Lựa chọn mô hình phù hợp
Để có thể dự báo mang tính tốt nhất ta loại bỏ các khoản giảm trừ doanh thu và sử dụng là doanh thu thuần.
Độ dài của dự báo là yếu tố cũng không kém phần quan trọng, thường không nhất quán về đơn vị thời gian có thể rất khó theo dõi nếu không có định hướng về độ dài dự báo rõ ràng. Nên đối với trường hợp này, dự báo doanh thu thuần ta sẽ thường
xét: nếu doanh thu thuần theo năm thì độ dài từ 3- 5 năm, nếu theo quý thì từ 8- 12 quý, nếu theo tháng thì từ 12- 18 tháng. Như vậy, xét theo tình hình thực tế cũng như yêu cầu về mặt số liệu độ dài dự báo được lựa chọn tốt nhất là doanh thu thuần theo quý. Theo đó, số quý được lựa chọn để dự báo là 16 quý từ quý I năm 2010 tới quý IV năm 2013.
Dữ liệu sử dụng thực tế thu thập được từ phía doanh nghiệp là dữ liệu doanh
thu thuần theo thời gian mang tính xu thế, không có biến động thời vụ. Đây là một
thành phần dài hạn phản ánh xu hướng tăng/giảm của chuỗi thời gian trong khoảng thời gian dài, cụ thể là doanh thu thuần các quý từ năm 2010- 2013.
Biến động của hiện tượng nghiên cứu trong công trình nghiên cứu này theo thời gian chịu tác động của nhiều yếu tố, ngoài các nhân tố chủ yếu cơ bản quyết định xu hướng biến động của hiện tượng còn có yếu tố ngẫu nhiên gây những sai lệch khỏi xu hướng. Vì vậy, để nêu lên được xu thế, tính quy luật về sự biến động của hiện tượng cần loại bỏ các yếu tố ngẫu nhiên. Căn cứ tình hình thực tế là chuỗi số liệu có tính xu thế tăng theo thời gian cũng như lý thuyết phương pháp dự báo biểu hiện được tính xu thế ấy chỉ có thể sử dụng là: Mô hình dự báo Brown, Mô hình dự báo san mũ Holt-
Winters không có yếu tố thời vụ.
Qua quá trình trao đổi với nhóm tác giả GS.TS Nguyễn Quang Dong, TS. Nguyễn Thị Minh (2012) đã đưa đến sự lựa chọn phần mềm sử dụng là phần mềm Eviews phiên bản Eviews 4 với giao diện là .
Theo đó, Eviews đưa ra cho chúng ta các mô hình san mũ cho chuỗi thời gian như:
- Single Exponential Smoothing (San mũ giản đơn);
- Double Exponential Smoothing (San mũ bậc hai- Mô hình dự báo Brown); - Holt- Winters- No seasonal (Mô hình dự báo Holt- Winters);
- Holt- Winters- Additive (Mô hình có yếu tố xu thế và mùa vụ- Mô hình cộng);
- Holt- Winters- Multiplicative (Mô hình có yếu tố xu thế và mùa vụ- Mô hình nhân).
Hình 2.1: Các mô hình san mũ được tích hợp trong phần mềm Eviews ( Exponential Smoothing)
Mô hình được lựa chọn sử dụng là Double Exponential Smoothing (Mô hình dự báo Brown), Holt- Winters- No seasonal (Mô hình dự báo Holt- Winters).
Chuỗi số liệu sử dụng trong Eviews là chuỗi xu thế (Trend component- T). Các bước tiến hành cụ thể theo mô hình dự báo Brown
Theo mô hình này, để thực hiện san mũ 2 lần (Double Exponential Smoothing DES) ta sử dụng phần mềm Eviews đo lường giá trị san mũ lần 2 và cho ta giá trị dự báo F – giá trị này trên Eviews được gọi là DTBrown.
Các bước thực hiện như sau:
Bước 1: Nhập số liệu cho biến số- Biến doanh thu thuần thực tế Dt với 16 giá trị
tương ứng 16 quan sát tính từ quý I năm 2010 tới quý IV năm 2013. Biến này trong Eviews được gọi là DT.
