Cac PPDL Trong Quan Ly

7/6/2018
Bài giảng
CÁC PHƢƠNG PHÁP ĐỊNH LƢỢNG

TRONG QUẢN LÝ
TS. Phạm Cảnh Huy

Viện Kinh tế và Quản lý – ĐHBKHN
Nội dung
 Mục tiêu học phần:

 Hiểu và nắm đƣợc các khái niệm, vai trò, quy trình phân tích, biết
đƣợc các phƣơng pháp định lƣợng cơ bản ứng dụng trong quản lý;
 Nắm đƣợc các phƣơng pháp định lƣợng cụ thể nhằm trợ giúp cho
việc ra các quyết định trong quản lý. Đặc biệt chú trọng đến việc
lập mô hình bài toán và tính toán kết quả;
 Sử dụng đƣợc Excel và Eviews trong việc giải quyết các bài toán
cụ thể. Từ các kết quả tính toán, có thể thực hiện các phân tích,
đánh giá, để đƣa ra các quyết định tốt nhất trong quản lý.
 Nội dung tóm tắt học phần: Cung cấp kiến thức cơ bản về phân
tích định lƣợng, ứng dụng phân tích hồi quy trong các nghiên cứu
định lƣợng, cùng những kiến thức cơ bản về lý thuyết toán tối ƣu
áp dụng trong hoạt động kinh tế và kinh doanh cũng nhƣ trong
phân tích ra quyết định.
2
1
7/6/2018
Nội dung
Tài liệu tham khảo:

 Phạm Cảnh Huy, Bài giảng Các phương pháp định lượng trong quản
lý.
 Phạm Cảnh Huy (2008), Bài giảng kinh tế lượng, NXB Đại học Bách
khoa Hà Nội.
 Nguyễn Cao Văn, Ngô Văn Thứ , Trần Thái Ninh (2012), Lý thuyết
xác suất và thống kê toán, Nhà xuất bản Kinh tế quốc dân.
 Nguyễn Hải Thanh (2005), Toán ứng dụng (giáo trình sau đại học),
Nhà xuất bản Đại học sƣ phạm.
 David R. Anderson, Dennis J. Sweeney, Thomas A. Williams, Jeffrey
D. Camm, James J. Cochran, Michael J. Fry, Jeffrey W. Ohlmann
(2013), Quantitative Methods for Business, Twelfth Edition, South-
Western.
 Taylor. Bernard W (2011), An introduction to Management Science,
Pearson Education, Inc.
3
Nội dung
TỔNG QUAN VỀ PHƢƠNG PHÁP ĐỊNH LƢỢNG TRONG QUẢN

1 LÝ
2 PHƢƠNG PHÁP THỐNG KÊ
3 PHƢƠNG PHÁP PHÂN TÍCH HỒI QUY
PHƢƠNG PHÁP DỰ BÁO ĐỊNH LƢỢNG

4
5 MÔ HÌNH TOÁN KINH TẾ VÀ PHƢƠNG PHÁP TỐI ƢU
6 PHÂN TÍCH RA QUYẾT ĐỊNH
7
4
2
7/6/2018
Chƣơng 1
TỔNG QUAN VỀ PHƢƠNG PHÁP

ĐỊNH LƢỢNG TRONG QUẢN LÝ
1.1. Giới thiệu
 Là môn học nghiên cứu các phương pháp khoa học, chủ yếu là
thống kê, kinh tế lượng và toán học ứng dụng để giải quyết các
vấn đề trong quản lý Kinh tế và Kinh doanh.
Dữ liệu thô Phân tích Thông tin

định lƣợng Hữu ích
 Các phƣơng pháp định lƣợng sử dụng cho phân tích định lƣợng
có thể đƣợc áp dụng trong hầu hết các vấn đề cần giải quyết.
3
7/6/2018
1.2. Giải quyết vấn đề và ra quyết định

Giải quyết vấn đề
 Giải quyết vấn đề có thể đƣợc định nghĩa nhƣ là quá trình nhận
dạng sự khác nhau giữa trạng thái thực tế và mong muốn của các
công việc và rồi thực hiện giải quyết sự khác nhau đó. Quá trình
giải quyết vấn đề có thể mô tả qua 7 bƣớc sau:
1. Xác định vấn đề;
2. Xác định những phương án khác nhau để lựa chọn;
3. Xác định một hay nhiều tiêu chuẩn để đánh giá phương án;
4. Đánh giá các phương án;
5. Chọn một phương án;
6. Thực hiện phương án đã chọn;
7. Đánh giá kết quả.
7

Ra quyết định
 Ra quyết định là thuật ngữ phổ biến để chỉ năm bƣớc đầu tiên
của quá trình giải quyết vấn đề. Bƣớc đầu tiên ra quyết định là
nhận dạng và xác định vấn đề. Bƣớc cuối của ra quyết định là
chọn phƣơng án để thực hiện ra quyết định.
 Ra quyết định là nhiệm vụ quan trọng của nhà quản lý. Kinh
nghiệm, khả năng xét đoán, óc sáng tạo chƣa thể đảm bảo có
đƣợc những quyết định phù hợp và tối ƣu nếu thiếu khả năng
định lƣợng.
 Trong khi ra quyết định, nhà quản lý có thể sử dụng nhiều
phƣơng pháp định lƣợng khác nhau.
4
7/6/2018

Mối liên hệ giữa giải quyết vấn đề và ra quyết định
Giải quyết vấn đề Xác định vấn đề
Xác định phƣơng án
Quá trình nhận dạng Xác định tiêu chuẩn Ra quyết định
sự khác nhau giữa
trạng thái thực tế và
mong muốn của các Đánh giá phƣơng án
công việc và rồi thực
hiện giải quyết sự Chọn phƣơng án
khác nhau đó
Thực hiện phƣơng án Quyết định
Đánh giá kết quả

9
1.3. Ra quyết định và phân tích định lƣợng

Các giai đoạn của quá trình ra quyết định
Cấu trúc vấn đề Phân tích vấn đề
Xác Xác Đánh

Xác Chọn
định Định Giá
định Phƣơng
tiêu Phƣơng Phƣơng
vấn đề án
chuẩn án án
10
5
7/6/2018

Ra quyết định và phân tích định lƣợng
Phân tích vấn đề
Phân tích
Cấu trúc vấn đề định lƣợng
Xác Xác Tóm

