HTrong - Su dung SPSS de du bao tren chuoi TG

HTrong - Su dung SPSS de du bao tren chuoi TG tài liệu, giáo án, bài giảng , luận văn, luận án, đồ án, bài tập lớn về tấ...

HƯỚNG DẪN SỬ DỤNG IBM-SPSS CHẠY MÔ HÌNH NHÂN TSCI

Doanh số (đơn vị tính là hiện vật như tấn, m3 … hay đơn vị tiền tệ theo giá cố định hay giá hiện hành) được nhập vào chương trình IBM-SPSS thành 1 cột và đặt tên là Doanhso Cũng có thể chép dữ liệu doanh số từ Excel đưa vào IBM-SPSS Trước cột doanhso nên có 1 cột số thứ tự (SN) để biết tổng số dữ liệu đã có, và số thứ tự này sẽ được dùng như biến thời gian để chạy hồi quy tìm đường xu hướng

Tổng số dữ liệu nhập vào là 44 số liệu theo quý (11 năm)

Trước khi phân tích, cần phải tạo ra biến thời gian cho chương trình máy tính hiểu Từ menu chọn Data > Define dates như hình dưới:

Lệnh này mở ra một hộp thoại Define dates như bên dưới Trong hộp thoại này chọn kiểu thời gian tương ứng với với chất dữ liệu Trong ví dụ này dữ liệu là theo quý, nên chọn kiểu Years, quarters trong danh sách bên tay trái và định mốc thời gian cho dữ liệu đầu tiên là quý 1 năm 2003 bằng cách gõ vào ô Year số 2003 và ô Quarters số 1 như bên dưới:

Sau khi nhấp nút OK, biến thời gian được tạo ra như trong hình dưới:

Sau khi có biến thời gian, bắt đầu phân tích chuỗi số thời gian bằng mô hình nhân bằng cách chọn lệnh

từ menu như sau:

Analyze > Forecasting > Seasonal Decomposition (khử tính mùa của chuỗi số thời gian)

Lệnh này mở ra hộp thoại Seasonal Decomposition, trong hộp thoại này đưa biến doanh số trong danh sách biến bên thay trái vào ô Variable bên tay phải Trong mục Model Type hãy chọn Multiplicative (mô hình nhân) Chương trình máy tính tự động nhận diện biến thời gian có 4 mức trong vòng 1 năm (dữ liệu theo quý)

Khi khai báo các chi tiết trên xong nhấp nút OK thì chương trình hỏi tiếp có Save 4 biến mới vào file data không, hãy trả lời OK

Sau khi nhấp nút OK, lệnh được thực thi và cửa sổ kết quả hiện ra các chỉ số mùa như dưới đây:

Và trong cửa sổ màn hình Data, các biến mới được tạo ra như sau Trong đó biến SAS_1 là dữ liệu chuỗi thời gian đã khử mùa (Seasonal Adjusted Series), biến SAF_1 là các chỉ số mùa

Sau khi có chuỗi số khử mùa (SAS = CTI), tiếp tục tách thành phần T bằng cách dùng lệnh hồi qui tuyến tính đơn bằng cách chọn từ menu: Analyze > Regression > Linear

Lệnh này mở ra hộp thoại Linear Regression như bên dưới, trong đó biến độc lập là thứ tự thời gian (SN: serial number) và biến phụ thuộc là chuỗi số đã khử mùa Do đó đưa biến SN vào ô Independent(s) và biến SAS_1 vào ô Dependent như hình dưới Tiếp tục nhấp trỏ chuột vào nút Save

Lệnh này mở ra hộp thoại Save, trong hộp thoại này trong ô Predicted Values hãy chọn mục Unstandardized như hình dưới rồi nhấp nút Continue trở ra hợp thoại Linear Regression

Tếp tục nhấp nút OK, kết quả hồi quy xuất hiện trong cửa sổ Output như hình dưới:

Trong output ta có thể đọc được hệ số xác định mô hình rất tốt (R square = 0,819) và biến thời gian (SN)

có ý nghĩa thống kê trong việc tiên đoán Doanh số đã khử mùa

Phương trình hồi quy cụ thể là: y 2197,6 25,4x)= +

Trở lại màn hình data, biến PRE_1 được lưu lại nhờ lệnh Unstandardized Predicted Values chính là thành phần Trend (T) được rút ra

Biến PRE_1 có thể đổi thành tên T (nhãn biến là Trend) để dễ hình dung hơn như hình sau:

Như vậy đến đây thời chuỗi thời gian gốc (TSCI) chúng ta đã có các thành phần S (SAF_1) và T Thành phần C có thể tìm bằng cách lấy biến SAS_1 (TCI) chia cho biến T ra biến mới chính là thành phần CI

Để tìm thành phần CI, chúng ta dùng lệnh Compute để chia biến như sau:

Từ menu chọn; Transform > Compute Variable như sau:

Lệnh này mở ra hộp thoại Compute Variable Trong hộp thoại này gõ tên biến cần tạo ra là CI vào ô Target Variable Trong ô Numberic Expression hãy gõ công thức là SAS_1/T 9 (biến SAS_1 chia cho biến

T) như hình dưới:

`

Sau khi gõ công thức xong, nhấp vào nút OK Biến mới CI đã được tạo ra như hình sau:

Trong hình này trị số biến CI ở các quý đều là 1 vì chương trình trên máy tính của tôi đang set số thập phân là 0 nên tất cả đều làm tròn thành số đơn vị

Để thấy chi tiết các trị số CI, điều chỉnh lại số lượng số thập phân, ví dụ như 4 số thập phân thì chỉ số CI hiện ra như sau:

Với các trị số này, có thể dùng trung bình trượt để loại bỏ I và thể hiện được C Tuy nhiên trong thực tế đây lại là 1 thách thức lớn vì:

• Chuỗi số có đủ dài để thấy được chu kỳ dài hơn một năm và “nhìn thấy” được kiểu quy luật chu

kỳ không?

