HƯỚNG DẪN THỰC HÀNH EVIEW TRONG DỰ BÁO

HƯỚNG DẪN THỰC HÀNH EVIEW TRONG DỰ BÁO

1.Hoàng Thạch Nguyên_TF01

2.Nguyễn Văn Lương_TF02

3.Lê Thiện Hòa_TF02

4.Nguyễn Duy Thái_TF01

5.Vũ Thư Hoàng_TF01

6.Trần Hồng Loan Thảo_TF02

Nhóm thuyết trình:

Các phương pháp san bằng mũ

• San bằng mũ đơn giản• Phương pháp tuyến tính Holt• Phương pháp Holt-Winter

Ví dụ:

• Dữ liệu về số học sinh của Mỹ đã được tính với mức alpha=0.7 và beta=0.6

Dữ liệu trên file excel: hw.xls

San bằng mũ đơn giản

Holt-winters 2 tham số

không mùa vụ

Holt-winters mô hình cộng

3 tham số

Holt-winters mô hình nhân

3 tham sốLưu ý ?!! Các bạn có thề ko thêm

alpha,beta để cho máy tự tính hoặc tính giá trị alpha

beta trên excel và đánh vào

Dựa vào biểu đồ ta thấy rằng dữ liệu không có tính mùa vụ

Giá trị:alpha=0.7beta=0.6

Theo quý: 4Theo tháng: 12

Chọn mô hình nào MSE nhỏ

hơn

Kết quả của holt-winters 2 tham số không mùa vụ

Kết quả của holt-winters 2 tham số không mùa vụ

• Dự báo:• Genr: YDB = (YMU+T)*S• YMU: Mean• T: Trend• S: Chi so mua vu

• Không có chỉ số mùa vụ thì không nhân

Mô hình ARIMA-Phương pháp Box-Jenkins

• Ví dụ: các số liệu về chỉ số giá tiêu dùng tính theo quý của Việt Nam từ quý I/1991 đến quý IV/1997.

• Sau đó chạy dự báo cho 4 quý vào năm 1998.

• Dữ liệu trên file arima.xls

Đưa dữ liệu vào :File/open/Foreign Data as Workfile… (file excel . csv )

B1 Xét tính mùa vụ của dữ liệu

Dựa vào biểu đồ ta thấy rằng dữ liệu không có tính mùa vụ

Nếu có mùa vụ

• Genr: DSY = d(y,0,s)• S: chu kỳ mùa vụ (4: quý, 12: tháng)

• Genr: DSY2 = d(DSY,0,s)

Tiếp tục cho đến khi hết tính mùa vụ

Chạy Correlogram để kiểm tra hết tính mùa vụ chưa

B2: Kiểm

định tính dừng

theo pp Dickey-Fuller

Ở phần test for unit root in -Level: kiểm

định bình thường

-1st difference : sai phân bậc 1-2nd difference : sai phân bậc 2

|T| tính ra > giá trị kiểm định thì dừng

B3: Xét mô hình ARIMA

Sai phân dựa vào bước trên

-Ta thấy biểu đồ hàm tự tương quan ACF giảm dần một cáchtừ từ về 0, chuỗi đã dừng.-ACF tắt nhanh về 0 sau 3 độ trễ : q=3-PAC giảm nhanh về 0 sau 1 độ trễ: p=1

Nếu có mùa vụ thì nhìnĐể tính SAR, SMA

Theo quý: Nhìn dôi ra 1 4 -> SAR (1)1 4 8 -> SAR (2)

Theo tháng:Nhìn dôi ra 1 12 -> SAR (1)1 12 24 -> SAR (2)

B4 Chạy mô hình ARIMA (1,0,3)

Y c ar(1) ma(1) ma(2) ma(3)

Nhìn số ar, ma theo correlogram ở trênKhông có mùa vụ

có mùa vụ: ARIMA (2,2,1)(1,2,2)4

D(Y,2) c ar(1) ma(1) ma(2) ma(3)

D(Z,2) C AR(1) AR(2) MA(1) SAR(4) SMA(4) SMA(8)GENR X = D(Y,0,4)GENR Z = D(X,0,4)

Z: là biến tạo mùa vụ ở trên

Giá trị ar, ma nào cóP-value > mức ý nghĩaThì loại khỏi mô hìnhVà chạy lại hàm hồi quy

B5 Xác định nhiễu trắng kiểm tra phần dư

Sai số của mô hình ARIMA(1,0,3) là một chuỗi dừng và nó có phânphối chuẩn. Sai số này là nhiễu trắng. Từ lược đồ tự tương quan phần dư có p-value >0.1 và không có thanh nào vượt quá 2 đường biên suy ra mô hình phù hợp

Ta có bảng xác định các tiêu chuẩn đánh giá sau khi đã thử với một vài mô hình khác nhau :

Mô hình R-squared Log likelihood Akaike info

criterion Schwarz criterion

ARIMA(1,0,3) 0.989405 30.62232 -2.046097 -1.902116

ARIMA(1,0,0) 0.985394 26.28905 -1.799189 -1.703201

ARIMA(0,0,3) 0.732152 -15.5026 1.250186 1.345343

Thêm thời điểm cần dự báoProc/ Structure – Resize current…

Sai số dự báo

Thời điểm cần dự báo

Biểu đồ dự báo

Kết quả dự báo