Xác Chọn
định Định Lƣợc
định Phƣơng
tiêu Phƣơng và
vấn đề án
chuẩn án Đánh giá
Phân tích
định tính
11

Mục tiêu của phân tích định lƣợng
 Khẳng định, suy rộng và dự báo;

 Kiểm định một lý thuyết hay một giả thiết;
 Đo lƣờng các con số, và phân tích bằng các kỹ thuật thống kê;
 Lập kế hoạch sản xuất;
 Để tính toán lựa chọn phƣơng án tối ƣu (Quyết định đầu tƣ, lựa
chọn các phƣơng án quy hoạch…).
12
6
7/6/2018
1.4. Các phƣơng pháp định lƣợng trong quản lý
Các phƣơng pháp cơ bản
 Phân tích thống kê;

 Phƣơng pháp Phân tích hồi quy;
 Các phƣơng pháp Dự báo;
 Các phƣơng pháp tối ƣu.
13
1.4. Các phƣơng pháp định lƣợng trong quản lý
Các bƣớc tiến hành phân tích định lƣợng
Xác định vấn đề
Thu thập dữ liệu
Xây dựng mô hình
Tính toán
Phân tích kết quả
Áp dụng kết quả

14
7
7/6/2018
1.5. Các phần mềm ứng dụng
 EXCEL
 EVIEWS
 SPSS
15
Chƣơng 2
PHÂN TÍCH THỐNG KÊ
16
8
7/6/2018
2.1. Tổng quan về Thống kê

Một số khái niệm cơ bản
 Thống kê là môn khoa học và nghệ thuật về:

• Thu thập
• Phân tích
• Trình bày
• Giải thích dữ liệu
 Thống kê mô tả và thống kê suy diễn:
• Thống kê mô tả: thu thập số liệu, mô tả và trình bày số liệu,
tính toán các đặc trƣng đo lƣờng
• Thống kê suy diễn: ƣớc lƣợng, kiểm định, phân tích mối liên
hệ, dự đoán trên cơ sở các thông tin thu đƣợc từ mẫu.
Các nhà quản lý thành công là những người có thể hiểu
và sử dụng thông tin hiệu quả nhất!
17

Một số khái niệm cơ bản
 Tổng thể thống kê là tập hợp các đơn vị thuộc hiện tƣợng nghiên
cứu, cần quan sát, thu thập và phân tích mặt lƣợng của chúng
theo một hoặc một số tiêu thức nào đó.
 Mẫu là một nhóm hay một bộ phận của tổng thể, bao gồm một số
đơn vị đƣợc chọn ra từ tổng thể chung theo một phƣơng pháp lấy
mẫu nào đó.
 Quan sát là cơ sở thu thập số liệu và thông tin cần nghiên cứu.
 Dữ liệu định tính phản ánh tính chất, sự hơn kém của đối tƣợng
của các đối tƣợng nghiên cứu, là các dữ liệu ban đầu không đƣợc
thể hiện dƣới dạng số.
 Dữ liệu định lƣợng phản ánh mức độ hay mức độ hơn kém, là
các dữ liệu có thể cân, đong, đo, đếm đƣợc.
18
9
7/6/2018

Quá trình nghiên cứu thống kê
Xác định vấn đề nghiên cứu, mục tiêu,
nội dung, đối tƣợng nghiên cứu
Xây dựng hệ thống các khái niệm,

Các chỉ tiêu thống kê
Thu thập dữ liệu thống kê
Xử lý số liệu:
• Kiểm tra, chỉnh lý, sắp xếp số liệu
• Phân tích thống kê sơ bộ
• Phân tích thống kê thích hợp
Phân tích và giải thích kết quả
Báo cáo và truyền đạt kết quả nghiên cứu

19
2.2. Phân loại dữ liệu

Khái niệm
 Dữ liệu nghiên cứu có thể chia thành 2 loại chính là dữ liệu định tính
và dữ liệu định lượng, các dữ liệu này thu thập bằng 4 thang đo cơ bản
như sau:
Dữ liệu
Dữ liệu định Dữ liệu định

tính lƣợng
Thang đo Thang đo Thang đo Thang đo tỷ

danh nghĩa thứ bậc khoảng cách lệ
 Ngoài ra đối với dữ liệu định lượng người ta cũng có thể chia ra 3
loại, đó là dữ liệu theo thời gian, dữ liệu chéo và dữ liệu hỗn hợp.
20
10
7/6/2018

Thang đo danh nghĩa (biểu danh)/ nominal scale
 Thang đo biểu danh là thang đo đơn giản nhất để phân biệt sự vật
hay hiện tƣợng này với cái khác nó, nhiều khi ngƣời ta dùng các
con số để mã hoá hay chỉ (biểu danh) một sự vật, ngoài ra không
có ý nghĩ gì khác.
Ví dụ 1:
- Khách hàng: ⁭ Nam ⁭ Nữ;
- Đối tƣợng: ⁭ Ngƣời bán sỉ ⁭ Ngƣời bán lẻ;
- Thái độ: ⁭ Thích ⁭ Không thích
Giữa các biểu danh: Nam/ Nữ; Thích/ Không thích... hoàn
toàn không có quan hệ thứ bậc nào cả.
21

 Ví dụ 2: Hỏi “Xin vui lòng cho biết tình trạng hôn nhân của bạn
hiện nay?”
Độc thân ⁭1
Đang có gia đình ⁭2
Goá bụa ⁭3
Đã ly hôn ⁭4
Những con số này mang tính định danh vì rõ ràng ta
không thể cộng chúng lại hoặc tính ra giá trị trung bình của
tình trạng hôn nhân”.
22
11
7/6/2018

 Những phép toán thống kê có thể sử dụng cho dạng thang biểu
danh là:
 Đếm;
 Tính tần suất của một biểu hiện nào đó
 Tính giá trị mode;
 Thực hiện một số phép kiểm định.
23

Thang đo thứ bậc/ ordinal scale
 Là thang đo đƣợc sử dụng để xếp hạng các đồ vật hay hiện tƣợng
theo một thứ tự nhất định với sự so sánh định tính nào đó về thứ
bậc hay sự hơn kém, nó không cho ta biết đƣợc khoảng cách giữa
chúng.
 Thang đo xếp hạng theo thứ tự là thang đo biểu danh, nhƣng
không phải thang đo biểu danh nào cũng đều là thang đo xếp
hạng theo thứ bậc.
 Đối với thang đo xếp hạng theo thứ tự, khuynh hƣớng trung tâm
có thể xem xét bằng trung vị; giá trị Mode.
24
12
7/6/2018

