DỰ BÁO KINH TẾ

20/09:
Chọn Proc -> Structure -> dated regular frequency -> date ended (đến tháng muốn dự báo)
 View -> Graph (hiển thị biểu đồ)
Chỉnh sửa thời gian hiển thị:
Option -> Axes & Scaling -> Obs/date axis -> Date format (year) -> observalion to label
(automatic)
Tách xu thế và chu kỳ:
Chọn Proc -> Sesional Adjustment -> STL -> sẽ thấy các biểu đồ lần lượt: Xu thế và mùa vụ/ Xu
thế/ Mùa vụ/ Sai số ngẫu nhiên
TỔNG QUAN MÔN HỌC
Phân loại dự báo:
- Định tính: Ý kiến chuyên gia/khách hàng/bán hàng/Phương pháp Delphi
- Định lượng: Hồi quy (Hồi quy đơn biến/đa biến), Chuỗi thời gian (Dự báo thô/San
mũ/Phân tích ARIMA)
Quy trình:
Mục tiêu chung -> Mục tiêu cụ thể -> Xác định thời gian dự báo -> Xác định dữ liệu dự báo ->
Lựa chọn mô hình -> Đánh giá mô hình (Yes thì tiếp tục, No thì quay lại Lựa chọn mô hình) ->
Chuẩn bị dự báo -> Trình bày kết quả dự báo -> Theo dõi kết quả dự báo

27/09:
CHƯỜNG 1: MỘT SỐ KHÁI NIỆM VỀ CHUỖI THỜI GIAN VÀ PHƯƠNG PHÁP CHUYỂN
ĐỔI DỮ LIỆU
1. Thế nào là chuỗi thời gian
Là 1 chuỗi các điểm dữ liệu, được đo theo từng khoảnh khắc thời gian liền nhau theo 1 tần
suất thời gian thống nhất
Đặc tính của 1 chuỗi thời gian:
- Dữ liệu dừng (đường MA vầ phương sai Var ko thay đổi theo thời gian) E
- Dữ liệu có tính xu thế (đường MA vầ phương sai Var thay đổi theo thời gian) T
- Dữ liệu có yếu tố mùa vụ S
- Dữ liệu có tính chu kỳ
- Dữ liệu có tính công tính (kết hợp giữa các tính trên bằng cách cộng)
- Dữ liệu có tính nhân tính (kết hợp giữa các tính trên bằng cách nhân)
2. Tự tương quan và giản đồ tự tương quan
Hiệp phương sai giữa 2 biến ngẫu nhiên X và Y được xác định theo công thức:
Cov(X,Y) = E[(X – EX).(Y – EY)]
Hệ số tương quan:
 Hệ số tương quan mẫu: độ trễ bậc K
Ký hiệu:
AC or ACF là hệ số tự tương quan và độ trễ
k
PAC là hệ số tự tương quan riêng và độ trễ

Eview: Xem giản đồ tự tương quan

Chọn đúp vào chuỗi dữ liệu -> View -> Cor…
Autocorreclation (ACF – tự tương quan mẫu) a=0.05, Z0.025=1.96
Partial Correlation (PACF – tự tương quan riêng phần)
AC – hệ số tương quan mẫu (p1,p2,p3,…)
PAC – hệ số tương quan riêng phần
- Kiểm định:
Đặt giả thuyết H0: p1 = 0
H1: p2 # 0
R1 thuộc hoặc ko thuộc (-2/căn n ; 2/căn n) – giá trị của AC
Từ giá trị r1 trong eview xét giả thuyết nếu thuộc thì chấp nhận Ho và ngược lại
p-value < 0.05 bác bỏ H0
p-value > 0.05 chấp nhận H0
 Chuỗi ngẫu nhiên là tất cả hệ số tương quan đều nằm trong 2 đường đứt nét
Tạo chuỗi ngầu nhiên:

 Chuỗi dừng là có hệ số tương quan 1 khác 0 và các hệ số còn lại =

0 (1 nằm ngoài đứt nét các hệ số còn lại trong đường đứt nét)
Tạo bộ dữ liệu ngẫu nhiên:

 Chuỗi xu thế thì các hệ số tương quan đều ngoài

đường đứt nét
Tạo chuỗi sai phân của chuỗi xu thế:
(dy = dy2 – dy1)

 Chuỗi mùa vụ thì có một số hệ số tương quan khác 0 lặp đi lặp lại theo năm
3. Lựa chọn mô hình dự báo
4. Xác định độ chính xác của mô hình dự báo
Nếu nằm hết trong 2 đường nét là tự tương quan
5. Chuyển đổi số liệu
a) Thay đổi tần số của chuỗi thời gian
Có thể chuyển đổi dữ liệu có tần số cao sang tấn số thấp, vd: Từ tuần sang tháng, từ quý
sang năm,…
http://www.eviews.com/Learning/freqconv_a.html
b) Logarit hóa
Xem phân phối chuẩn
View -> Descritive Stabtic & test -> Histogram and stats
Giả thuyết: Ho: Y là phân phối chuẩn (Mean, Std.dev-dộ lệch chuẩn)
H1: Y ko là phân phối chuẩn (..)
Probality > 0.05 thì chấp nhận Ho
Để chuyển đổi bằng logarit thì nhập hàm: genr ln_debt = log(debt)
Xét lại giả thuyết sẽ thấy rõ hơn
- Các thành phần của chuỗi thời gian
Xu thế (trend) T thể hiện sự tăng giảm ẩn bên trong của chuỗi thời gian
Chu kỳ (cyclical) C thể hiện sự dao dộng giống như hình song và sự dao động lắp đi lặp
lại sau 1 thời kỳ thường dài hơn 1 năm
Mùa S thể hiện sự sao động mùa vụ như theo quý, tháng, tuần
Ngẫu nhiên, bất thường (irregular) I thể hiện sự thay dổi ngẫu nhiêm mà không dự báo
được
c) Dự liệu điều chỉnh yếu tố mùa
Khi dữ liệu có yếu tố mùa, trước tiên cần tách yếu tố mùa ra khỏi chuỗi dữ liệu
Sau đó, sử dụng chuỗi dữ liệu được điều chỉnh yếu tố mùa để thực hiện dự báo xu thế
(khi điều chỉnh yếu tố mùa là dự báo yếu tố mùa)
- Cộng tính Y = T + S -> S = Y – T (different) – đồ thị biến động trong vùng song song
- Nhân tính Y = T * S -> S = Y/T (ratio) - đồ thị biến động theo hướng loang ra hình loa
Cách hiệu chỉnh tính mùa – tách tính mùa:
Chọn Proc -> Sesional Adjustment -> Moving Average – chọn Diferent from moving
average (dành cho công tính) – Factor: s – Adjusted series: y_trend
(Tổng tất cả các chỉ số Scalling factors sẽ bằng 0)
(Còn nhân tính thì tích bằn 1)
 Y = Y-trend + S