Chương 14, Phần B Dự báo

THỐNG KÊ ỨNG DỤNGTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANHTRONG KINH TẾ VÀ KINH DOANHTHỐNG KÊ ỨNG DỤNGTRONG KINH TẾ VÀ KINH DOANH

Trang 1

1

Slide

or duplicated, or posted to a publicly accessible website, in whole or in part.

Trang 3

3

Slide

Dự phóng Xu hướng

diện một đường xu hướng tuyến tính, thì phương pháp bình phương bé nhất có thể được dùng để xác định đường xu hướng (dự phóng) cho dự báo tương lai

dùng trong phân tích hồi quy, nhằm xác định

hóa sai số bình phương giữa kết quả dự báo và

dữ liệu thực tế của chuỗi thời gian

các giá trị thực tế của chuỗi thời gian

Trang 4

H ồi qui Xu hướng Tuyến tính

công thức để dự phóng thành phần xu hướng là:

t = thời gian

T t = b0 + b1t

Trang 5

5

Slide

H ồi qui Xu hướng Tuyến tính

b1t

b   Y b t

t= giá trị trung bình của thời kỳ t

2 1

n

t t

n

t

t t Y Y b

t t

n = số thời kỳ (số quan sát)

Trang 6

Số lượng công việc mà cty Auger đã sửa chữa

trong 9 tháng qua được cho trong bảng dưới

Hồi quy Xu hướng Tuyến tính

 Ví dụ: Dịch vụ sửa chữa ống nước

Auger

Yêu cầu sử dụng phương pháp bình phương

bé nhất để dự báo số công việc có thể sửa chữa vào tháng 12 của cty Auger

Trang 7

7

Slide

H ồi quy Xu hướng Tuyến tính

Trang 8

2 1

3480

7.1260

n

t t

n

t

t t Y Y b

Trang 9

9

Slide

Dự báo cho tháng 12 (thứ tự t = 10) dùng phương pháp số trung bình trượt 3 mức độ có trọng số, với trọng số lần lượt là 0,6; 0,3 và 0,1 tương ứng cho dữ liệu từ hiện tại trở về quá khứ Sau đó, so sánh kết quả dự báo bằng trung bình trượt 3 mức độ với kết quả dự phóng theo thành phần xu hướng

Trang 10

Dự báo tháng 12 bằng cách tính trung bình trượt từ

số liệu của 3 tháng trước: tháng 9, 10 và 11

Trang 11

11

Slide

Do xu hướng tăng của chuỗi thời gian, dự phóng xu hướng đã đưa ra kết quả dự báo khá phù hợp với xu hướng của dữ liệu thực tế Trong khi đó, phương pháp trung bình trượt có trọng

số ngay cả với trọng số lớn (0,6) đặt ở kỳ hiện tại lại đưa ra kết quả dự báo “trễ” so với giá trị thực tế của chuỗi thời gian

 Kết luận

Dự phóng Xu hướng

Trang 12

Làm trơn bằng hàm mũ tuyến tính H olt

trơn bằng hàm mũ- phương pháp có thể dùng

để dự báo chuỗi thời gian có tính xu hướng

tính H olt thường được gọi là phương pháp làm trơn bằng hàm mũ kép

Trang 13

13

Slide

 Các phương trình làm trơn bằng hàm mũ tuyến tính H olt

của chuỗi thời gian tại kỳ t

Trang 14

các giá trị xuất phát:

Trang 15

15

Slide

Slide © 2011 Cengage Learning All Rights Reserved M ay not be scanned, copied or duplicated, or posted to a publicly accessible website, in whole or in part. Làm trơn bằng hàm mũ tuyến tính H olt Dự báo số công việc sửa chữa hệ thống ống nước cho cty Auger từ tháng 4 đến tháng 12 bằng cách dùng phương pháp làm trơn bằng hàm mũ Holt, với a = 0,1 và b = 0,2  Ví dụ: Dịch vụ sửa chữa hệ thống ống nước Auger Tháng Công việc 3 353

