HƯỚNG dẫn dự báo dữ LIỆU THỜI GIAN BẰNG EVIEW 8 0 GV trần đức luân khoa kinh tế, đh nông lâm tp HCM học kỳ 1 (2014 2015)

Tiếp theo, ta tính giá trị cận trên và dưới Lưu ý rằng, trước khi thực hiện dự báo, ta cần phải kiểm định chất lượng mô hình giống như phần lý thuyết của kinh tế lượng căn bản.. Đây là d

Trang 1

HƯỚNG DẪN DỰ BÁO DỮ LIỆU THỜI GIAN BẰNG EVIEW 8.0

GV Trần Đức Luân Khoa kinh tế, ĐH Nông Lâm Tp HCM

Học kỳ 1 (2014-2015)

A Các mô hình xu thế điển hình

Xu thế là sự vận động tăng hay giảm của dữ liệu trong khoảng thời gian dài Sự vận động này có thể tuyến tính hoặc phi tuyến Nhờ vào các dạng hàm xu thế, ta có thể sử dụng phần mềm Eview để dự báo giá trị trong tương lai

Trang 2

Ước lượng mô hình xu thế tuyến tính

Vào Proc/Set Sample Tại cửa sổ lệnh, gõ: LS Y C @TREND()+1

Trang 3

Theo lý thuyết ước lượng khoảng tin cậy, giá trị dự báo khoảng như sau:

+Cận trên: = + / ∗ ( )

+Cận dưới: = − / ∗ ( )

Để tìm thống kê T, ta dùng câu lệnh: SCALAR TB=@QTDIST(1-α/2,n-k)

Quay lại trường hợp này, mô hình từ dữ liệu quá khứ có 36 tháng và có 2 hệ số hồi quy (β1

và β2) nên các thông số n và k lần lượt là 36 và 2 Giả sử, ta chọn độ tin cậy 95% (tức mức

ý nghĩa α=5%) lúc này trị thống kê T sẽ là:

Trang 4

Tiếp theo, ta tính giá trị cận trên và dưới

Lưu ý rằng, trước khi thực hiện dự báo, ta cần phải kiểm định chất lượng mô hình (giống như phần lý thuyết của kinh tế lượng căn bản) Nếu mô hình vi phạm giả thiết thì chúng ta không nên thực hiện các dự báo khoảng mà chỉ dùng dự báo điểm Hoặc thận trọng hơn,

sự vi phạm giả thiết có thể bắt nguồn từ việc chọn sai hàm toán, lúc này ta cân nhắc các kiểu hàm khác để có được mô hình dự báo tốt hơn

Đây là dữ liệu thời gian, vì vậy cần ưu tiên kiểm định hiện tượng tự tương quan Sau đó, ta kiểm định phương sai thay đổi và phân phối chuẩn của sai số

Kiểm định tự tương quan Kiểm định phương sai thay đổi

Trang 5

Kiểm định Jarque-Bera

Nếu phần dư không có phân phối chuẩn thì mô hình hồi quy chưa tốt và mắc

có thể do mắc phải các lỗi bỏ sót biết quan trọng, sai dạng hàm, phương sai sai số thay đổi, tự tượng quan,… Do vậy, kiểm định phần dư là một công việc quan trọng trong việc xây dựng phương trình ước lượng bằng phương pháp OLS Trị thống kê JB được tính và so sánh với thống kê Chi bình phương tra bảng (hoặc có thể dùng bằng phương pháp P-Value)

Giả thuyết:

Ho: U~N(0,1) H1: U ≠ N(0,1)

Kết quả kiểm định trên cho thấy, xác suất thống kê Jarque-Bera bằng 0,38 (lớn hơn mức ý nghĩa 0,05) nên sai số dự báo của mô hình xấp xỉ phân phối chuẩn Vì vậy, kết quả kiểm định và chẩn đoán cho thấy mô hình tồn tại hiện tượng tự tương quan bậc 1 Do đó, mô hình dự báo xu thế tuyến tính này chưa đảm bảo tính thuyết phục Ta cần nghiên cứu thêm các mô hình dự báo nâng cao hơn (ví dụ: mô hình tự hồi quy) ở phần sau

Trang 6

2.Mô hình hàm bậc hai

*Ước lượng mô hình:

*Giá trị dự báo

Trang 7

B Dự báo bằng mô hình nhân (Multiplicative Component Model) và mô hình cộng

(Additive Components Model)

Xét về bản chất, một chuỗi thời gian thường bao gồm 4 thành phần:

(2) Chu kỳ (Cyclical) Ct

(3) Mùa vụ (Seasonal) St

(4) Bất thường (Irregular) It

Khi dự báo, ta cần xem xét các thành phần này liên hệ như thế nào đến chuỗi dữ liệu gốc

Mô hình nhân (gọi tắt là MCM) sẽ phù hợp nếu sự biến thiên tăng dần theo thời gian, tức

là xu thế các giá trị của chuỗi biến thiên trãi rộng Trong khi đó, mô hình cộng (gọi tắt là ACM) có chuỗi dữ liệu biến thiên xấp xỉ đều nhau suốt độ dài của thời gian

*Nếu số liệu theo tháng: CMAt=(0.5Yt+6+…+Yt+…+0.5Yt-6)/12

*Nếu số liệu theo quý: CMAt=(0.5Yt+2+Yt+1+Yt+Yt-1+0.5Yt-2)/4

(2) Tính tỷ số τi =Yt/CMAt

(3) Tính tỷ số mùa vụ

*Số liệu theo tháng: im(cho tháng m) = trung bình τi của các tháng m trong dãy số liệu

*Số liệu theo quý: iq (cho quý q) = trung bình τi của các quý q trong dãy số liệu

Trang 8

phân tích phía trên Chuỗi dữ liệu chỉ còn lại yếu tố xu thế, ta dùng chuỗi

Trang 9

Nhận dạng chuỗi dự liệu nghiên cứu bằng đồ thị

Trang 10

Tách yếu tố mùa

Chọn phương pháp mô hình nhân

Mô hình nhân

Trang 11

Kết quả Sn

Biến YSA chính là chuỗi dữ liệu đã hiệu chỉnh tính mùa vụ và chu kỳ, YSA=Y/SN Yếu tố chu kỳ xét trong ngắn hạn xem như không có (C=1), yếu tố ngẫu nhiên bị triệt tiêu sau khi lấy trung bình khi tính chỉ số mùa (do vậy I=1) Nếu có yếu tố ngẫu nhiên trong chuổi YSA thì ta loại quan sát bất thường, rồi thay bằng trung bình cộng của hai quan sát liền kề, lúc này YSA = T Đây là dữ liệu dùng để dự báo tương lai

Trang 12

Tạo biến xu thế và ước lượng:

Với độ tin cậy 95%, biến T có ý nghĩa thống kê trong mô hình (P-value =0.0000), hệ số xác định R2 = 0.83, và phương trình hồi quy là:

( ) = 4.717 + 0.035T

Tiếp theo, ta tiến hành thực hiện dự báo điểm và dự báo khoảng

Trang 13

Root Mean Squared Error 11.65867Mean Absolute Error 8.951958Mean Abs Percent Error 5.936129Theil Inequality Coefficient 0.037456 Bias Proportion 0.001609 Variance Proportion 0.085388 Covariance Proportion 0.913003

Chỉ tiêu đánh giá dự báo MAP=5.93, Theil’s U=0.03 (<0.55) nên độ chính xác tốt

Kiểm tra chất lượng mô hình dự báo

*Tự tương quan

Trang 14

Breusch-Godfrey Serial Correlation LM Test:

*Phương sai thay đổi

Heteroskedasticity Test: White

Scaled explained SS 0.621775 Prob Chi-Square(2) 0.7328

*Phân phối chuẩn của sai số

Mean 0.467718 Median 1.015227 Maximum 30.27213 Minimum -18.13893 Std Dev 12.03133 Skewness 0.572139 Kurtosis 3.573969 Jarque-Bera 1.092541 Probability 0.579106

Các kết quả kiểm định cho thấy, với độ tin cậy 95%, mô hình có phương sai sai số đồng đều, không có tự tương quan, sai số tuân theo phân phối chuẩn Vì vậy, đây là mô hình tốt

