Bài giảng Dự báo trong kinh doanh (Business forecasting): Chương 7 - Phùng Thanh Bình

Dự báo trong kinh doanh<br /> (Business Forecasting)<br /> <br /> Khoa Kinh tế Phát triển<br /> 1A Hoàng Diệu, Phú Nhuận<br /> Website: www.fde.ueh.edu.vn<br /> <br /> Phùng Thanh Bình<br /> <br /> MÔ HÌNH ARIMA<br /> 1.<br /> <br /> Giới thiệu<br /> <br /> 2.<br /> <br /> Phương pháp luận của Box-Jenkins<br /> <br /> 3.<br /> <br /> Mô hình tự hồi quy<br /> <br /> 4.<br /> <br /> Mô hình bình quân di động<br /> <br /> 5.<br /> <br /> Mô hình bình quân di động tự hồi quy<br /> <br /> 6.<br /> <br /> Chiến lược xây dựng mô hình ARIMA<br /> <br /> 1<br /> <br /> Phùng Thanh Bình<br /> <br /> TÀI LIỆU THAM KHẢO<br /> Nguyễn Trọng Hoài (2001): Mô hình hóa và Dự<br /> báo chuỗi thời gian trong kinh doanh & kinh tế,<br /> Chương 7 & 8.<br /> J.Holton Wilson & Barry Keating, (2007),<br /> Business Forecasting With Accompanying ExcelBased ForecastXTM Software, 5th Edition,<br /> Chapter 7.<br /> John E.Hanke & Dean W.Wichern, (2005),<br /> Business Forecasting, 8th Edition, Chapter 9.<br /> <br /> Phùng Thanh Bình<br /> <br /> GIỚI THIỆU<br /> Phương pháp BOX-JENKINS sử dụng các mô hình<br /> ARIMA để dự báo một biến bằng cách chỉ xem xét<br /> mô hình (pattern) của chuỗi dữ liệu quá khứ đó<br /> Phương pháp BOX-JENKINS được phát triển bởi 2<br /> nhà thống kê G.E.P Box và G.M. Jenkins<br /> ARIMA = Autoregressive Integrated Moving<br /> Average<br /> <br /> 2<br /> <br /> Phùng Thanh Bình<br /> <br /> GIỚI THIỆU<br /> Phù hợp cho cả chuỗi dừng hay không dừng<br /> Phù hợp nhất với dự báo dài hạn hơn là dự báo<br /> ngắn hạn<br /> Có nhiều điểm ưu việc hơn các mô hình dự báo<br /> khác, ít tốn kém và linh hoạt<br /> <br /> Phùng Thanh Bình<br /> <br /> PHƯƠNG PHÁP LUẬN BOXJENKINS<br /> Khác các phương pháp khác ở chổ nó không giả<br /> định bất kỳ mô hình cụ thể nào trong chuỗi dữ liệu<br /> quá khứ sẽ được dự báo<br /> Nó sử dụng phương pháp lặp đi lặp lại để nhận<br /> dạng một mô hình thỏa mãn nhất từ nhiều mô hình<br /> Mô hình được chọn sẽ được kiểm chứng với dữ<br /> liệu quá khứ để xem có chính xác hay không<br /> <br /> 3<br /> <br /> Phùng Thanh Bình<br /> <br /> Phùng Thanh Bình<br /> <br /> PHƯƠNG PHÁP LUẬN BOXJENKINS<br /> Lựa lần đầu một mô hình ARIMA dựa trên việc<br /> phân tích đồ thị chuỗi thời gian và các hệ số tự<br /> tương quan của một số độ trễ<br /> Phương pháp luận BOX-JENKINS đề cập đến một<br /> số các quy trình nhận dạng, làm cho phù hợp, và<br /> kiểm tra các mô hình ARIMA với chuỗi dữ liệu<br /> thời gian. Dự báo sẽ suy ra trực tiếp từ mô hình<br /> phù hợp (fitted model)<br /> <br /> 4<br /> <br /> Phùng Thanh Bình<br /> <br /> MÔ HÌNH TỰ HỒI QUY<br /> Mô hình tự hồi quy bậc p có dạng như sau:<br /> <br /> Yt = φ 0 + φ1Yt -1 + φ 2 Yt -2 + ... + φ p Yt -p + ε t<br /> o<br /> o<br /> <br /> Yt-1, Yt-2, … = biến phản ứng tại các độ trễ t 1, t 2<br /> - - ,<br /> <br /> o<br /> <br /> φ0, φ1, φ2 = các hệ số sẽ được ước lượng<br /> <br /> o<br /> <br /> Yt = Y<br /> <br /> Yt = biến phản ứng (phụ thuộc) tại thời điểm t<br /> <br /> εt = phần sai số tại thời điểm t thể hiện ảnh hưởng của<br /> các biến không được giải thích trong mô hình<br /> <br /> Phùng Thanh Bình<br /> <br /> MÔ HÌNH TỰ HỒI QUY<br /> Ký hiệu: AR(p)<br /> Phù hợp với các chuỗi thời gian dừng và hệ số φ0 thể hiện<br /> mức cố định của chuỗi dữ liệu (Nếu dữ liệu xoay quanh giá<br /> trị 0 hoặc được thể hiện bằng các độ lệch Yt = Y thì không<br /> ,<br /> cần hệ số φ0<br /> Các hệ số tự tương quan giảm từ từ xuống giá trị 0<br /> Các hệ số tự tương quan riêng sẽ giảm xuống giá trị 0 ngay<br /> sau khi độ trễ p<br /> <br /> 5<br /> <br />