Thang đo thứ bậc/ ordinal scale
 Ví dụ 1: Thu nhập của anh/chị/ông/bà hàng tháng:

1.< 3 triệu đồng
2.Từ 3-5 triệu đồng
3. >5 trđ
 Ví dụ 2: Xếp hạng TOPTEN hàng tiêu dùng Việt Nam tuỳ theo số
lƣợng thƣ khách hàng bình chọn nhiều hay ít từ hạng nhất đến hạng 10
(không nói rõ hạng nào đƣợc bao nhiêu thƣ). Hoặc theo mức độ ƣa
chuộng của khách hàng ở 3 mức:
1. Không thích;
2. Hơi thích;
3. Rất thích.
Ta biết là “hơi thích” là hơn “không thích” nhƣng không đo lƣờng
đƣợc khoảng cách giữa hai cấp độ đó là bao nhiêu.
25

Thang đo khoảng/ interval scale
Là loại thang cung cấp định lƣợng về

quan hệ thứ tự giữa các sự vật và hiện
THANG ĐO KHOẢNG CÁCH
tƣợng;
là một dạng đặc biệt của thang đo xếp
hạng theo thứ bậc;
nó nói lên đƣợc khoảng cách giữa hai

cấp bậc thứ tự (đã đƣợc lƣợng hoá).
Trong việc đo lƣờng thái độ hay ý

kiến thì thang đo khoảng cách cung
cấp nhiều thông tin hơn so với thang
đo xếp hạng theo thứ tự
26
13
7/6/2018

 Ví dụ 1: Đánh giá chất lƣợng đào tạo của một trƣờng

Rất không đồng ý Rất đồng ý
1 2 3 4 5
Chƣơng trình đào tạo của trƣờng phù hợp tốt với
yêu cầu thực tiễn
Nội dung các môn học đƣợc cập nhật, đổi mới,đáp
ứng tốt yêu cầu đào tạo
GV có kiến thức sâu về môn học đảm trách
27

 Ví dụ 2: Phát biểu ý thích về màu sắc sản phẩm nào đó bằng cách
đánh dấu vào bậc thang khoảng cách từ:
1 2 3 4 5 6 7
Không thích ---------------------------------------------------------- rất thích
Khi đó, người ta xác định thái độ của mình chính xác ở vào điểm số
nào.
28
14
7/6/2018

 Các phép toán thống kê có thể sử dụng thêm cho loại thang đo
này (so với 2 loại thang đo trên) là:
 Tính khoảng biến thiên;
 Số trung bình;
 Độ lệch chuẩn.
Cần chú ý là thang đo khoảng cách tự nó không có điểm 0 tuyệt đối,
do đó bạn chỉ có thể thực hiện được phép tính công hay trừ (+/-),
nếu dùng phép chia (/) thì kết quả sẽ không có ý nghĩa.
29

Thang đo tỷ lệ/ ratio scale
 Đây là những loại thang đo lƣờng cho phép đánh giá và so sánh
các sự vật hiện tƣợng một cách tuyệt đối, cung cấp thông tin định
lƣợng một cách đầy đủ nhất và đƣợc áp dụng rộng rãi nhất.
Nhiều thang đo tỉ lệ cho thấy những ý nghĩa sâu sắc hơn là ba
loại thang đo trƣớc.
 Đây là thang đo dùng cho tiêu thức số lƣợng.
Ví dụ: Mức độ chi tiêu cho tiền học của con cái chiếm 30%
thu nhập của tôi.
 Nói chung thang đo khoảng và thang đo tỷ lệ có thể đo lƣờng xu
hƣớng trung tâm bằng bảng tần số, biểu đồ tần số, trung bình số
học. Còn xu hƣớng phân tán đƣợc đo bằng phƣơng sai, độ lệch
chuẩn.
30
15
7/6/2018

Dữ liệu theo thời gian/ chéo/ hỗn hợp
 Số liệu theo thời gian: Là số liệu đƣợc thu thập trong một thời kỳ:
 Quan sát mức lạm phát và thất nghiệp của Mỹ từ 1990-2014
 Quan sát GDP của Việt nam từ 1990-2014
 Quan sát khả năng sinh lời của một công ty trong hơn 20 năm
 Số liệu chéo: là số liệu về một hay nhiều biến đƣợc thu thập tại một thời
điểm ở nhiều địa phƣơng, đơn vị khác nhau.
 Quan sát thu nhập, trình độ học vấn, và cân nặng của 1000 ngƣời
 Quan sát khả năng sinh lời của 20 công ty
 Quan sát GDP trên đầu ngƣời, dân số, và chi phí quốc phòng thực tế của
80 quốc gia
 Số liệu hỗn hợp: Số liệu hỗn hợp theo không gian và thời gian.
 Quan sát tỷ lệ lạm phát và mức tăng trƣởng của 15 quốc gia trong khoảng
thời gian từ 1980-2010
 Quan sát mức sản lƣợng và mức giá của 100 ngành trong hơn 12 quý
31
2.3. Thống kê mô tả
Dạng thống kê
Dạng bảng, biểu Dạng đồ thị
32
16
7/6/2018
Mô tả dạng thống kê
 Số trung bình (Giá trị kỳ vọng/mean): là giá trị trung bình của
một dãy số liệu.
 Nếu mẫu ngẫu nhiên w có các giá trị x = (x1, x2, …xn), thì giá trị trung
bình đƣợc tính nhƣ sau:
n
 xi
xi: cá thể thứ i
i: là số thứ tự của cá thể
x i 1
n n: số lƣợng cá thể
 Nếu các giá trị x1, x2, …xk lần lƣợt có các tần suất n1, n2, …nk thì giá trị
trung bình đƣợc tính nhƣ sau: 1 k
x
n
 x n ; ( n
1
i i i  n)
n 
E ( X )     xi pi Biến rời rạc

i 1
E( X )   xf ( x )dx

Biến liên tục
33
 Số trung vị (Median): Là giá trị của số đứng ở vị trí giữa dãy số

