You are on page 1of 8

DỰ BÁO BẰNG PHÂN TÍCH HỒI QUY MỤC LỤC CHƯƠNG 1: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH

HỒI QUY 1.1 Giới thiệu 2 1.2 Lý do chọn ñề tài 2 1.3 Mục tiêu nghiên cứu 2 1.4 Phạm vi nghiên cứu 2 1.5 Ý nghĩa thực tiễn 3 CHƯƠNG 2: CƠ SỞ LÍ THUYẾT – PHƯƠNG PHÁP ĐỀ TÀI 4 2.1 Cơ sở lí thuyết 4 2.1.1 Mô hình hồi quy ñơn 4 2.1.2 Mô hình hồi quy bội 5 2.1.3 Hiện tượng ña cộng tuyến 5 2.1.4 Hiện tượng tự tương quan 7 2.1.5 Hiện tượng phương sai thay ñổi 8 2.1.6 Sai dạng mô hình 11 2.1.7 Biến giả 13 2.1.8 Dự báo ưu tiên qua hệ số hồi quy chuẩn hóa 2.1.9 Ứng dụng dự báo 14 CHƯƠNG 3: KẾT QUẢ PHÂN TÍCH, LỰA CHỌN MÔ HÌNH DỰ BÁO CHƯƠNG 4: KẾT LUẬN 27

2

14 17

CHƯƠNG 1: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH HỒI QUY Giới thiệu Phân tích hồi quy là một công cụ vô cùng hữu ích khi ta nghiên cứu các biến kinh tế có mối qu uan hệ ñó mà chúng ta có thể suy luận ñược hành vi của biến số nào ñó khi ñã có thông tin từ

Lý do chọn ñề tài Phân tích hồi quy không những giúp cho những nhà làm chính sách nghiên cứu các biến số kinh t iả thiết kinh tế quan trọng nhằm có thêm thông tin chắc chắn cho việc ra quyết ñịnh về chính báo bằng phương pháp phân tích hồi quy cần ñược ñưa vào nghiên cứu và áp dụng rộng rãi trong

Mục tiêu nghiên cứu Các vấn ñề cơ bản về phân tích hồi quy. Giải thích ý nghĩa thống kê của các kết quả hồi quy. Thực hiện các kiểm ñịnh giả thiết quan trọng. Giải thích ý nghĩa kinh tế của các kết quả hồi quy Nhận biết và khắc phục một số vấn ñề thường gặp trong phân tích hồi quy. Một số ứng dụng của phân tích hồi quy trong việc ra quyết ñịnh về chính sách và dự bá Phạm vi nghiên cứu Dạng dữ liệu: Tất cả các dạng dữ liệu Lượng dữ liệu: Tối thiểu 10 quan sát, 4-5 mùa (nếu có yếu tố mùa). Độ dài dự báo :Ngắn ñến trung hạn

Ý nghĩa thực tiễn Dự báo bằng phương pháp phân tích hồi quy có thể giúp các nhà hoạch ñịnh chính sách vĩ mô có n tương lai về cung tiền, lãi suất hay chi tiêu công. Hoặc các nhà nghiên cứu có thể dự ñoàn hóa nào ñó trên cơ sở dự ñoán xu hướng gia tăng thu nhập và trình ñộ học vấn. Hoặc giám ñốc số trong tương lai trên cơ sở dự trù các khoản chi tiêu cho quảng cáo và chi tiêu cho nghiên CHƯƠNG 2: CƠ SỞ LÍ THUYẾT PHÂN TÍCH HỒI QUY Cơ sở lí thuyết Mô hình hồi quy ñơn Mô hình hồi quy tuyến tính cổ ñiển

