Ph ùng Thanh BìnhGIỚI THIỆU Phương pháp BOX-JENKINS sử dụng các mô hình ARIMA để dự báo một biến bằng cách chỉ xem xét mô hình pattern của chuỗi dữ liệu quá khứ đó Phương pháp BOX-JE
Trang 1Khoa Kinh t ế Phát triển 1A Hoàng Diệu, Phú Nhuận
Trang 2Ph ùng Thanh Bình
1. Giới thiệu
2. Phương pháp luận của Box-Jenkins
3. Mô hình tự hồi quy
4. Mô hình bình quân di động
5. Mô hình bình quân di động tự hồi quy
6. Chiến lược xây dựng mô hình ARIMA
MÔ HÌNH ARIMA
Trang 3 Nguyễn Trọng Hoài (2001): Mô hình hóa và Dự báo chuỗi thời gian trong kinh doanh & kinh tế,
Chương 7 & 8.
J.Holton Wilson & Barry Keating, (2007),
Business Forecasting With Accompanying Based ForecastXTM Software, 5th Edition,
Excel-Chapter 7.
John E.Hanke & Dean W.Wichern, (2005),
Business Forecasting, 8th Edition, Chapter 9.
TÀI LIỆU THAM KHẢO
Trang 4Ph ùng Thanh Bình
GIỚI THIỆU
Phương pháp BOX-JENKINS sử dụng các mô hình ARIMA để dự báo một biến bằng cách chỉ xem xét
mô hình (pattern) của chuỗi dữ liệu quá khứ đó
Phương pháp BOX-JENKINS được phát triển bởi 2 nhà thống kê G.E.P Box và G.M Jenkins
ARIMA = Autoregressive Integrated Moving
Average
Trang 5GIỚI THIỆU
Phù hợp cho cả chuỗi dừng hay không dừng
Phù hợp nhất với dự báo dài hạn hơn là dự báo ngắn hạn
Có nhiều điểm ưu việc hơn các mô hình dự báo khác, ít tốn kém và linh hoạt
Trang 6Ph ùng Thanh Bình
PHƯƠNG PHÁP LUẬN
BOX-JENKINS
Khác các phương pháp khác ở chổ nó không giả
định bất kỳ mô hình cụ thể nào trong chuỗi dữ liệu quá khứ sẽ được dự báo
Nó sử dụng phương pháp lặp đi lặp lại để nhận
dạng một mô hình thỏa mãn nhất từ nhiều mô hình
Mô hình được chọn sẽ được kiểm chứng với dữ
liệu quá khứ để xem có chính xác hay không
Trang 8tương quan của một số độ trễ
Phương pháp luận BOX-JENKINS đề cập đến một
số các quy trình nhận dạng, làm cho phù hợp, và kiểm tra các mô hình ARIMA với chuỗi dữ liệu
thời gian Dự báo sẽ suy ra trực tiếp từ mô hình
phù hợp (fitted model)
Trang 9MÔ HÌNH TỰ HỒI QUY
Mô hình tự hồi quy bậc p có dạng như sau:
o Yt = biến phản ứng (phụ thuộc) tại thời điểm t
o Yt-1, Yt-2, … = biến phản ứng tại các độ trễ t-1, t-2,
ο φ0, φ1, φ2 = các hệ số sẽ được ước lượng
ο εt = phần sai số tại thời điểm t thể hiện ảnh hưởng của các biến không được giải thích trong mô hình
t p
t p 2
t 2 1
t 1 0
-t φ φ Y φ Y φ Y ε
Trang 10Ph ùng Thanh Bình
Ký hiệu: AR(p)
Phù hợp với các chuỗi thời gian dừng và hệ số φ0 thể hiện mức cố định của chuỗi dữ liệu (Nếu dữ liệu xoay quanh giá trị 0 hoặc được thể hiện bằng các độ lệch , thì không cần hệ số φ0
Các hệ số tự tương quan giảm từ từ xuống giá trị 0
Các hệ số tự tương quan riêng sẽ giảm xuống giá trị 0 ngay
Trang 12Ph ùng Thanh Bình
MÔ HÌNH BÌNH QUÂN DI ĐỘNG
o Yt = biến phản ứng (phụ thuộc) tại thời điểm t