liệu. Trƣớc khi xác định giá trị trung vị, cần phải sắp xếp các dữ
liệu theo thứ tự dƣới lên hoặc từ trên xuống. Gọi n là số giá trị
quan sát đƣợc, thì số trung vị đƣợc xác định nhƣ sau.
 Nếu n là số lẻ: thì số trung vị là số có số thứ tự (n+1)/2
 Nếu n là số chẵn: thì số trung vị là số trung bình cộng của 2 số có thứ tự
là n/2 và (n/2) +1
Đặc tính quan trọng của trung vị là không bị ảnh hưởng bởi các giá trị ở hai
đầu mút của dãy phân phối, vì vậy, nếu bảng phân phối có độ lệch lớn nên
chọn phép tính giá trị trung vị hơn là trung bình.
 Số mốt (mode): Mốt là số có tần số xuất hiện nhiều nhất trong
dãy số. Trong sản xuất, tiêu thụ sản phẩm, đi xác định loại sản
phẩm có nhiều người sử dụng nhất
34
17
7/6/2018
 Phƣơng sai ( Variance) và độ lệch chuẩn (Standard deviation): Phƣơng sai và

độ lệch chuẩn dựa trên mức độ sai lệch của các quan sát với giá trị trung bình.
Căn bậc hai của phƣơng sai gọi là độ lệch chuẩn.
Var(X) = σ2 = E[X-E(X)]2
n n n
Var ( X )   [ xi  E ( X )]2 pi   xi2 pi  ( xi pi ) 2 Nếu biến ngẫu nhiên rời rạc
i 1 i 1 i 1

Var ( X )   [ x  E ( X )] f ( x)dx Nếu biến ngẫu nhiên liên tục

 Độ lệch chuẩn đƣợc tính nhƣ sau:
 xi  μ 
1
  2 
2
 Độ lệch chuẩn của tổng thể:
N
 Độ lệch chuẩn của mẫu: S  S2 
1
 xi  x 2
n -1
35
Mô tả dang bảng biểu/ Biểu đồ tần suất
Công việc của chủ hộ Tần số (ngƣời) Tần suất (%)

Có hoạt động kinh tế 658 63,45
Không hoạt động kinh tế 47 4,53
Không có việc làm 332 32,02
Tổng 1.037 100
36
18
7/6/2018
Mô tả dang bảng biểu/ Dạng bảng kết hợp
Thiếu việc và thất
Tổng số Đủ việc làm
nghiệp
Diễn giải
Số ngƣời Tỷ lệ Số ngƣời Tỷ lệ Số ngƣời Tỷ lệ
(%) (%) (%)
1. Trong độ tuổi 1300704 100 894392 68,76 406312 31,24
lao động
Nữ 638456 100 50569 70,57 187887 29,43
Nam 662248 100 43823 67,02 218425 32,98
2. Ngoài tuổi quy 1376585 100 935056 67,93 441529 32,07

định
Nữ 682719 100 478168 68,85 204551 31,15
Nam 693866 100 456888 70,04 204551 29,96
37
Mô tả dạng đồ thị
Có 4 dạng đồ thị thƣờng dùng là:
Bar Pie
chart chart
Scatter
Line
graph
graph
38
19
7/6/2018
Đồ thị thanh thƣờng đƣợc sử dụng để biểu diễn số tƣơng đối, số tuyệt đối, tần số.
Tổng sản phẩm quốc nội phân theo ngành kinh tế (giá cố định năm 1989) của vùng
ĐBSCL thời kỳ 00 – 04
Tỷ VND
9.000
8.000
Tổng Sản Phẩm Quốc Nội
7.000
6.000
Dịch Vụ
5.000
Xây Dựng
4.000 Công Nghiệp
3.000 Nông Lâm Nghiệ p
2.000
1.000
.000
2000 2001 2002 2003 2004
Năm
39
40
20
7/6/2018
Đồ thị bánh thƣờng đƣợc sử dụng cho các câu hỏi đơn trả lời để biểu diễn tần số tƣơng
đối – Tổng của nó bằng 100%..
Cơ cấu lao động của Tp. Cần thơ phân theo trình độ năm 2004
Công nhân kỹ thuật Đại học

43,8% 51,2%
Cao Sau đại học

đẳng 2,1%
2,9%
41
Đồ thị đường đƣợc sử dụng để biểu diễn mối quan hệ giữa các biến.
Tốc độ tăng trƣởng GDP phân theo khu vực kinh tế của Việt Nam thời kỳ 00 – 04 (ĐVT: %)
20,0
18,0
16,0
14,0 Khu vực nhà nước
12,0
Khu vực tư nhân
10,0
8,0
Khu vực có vốn đầu tư
6,0 nước ngoài
4,0
2,0
0,0
2000 2001 2002 2003 2004
42
21
7/6/2018
2.4. Phân tích diễn giải dữ liệu

Ƣớc lƣợng điểm
Ước lượng tham số của … bằng tham số mẫu

tổng thể (parameters) … (statistics)
Trung bình  X
Tỉ lệ p PS
Phương sai 2 S2
Khác biệt 1   2 X1  X 2
43

Ƣớc lƣợng khoảng
 Cung cấp một khoảng các giá trị

 Có xét đến sự biến thiên (variation) về trị số giữa các
mẫu khác nhau
 Dựa trên quan sát của 1 mẫu
 Cung cấp thông tin gần nhất (closeness) về trị số (chưa
biết) của tổng thể
 Thể hiện dưới dạng độ tin cậy.
44
22
7/6/2018

Ƣớc lƣợng khoảng/ Khoảng tin cậy cho μ khi biết σ
 Giả định Giá trị tới hạn phân phối Z

 Xem nhƣ biết σ
 Tổng thể có phân phối chuẩn
 Nếu tổng thể không có phân phối chuẩn, mẫu phải lớn
 Khoảng tin cậy
 
X  Z / 2    X  Z / 2
n n
 gọi là sai số chọn mẫu
e  Z / 2 (sampling error or margin of error)
n
45

Ƣớc lƣợng khoảng/ Khoảng tin cậy cho μ khi biết σ
Phân phối của trung bình

_ mẫu
X
  Z / 2 X  /2   Z / 2 X
1  /2
Khoảng tin cậy từ X
X  
X  Z X (1- α)*100%
khoảng tin cậy đã
đến xây dựng chứa μ;
X  Z X α* 100 % khoảng
không chứa μ
Khoảng tin cậy 46
23
7/6/2018