Tạo 1 biến giải thích mới như sau Sử dụng biến ñó thay cho biến có thể giúp giảm ñáng kể ña cộng tuyến Nhận diện và loại bỏ một hoặc số biến trong các biến thực sự có hệ số tương quan khá Thu thập thêm dữ liệu 2. Nếu có tồn tại ña cộng tuyến t số chuẩn của ước lượng thấp. Khắc phục ña cộng tuyến Chuyển ñổi dạng biến. Sau khi hồi quy chúng ta có thể tiến hành hồi quy phụ. Gía trị sẽ không phải luôn luôn Trong ñó ñược gọi là hạng nhiễu ngẫu nhiên và luôn tồn tại do các nguyên nhân như bỏ sót bi .Mô hình này tập trung xem xét trường hợp mô hình 2 biến trong ñó Y là biến phụ thuộc và X là VD: X và Y có mối quan hệ tuyến tính như sau: (1) Trong ñó: là giá trị trung bình có ñiều kiện của theo và là các tham số chưa biết của tổng thể Phương trình (1) ñược gọi là phương trình hồi quy tổng thể. Mô hình hồi quy bội Cho hàm hồi quy mẫu như sau: Ta sẽ tìm . là hệ số xác ñịnh và ñược sử dụng ñể ño lường mức ñộ phù hợp của hàm hồi qui. thì hạng nhiễu ở giai ñoạn này có thể ảnh hưỡng ñến hạng nhiễu ở giai ñoạn kế tiếp.3 Hiện tượng ña cộng tuyến Hậu quả của ña cộng tuyến hoàn hảo Chúng ta không thể nào xác ñịnh ñược giá trị của các nghiệm một cách duy nhất khi ña Đa cộng tuyến hòan hảo là một vấn ñề hết sức nghiêm trọng. . Các hệ số hồi quy bị ảnh hưởng bởi ña cộng tuyến có thể sẽ không có ý nghĩa thống kê Dấu của các hệ số hồi quy có thể sai so với kì vọng Kết quả hồi quy rất nhạy cảm với chỉ một vài thay ñổi nhỏ trong bộ dữ liệu. Khi thu thậ gian.9 thì ñó là dấ Chú ý ba thông tin: dấu của các hệ số ước lượng. VD nếu như cộng tuyến. Nghĩa là. lỗi ño lường.4 Hiện tượng tự tương quan Tự tương quan là hiện tượng thường xảy ra trong khung phân tích chuỗi thời gian . ñiều này hiếm k diện của ña cộng tuyến hoàn hảo thường xảy ra ñối với một số lỗi như bẫy biến giả. thêm vào một vài quan sát hoặc thay ñổi giá trị của một vài quan sát Phát hiện ña cộng tuyến Khi hệ số tương quan giữa 2 biến giải thích nào ñó bằng hoặc cao hơn 0. Tuy nhiên.1. Hậu quả của ña cộng tuyến không hoàn hảo Đa cộng tuyến hoàn hảo có thể dẫn ñến những hậu quả nghiêm trọng sau: Các ước lượng của hệ số hồi quy OLS có thể không chính xác do có sai số chuẩn quá lớn số thực của tổng thể rộng hơn. kể chỉ với việc bỏ bớt.… Hệ số xác ñịnh R2 TSS là tổng bình phương của tất cả các sai lệch giữa các giá trị quan sát với giá trị trung ESS là tổng bình phương của tất cả các sai lệch giữa giá trị của biến Y tính theo hàm hồi quy . tỷ số t tính toán và . và bằng phương pháp OLS Hệ số xác ñịnh hiệu chỉnh của mô hình hồi quy bội 2. cao và các tỷ số t tính toán cao.1.

