Chapter 1 Forecasting

Bài giảng

DỰ BÁO
Giảng viên: Nguyễn Văn Phong
Email:
nvphong1980@gmail.com

DỰ BÁO


Dự báo là tiên đoán những hiện tượng trong tương
lai hay một số các giá trị (mà chúng ta không thể
đo được trong quá trình điều tra số liệu).



Dự báo dựa trên kinh nghiệm, những ý kiến đánh
giá của các chuyên gia hay dựa trên những mô hình
toán học và các quan hệ thống kê mô tả xu hướng
vận động của dữ liệu.



Trong dự báo thông thường các biến dự báo phụ
thuộc vào một hay nhiều biến khác mà ta còn gọi là
các biến giải thích.

PHÂN LOẠI KIỂU SỐ LIỆU


Chuỗi thời gian (Time series): là các số liệu thu
thập tại từng thời điểm nhất định ( Năm, quý,
tháng, ...).



Số liệu chéo (Cross-sectional data): là số liệu thu
thập tại một thời điểm ở nhiều nơi, địa phương,
đơn vị, khác nhau.

PHÂN LOẠI KIỂU SỐ LIỆU
Ví dụ: Bảng số liệu điều tra về thu nhập khả dụng
(CONS), và Doanh số bán lẻ (SALES)

CÁC THÀNH PHẦN CỦA
CHUỖI THỜI GIAN
Xu thế
(T)

CHUỖI THỜI GIAN
Xu thế
(T)

Chu kỳ (C)

CHUỖI THỜI GIAN
Xu thế
(T)

Mùa (S)

Chu kỳ (C)

CHUỖI THỜI GIAN
Xu thế
(T)

Chu kỳ (C)

Mùa (S)

Ngẫu nhiên (I)

PHÂN LOẠI DỰ BÁO


Theo kết quả dự báo
- Dự báo điểm
- Dự báo khoảng



Theo khoảng cách dự báo (đối với chuỗi thời
gian)
- Ngắn hạn (Từ 3 tháng)
- Trung hạn (Từ 3 tháng đến 2 năm)
- Dài hạn (Từ 2 năm)



Theo khoảng cách dự báo (đối với số liệu chéo)
- Giá trị dự báo nội suy
- Giá trị dự báo ngoại suy



Theo phương pháp dự báo

- Phương pháp định tính:
+ Được sử dụng khi dữ liệu không có sẵn, hay không
đầy đủ.
+ Dựa vào kinh nghiệm, các ý kiến, sự hiểu biết của
các chuyên gia.

- Phương pháp định lượng (PPĐL):
+ Được sử dụng khi dữ liệu có sẵn.

+ Dựa vào số liệu điều tra và phương pháp thống kê.

PHƯƠNG PHÁP DỰ BÁO
ĐỊNH LƯỢNG

ĐỊNH LƯỢNG

Mô hình
chuỗi thời gian

ĐỊNH LƯỢNG

Mô hình
chuỗi thời gian

Mô hình
nhân quả

ĐỊNH LƯỢNG

Mô hình
chuỗi thời gian

PP Dự báo
Naive

PP Trung
bình trượt

PP San bằng
hàm mũ

Mô hình
nhân quả

PP Mô hình
xu thế

ĐỊNH LƯỢNG

Mô hình
chuỗi thời gian

PP Dự báo
Naive

PP Trung
bình trượt

PP San bằng
hàm mũ

Mô hình
nhân quả

PP Mô hình
xu thế

PP Hồi quy

ĐÁNH GIÁ SAI SỐ DỰ BÁO
1. Định nghĩa. Với Yt là giá trị quan sát và Ft giá trị dự báo
tương ứng với thởi điểm t. thì sai số của dự báo được xác định

et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số trung bình

1 n
ME = ∑ et
n t =1

(2)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số tuyệt đối trung bình

1 n
MAE = ∑ et
n t =1

(3)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số bình phương trung bình

1 n 2
MSE = ∑ et
n t =1

(4)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số bình phương trung bình gốc