Ƣớc lƣợng khoảng/ Khoảng tin cậy cho μ khi chƣa biết σ
 Dùng phân phối Student (phân phối t) Sai số chọn mẫu/

Sai số của ƣớc lƣợng
S S
X  t / 2,n 1    X  t / 2,n 1
n n
2
 Độ dài khoảng tin cậy sẽ là: I  2  t
2 n
 Kích thước mẫu tối thiểu n sao cho với độ tin cậy
 2 4 2   2 2
bằng (1–α) cho trước, độ dài khoảng tin cậy n  t  2   t  
 I 0   2  02 
không vượt quá giá trị I0 (cho trước ε – ε0) là: 2
47

Ƣớc lƣợng khoảng/ Ví dụ
 Chiều dài của một loại sản phẩm là một đại lƣợng ngẫu nhiên có
phân phối theo quy luật chuẩn với độ lệch chuẩn là 0,38. Đo thử
30 sản phẩm loại này, ta thu đƣợc kết quả sau:
Chiều dài (cm) 36 38 40 42
Số sản phẩm 6 11 8 5
tƣơng ứng
a) Với độ tin cậy 0,95 hãy ước lượng chiều dài trung bình của loại
sản phẩm nói trên bằng khoảng tin cậy đối xứng (2 phía).
b) Nếu yêu cầu sai số của ước lượng là 0,05 và giữ nguyên độ tin
cậy thì phải điều tra một mẫu kích thước bao nhiêu?
48
24
7/6/2018

Ƣớc lƣợng khoảng/ Khoảng tin cậy cho tỷ lệ tổng thể
 Giả sử trong tổng thể kích thƣớc n có m phần tử mang dấu hiệu
nghiên cứu. Nếu lấy ngẫu nhiên ra một phần tử và gọi X là số
phần tử mang dấu hiệu nghiên cứu đƣợc lấy ra thì X là một đại
lƣợng ngẫu nhiên phân phối theo quy luật không - một với bảng
phân phối xác suất là:
X 0 1
P 1-p p
 Trong đó p là xác suất để lấy ngẫu nhiên một phần tử thì

được phần tử mang dấu hiệu nghiên cứu: m
p
n
49

 Ta có E(X) = p và D(X) = p(1-p)
 Nhƣ vậy ƣớc lƣợng kỳ vọng toán của quy luật này cũng chính là
ƣớc lƣợng xác suất p mà p chính là tần suất của tổng thể. Ở đây
ta chỉ xét cỡ mẫu đủ lớn p̂ ≈ p. Khi đó khoảng tin cậy đối xứng:
Độ lệch chuẩn Sai số của ƣớc lƣợng
pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  Z / 2  p  pˆ  Z / 2
n n
50
25
7/6/2018

 Ví dụ: Một nghiên cứu được thực hiện nhằm ước lượng thị phần
của sản phẩm nội địa (do các công ty sản xuất trong nước) đối
với mặt hàng bánh kẹo. Kết quả điều tra ngẫu nhiên 100 khách
hàng cho thấy có 34 người dùng sản phẩm nội địa. Với độ tin cậy
95%, hãy ước lượng khoảng tin cậy cho thị phần sản phẩm nội
địa.
0,34(1  0,34) 0,34(1  0,34)

0,34  1,96  p  0,34  1,96
100 100
0,2471  p  0,4328; hay 24,71%  p  43,28%
51

 Ví dụ: Một huyện miền núi gồm 3 xã được tiến hành điều tra về
tỷ lệ mù chữ của huyện (từ 8 tuổi trở lên). Số mẫu và số người
mù chữ trong mẫu của các xã tương ứng.
Tổng số mẫu Số ngƣời mù chữ

120 6
240 15
180 13
 Hãy ƣớc lƣợng điểm và khoảng cho tỷ lệ ngƣời mù chữ của

huyện với độ tin cậy 95%.
 Giải: Ƣớc lƣợng điểm và khoảng tỷ lệ biến ngẫu nhiên phân phối
0-1, độ tin cậy 95%, cỡ mẫu 540, có dấu hiệu nghiên cứu 34
52
26
7/6/2018

 Ƣớc lƣợng điểm:

m 6  15  13
pˆ    0.063 qˆ  1  pˆ  1  0.063  0.937
n 120  240  180
 Ƣớc lƣợng khoảng tin cậy 95% đối xứng:
pˆ qˆ pˆ qˆ
( pˆ  Z α / 2  p  pˆ  Zα / 2 )
n n
0.063 * 0.937 0.063 * 0.937
0.063  1.96  p  0.063  1.96
540 540
0.063  0.021  p  0.063  0.021
0.042  p  0.084
53

Các phƣơng pháp kiểm định tham số
1. Kiểm định giả thiết về tham số trung bình μ của tổng thể
2. Kiểm định sự khác nhau giữa trung bình của hai tổng thể
3. Kiểm định giả thiết về tỷ lệ của tổng thể
4. So sánh hai tỷ lệ
54
27
7/6/2018

Các bƣớc thực hiện kiểm định
Bƣớc 5: So sánh giá trị kiểm định với

giá trị tới hạn để ra quyết định (Chấp
nhận hay bác bỏ giả thuyết).
Bƣớc 4: Xác định giá trị tới hạn của

phép kiểm định;
Bƣớc 3: Chọn “phép” kiểm định thích hợp và tính

toán các giá trị thống kê kiểm định (Z, t,..);
Bƣớc 2: Chọn mức ý nghiã (α);
Bƣớc 1: Thiết lập các giả thuyết (H0; H1);

55

Các bƣớc thực hiện kiểm định
Kiểm định 2 đuôi Kiểm định 1 đuôi
56
28
7/6/2018

Kiểm định giả thiết về tham số trung bình μ
 Đã biết phương sai

 Giả định:
 Tổng thể phân phối chuẩn
 Nếu tổng thể phân phối không chuẩn, mẫu phải lớn
 Biết σ
x
Trị số kiểm định (Test Statistic) z
/ n
Bác bỏ giả thuyết H0, ở mức ý nghĩa , nếu:
Z < - Zα/2 hoặc Z > Zα/2
57