Ước lượng của phương sai sẽ bị chệch. do ñó các kiểm ñịnh mức ý nghĩa và khoảng tin cậy the (c) Phát hiện phương sai thay ñổi Đồ thị phần dư Kiểm ñịnh White Các bước kiểm ñịnh White Bước 1: Ước lượng mô hình từ ñó thu ñược các phần dư Bước 2: Ước lượng mô hình sau: Bước 3: Kiểm ñịnh giả thiết : phương sai của sai số ngẫu nhiên của mô hình trên không thay ñ với phân phối Chi – bình phương với k bậc tự do Bước 4: Nếu vượt quá giá trị tới hạn thì ta bác bỏ giả thiết tức mô hình có phương sai tha (d) Biện pháp khắc phục Trường hợp ñã biết Khi ñã biết ta có thể dùng phương pháp bình phương nhỏ nhất có trọng số ñể khắc phục hiện t Trường hợp chưa biết Gỉa thiết 1: Phương sai của sai số bình phương tỉ lệ với bình phương của biến giải thích Chia 2 vế của mô hình gốc cho ( 0) Trong ñó là số hạng nhiễu ñược biến ñổi Ta có thể chứng minh Thật vậy. VD như mối quan hệ giữa thu nhập và tiết kiệm. ñồ thị tần suất và ñồ t Kiểm ñịnh LM của Breusch – Godfrey Bước 1: Ước lượng phương trình và lưu phần dư Bước 2: Ước lượng mô hình hồi quy sau ñây với ñộ trễ p của phần dư (thường ñược xác ñịnh dựa (1) Bước 3: Tính thống kê LM = (n-p) từ phương trình hồi quy (1).Khi trong mẫu có các outlier . Thống kê LM này sẽ theo phân p Nếu (n-p) > tra bảng ở mức ý nghĩa ñược chọn. Gía trị ước lượng có thể không tin cậy khi dùng ñể thay thế cho giá trị thực của Phương sai và sai số tiêu chuẩn của các giá trị dự báo không ñược tin cậy.Hậu quả của tự tương quan Các ước lượng OLS vẫn là ước lượng tuyến tính. ta có Gỉa thiết 2: Phương sai của sai số tỉ lệ với biến giải thích X .5 Phương sai thay ñổi (a) Nguyên nhân của phương sai thay ñổi . dẫn ñến kết luận sai khi =RSS/df là ước lượng chệch của và trong một số trường hợp là chệch về phía dưới. xử lí số liệu ñược cải tiến thì sai số khi tính toán giảm . dường như t . ta bác bỏ giả thiết và kết luận rằng mô hình Khắc phục tự tương quan Có nhiều cách khắc phục hiện tượng tự tương quan tùy vào việc có sẵn thông tin về ρ hay không Khi biết ρ : Thực hiện thủ tục sai phân tổng quát Khi không biết ρ (thực tế thường không biết): Thực hiện thủ tục lặp Cochrane-Orcutt 2.Do bản chất của các mối quan hệ kinh tế.Do cộng cụ và kĩ thuật thu thập.Do việc tích lũy kinh nghiệm và sai số theo thời gian ngày càng giảm. giản ñồ tự tương quan. Trường hợp này làm g .1. Khi hồi quy tiết kiệm theo thu nhập.Các ước lượng bình phương bé nhất vẫn là ước lượng không chệch nhưng không phải là ước lượn . Khi tính phương sai và sai số tiêu iá trị thấp hơn các giá trị thực và do ñó làm cho giá trị của t lớn. thiếu biến quan trọng) (b) Hậu quả của phương sai thay ñổi . nhưng chúng không phải là Phương sai ước lượng ñược của OLS thường là chệch.Khi mô hình hồi quy xác ñịnh sai (dạng hàm sai. không chệch. Phát hiện tự tương quan Phương pháp ñồ thị Thường dùng ñồ thị phần dư theo thời gian. Kh có nhiều lựa chọn hơn trong việc tiêu dùng.

Vì vậy phép biến ñổi (2) có thể dùng trong thực hành khi kích thước mẫu tương ñối lớn 2. khi ước lượng chúng ta lại sử dụng dạng mô hình sau ñây: Y= β_1+β_2 X_2+ u* Như vậy. Vậy hồi hồi quy tuyến tính cổ ñiển Tuy nhiên hàm (1) chưa thể ước lượng ñược vì phụ thuộc vào và chưa biết.Nghịch ñảo 4.Tương tác . dẫn ñến việc ra quyết ñịnh sai lầm. thì bây giờ giả ñịnh giá trị tr Hậu quả của việc thừa biến giải thích không cần thiết Không nghiêm trọng so với việc bỏ sót biến giải thích quan trọng. Trên thực tế nhiều khi chúng ta vừa bỏ sót biến giải thích quan trọng vừa ñưa biến giải thích ta sẽ gặp phải hậu quả của cả hai trường hợp.Lin-Log 3. và giả sử dạng hàm ở phương trình là ñúng. Tuy nhiên.1. Trong phương trình này: u* = β3X3 + u Dựa trên các giả ñịnh của mô hình hồi quy tuyến tính cổ ñiển. ta vẽ ñồ thị của phần dư sai số có liên hệ tuyến tính với biến giải thích.6 Sai dạng mô hình (1) Bỏ sót biến giải thích quan trọng hoặc thừa biến giải thích không cần thiết Hậu quả của viêc bỏ sót biến giải thích quan trọng Xét mô hình sau: Y= β_1+β_2 X_2+β_3 X_3+ u Trong ñó. sau ñó dùng biến ñổi mô hình như sau: Bước 2: Ước lượng hồi quy (2). Tuy nhiên vẫn có thể gặp hi uan với X2. (2) Dạng hàm Lỗi này thường dẫn ñến các vấn ñề như tự tương quan hoặc phương sai thay ñổi. tức là. β_2 ≠ 0 và β_3 ≠ 0. ta dễ dàng chứng minh rằng Gỉa thiết 3: Phương sai của sai số tỉ lệ thuận với bình phương giá trị trung bình của Y Khi ñó ta biến ñổi như sau: (1) Trong ñó ta có thể thấy rằng tức là các yếu tố nhiễu có phương sai không ñổi. Mô hình gốc sẽ ñược biến ñổi như sau Với và với Với giả thiết 2. X3 bị bỏ sót. Nếu chọn sai dạ ñịnh ñúng dạng hàm lợi ích/chi phí biên. Nhưng do là m heo 2 bước: Bước 1: Ước lượng mô hình hồi qui gốc và tính . Một số dạng hàm ñược sử dụng phổ biến trong phân tích kinh tế lượng và dự báo: Tên hàm Dạng hàm Ảnh hưởng biến (dY/dX) Độ co giãn (X/Y)(dY/dX) 1.Bậc hai 5. Mặc dù không ñúng bằng chúng chỉ là ước lượng vững.Tuyến tính 2.Sau khi ước lượng hồi quy gốc bằng phương pháp bình phương nhỏ nhất.

