0.000 < 0.05 Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với liệu Kiểm định chẩn đoán Trang 24 / 28 HÌNH 3.15: Kiểm định LM Breusch-Godfrey Nguồn: Nhóm nghiên cứu thực HÌNH 3.16: Giản đồ tự tương quan mô hình Nguồn Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: (Mô hình tượng tự tương quan) H1: (Mô hình có tượng tự tương quan) Kiểm định LM Breusch-Godfrey cho thấy Prob F-statistic 0,0336 < 0,05 Bác bỏ H0, chấp nhận H1, nên độ tin cậy 95%, mô hình có tượng tự tương quan Trang 25 / 28 Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy cột autocorrelation chủ yếu nằm giới hạn đường nét đứt, Prob thống kê Q-Stat nhỏ 0,05 nên có dấu hiệu tượng tự tương quan Kiểm định phương sai thay đổi HÌNH 3.17: Kiểm định phương sai thay đổi Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: “Mô hình tượng phương sai thay đổi” H1: “Mô hình có tượng phương sai thay đổi” Kiểm định White cho thấy Prob F-statistic 0,4975 > 0,05 Chấp nhận H0, bác bỏ nên mô hình tượng phương sai thay đổi • Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera HÌNH 3.18: Kiểm định Jarque- Bera Trang 26 / 28 Xét cặp giả thuyết: H0: Sai số dự báo có phân phối chuẩn H1: Sai số dự báo phân phối chuẩn Kiểm định Jarque-Bera cho Prob F-statistic 0,966 > 0,05 Chấp nhận H0, bác bỏ nên độ tin cậy 95%, mô hình có sai số dự báo xấp xỉ phân phối chuẩn Tuy nhiên, dạng hàm tăng trưởng không phù hợp với liệu Vì mô hình có tượng tự tương quan, điều không thỏa mãn giả định hồi quy tuyến tính theo tham số Dẫn đến kết kiểm định hệ số độ dốc không hiệu lực hệ số độ dốc ước lượng bị lệch 3.4 So sánh lựa chọn mô hình phù hợp Sau ước lượng kiểm định liệu giá trị xuất hàng gốm sứ Việt Nam với mô hình xu dạng tuyến tính, bậc 2, bậc 3, tăng trưởng Chúng ta chọn dự báo liệu mô hình xu dạng tuyến tính Vì ba dạng hàm lại vi phạm giả định mô hình hồi quy tuyến tính cổ điển Đây liệu lấy từ thực tế nên bị tác động nhiều yếu tố môi trường xung quanh, độ xác mô hình dự báo chưa nhỏ Các tiêu đo lường độ xác mô hình đo lường độ xác giá trị dự báo giá trị thực tế khứ, tương lai chưa biết Chúng ta cần phân tích bối cảnh môi trường tương lai để tạo sở vững với kết dự báo Dự báo môn khoa học, nghệ thuật! Có nghĩa dựa vào kết dự báo từ mô hình phải tiến hành hiệu chỉnh kết dự báo thông qua ý kiến chuyên gia liên quan CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận Dự báo mô hình xu có ý nghĩa quan trọng sống đặc biệt có ý nghĩa định lĩnh vực kinh tế, sử dụng rộng rãi lĩnh vực kinh doanh, thiết lập quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng tính đơn giản dễ thực thực tế Phương pháp không yêu cầu nhiều Trang 27 / 28 số quan sát Các dạng hàm toán học mô hình giúp nhận diện xu hướng vận động liệu thực dự báo mô hình phức tạp Kết dự báo cho ta nhìn khách quan hoạt động tương lai doanh nghiệp, doanh thu, lợi nhuận giúp nhìn nhận có nên đầu tư hay không? Còn rộng dự báo yếu tố vĩ mô CPI, GDP bình quân đầu người Tuy nhiên, mô hình dự báo tương đối, trường hợp Không có mô hình tốt cho trường hợp mà có mô hình phù hợp với điều kiện thực tế khác Các số tính RMSE, MAE,MAPE, theil’U, R mang tính tương đối không thiết tuân theo qui luật tốt Ví dụ R lớn phù hợp Khi định chọn mô hình ta cần phải dựa vào nhiều yếu tố điều kiện kinh tế, biến động xã hội dựa vào hiểu biết, kinh nghiệm thân 4.2 Kiến nghị sử dụng mô hình dự báo xu Các mô hình dự báo xu thích hợp cho chuỗi liệu có tính xu tức có dự liệu có vận động tăng hay giảm thời gian dài Việc lựa chọn dạng hàm theo mô hình xu phức tạp Cách đơn giản vẽ biểu đồ để chọn dạng mô hình Việc lựa chọn tùy vào ý kiến chủ quan, kinh nghiệm cá nhân Khi có dạng hàm mô hình việc chọn giá trị dự báo phức tạp không Không phải mô hình sai số nhỏ tốt mà phải dựa vào yếu tố vĩ mô bên tình hình kinh tế, trị yếu tố kinh nghiệm thân không phần quan trọng Trang 28 / 28 [...]