slide môn dự báo ( kinh tế)

PHẦN 1: LÍ THUYẾTI.Dự báo bằng phương pháp phân tích hồi quy.. - Nghiên cứu mối liên hệ phụ thuộc giữa giá trị của một biến Y-gọi là biến phụ thuộc biến này gọi là các biến độc lập hay

PHẦN 1: LÍ THUYẾT

I.Dự báo bằng phương pháp phân tích hồi quy.

1.Phân tích hồi quy.

- Nghiên cứu mối liên hệ phụ thuộc giữa giá trị của một biến Y-gọi là biến phụ thuộc

biến này gọi là các biến độc lập hay biến giải thích.

- Phân tích hồi quy giúp chúng ta:

+ kiểm định giả thiết về sự phụ thuộc

+ dự báo giá trị trung bình hoặc cá biệt của biến phụ thuộc khi đã biết giá trị của (các) biến độc lập.

2.Mô hình hồi quy tổng thể và mô hình hồi quy mẫu

Nếu số biến giải thích nhiều hơn 1 thì được gọi là mô hình hồi quy

bội(hồi quy nhiều biến).

*Mô hình hồi quy mẫu(SRF) có thể được biểu diễn như sau:

i = (Xji)

Trong đó:

là ước lượng của f

*Mô hình hồi quy nhiều biến

Yi=β1+β2X2i+β3X3i+…+βkXki+Ui

Trong đó:

•  

3 Phân tích hồi quy và dự báo

 dự báo giá trị trung bình

 dự báo giá trị cá biệt

 dự báo bằng phương pháp phân tích

 dự báo bằng các mô hình xu thế

 dự báo điểm với các hàm xu thế

 dự báo bằng phương pháp san mũ

PHẦN 2: THỰC HÀNH TRÊN EXCEL

I LƯỢNG TĂNG (GIẢM) TUYỆT ĐỐI

1 Lượng tăng (giảm) tuyệt đối liên hoàn

2 Lượng tăng (giảm) tuyệt đối định gốc

3 Lượng tăng (giảm) tuyệt đối trung bình

•  

II TỐC ĐỘ PHÁT TRIỂN

1 Tốc độ phát triển liên hoàn

2 Tốc độ phát triển định gốc

•  

III TỐC ĐỘ TĂNG (GIẢM)

1 Tốc độ tăng (giảm) liên hoàn

2 Tốc độ tăng (giảm) định gốc

3 Trị tuyệt đối của 1% tăng (giảm) liên hoàn

•  

IV DỰ BÁO BẰNG LƯỢNG TĂNG GIẢM TUYỆT ĐỐI TRUNG BÌNH

n+L = y n + L

 Với :

n+L : là giá trị dự báo ở thời điểm n + L

Yn : là giá trị thực tế ở thời điểm n

: là lượng tăng giảm tuyệt đối trung bình

L : là tầm xa của dự báo

•  

V DỰ BÁO BẰNG TỐC ĐỘ PHÁT TRIỂN TRUNG BÌNH

n+L = Y n (

Với:

n+L : là giá trị dự báo ở thời điểm n + L

Yn : là giá trị thực tế ở thời điểm n

: là tốc độ phát triển trung bình

L :là tầm xa dự báo

•  

VI DỰ BÁO BẰNG PHƯƠNG PHÁP TRUNG BÌNH TRƯỢT

n+1 =

 Với :

n+1 : là giá trị dự báo ở thời điểm n + 1

Y n : là giá trị thực tế ở thời điểm n

K : là khoảng trượt

•  

Trong đó

Yi : Mức têu thụ hàng hóa của từng địa phương

Xi : Dân số từng địa phương

Ti : Gía trị sản xuất của từng địa phương

R2=0.982252 > 0.8 khá cao mô hình có ý nghĩa.

t-Statistic: không chênh lệch quá nhiều.

Không có hiện tượng đa cộng tuyến.

Adjusted R-squared -0.066366     S.D dependent var 14595.09

S.E of regression 15071.62     Akaike info criterion 22.29133

    Prob Chi-Square(2)= 0.2057>α=0.05 nên không có hiện tượng phương sai sai số thay đổi

U(theil inequality coefficient)=0.056807< 0.5 -> mô hình tốt hơn mô hình thô RMES=14225.53

Root Mean Squared Error 14225.53Mean Absolute Error 10793.78Mean Abs Percent Error 37.73542Theil Inequality Coefficient 0.056807 Bias Proportion 0.000000 Variance Proportion 0.004477 Covariance Proportion 0.995523

Hàm xu thế.

*Tạo biến xu thế t:

Genr t=@trend(1990)

Trên cửa sổ workfle xuất hiện biến xu thế t

Gõ vào cửa sổ chính là eview.

F-statistic 156.7308     Durbin-Watson stat 0.643658Prob(F-statistic) 0.000000      

Dự báo

Từ bảng hồi quy vừa tìm được ta chọn Forecast ->bảng dự báo:

Tương tự dự báo ta có được

Dependent Variable: LOG(Y)    

 

So sánh các hàm số để xác định hàm phù hợp nhất

Xét giá trị R-squared: chọn mô hình có R-squared lớn nhất

Giá trị theil Inequality Coeficient : chọn mô hình có theil Inequality Coeficient nhỏ nhất.

Hàm bậc 1 có R-squared 0.902147 là và theil Inequality Coeficient là 0,083064

Hàm bậc 2 có R-squared là 0,967501 và theil Inequality Coeficient là 0,04765

Hàm bậc 3 có R-squared 0,971364 là và theil Inequality Coeficient là 0,044717

Hàm Ln(Yt) có R-squared là 0,967702 và theil Inequality Coeficient là 0,044507

Hàm Yt= eβ1+β2T+Ut : có R-squared là -1,135609, theil Inequality Coeficient là 0,470825  

Từ kết quả so sánh ta thấy Hàm bậc 3 là phù hợp nhất( hiệu quả nhất)

2.2.Phương pháp san mũ

Từ bảng Series Y  chọn proc  chọn Exponential Smoothing  ở ô smoothing method chọn sigle 

San mũ holt winter:

Tiến hành so sánh giữa các mô hình ta được

Xét giá trị mean có giá trị lớn nhất:

san mũ giản đơn có mean=4639,531

san mũ không mùa vụ có mean=4617.287

san mũ theo mô hình nhân tính có mean= 5547,767

Phương pháp san mũ theo mô hình nhân tính có mean là lớn nhất nên

do đó phương pháp san mũ theo mô hình nhân tính là phù hợp nhất