Hoặc. từ một biến ñịnh lượng: (2) Tạo biến giả theo quý/tháng Trong phân tích các chuỗi thời gian theo tháng hoặc theo quý. Như vậy.Lỗi ño lường ở biến phụ thuộc Giả sử phương trình ñúng của tổng thể có dạng: Các giá trị Y* quan sát có thể như sau: Trong ñó. biến giả có tầm quan trọng trong việc giúp tránh rủi ro do bỏ sót biến g kiểm ñịnh giả thiết nghiên cứu.7 Biến giả Trong kinh tế lượng. Quy trình như sau: Bước 1: Tính các mô men thứ hai (μ2).1. ¢   ¡ . bác bỏ giả thiết H0.6. (1) Tạo biến giả theo nhóm Trong kinh tế lượng. Tính thống kê JB theo công thức phối χ2 với hai bậc tự do. ta sử dụng thống kê JB của Jarque-Berra(1990). chúng ta cần tạo biến giả theo tháng/quý. thứ ba (μ3) và thứ tư (μ4) của phần dư trong mô hình h Bước 2: Có phân Bước 3: Bước 4: 0. chúng ta thường muốn kiểm ñịnh khác nhau hay không.v….Log-Nghịch ñảo 8. (4) Kiểm ñịnh sai dạng mô hình Để kiểm ñịnh tính chuẩn của phần dư. Tìm giá trị χ2 tra ảng theo hàm =CHIINV(α. Khi β2=0 thì lỗi ño lường mới không làm tăng sai số chuẩn của các hệ số β1 và β2. ta có thể tạo thêm và ñưa vào mô hình các biến giả về một tính chất nào . v không tương quan với X2* thì cả hai có giá trị trung bình bằng 0 các ước lượng OLS Phương sai của phần dư . phương trình ñược thể hiện lại: -Lỗi ño lường ở biến giải thích Giả sử phương trình ñúng của tổng thể là: Dữ liệu sẵn có về X2 là: Như vậy: Nếu u.Log-Lin 7.Log kép 10. nếu giá trị xác suất p < α ( ps thể 2. w thể hiện lỗi trong ño lường Như vậy.2) Nếu JB > χ2 tr bảng.Logistic (3) Lỗi ño lường .Log-Bậc hai 9.