ο µ = giá trị trung bình cố định
ο ω1, ω2, ω3 = các hệ số sẽ được ước lượng
ο εt = phần sai số tại thời điểm t thể hiện ảnh hưởng của các biến không được giải thích trong mô hình
ο εt-1, εt-2 = các sai số ở các thời điểm trước
q - t q 2
t 2 1
t 1 t
Trang 13 Ký hiệu: MA(q)
các quy trình tính trung bình di động đã trình bày trước
một kết hợp tuyến tính của sai số hiện hành và sai số quá khứ
q - t q 2
t 2 1
t 1 t
-t
ε ω
ε ω ε
ω ε
μ - Y
ε ω
ε ω ε
ω ε
μ - Y
Trang 14Ph ùng Thanh Bình
Trang 15t 2 1
t 1 t
-p - t p
2 - t 2
1 - t 1 0
t
ε ω
ε ω ε
ω ε
Y φ
Y φ
Y φ
+ +
+ +
=
Trang 16Ph ùng Thanh Bình
Trang 17HÌNH ARIMA
thời gian và các hệ số tự tương quan giảm từ từ (xem hình 8.2 và 8.3)
chuỗi dừng bằng cách lấy sai phân và sử dụng mô hình ARMA
Trang 18Ph ùng Thanh Bình
Trang 19HÌNH ARIMA
Bước 1: Xác định mô hình
Giả sử mô hình ARMA(1,1):
o Trong một số trường hợp cần phải lấy sai phân của sai phân để có chuỗi dừng
1 - t t
2 - t 1
t 1
-1 - t t
1 - t 1 t
1 - t 1 t
ε - ε
) Y
(Y
-φ )
Y - (Y
ε ω - ε
Y
φ ΔY
Trang 20Ph ùng Thanh Bình
CHIẾN LƯỢC XÂY DỰNG MÔ
HÌNH ARIMA
mô hình ARIMA, ký hiệu là ARIMA(p,d,q)
Nếu d = 0, thì mô hình ARIMA sẽ thành mô hình ARMA
Trang 21 Nếu các hệ số tự tương quan giảm đều theo dạng mũ và các hệ số tự tương quan riêng giảm đột ngột, thì phải có phần tự hồi quy
Trang 22o Nếu cả các hệ số tự tương quan và các hệ số tự tương quan riêng giảm đều theo dạng mũ, thì phải có cả phần tự hồi quy và phần bình quân di động
Trang 23HÌNH ARIMA
Bước 2: Ước lượng mô hình
o Khi đã chọn mô hình, các hệ số của mô hình sẽ
được ước lượng theo phương pháp tối thiểu tổng bình phương các sai số
o Kiểm định các hệ số φ và ω bằng thống kê t
o Ước lượng sai số bình phương trung bình của phần
dư (residual mean square error): s 2
Trang 24) Y - (Y r
n
-e s
n
1 t
2 t t
n
1 t
2 t 2
Trang 26Ph ùng Thanh Bình
CHIẾN LƯỢC XÂY DỰNG MÔ
HÌNH ARIMA
Bước 3: Kiểm tra mô hình
o Các đồ thị phần dư dùng để kiểm tra phần dư có phân phối chuẩn hay không; đồ thị theo thời gian
để kiểm tra xem có hiện tượng outlier hay không
o Các hệ số tự tương quan riêng lẻ của phần dư
phải nhỏ và thường trong khoảng ±2/√n
Trang 27HÌNH ARIMA
Bước 3: Kiểm tra mô hình
o Sử dụng kiểm định thống kê Ljung-Box Q để kiểm tra tổng thể mức độ phù hợp của mô hình
Nếu p-value nhỏ (ví dụ < 0.05), thì mô hình không phù hợp, nên phải xác định mô hình mới
2 k m
k n
(e)
r 2)
n(n Q
Trang 28Ph ùng Thanh Bình
CHIẾN LƯỢC XÂY DỰNG MÔ
HÌNH ARIMA
Bước 4: Dự báo
o Sau khi có một mô hình phù hợp có thể thực hiện
dự báo cho một hoặc một số giai đoạn tương lai
o Khi có thêm nhiều dữ liệu, thì có thể sử dụng
cùng mô hình ARIMA để dự báo
o Nếu mẫu dự liệu thay đổi cần phải ước lượng lại
mô hình hoặc xây dựng một mô hình mới