Kiểm định giả thiết về tham số trung bình μ
 Chưa biết phương sai

X 
Trị số kiểm định (Test Statistic): t
S/ n
Bác bỏ giả thuyết H0, ở mức ý nghĩa , nếu:
t < - tα/2 hoặc t > tα/2
58
29
7/6/2018

ĐỌC THAM KHẢO THÊM
 Kiểm định sự khác nhau giữa trung bình của hai tổng thể
• Kiểm định giả thiết về tỷ lệ của tổng thể
• Kiểm định giả thiết về tỷ lệ của 2 tổng thể (so sánh 2 tỷ lệ)
 Kiểm định phi tham số
• Kiểm định giả thuyết về tính độc lập của 2 dấu hiệu định tính
• Nhiều tham số tỷ lệ của biến ngẫu nhiên phân phối 0-1
• Kiểm định sự bằng nhau của trung bình trong hai mẫu (Dấu-Sign test,
Wilcoxon, McNemar)
• Kiểm định sự bằng nhau của trung bình trong nhiều hơn hai mẫu
(Friedman, Kendall’s W, Cochran’s Q)
• Kiểm định cho hai mẫu độc lập (Mann-Whitney U)
• Kiểm định nhiều hơn hai mẫu độc lập (Kruskal-Wallis H)
 Phân tích phƣơng sai ANOVA
59
Chƣơng 3
PHÂN TÍCH HỒI QUY
60
30
7/6/2018
Nội dung
3.1. Khái niệm phân tích hồi quy

3.2. Mô hình hồi quy đơn biến
3.3. Mô hình hồi quy đa biến
61

Khái niệm phân tích hồi quy
 Phân tích hồi quy là tìm quan hệ phụ thuộc của một biến, đƣợc
gọi là biến phụ thuộc vào một hoặc nhiều biến khác, đƣợc gọi là
biến độc lập nhằm mục đích ƣớc lƣợng hoặc tiên đoán giá trị kỳ
vọng của biến phụ thuộc khi biết trƣớc giá trị của biến độc lập.
 Ví dụ: Khi chúng ta cố gắng giải thích chi tiêu dùng của mọi
người, chúng ta có thể sử dụng các biến giải thích là thu nhập và
độ tuổi. Để dự đoán khả năng một học sinh cuối cấp trung học
phổ thông vào đại học, chúng ta có thể xem xét đến điểm các bài
kiểm tra, trình độ giáo dục của cha mẹ cũng như thu nhập của
gia đình anh ta
Y  1   2 X
62
31
7/6/2018

Ứng dụng của phân tích hồi quy
Ƣớc lƣợng các mối quan hệ
Phân
tích Kiểm định giả thiết về bản chất quan hệ
hồi phụ thuộc
quy
Dự báo
63

Các bƣớc thực hiện
Lý thuyết kinh tế, kinh nghiệm,
các nghiên cứu khác
Nêu ra các giả thiết

Thu thập, xử lý số liệu
Xây dựng mô hình
Ƣớc lƣợng các tham số
Không Kiểm định

mô hình
Có
Sử dụng mô hình: dự báo, đánh giá

tác động và đề ra chính sách 64
32
7/6/2018

Hồi quy tổng thể và hồi quy mẫu
 Hàm hồi quy tổng thể (PRF):

• E(Y/X=Xi) =  1 +  2X
• Đối với một quan sát cụ thể thì giá trị biến phụ thuộc lệch khỏi kỳ
vọng toán, vậy:
Yi =  1 +  2Xi + ui
Trong đó:
• 1 và 2 là các tham số của mô hình
• ui là Sai số của hồi quy hay còn được gọi là nhiễu ngẫu nhiên. Nhiễu
ngẫu nhiên hình thành có thể do: Bỏ sót biến giải thích, Sai số khi đo
lường biến phụ thuộc, Các tác động không tiên đoán được hay Dạng
hàm hồi quy không phù hợp.
65

Hồi quy tổng thể và hồi quy mẫu
 Hàm hồi quy mẫu (SRF):

• Trong thực tế hiếm khi chúng có số liệu của tổng thể mà chỉ
có số liệu mẫu. Chúng ta phải sử dụng dữ liệu mẫu để ƣớc
lƣợng hàm hồi quy tổng thể.
• Hàm hồi quy mẫu đƣợc biểu diễn:
Yˆi  ˆ 1  ˆ 2 X i
Trong đó:
• Yˆ là ước lượng của giá trị trung bình của Y đối với biến X đã biết
• ̂1 là ước lượng của β1
• ̂ 2 là ước lượng của β2
66
33
7/6/2018

Một số dạng hàm cơ bản trong phân tích hồi quy
 Dạng Hàm Tuyến tính :

Dạng hàm này có phƣơng trình: Ƣu điểm của dạng hàm tuyến tính
Yi = β1 + β2Xi + ui là tính đơn giản của nó. Mỗi lần
X tăng thêm một đơn vị thì ở mức
trung bình Y tăng thêm β2 đơn vị.
Nhƣợc điểm của dạng hàm tuyến
tính cũng chính là tính đơn giản
của nó, bất cứ lúc nào tác động
của X phụ thuộc vào các giá trị
của X hoặc Y, thì dạng hàm tuyến
tính không thể là dạng hàm phù
hợp.
67

 Dạng Hàm Bậc hai :

Dạng hàm này có phƣơng trình: Khi X tăng thêm một đơn vị thì
Yi = β1 + β2Xi + β3Xi2 + ui thì ở mức trung bình Y tăng thêm
β2 + 2β3Xi đơn vị. Nếu β3 > 0, thì
khi X tăng lên, tác động bổ sung
của X đến Y cũng tăng lên; nếu
β3<0, thì khi X tăng lên, tác động
bổ sung của X đến Y giảm xuống.
Nếu bạn có đƣờng biểu diễn chi
phí thì chi phí biên (tức là số
đơn vị mà C tăng lên khi Q tăng
lên thêm một đơn vị) sẽ là
MC=β2 + 2β3Q
68
34
7/6/2018

 Dạng Hàm Logarít :

Dạng hàm này có phƣơng trình:
lnYi = β1 + β2lnXi + ui
Giải thích dạng hàm này là nếu

X thay đổi 1% thì thì ở mức
trung bình Y sẽ thay đổi β2%;
đây là tính chất đặc biệt của
quan hệ logarít.
Hàm Cobb-Douglas có dạng:
Y = A.Kβ2.Lβ3eu
69