5 342

4 387

7 396

6 374

8 409

9 399

10 412

11 408

Tháng Công việc

Trang 17

17

Slide

Trang 19

19

Slide

H ồi quy phi tuyến

cong, hay liên hệ phi tuyến

để ước lượng xu hướng của chuỗi thời gian, ví

dụ như:

T t = b0 + b1t + b2t2

T t = b0(b1)t

Trang 20

Chỉ có mùa không có xu hướng

gian, chúng ta cần thêm nó vào mô hình dự báo để đảm bảo kết quả tính chính xác của dự báo

chuỗi thời gian có thành phần mùa mà không

có xu hướng và sau đó là thảo luận làm thế nào để xây dựng mô hình có thành phần mùa cùng với thành phần xu hướng

Trang 21

21

Slide

Năm Quý 1 Quý 2 Quý 3 Quý 4

gian khi chỉ nhìn các con số trong bảng dữ liệu

gian, ta có thể nhận diện các thành phần của chuỗi thời gian một cách nhanh chóng

Trang 22

 Biểu đồ chuỗi thời gian doanh số bán dù

Trang 23

23

Slide

doanh số

thấy kiểu biến động của thành phần mùa:

Quý 1 và quý 3 có doanh số bán vừa phải,Quý 2 có doanh số bán cao nhất và

Quý 4 có doanh số bán thấp nhất

Trang 24

độc lập phân loại (biến định tính) trong mô hình hồi quy đa biến

phân loại



hiện thì cần dùng k-1 biến giả

giả

quý 1 Qtr2 = 1 nếu là quý 2, = 0 nếu không phải quý 2 Qtr3 = 1 nếu là quý 3, =

0 nếu không phải quý 3

Trang 25

25

Slide

ước lượng là:

Trang 26

Thành phần mùa và thành phần xu hướng

chuỗi thời gian chứa cả thành phần mùa và xu hướng

để mô tả thời gian

Trang 27

27

Slide

Công việc kinh doanh ở cửa hàng chuyên bán cà vạt của Terry có thể được chia làm 3 mùa rõ rêt: : (1) mùa Giáng sinh (tháng

11 và 12); (2) Ngày của Cha (cuối tháng 5 đến giữa tháng 6); và(3) các thời gian còn lại

 Ví dụ: Cửa hàng bán cà vạt của Terry

Doanh số bán trung bình hàng tuần theo

ba mùa trên trong suốt bốn năm qua được cho trong slide kế tiếp

Trang 28

Yêu cầu: Dự báo doanh số bán trung bình tuần qua

3 mùa cho năm thứ 5

Trang 29

29

Slide

ở mùa 1

Trang 30

3 mùa cho năm thứ 5:

36.47(13) = 2366.5

36.47(14) = 2497.0

36.47(15) = 1344.0

Trang 31

31

Slide

Phân tách chuỗi thời gian

nhận diện các thành phần của chuỗi thời gian: mùa, xu hướng và ngẫu nhiên

báo, song ứng dụng chính của nó là để hiểu biết tốt hơn về chuỗi thời gian

chuỗi thời gian thường phụ thuộc vào việc sử dụng dữ liệu đã loại bỏ thành phần mùa

Trang 32

định rằng giá trị thực tế của chuỗi thời gian tại kỳ t bao gồm 3 thành phần cơ bản: xu hướng, biến động mùa và biến động ngẫu nhiên

dạng khác nhau trong đó có 2 dạng phổ biến là: mô hình cộng và mô hình nhân

Trang 33

33

Slide

 Mô hình cộng

Trong đó:

không phụ thuộc vào mức độ của chuỗi thời gian

Trang 34

 Mô hình nhân

Trong đó:

mùa tăng nhiều hơn khi doanh số tăng nhờ vào xu hướng tuyến tính dài hạn

Trang 35

35

Slide

 Ví dụ: nghiên cứu doanh số bán cà vạt ở Cửa

hàngTerry

Yêu cầu: Dự báo doanh số bán trung bình tuần qua

3 mùa cho năm thứ 5

Trang 36

CM A thứ hai = (2012 + 985 + 1995)/3 = 1664,00

CM A đầu tiên= (1856 + 2012 + 985)/3 = 1617,67

Bước 1 Tính các số trung bình trượt trung tâm

(CM A). Có 3 mùa riêng biệt trong năm Vì vậy,

cần tính số trung bình trượt 3 mức độ để loại bỏ thành phần mùa và ngẫu nhiên Ví

dụ :

và cứ tính tiếp tục cho đến hết chuỗi thời gian

Tính toán chỉ số mùa

Trang 37

37

Slide

Bước 2 Canh giữa các số trung bình trượt

trung tâm Số trung bình trượt trung tâm đầu tiên

đã tính được ở bước 1 (1617,67) được đặt ở

vị trí mùa 2 của năm thứ 1 Chú ý rằng số trung bình trượt tính được ở bước 1 sẽ đặt

ở vị trí giữa của khoảng cách làm trơn bởi

vì số quan sát ở bài này là số lẻ

Trang 38

38

Slide

1234

123123123123

(1856 + 2012 +

985)/3

1664,001716,001745,001827,001873,001884,001897,001931,001936,00

1617,67

199521681072

18562012 985224123061105

22802408112

Trang 39

39

Slide

trơn” cả thành phần mùa và những biến động ngẫu nhiên trong chuỗi thời gian

hướng của dữ liệu và mọi biến động ngẫu nhiên đã không được loại bỏ khi dùng số trung bình trượt để làm trơn dữ liệu

Trang 40

S t I t = Y t /(TB trượt ở kỳ t )

Bước 3 Xác định chỉ số mùa và thành phần ngẫu

nhiên (S Bằng cách chia từng giá trị thực tế cho t I t )

số trung bình trượt cùng thời kỳ Chúng

ta nhận được thành phần kết hợp mùa và ngẫu nhiên trong chuỗi thời gian

Trang 41

41

Slide

N ăm M ùa (USD) (YDoanh sốt)TB trượt TT

1234

123123123123

18562012 985199521681072224123061105228024081120

1617,671664,001716,001745,001827,001873,001884,001897,001931,001936,00

Trang 42

Bước 4 Xác định trung bình cho các mùa cùng

t I t tương ứng với mùa cùng tên.

3,005

Trang 43

43

Slide

3,000

Trang 44

44

Slide

N ăm M ùa (USD) (YDoanh sốt)TB trượt TT

1234

123123123123

18562012 98519952168107222412306110522802408112

1617,671664,001716,001745,001827,001873,001884,001897,001931,001936,00

S t I t

1,2440,5921,1631,2420,5871,1961,2240,5821,1811,244

Điều chỉnh

S t

1,1781,2360,5861,1781,2360,5861,1781,2360,5861,1781,2360,586

Trang 45

45

Slide

Bước 6 Xác định chuỗi loại bỏ tính mùa

Dùng chuỗi khử mùa để nhận diện xu

hướng

Trang 46

46

Slide

N ăm M ùa (USD) (YDoanh sốt) TBDĐTT

1234

123123123123

18562012 98519952168107222412306110522802408112

1617,671664,001716,001745,001827,001873,001884,001897,001931,001936,00

S t I t

1,2440,5921,1631,2420,5871,1961,2240,5821,1811,244

Điều chỉnh

S t

1,1781,2360,5861,1781,2360,5861,1781,2360,5861,1781,2360,586

hướng

Trang 47

47

Slide

Trang 48

hướng

Trang 49

49

Slide

M ùa 3: (0,586)(2090) = 1225

M ùa 2: (1,236)(2056) = 2541

M ùa 1: (1,178)(2022) = 2382

Bước 9 Xem xét đến tính mùa

N hân từng kết quả dự báo đã loại bỏ tính mùa với chính chỉ số mùa điều chỉnh tương ứng để có được kết quả dự báo các mùa ở năm thứ 5:

Điều chỉnh tính mùa

Trang 50

Hết Chương 14, Phần B

Định dạng
Số trang	50
Dung lượng	786,3 KB