Chương 3 : Ứng dụng mô hình Holt-Winters cho mùa vụ
4. Kết luận chương 3
Trong chương này đã trình bày ứng dụng mô hình Holt-Winters theo mùa vụ để giải quyết bài toán dự báo về chỉ số giá tiêu dùng CPI và dự báo về giá trị hàng hóa xuất khẩu của Việt Nam VnTradeExp.
Các kết quả dự báo về chỉ số giá tiêu dùng cho tháng kế tiếp xấp xỉ gần với các giá trị quan sát thực, sai số của dự báo ở mức chấp nhận được và mô hình các tham số (, , ) của mô hình Holt-Winters theo mùa vụ được chương trình EViews đưa ra khá hợp lý, nó sinh ra chuỗi dự báo khá sát chuỗi quan sát thực tế, điều đó chứng tỏ mô hình được chọn lựa này có thể giải thích cho sự biến động chuỗi thời gian về chỉ số giá tiêu dùng và chuỗi giá trị hàng hoá xuất khẩu. Các giá trị của hằng số (, , ) lựa chọn thỏa mãn giá trị RMSE đạt cực tiểu.
Tiếp theo, trong chương này đã phân tích kết quả của dự báo được thực hiện bởi hai mô hình trên cùng một tập dữ liệu thử nghiệm: mô hình Holt- Winters theo mùa vụ và ARIMA theo mùa vụ trên hai chuỗi: chuỗi chỉ số giá tiêu dùng CPI và chuỗi tổng giá trị hàng hoá xuất khẩu Việt nam VnTradeExp.
Kết Luận
Phát hiện tri thức từ cơ sở dữ liệu chuỗi thời gian nói chung và phân tích, dự báo dữ liệu chuỗi thời gian nói riêng đã được áp dụng trong nhiều lĩnh vực khác nhau tại các nước phát triển, nhưng tại Việt Nam thì còn rất hạn chế. Do các cơ sở dữ liệu về kinh tế - xã hội đều là cơ sở dữ liệu chuỗi thời gian nên việc phân tích dự báo chúng có vai trò quan trọng trong phục vụ xây dựng chính sách phát triển kinh tế - xã hội và quá trình ra quyết định trong điều hành, quản lý kinh tế của nhà nước.
Để phân tích, dự báo chuỗi thời gian chính xác, trước tiên cần hiểu rõ khái niệm và các thuộc tính đặc trưng của nó.
Dự báo là bài toán rất phức tạp, kết quả dự báo phụ thuộc vào nhiều yếu tố cả khách quan lẫn chủ quan chẳng hạn như phụ thuộc vào độ chính xác của dữ liệu thu thập, lựa chọn mô hình thích hợp để dự báo, những yếu tố bên ngoài ảnh hưởng tới dự báo… Hiện có nhiều mô hình dự báo khác nhau để phân tích, dự báo dữ liệu chuỗi thời gian và trong khuôn khổ của luận văn này chỉ đề cập đến mô hình làm trơn hàm mũ áp dụng cho chuỗi: chuỗi không có xu thế và không mùa vụ; chuỗi có xu thế và không mùa vụ; chuỗi có xu thế và có mùa vụ dùng cho dự báo chuỗi thời gian. Mô hình Holt-Winters được sử dụng để dự báo tính xu thế của chuỗi thời gian trong kinh tế, bởi do tính ưu việt của nó là tính đơn giản của mô hình và dễ áp dụng.
Chương 1 của luận văn này trình bày khái niệm và các đại lượng đặc trưng của chuỗi thời gian, các bước thực hiện để phân tích chuỗi thời gian, các mô hình đơn giản cho chuỗi thời gian và giới thiệu một số phương pháp kiểm định thống kê để đánh giá mô hình dự báo chuỗi thời gian. Phần tiếp theo đưa ra các phương pháp kiểm định.
Chương 2 trình bày về các mô hình làm trơn hàm mũ gồm: mô hình làm trơn hàm mũ dạng đơn giản – áp dụng cho chuỗi không có xu thế và không có mùa vụ; mô hình làm trơn hàm mũ bậc hai - áp dụng cho chuỗi có xu thế và không có mùa vụ; mô hình làm trơn hàm mũ bậc ba (hay Holt- Winters theo mùa vụ) - áp dụng cho chuỗi có xu thế và có mùa vụ. Mô hình Holt-Winters cho mùa vụ được tách thành hai mô hình con: mô hình mùa vụ cộng và mô hình mùa vụ nhân, công thức dự báo trước một bước, nhiều bước ngoài mẫu và tiêu chuẩn đánh giá kết quả dự báo từ mô hình. Phần cuối chương trình bày các bước để xây dựng mô hình Holt-Winters với chuỗi dữ liệu cho trước theo thời gian, một số mô hình làm trơn hàm mũ tương ứng với mô hình ARIMA.
Chương 3 sử dụng phần mềm EViews áp dụng mô hình Holt-Winters theo mùa vụ để phân tích chuỗi dữ liệu phụ thuộc mùa vụ, đó là chuỗi chỉ số giá tiêu dùng Việt nam (CPI) và chuỗi giá trị hàng hóa xuất khẩu Việt nam (VnTradeExp). Khi tiến hành dự báo, tập dữ liệu quan sát được chia thành hai phần, một phần dùng cho xây dựng mô hình, một phần dùng cho kiểm định dự báo. So sánh kết quả dự báo thu được từ mô hình với giá trị mẫu kiểm định thấy rằng kết quả dự báo cho chuỗi chỉ số giá tiêu dùng khá sát với giá trị quan sát mẫu, sai số dự báo nhỏ, cho thấy mô hình Holt-Winters cho mùa vụ được chọn là phù hợp để dự báo về chỉ số giá tiêu dùng Việt Nam. Tương tự mô hình Holt-Winters cho mùa vụ được xây dựng để dự báo cho chuỗi giá trị hàng hóa xuất khẩu cũng đưa ra giá trị dự báo khá sát với mẫu. Một số đánh giá nhận xét giữa hai mô hình Holt-Winters cho mùa vụ và mô hình ARIMA cho mùa vụ áp dụng trên cùng tập dữ liệu.