để thực hiện dự báo

Trang 15

Thông qua các câu lệnh GENR, xem công thức của hình trên, ta lần lượt tính giá trị dự báo của Y, ký hiệu là YF Tương tự, tính giá trị dự báo cận trên (YFCT) va cận dưới (YFCD)

Trang 18

 Mô hình cộng

Các bước thực hiện:

(1) Làm trơn số liệu bằng trung bình trượt (Centered Moving Average) Giá trị CMA

sẽ chứa đựng thành phần xu thế và thành phần chu kỳ

*Nếu số liệu theo tháng: CMAt=(0.5Yt+6+…+Yt+…+0.5Yt-6)/12

*Nếu số liệu theo quý: CMAt=(0.5Yt+2+Yt+1+Yt+Yt-1+0.5Yt-2)/4

(2) Tính sự khác biệt: dt =Yt - CMAt

(3) Tính tỷ số mùa vụ

*Số liệu theo tháng: im(cho tháng m) = trung bình dt của các tháng m trong dãy số liệu

*Số liệu theo quý: iq (cho quý q) = trung bình dt của các quý q trong dãy số liệu

(4) Chỉnh tỷ số mùa vụ để tổng của chúng bằng 0

= ( − ̅) với ̅ là trung bình của tất cả các chỉ số mùa

Trong cửa sổ Serias của Eview, Sn là các Scaling Factors Sn cho biết tại thời điểm nghiên cứu nào đó, giá trị Y sẽ cao hơn hay thấp hơn một lượng Snt so với giá trị dữ liệu đã hiệu chỉnh yếu tố mùa

(5) Chuỗi dữ liệu đã hiệu chỉnh tính mùa vụ có được bằng cách lấy Yt trừ Snt Lúc này, yếu tố chu kỳ được xem như không có (do dự báo trong ngắn hạn) và yếu tố mùa vụ

đã được xử lý khi tính trung bình ở bước phân tích phía trên Chuỗi dữ liệu chỉ còn lại yếu tố xu thế, ta dùng chuỗi Yt-Snt để dự báo

Thực hành trên EVIEW

*Nhận dạng bằng đồ thị: xem lại phần trên, dường như mô hình cộng thích hợp hơn do biến thiên đều theo thời gian

Trang 19

Lựa chọn phương pháp điều chỉnh theo mô hình cộng

Kết quả điểu chỉnh

Phần mềm Eview sẽ tính Sn, và biến YSA = Y – Sn

Trang 20

Dự báo YSA (doanh số đã loại bỏ tính mùa) bằng mô hình xu thế

Dự báo điểm và khoảng

Trang 21

Root Mean Squared Error 8.565713Mean Absolute Error 7.722304Mean Abs Percent Error 4.919920Theil Inequality Coefficient 0.026851 Bias Proportion 0.000000 Variance Proportion 0.028919 Covariance Proportion 0.971081

Tính giá trị doanh số dự báo YF = YSAF+SN

Tra bảng thống kê T, với mức ý nghĩa 5%, bậc tự do n-k=14, ta được TB

Tính cận trên và cận dưới của giá trị dự báo khoảng

Trang 22

Đồ thị dự báo theo mô hình cộng

Trang 23

*Kiểm định tính mùa vụ (Kruskal – Wallis Test)

Kruskal-Wallis là một trrong các kiểm định phi tham số Kiểm định này tương tự như kiểm định ANOVA một chiều vì nó có thể đưa ra kết luận xem trung bình giữa các nhóm có khác biệt hay không Tuy nhiên, không như ANOVA, kiểm định Kruskal-Wallis không đòi hỏi phân phối chuẩn của dữ liệu từng nhóm, không đòi hỏi số lượng quan sát của mỗi nhóm phải nhiều, mà dựa trên sự xếp hạng của St.It và xem xét hạng trung bình của St.It có khác biệt giữa các mùa hay không, hay phân phối của St.It có khác biệt giữa các mùa (các quý/tháng) hay không Nếu có khác biệt

thì chuỗi dữ liệu gốc có tồn tại yếu tố mùa

Ví dụ, ta thực hiện kiểm định cho dữ liệu doanh số Giả sử ta tính bằng thủ công trên Eview 8.0