1 n 2
RMSE =
∑ et
n t =1

(5)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Phần trăm sai số

 Yt − Ft
PEt = 
 Yt


÷× 100


(6)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số phần trăm trung bình

1 n
MPE = ∑ PEt
n t =1

(7)


et = Yt − Ft , t = 1, n

(1)

Khi đó, ta có
+ Sai số phần trăm tuyệt đối

1 n
MAPE = ∑ PEt
n t =1

(8)

+ Hệ số không ngang bằng Theil U
n −1

U=

∑ ( FPE
t =1

t +1

n −1

∑ ( APE )
t =1

trong đó

− APEt +1 )
2

2

(9)

t +1

Ft +1 − Yt
FPEt +1 =
Yt

(10)

Yt +1 − Yt
APEt +1 =
Yt

(11)

Khi đó U có thể viết lại dưới dạng
2

 Ft +1 − Yt +1 
∑ Y ÷
t =1 
t

U=
2
n −1
 Yt +1 − Yt 
∑ Y ÷
t =1 
t

n −1

(12)

MỘT SỐ VÍ DỤ
Ví dụ 1.

MỘT SỐ VÍ DỤ
Ví dụ 2. Giả sử chúng ta có 2 mô hinh sau đây

LỰA CHỌN CÁC THAM SỐ DỰ BÁO
 Khi tồn tại một số sai số lớn khi đó ta dùng MAE
 Khi các sai số tương đương nhau ta dùng MSE
 Khi các giá trị sai số MAE, MSE, RMSE được tính
đồng thời việc lựa chọn sẽ dựa vào công thức có giá trị
nhỏ nhất
 Khi so sánh các mô hình ta cũng lựa chọn dựa vào
những mô hình có sai số bé nhất
Lưu ý: Không so sánh trên những mô hình có dữ liệu đã
chuẩn hoá, hay dữ liệu không cùng tần suất.

LỰA CHỌN CÁC THAM SỐ DỰ BÁO
 Hệ số Theil U được sử dụng để so sánh các mô hình dự
báo khác so với mô hình dự báo thô (Naive). Cụ thể

RMSE (M oâhình DB )
U=
RMSE (M oâhình N ai ve)
Khi đó, ta có một số đánh giá sau
•
•
•
•
•

U càng tiến về 0 thì dự báo càng chính xác.
Trong thực tế khi U < 0.55 thì mô hình dự báo là tốt.
U = 1 : Mô hình Naive được sử dụng tốt nhất
U < 1 : Các mô hình dự báo khác được chọn
U > 1 : Mô hình Naive được lựa chọn

(13)

CÁC PHƯƠNG PHÁP
DỰ BÁO ĐƠN GIẢN
 Dự báo thô (Naive): Giá trị dự báo bằng với giá trị
trước đó

Ft +1 = Yt , t = 1, n

Ưu điểm: Áp dụng cho những quan sát ít thay đổi theo thời
gian
 Phương pháp bình quân di động (Moving averages)

Ft +1 =

Yt + Yt −1 + ... + Yt −( k −1)
k

, k = 1, n

Ưu điểm: Áp dụng cho những chuỗi có giao động đáng kể.

CÁC PHƯƠNG PHÁP
 Dự báo xu thế (Trend models):

Y = α + β t + ε t , t = 1, n
Ft = a + bt
 Dự báo nhân quả (Causal models or regression)

Yt = α + β X t + ε t , t = 1, n
Ft = a + bX t

CÁC PHƯƠNG PHÁP
Ví dụ: Ta có số liệu về Doanh số báng (SALES) và thu nhập
khả dụng (CONS).

CÁC PHƯƠNG PHÁP
DỰ BÁO ĐƠN GẢN

Bảng các phương pháp dự báo

Bảng các sai số dự báo cho các mô
hình

Bảng tóm tắt các thước đo sai số

Chapter 1 Forecasting

More Related Content

What's hot (20)

Similar to Chapter 1 Forecasting (20)

Recently uploaded (20)

Chapter 1 Forecasting