cần chuyển mỗi biến (cả biến phụ thuộc) sang dạng biến chuẩn hóa.1. các hệ số hồi quy chuẩn hóa cho biết tầm quan trọng tương ñối của các biến giải Để ước lượng. ñộ tin cậy sẽ giảm.8 – 2.f=n-2. LỰA CHỌN MÔ HÌNH DỰ BÁO Khảo sát chuyển vận của dữ liệu (ñồ thị) ñể phục vụ lựa chọn mô hình dự báo Dữ liệu thu thập cho thấy mối quan hệ từ năm 1978 ñến 2008 của công ty VNCafe giữa: Q(lượng cà phê ñược sản xuất trong năm) và F(lượng phân bón sử dụng trong năm).89 + 2.ĐỒ THỊ TẦN SUẤT CỦA PHẦN DƯ Trực quan: Đồ thị có dạng hình cái chuông Tính toán: Xác suất ñể χ2 lớn hơn 1. Với thì: Vậy khoảng tin cậy 95 của giá trị E(Y/X0) ñược tính như sau: 19.306*2. Bước 2: Tính các ñộ lệch chuẩn của biến phụ thuộc và biến giải thích theo hàm: scalar sy=scalar(Y) scalar sx=scalar(X) Bước 3: Tính hệ số hồi quy chuẩn hóa theo công thức ñã cho. thì .9. rồi sử dụng p như sau: Trong ñó Dùng Eview: Bước 1: Ước lượng mô hình hồi quy theo OLS (giả sử ñó là mô hình tốt nhất).78 15. Chấp nhận H0 Q có phân phối chuẩn 2 . P(giá bán cà ung bình trong năm).99 (2) Dự báo cá biệt Là dự báo một giá trị Y cá biệt nào ñó theo X0. khoảng tin cậy 95 của giá trị Y0 ñược tính như sau: 19.23 ≤ E(Y0/X=12) ≤ 26.8 Dự báo ưu tiên qua hệ số hồi quy chuẩn hóa Trong dự báo.89 – 2.306*2.89 ≤ Y0 ≤ 19. Giả sử. Khoảng tin cậy hẹp nhất khi .05. Ứng dụng dự báo Căn cứ vào dạng hàm khác nhau chúng ta có thể dự báo tác ñộng biên của một biến ñộc lập lên b biến ñộc lập.306*1. (1) Dự báo trung bình Là dự báo giá trị trung bình có ñiều kiện của Y theo một giá trị cho trước.89 + 2. nghĩa là xung quanh giá trị E(Y) có thể có rấ Khoảng tin cậy cho giá trị dự báo cá biệt Ta có theo phân phối t với bậc tự do d.030923 là 0.KIỂM ĐỊNH TÍNH DỪNG CỦA CHUỖI £ £ .55 CHƯƠNG 3: KẾT QUẢ PHÂN TÍCH.1. ta có phương trình hồi quy sau: Giả sử ta có X=X0=12 và ta muốn dự ñoán giá trị trung bình của tổng thể tại X=X0 sẽ là bao nh trình cho thấy ước lượng ñiểm của dự ñoán trung bình này là như sau: Khoảng tin cậy cho giá trị dự báo trung bình Có thể chứng minh ñược: Ta có theo phân phối t với (n-2) bậc tự do.78 ≤ E(Y0/X=12) ≤ 19. 1 .78 ≤ E(Y0/X=12) ≤ 23.306*1. Với X0=12. Phân phối t có thể ñược sử dụng ñể suy ra các khoảng tin cậy cho giá trị kỳ vọng thực Nếu dự báo thực hiện quá xa phạm vi mẫu.2. 2.89 13.597225 > 0.

001801*R Kết luận về mô hình dự báo 1 .347517 Theil-U 0.ĐA CỘNG TUYẾN Ma trận hệ số tương quan Không có hiện tượng ña cộng tuyến 5 .Lệnh: LS LOG(Q) C F P R Ra quyết ñịnh chọn mô hình dự báo BẢNG SO SÁNH ĐỘ CHÍNH XÁC CỦA CÁC MÔ HÌNH TUYẾN TÍNH LIN-LOG LOG-LIN RMSE 1. cả P và R ñều 2 . Tức là với ñộ tin cậy 95 .724741 cho thấy mô hình giải thích ñược 72.621456 4.1412 > 0. Từ bảng ước lượng mô hình trên.008071 Chọn mô hình theo hàm LOG-LIN (Mô hình 3) làm mô hình dự báo. ta thấy F có Prob.482485 0.05 Chấp nhận H0. Prob (F-stat 000 nên mô hình phù hợp với dữ liệu. 3 .057029 MAE 1.009090*P + +0.ĐÁNH GIÁ MỨC ĐỘ PHÙ HỢP CHUNG CỦA MÔ HÌNH HỒI QUY R2 = 0. Kiểm ñịnh tương tự với hai biến còn lại P và R.KIỂM ĐỊNH Ý NGHĨA THỐNG KÊ CỦA CÁC HỆ SỐ HỒI QUY Kiểm ñịnh giả thiết: với mức ý nghĩa α=5% Theo kết quả từ bảng ta có: Prob.Ta thấy hệ số tự tương quan ñầu tiên khác không nhưng các hệ số tự tương quan tiếp theo bằng Xây dựng các mô hình dự báo 1 – ƯỚC LƯỢNG MÔ HÌNH HỒI QUY Mô hình 1 :DẠNG HÀM TUYẾN TÍNH (LỆNH: LS Q C F P R) Dự báo dữ liệu ñến năm 2008: Mô hình 2: DẠNG HÀM LIN-LOG. biến F không có ý nghĩa thống kê.05 Chấp nhận giả thiết H0.374905 1.939602 1. Chấp nhận H0 Phần dư có phân phối chuẩn. LOG(Q) = 2.TỰ TƯƠNG QUAN a) Phương pháp ñồ thị Giản ñồ tự tương quan của phần dư Giản ñồ này cho thấy có hệ số tự tương quan riêng bậc 6 (PAC1) khác không có ý nghĩa thống kê b) Dùng kiểm ñịnh LM Thông qua giản ñồ tự tương quan của phần dư ta chọn số ñộ trễ là 6 £ £ ¤ £ . = 0.839589 0.5704 > 0. 4 .026632 0.549962 là 0. =0.028082 0.ĐỒ THỊ TẦN SUẤT CỦA PHẦN DƯ Trực quan: Đồ thị có dạng hình cái chuông Tính toán: Xác suất ñể χ2 lớn hơn 0.588083 1.759586 > 0.252820 + 0.05. G lệnh: LS Q C LOG(F) LOG(P) LOG(R) Mô hình 3: DẠNG HÀM LOG-LIN .5 biến thiên của biến LOG(Q).PHƯƠNG SAI THAY ĐỔI Dùng kiểm ñịnh White Giả thiết: H0: Phương sai không ñổi H1: Phương sai thay ñổi Với ñộ tin cậy 95 . Vậy mô hình không vi phạm hiện tượng phương sai thay ñổi. 6 .001274*F + 0.047617 MAPE 4.