+ Mô hình nhân: GENR SN_N=Y/CMA

+ Mô hình cộng: GENR SN_C=Y-CMA

*Tạo thêm chuỗi

+Nếu theo quý: GENR QUY=@QUARTER

+Nếu theo tháng: GENR THANG=@MONTH

Trang 24

(2) Kiểm định Kruskal-Wallis

*Bắt đầu từ mô hình nhân

Mở biến SN_N, chọn View/Descriptive Stats-Test/Equality Test…

Trang 25

Kết quả kiểm định

Test for Equality of Medians of SN_N

Categorized by values of QUY

Date: 09/16/14 Time: 15:06

Sample (adjusted): 2010Q2 2013Q2

Included observations: 13 after adjustments

Ho: Không có yếu tố mùa (phân phối của St.It tương tự nhau giữa các quý)

H1: Có yếu tố mùa (phân phối của St.It khác nhau giữa các quý)

Kết quả kiểm định Kruskal-Wallis cho thấy, xác suất của thống kê này bằng 0.0103 (bé hơn mức ý nghĩa 5%), nên ta bác bỏ Ho Vì vậy có tồn tại tính mùa

vụ trong chuỗi dữ liệu nếu thực hiện mô hình nhân để dự báo

*Bắt đầu từ mô hình cộng

Mở biến SN_C, chọn View/Descriptive Stats-Test/Equality Test…

Test for Equality of Medians of SN_C

Categorized by values of QUY

Date: 09/16/14 Time: 15:07

Trang 27

C Dự báo theo phương pháp BOX-JENKINS

Box-Jenkins (1976) là những người đầu tiên giới thiệu mô hình ARIMA Trong đó:

AR : Autoregressive (tự hồi quy)

I : Intergrated (kết hợp)

MA : Moving Average (trung bình trượt) Trước khi áp dụng phương pháp này, ta cần số quan sát trong quá khứ đủ lớn (kinh nghiệm trên 24?), các môi trường chính sách trong tương lai được dự báo ít biến động so với quá khứ

Trang 28

Null Hypothesis: DS has a unit root

Exogenous: Constant

Lag Length: 4 (Automatic - based on SIC, maxlag=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.241501 0.9719

*MacKinnon (1996) one-sided p-values

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(DS)

Method: Least Squares

Date: 09/16/14 Time: 15:56

Variable Coefficient Std Error t-Statistic Prob

Trang 29

Kết quả kiểm định cho thấy, xác suất kiểm định Augmented Dickey-Fuller

bằng 0.97 (lớn hơn mức ý nghĩa 0.05) nên chấp nhận giả thuyết Null Vậy, dữ

liệu gốc có nghiệm đơn vị hay nói cách khác chuỗi chưa dừng

Ta thử lấy sai phân bậc 1 nhằm mục đích biến chuỗi chưa dừng thành chuỗi

dừng Dùng câu lệnh: GENR DDS=D(DS)

Sau đó, mở biến DDS, vẽ đồ thị và kiểm định tính dừng cho chuỗi DDS

Trang 30

Augmented Dickey-Fuller test statistic -3.184334 0.0286

Dependent Variable: D(DDS)

Date: 09/16/14 Time: 16:03

Trang 31

Với độ tin cậy 95%, dựa vào xác suất thống kê Dickey-Fuller (0.028), chuỗi DDS đã dừng (không có xu thế trend) sau khi lấy sai phân bậc 1

Nếu kiểm định tính dừng (có xu thế)

Null Hypothesis: DDS has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 3 (Automatic - based on SIC, maxlag=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.321207 0.0778

Dependent Variable: D(DDS)

Date: 09/16/14 Time: 16:18

Trang 32

Adjusted R-squared 0.919091 S.D dependent var 3885.827

S.E of regression 1105.303 Akaike info criterion 16.99426

Sum squared resid 40315898 Schwarz criterion 17.25020

Log likelihood -325.3882 Hannan-Quinn criter 17.08609

Prob(F-statistic) 0.000000

Mô hình tự hồi quy AR(p)

Trang 33

R-squared 0.901425 Mean dependent var 48242.97

Convergence achieved after 93 iterations

Sum squared resid 1.49E+08 Schwarz criterion 18.15628

MA Backcast: 1974Q1

Trang 34

MA Backcast: 1974Q3

Định dạng
Số trang	35
Dung lượng	4,71 MB