Cách tiếp cận phân tích, dự báo dữ liệu chuỗi thời gian trong luận văn này chỉ tập trung chủ yếu vào phân tích yếu tố xu thế và mùa vụ trong chuỗi dữ liệu thời gian. Trong khi đó, dữ liệu chuỗi thời gian thu thập bên ngoài
chứa nhiều yếu tố vô cùng phức tạp, chẳng hạn giá trị trong chuỗi quan sát có thể bộc lộ những sự kiện có thể đoán nhận được trong chu kỳ quan sát, ví dụ như ngày giải phóng đất nước (30/4), ngày quốc tế lao động(1/5), quốc khánh (2/9) v.v... Hoặc những sự kiện bất thường như đình công, chính sách thay đổi…Vì thế cần thiết phải nhận dạng, phát hiện ra các yếu tố này trong chuỗi dữ liệu quan sát và mô hình Holt-Winters là chưa đủ phức tạp về mặt toán học để tích hợp, biểu diễn được tất cả những yếu tố đó.
Mô hình Holt-Winters đơn thuần là mô hình nội suy, tức là nó chỉ đưa ra dự báo dựa trên mối quan hệ hiện tại và quá khứ giữa các giá trị trong chuỗi. Mà như ta biết để có thể đưa ra dự báo chính xác thì điều đó chưa đủ, cần phải có sự kết hợp nhiều chuỗi thời gian khác nhau, chúng có thể có những tác động nhất định lên chuỗi thời gian mà ta cần dự báo, lấy ví dụ như muốn dự báo giá thịt bò thì không chỉ dựa vào các giá trị trong quá khứ của nó mà phải dựa vào giá cả của nhiều mặt hàng khác như giá thịt lợn, cá, lương thực... thậm chí là thu nhập của người dân... thì mới có thể đưa ra dự báo chính xác. Hướng nghiên cứu tiếp theo của luận văn có thể khảo cứu mô hình tự hồi quy theo véctơ VAR để phân tích, dự báo chuỗi thời gian từ đó đánh giá độ chính xác của dự báo giữa các mô hình.
Tài Liệu Tham Khảo
A - Sách tham khảo Tiếng Việt
[1] Vũ Thiếu, Nguyễn Quang Dong, Nguyễn Khắc Minh (2001), Kinh tế lượng, NXB Khoa học và kỹ thuật.
[2] Nguyễn Khắc Minh (2002), Các phương pháp phân tích và dự báo trong kinh tế. NXB Khoa học và kỹ thuật Hà Nội
[3] Nguyễn Quang Dong (2002), Kinh tế lượng (chương trình nâng cao). NXB Khoa học và kỹ thuật.
[4] Hà Văn Sơn (2004), Giáo trình lý thuyết thống kê, Nhà xuất bản thống kê.
[5] Nguyễn Cao Văn (2002), Lý thuyết xác suất và thống kê toán, Nhà xuất bản giáo dục.
Tiếng Anh
[6] Ronald Bewley (2000), Time Series Forecasting, UNSW, Science Department, LGRC University of California.
[7] Boris Kovalerchuk, Evgenii Vityaev (2001), Dataming in finance advances in relational and hybrid method, Kluwer Acedamic Publishers.
[8] Wiesner Vos (2005), Time Series, Department of Statistics.
[9] Philip Hans Franses (2004), Forecasting Seasonal Time Series, Econometric Institute, Erasmus University Rotterdam.
[10] Lon Mu Liu, Stanlay L.Sclove (2001), DataMining on Time series: An illustration using fast-food restaurant franchise data, Department of Information and decision sciences, the university of Illinois at Chicago.
[11] Robert H. Shumway (2003), A short course in applied time series analysis, Department of Statistics of the University of California.
[12] Kevin Michael Reagan (1984), An evaluation of ARIMA (Box-Jenkins) Models for forecasting wastewater treatment process variables, University of California.
[13] Liz John (2004), Time series analysis, School of Engineering and Mathematics in Edith Cowan University.
[14] Hyunyoung Choi (2005), Time series analysis, Statistics and Applied Probability, University of California, Santa Barbara.
[15] Shashank Shekhar (2004), Recursive methods for forecasting short-term traffic flow using seasonal ARIMA time series model, North Carolina State University.
[16] Kadri Yürekl, Ahmet Kurunç (2004), Testing the residual of an ARIMA model on the çekerek stream, Ankara University.
[17] Philip Hans Franses, Dick Van Dijk (2001), The forecasting performance of various models for seasonality and nonlinearity for quarterly industrial production, Econometric Institute – Erasmus University Rotterdam.
[18] Stephane Hess (2002), A statistical analysis of the effects of safety cameras on traffic accident rates in Cambridge shire, University of Cambridge, Statistical Laboratory.
[19] Jens Dossé, Christophe Planas (1996), Pre-adjustment in seasonal adjustment modethod: a comparison of REGARIMA & TRAMO.
[20] Oğuz Atuk, Beyza Pınar Ural (2002), Seasonal adjustment in economic time series, Central Bank of The Republic of Turkey.
[21] William Q.Meeker (2001), Applied time series, Iowa State University.
B - Địa chỉ web [22] www.itl.nist.gov [23] www.maths.soton.ac.uk [24] www.hkbu.edu.hk [25] www2.chass.ncsu.edu [26] www.forecast.umkc.edu