... nghị sử dụng mô hình dự báo xu thế Các mô hình dự báo xu thế thích hợp cho các chuỗi dữ liệu có tính xu thế tức là có các dự liệu có sự vận động tăng hay giảm trong thời gian dài Việc lựa chọn dạng hàm theo mô hình xu thế là khá phức tạp Cách đơn giản nhất là vẽ biểu đồ để chọn dạng mô hình Việc lựa chọn này còn tùy vào ý kiến chủ quan, kinh nghiệm của cá nhân Khi có được dạng hàm của mô hình thì việc... 28 sát đường giá trị thực tế hơn Do vậy, cách 2 là so sánh các chỉ tiêu đo lường độ chính xác của mỗi mô hình, chúng ta sẽ chọn mô hình nào có độ chính xác tốt hơn CHƯƠNG 3: ÁP DỤNG DỰ BÁO BẰNG MÔ HÌNH XU THẾ VÀO THỰC TẾ Nhóm chúng tôi sẽ áp dụng dự báo mô hình xu thế cho giá trị xu t khẩu ngành hàng gốm sứ của Việt Nam 3.1 Lí do chọn đề tài dự báo: Giá trị xu t khẩu ngành hàng gốm sứ của Việt Nam... trị xu t khẩu hàng gốm sứ Việt Nam với các mô hình xu thế dạng tuyến tính, bậc 2, bậc 3, tăng trưởng Chúng ta chỉ có thể chọn dự báo bộ dữ liệu bằng mô hình xu thế dạng tuyến tính Vì ba dạng hàm còn lại đã vi phạm một trong các giả định của mô hình hồi quy tuyến tính cổ điển Đây là bộ dữ liệu được lấy từ thực tế nên bị tác động bởi nhiều yếu tố của môi trường xung quanh, độ chính xác của mô hình dự báo. .. sát Các dạng hàm toán học trong mô hình giúp chúng ta nhận diện được xu hướng vận động của dữ liệu khi thực hiện dự báo bằng các mô hình phức tạp hơn Kết quả dự báo cho ta cái nhìn khách quan về hoạt động tương lai của doanh nghiệp, doanh thu, lợi nhuận giúp chúng ta nhìn nhận có nên đầu tư hay không? Còn rộng hơn là dự báo các yếu tố vĩ mô như CPI, GDP bình quân đầu người Tuy nhiên, các mô hình dự báo. .. (5.10) (5.13) Trong đó = (5.15) 2.4.2 Dự báo khoảng Khoảng dự báo của 5 mô hình đầu tiên trong bảng 5.1 (từ 5.8 đến 5.12) đưuọc tính theo công thức sau: • Công thức để tính dự báo khoảng: - se() , + se() ] Trong đó: : là giá trị dự báo điểm tại thời điểm dự báo se() : là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo... hàm dự báo cho các giá trị cá biệt khi dự báo ln() và được phần mềm máy tính tự động tính toán Exp(X) là 2.5 So sánh và lựa chọn mô hình phù hợp Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp: Cách một, vẽ đồ thị biểu diễn giá trị thực tế, và giá trị dự báo của hai mô hình lên cùng một đồ thị Sau đó, ta sẽ chọn mô hình nào có đường biểu diễn giá trị thức tế hơn Tuy nhiên, có đôi khi bằng. .. sử dụng mô hình xu thế tuyến tính để dự báo giá trị xu t khẩu hàng gốm sứ của Việt Nam vào năm 2016 là 502,8168 triệu USD, ở độ tin cậy là 95% Giá trị xu t khẩu hàng gốm sứ của Việt Nam vào năm 2016 có khả năng nằm trong khoảng từ 413,948 triệu USD đến 591,6857 triệu USD 3.3.2 Ước lượng và kiểm định dạng hàm bậc 2: - Ước lượng mô hình xu thế bậc 2 Trang 19 / 28 HÌNH 3.8: Ước lượng mô hình xu thế bậc... chưa chắc là nhỏ nhất Các chỉ tiêu đo lường độ chính xác của mô hình chỉ đo lường độ chính xác giữa các giá trị dự báo và giá trị thực tế trong quá khứ, còn tương lai thì chưa biết được Chúng ta cần phân tích bối cảnh môi trường tương lai để tạo cơ sở vững hơn với kết quả dự báo được Dự báo là một môn khoa học, nhưng cũng là một nghệ thuật! Có nghĩa là dựa vào kết quả dự báo từ mô hình chúng ta phải tiến... của Việt Nam trong tương lai Việc dự báo này giúp chúng ta đánh giá được tình hình sản xu t, xu t khẩu mặt hàng gốm sứ của Việt Nam để từ đó có thể đưa ra những phương hướng phát triển thích hợp cho ngành hàng này Đây là lý do mà nhóm quyết định dự báo giá trị xu t khẩu ngành hàng gốm sứ của Việt Nam theo mô hình xu thế 3.2 Nhận dạng mô hình: BẢNG 3.1: Số liệu giá trị xu t khẩu ngành hàng Gốm sứ của... lượng mô hình xu thế bậc 3 HÌNH 3.13: Ước lượng mô hình xu thế bậc 3 trên Eviews Kiểm định hệ số Trang 23 / 28 Hệ số hồi quy đều không có ý nghĩa thống kê với mức ý nghĩa 5% vì Prob > 0.05 Mô hình không phù hợp với bộ dữ liệu 3.3.4 Ước lượng và kiểm định dạng hàm tăng trưởng - Ước lượng mô hình xu thế dạng hàm tăng trưởng HÌNH 3.14: Ước lượng mô hình xu thế dạng hàm tăng trưởng trên Eviews Nguồn: Nhóm ... Sau nghiên cứu chương này, nhóm kỳ vọng đạt nội dung sau đây: - Hiểu tổng quan mô hình dự báo phương pháp hồi quy hàm xu - Có khả nhận biết trường hợp áp dụng mô hình xu - dự báo Nhận biết phân... LM Breusch-Godfrey Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: (Mô hình tượng tự tương quan) H1: (Mô hình có tượng tự tương quan) Kiểm định LM Breusch-Godfrey cho thấy Prob F-statistic... thay đổi Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera HÌNH 3.6: Kiểm định Jarque- Bera Nguồn: Nhóm nghiên cứu thực Xét cặp giả thuyết: H0: Sai số dự báo có phân