• Chu kỳ được ngoại suy (kéo dài vào tương lai) như thế nào?

Định nghĩa chu kỳ là lặp lại hơn 1 năm, vậy câu hỏi là bao nhiêu năm? 2, 3, 4 hay hơn nữa và chu kỳ này thay đổi hay ổn định?

Trong ví dụ này có thể loại bỏ thành phần ngẫu nhiên bằng cách tính trung bình 4 quý để được trung bình trượt, và dãy số trung bình trượt này chính là thành phần C

Để ngoại suy thành phần C thì có thể dùng các phương pháp thích nghi như làm trơn bằng hàm mũ ví dụ như PP Holt-Winter (sẽ đề cập sau) Trong ví dụ này giả sử thành phần chu kỳ C không đáng kể (C xấp xỉ 1)

Để tiên đoán cho 4 quý kế tiếp của năm 2014, chúng ta thế giá trị thứ tự thời gian tương ứng với 4 quý

là 45,46,47,48 vào phương trình y 2197,6 25,4x)= + được T, sau đó nhân với chỉ số mùa S tương ứng

ở từng quý (còn chỉ số chu kỳ xấp xỉ 1 nên không cần nhân nữa) thì được dự báo cho quý 1,2,3,4 của năm 2014

Để dễ hình dung hãy chép các cột biến: SN (chính là biến thứ tự thời gian t) doanhso (chính là TSCI), SAF chính là chỉ số mùa) và T từ IBM-SPSS vào Excel để dễ thao tác và đặt tên các cột mới chép vào Excel như hình dưới đây:

Trong file Excel điền thêm các trị số của biến thứ tự thời gian vào cột t, chép 4 chỉ số mùa của 4 quý nối tiếp vào cột S, còn trong cột T thì điền công thức y 2197,6 25,4x)= + trong đó x chính là t sẽ được 4 giá trị tiên đoán T tại 4 quý của năm 2014, rồi đem các giá trị này nhân với chỉ số thời vụ tương ứng thì sẽ được các giá trị dự báo cho 4 quý của năm 2014 như hình dưới đây

Để tính sai số của mô hình, thì dùng công thức tính MSE như sau:

2

(y y ) MSE

n

=

)

Có thể tính ngay trong IBM-SPSS hay Excel Trong Excel thì tạo thêm cột Square Error như mô tả trong

hình dưới:

Ở cuối cột Square Error, lấy tổng các giá trị của 44 tổng chênh lệch bình phương này sẽ được SSE, rồi đem chia cho tổng số dữ liệu là 44 thì được MSE (Sai số bình phương trung bình), rồi lấy căn bậc hai của MSE sẽ được RMSE

HƯỚNG DẪN SỬ DỤNG IBM-SPSS CHẠY MÔ HÌNH HOLT-WINTERS

Từ menu chọn lệnh: Analyze > Forecasting > Create Models

Lệnh này mở ra hộp thoại Time Series Modeler như hình dưới Trong hộp thoại này, chọn biến doanh số trong danh sách ô chưa biến bên tay trái và đưa biến doanhso này vào ô Dependent Variables bên tay phải Trong ô Method, nhấp vào nút mũi tên đi xuống rồi chọn Exponential Smoothing (làm trơn bằng hàm mũ) như hình dưới Sau đó nhấp vào nút Criteria ở ngay bên phải

Lệnh này mở ra hộp thoại Exponential Smoothing Criteria Trong hộp thoại này, phía bên tay trái có khung Model Type, hãy chọn Winters’ multiplicative (mô hình nhân Winters) như hình dưới Chú ý trong dòng cuối cùng có ghi Current periodicity: 4 vì dữ liệu theo quý và chúng ta đã khai báo biến date là quarter Nếu có dữ liệu theo tháng và khai báo biến date là month thì dòng này sẽ báo là 12

Sau đó nhấp nút Continue trở lại hộp thoại Time Series Modeler, và trong hộp thoại này nhãy chọn tab Statistics kế bên Lệnh này mở ra chuyển từ tab Varible sang tab Statistics như hình sau Trong đó chọn Root mean square error (sai số bình phương trung bình) và Display forecasts như hình dưới

Sau đó tiếp tục nhấp vào tab Save và trong tab này chọn Save Predicted Values như hình sau

Sau đó tiếp tục chọn tab Options Trong tab này chọn mục thứ nhì (First case after …) rồi vào khung Date

gõ 2014 vào ô Year và 4 vào ô Quarter như hình dưới Cuối cùng nhấp nút OK

Lệnh được thực thi và trong cửa sổ output xuất hiện kết quả chạy mô hình Holt-Winters như hình dưới Trong hình này có thể thấy giá trị dự báo cho từng quý 1,2,3,4 của năm tới 2014 cũng như RMSE và đồ thị biểu diễn