 Dạng Hàm bán-lôgarít (Semilog):

Dạng hàm này có phƣơng trình: Dạng hàm này có phƣơng trình:
Yi = β1 + β2lnXi + ui lnYi = β1 + β2Xi + ui
Nếu X tăng thêm 1 đơn vị thì Khi X tăng 1%, thì thì ở mức
thì ở mức trung bình Y tăng trung bình Y tăng [β2/100] đơn
thêm [β2*100] %. Một số ứng vị.
dụng hữu ích cho dạng hàm
này. Ví dụ, quan hệ giữa tiền
lƣơng và trình độ giáo dục.
70
35
7/6/2018

 Dạng Hàm Nghịch đảo:

Dạng hàm này có phƣơng trình:
Yi = β1 + β2(1/Xi) + ui
Dạng hàm nghịch đảo thƣờng
đƣợc sử dụng khi Y và X đều
dƣơng và khi đƣờng biểu diễn
quan hệ giữa chúng dốc
xuống (β1>0 và β2>0). Trong
trƣờng hợp này, dạng hàm
tuyến tính không đƣợc tốt bởi
vì đƣờng biểu diễn sẽ cắt trục
tọa độ và Y sẽ trở nên âm đối
với các giá trị X đủ lớn.
71

 Tổng quát :
Ta cũng có thể kết hợp vài dạng hàm khác nhau trong một hồi quy,
ví dụ:
Yi = β1 + β2(1/X2) + β3ln X3 + β4X4 + β5X42 +…+ ui
nếu ta làm thế, ta thƣờng phải có các lý do thỏa đáng để nghĩ rằng
hình dạng của quan hệ giữa Y và X2 là khác với các hình dạng của
quan hệ giữa Y và X3 , và Y và X4.
72
36
7/6/2018
3.2. Mô hình hồi quy đơn

Phƣơng pháp bình phƣơng nhỏ nhất
 Đây là phƣơng pháp đƣợc đƣa ra bởi nhà toán học Đức Carl
Friedrich Gauss, ký hiệu OLS (ordinary least squares). Tƣ tƣởng
của phƣơng pháp này là cực tiểu tổng bình phƣơng các phần dƣ.
73

OLS- Hồi quy đơn
 Hàm hồi quy mẫu: yˆ i  ˆ1  ˆ2 xi


Đặt L   ( yi  yi ) 2   ( yi  ˆ1  ˆ2 xi ) 2
i i
Ta thấy rằng các tham số quy mẫu sẽ là nghiệm của hệ thống
phƣơng trình sau
L
 2 ( yi  ˆ1  ˆ2 x i )  0 (1)
ˆ1 i
L
 2 x i ( yi  ˆ1  ˆ2 x i )  0 (2)
ˆ2 i
ˆ ˆ ˆ ˆ
Từ (1) =>  (yi  1   2 x i )  0   yi  n1   2  x i  0
i i i
74
37
7/6/2018

 Đặt  yi  ny  xi  nx
Do vậy ta có thể viết: ny  nˆ1  nˆ2 x  0 hay y  ˆ1  ˆ2 x  0
Từ (2) =>  xi ( yi  ˆ1  ˆ2 xi )  0

i
Do vậy:  xi ( yi  y  ˆ2 x  ˆ2 xi )  0

i
 xi yi  y  xi  ˆ2 x  xi  ˆ2  xi 2  0
i
 xi yi  nyx  ˆ2nx 2  ˆ2  xi 2  0

i
75

 Suy ra:
ˆ2   i i
x y  nxy  ( x i  x )( yi  y)
 & ˆ1  y  ˆ2 x
 x i2  nx 2  (xi  x)2
 ˆ1, ˆ2 là các ƣớc lƣợng của 1 và 2 đƣợc tính bằng phƣơng
pháp bình phƣơng nhỏ nhất- đƣợc gọi là các ƣớc lƣợng bình
phƣơng nhỏ nhất
76
38
7/6/2018

Các giả thiết

 Phương pháp bình phương nhỏ nhất (OLS) là phương pháp rất đáng tin cậy
trong việc ước lượng các tham số của mô hình, tuy nhiên mô hình ước lượng
phải thoả mãn các giả thiết. Khi thoả mãn các giả thiết, ước lượng bình
phương nhỏ nhất (OLS) là ước lượng tuyến tính không chệch có hiệu quả nhất
trong các ước lượng. Vì thế phương pháp OLS đưa ra Ước Lượng Không
chệch Tuyến Tính Tốt Nhất (BLUE). Kết quả này được gọi là Định lý
Gauss–Markov, Các giả thiết như sau.
 Giả thiết
1. E(ui) = 0 Kỳ vọng của các yếu tố ngẫu nhiên ui bằng 0
2. Var (ui) = 2 Phƣơng sai bằng nhau với mọi ui
3. Cov (ui,uj)=0 Không có sự tƣơng quan giữa các ui
4. Cov (ui,xi)=0 U và X không tƣơng quan với nhau
5. ui Phân phối chuẩn
77

Phƣơng sai bằng nhau
y
f(y|x)
. E(y|x) =  +  x
1 2
.
x1 x2
78
39
7/6/2018

Phƣơng sai không bằng nhau
y
f(y|x)
.
. E(y|x) = 1 + 2x
.
x1 x2 x3 x
79

Độ chính xác của SRF
 Từ công thức xác định các tham số của mẫu, ta dễ dàng tính
đƣợc: ˆ 2 ˆ 
Var (  2 )  ; se (  2 ) 
 ( xi  x ) 2  ( xi  x ) 2
Var ( ˆ1 ) 
 xi 2  2 ; se ( ˆ1 ) 
 xi 2 
n ( xi  x ) 2 n ( xi  x ) 2
• Trong đó:   Var (ui )

2
e
2
• Trong các công thức trên, σ2 chƣa biết, σ2 đƣợc 2
  i
ƣớc lƣợng bằng ƣớc lƣợng không chệch của nó là: n2
Nó chính là độ lệch chuẩn của các giá trị Y quanh đƣờng hồi quy mẫu
80
40
7/6/2018

Độ phù hợp của mô hình
 Để có thể biết mô hình giải thích đƣợc nhƣ thế nào hay bao nhiêu %
biến động của biến phụ thuộc, ngƣời ta sử dụng R2