Bước 2: Thực hiện chạy mô hình san mũ lần hai (DES).
Từ số liệu nhập ban đầu doanh thu DT, tại của sổ Exponetial smoothing ta chọn:
- Smoothing method: Double;
- Smoothed series: ghi tên biến được dự báo là DTBrown.
Hình 2.2: Mô hình san mũ lần hai được tích hợp trong phần mềm Eviews (Double Exponential Smoothing)
Giá trị hệ số san mũ α sẽ được phần mềm Eviews tự động xác định để đưa ra giá trị tối ưu sao cho RSS nhỏ nhất (Sum of Squared Residuals: RSS= ∑( Dt – Ft )2).
Kết quả dự báo được hiện trong Workfile và ta sẽ đưa ra được các giá trị dự báo doanh thu thuần và đồng thời sẽ đưa ra biểu đồ về giá trị thực tế và giá trị ước lượng dự báo được để so sánh và lựa chọn.
Bằng việc ước lượng ta đưa ra các hệ số đánh giá như MAD, MSE, MAPE (công thức tính mục 1.3.1.2) nhằm so sánh và chọn ra mô hình nào sẽ cho mức doanh thu dự báo ít sai số nhất so với giá trị thực tế. Đặc biệt, phần mềm Eviews đưa ra hệ số đánh giá tốt nhất đó là RMSE, đây là hệ số được sử dụng.
Các bước tiến hành cụ thể theo mô hình dự báo dự báo Holt- Winters không có yếu tố thời vụ.
Ở đây ta sử dụng phần mềm Eviews để xác định các giá trị cho mô hình dự báo san mũ Holt- Winters không có yếu tố thời vụ. Nhập số liệu theo quý về doanh thu thuần vào phần mềm và để chuẩn bị cho các bước chạy mô hình dưới đây.
Bắt đầu tính toán từ T2 = D2 – D1 và F2 = D2 . Như vậy theo công thức (4) các chuỗi đã san không có quan sát thứ nhất.
Ft = αDt + (1- α)(Ft - 1 + Tt - 1); với 0 ≤ α ≤ 1 Tt = β( Ft - Ft - 1) + (1-β )Tt - 1 ; với 0 ≤ β ≤ 1
Các giá trị α, β sẽ được phần mềm Eviews tự động xác định để đưa ra giá trị tối ưu sao cho RSS nhỏ nhất.
Bước 1: Nhập số liệu cho biến số vào phần mềm Eviews 4. Sử dụng ngay số
liệu ở bộ số liệu trên khi thực hiện mô hình dự báo Brown.
Bước 2: Tiến hành thực hện mô hình San mũ Holt- Winters không có yếu tố
mùa vụ.
Từ số liệu nhập ban đầu doanh thu DT, tại của sổ Exponetial smoothing ta chọn:
- Smoothing method: Holt- Winter No seasonal;
- Smoothed series: ghi tên biến được dự báo là DTHolt.
Hình 2.3: Mô hình Holt – Winters được tích hợp trong phần mềm Eviews (Holt – Winters No seasonal)
Khi đó biến doanh thu dự báo Ft trong Eviews đã mang tên DTHolt.
Kết quả dự báo được hiện trong Workfile và ta sẽ đưa ra được các giá trị dự báo doanh thu thuần và đồng thời sẽ đưa ra biểu đồ về giá trị thực tế và giá trị ước lượng dự báo được để so sánh và lựa chọn.
Bằng việc ước lượng ta đưa ra các hệ số đánh giá như MAD, MSE, MAPE (công thức tính mục 1.3.1.2) nhằm so sánh và chọn ra mô hình cho mức doanh thu dự báo ít sai số nhất so với giá trị thực tế.
Ngoài việc sử dụng các hệ số đánh giá như đã đề cập ở trên, phần mềm Eviews có tích hợp hệ số khác nhằm đánh giá sai số của dự báo là RMSE (Căn bậc hai của trung bình bình phương sai số dự báo)
2
( t t)
RMSE
n
F D−
= ∑ với n là số biến số hay số quan sát.