6614 (>0.2 .Kiểm ñịnh mô hình sau khắc phục: (Dùng kiểm ñịnh LM) Theo kết quả bảng trên.029 nhỏ hơn rất nhiều so với 0. Prob của F = 0. Độ dài thời gian dài kém chính xác do lỗi Cần có dữ liệu về các nhân tố ảnh hưởng lên biến mục tiêu trong tương lai (Thường ít Đề xuất loại hình dự báo khác Nên kết hợp cả phương pháp ñịnh tính Dùng phương pháp phân tích chuỗi thời gian (ñộ dài là ngắn. Fitted. Fitted.05.08*se1 Genr cantren=qdubao+2. CHƯƠNG 4: KẾT LUẬN Kết luận về tính khả thi của việc vận dụng các phương pháp dự báo trên ñể dự báo Có thể dự báo doanh số thông qua nhu cầu về sản lượng tiêu thụ cà phê trong tương lai ñể xây ñịnh quản trị tác nghiệp và chiến lược (mua nguyên vật liệu.1 .Kết quả trên cho ta thấy mô hình có hiện tượng tự tương quan bậc 6. 6.03 tấn.55.6 nghìn ñồng/kg Lượng mưa trung bình trong năm từ 1978 ñến 2009 là 93mm a) Nhận dạng: Đồ thị lượng cà phê sản xuất theo năm Do bộ dữ liệu theo năm và có tính dừng (ít biến ñộng) nên không phải tách yếu tố mùa hay chu b) Kết quả dự báo trên eview: Chỉ số Theil-U là 0. trung và dài hạn) £ . dự báo lượng cà phê ñược sản xuất cho năm 2009 với các số l Lượng phân bón sử dụng trong năm 2009 là 119 tấn/năm Giá bán cà phê trung bình trong năm 2009 là 109.21) = 2.08 Lệnh: Genr canduoi=qdubao-2. kế hoạch nhân sự.42 e) So sánh giá trị dự báo với giá trị thực tế View/Actual. Residual/Actual. Residual Graph Đường dự báo ở mô hình này rất gần với giá trị thực.05). Dữ liệu chưa ñ Dữ liệu theo năm (không phải là tốt nhất). ñây có thể là mô hình rất tốt c) Dự báo ñiểm Lượng cà phê ñược sản xuất trong năm 2009 là 36. Vậy mô hình dự báo cho kết quả tốt.64 ñến 41. mô hình kh THỰC HIỆN DỰ BÁO Với các ñiều kiện khác không ñổi.025(21) = TINV(0.…) Hạn chế của phương pháp dự báo hiện tại Việc thu thập. phân tích các dữ liệu quá khứ chưa hoàn toàn chính xác. Do ñó chấp nhận giả thiết H0. Do ñó.08*se1 Vậy lượng cà phê ñược sản xuất cho năm 2009 có khả năng nằm trong khoảng từ 30. d) Dự báo khoảng (Ở ñộ tin cậy 95 ) Excel : t0.KHẮC PHỤC TỰ TƯƠNG QUAN Dùng thủ tục lặp của Cochrane-Orcutt (Không biết ρ) Lệnh: LS LOG(Q) C F P R AR(1) AR(6) 6.