(y  y)2 e
2
ESS RSS
1   i
 i
TSS TSS (y i  y)2 (y i  y)2
 ei
2
ESS RSS
R 
2
 1  1
TSS TSS  ( yi  y ) 2
Trong đó:
• TSS là tổng bình phương của tất cả các sai lệch giữa các giá trị quan sát Yi và giá
trị trung bình.
• ESS: là tổng bình phương của tất cả các sai lệch giữa các giá trị của biến phụ
thuộc Y nhận được từ hàm hồi quy mẫu và giá trị trung bình của chúng. Phần này
đo độ chính xác của hàm hồi quy
• RSS: là tổng bình phương của tất cả các sai lệch giữa các giá trị quan sát Y và các
giá trị nhận được từ hàm hồi quy.
81

Độ phù hợp của mô hình
 Tỉ số giữa tổng biến thiên đƣợc giải thích bởi mô hình cho tổng
bình phƣơng cần đƣợc giải thích đƣợc gọi là hệ số xác định, hay
là trị thống kê “good of fit”. Từ định nghĩa R2 chúng ta thấy R2
đo tỷ lệ hay số % của toàn bộ sai lệch Y với giá trị trung bình
đƣợc giải thích bằng mô hình. Khi đó ngƣời ta sử dụng R2 để đo
sự phù hợp của hàm hồi quy; 0 ≤ R2 ≤1
• R2 cao nghĩa là mô hình ước lượng giải thích được một mức độ cao
sự biến động của biến phụ thuộc.
• Nếu R2 bằng 0. Nghĩa là mô hình không đưa ra thông tin nào về
biến phụ thuộc. Các biến "giải thích" thực sự không đưa ra được
một giải thích nào.
82
41
7/6/2018

Ƣớc lƣợng khoảng tin cậy của các j
 Với các giả thiết đã cho ở phần trƣớc (OLS)- ui có phân bố

N(0,σ2). Nếu thoả mãn thì ngƣời ta suy ra:
ˆ j  N (  j ,Varˆ j )
ˆ j  E ( ˆ j ) ˆ j   j
* T  ~ T(n - 2)
Se( ˆ j ) Se( ˆ j )
 Với độ tin cậy 1-, ta có ƣớc lƣợng 2 phía nhƣ sau:

ˆ j   j
P(  t / 2 ( n  2)   t / 2 ( n  2))  1  
Se( ˆ j )
ˆ j  t / 2 (n  2)Se(ˆ j ); ˆ j  t / 2 (n  2)Se(ˆ j ) 

83

Ƣớc lƣợng khoảng tin cậy của các j
 Ƣớc lƣợng 2 phía:
84
42
7/6/2018

Kiểm định cho các j
 Có thể đƣa ra giả thiết nào đó đối với βj, chẳng hạn βj = βj*.
Nếu giả thiết này đúng thì:
ˆ j   j
T ~ T(n - 2)
Se( ˆ j )
Loại giả thiết Giả thiết H0 Giả thiết đối H1 Miền bác bỏ
Hai phía βj = βj* βj ≠ βj* |t| >tα/2 (n-2)
Phía phải βj ≤ βj* βj > βj* t >tα (n-2)
Phía trái βj ≥ βj* βj < βj* t <-tα (n-2)
85

Kiểm định cho các j
 Sử dụng p-value:
1/2 1/2
p-value p-value
= .0031 = .0031
   
 
T
T = -2.74 0 T = 2.74
-T/2 = -1.96 /2 = 1.96
86
43
7/6/2018

Kết quả hồi quy trên Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.9901
R Square 0.9802
Adjusted R Square 0.9798
Standard Error 2.5471
Observations 51
ANOVA
df SS MS F Significance F
Regression 1 15750.3157 15750.3157 2427.7095 0.0000
Residual 49 317.8986 6.4877
Total 50 16068.2143
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 0.1765 0.4675 0.3775 0.7074 -0.7630 1.1160
income 0.1417 0.0029 49.2718 0.0000 0.1359 0.1474
 Intercept: Tung độ gốc

 Coefficients : Hệ số hồi quy
 Standard Error : Sai số chuẩn của ước lượng hệ số
 t Stat : Trị thống kê t(n-2)
 P-value : Giá trị p
87

Kết quả hồi quy trên Eviews
Dependent Variable: WAGE
Method: Least Squares
Included observations: 49
Variable Coefficient Std. Error t-Statistic Prob.
C 1120.247 241.4885 4.638923 0.0000
EDUC 112.4522 36.29650 3.098154 0.0033
R-squared 0.169590 Mean dependent var 1820.204
Adjusted R-squared 0.151922 S.D. dependent var 648.2687
S.E. of regression 596.9982 Akaike info criterion 15.66167
Sum squared resid 16751120 Schwarz criterion 15.73888
Log likelihood -381.7108 F-statistic 9.598561
Durbin-Watson stat 1.582769 Prob(F-statistic) 0.003283

 C : Tung độ gốc
 Coefficient : Hệ số hồi quy
 Std. Error : Sai số chuẩn của ước lượng hệ số
 t – Statistic : Trị thống kê t(n-k)
 Prob: Giá trị p. Bác bỏ H0 khi /t-Statistic/ > t/2 hoặc Prob < .
88
44
7/6/2018
3.3. Mô hình hồi quy đa biến (HQ bội)

Giới thiệu mô hình hồi quy đa biến
 Chúng ta đã nghiên cứu mô hình hồi quy đơn. Trong lý thuyết

cũng nhƣ trong thực tế, có nhiều trƣờng hợp mà biến kinh tế cho
không thể giải thích bằng các mô hình hồi quy đơn nhƣ vậy.
Ví dụ:
• Lượng cầu phụ thuộc vào giá, thu nhập, giá các hàng hoá khác
v.v. Nhớ lại lý thuyết về hành vi người tiêu dùng.
QD = f(P, I, Pc, D…)
• Giá nhà ở phụ thuộc vào diện tích nhà, số phòng ngủ và số phòng
tắm ...
• Chi tiêu của hộ gia đình về thực phẩm phụ thuộc vào quy mô hộ
gia đình, thu nhập, vị trí địa lý . . .
• Tỷ lệ tử vong trẻ em của quốc gia phụ thuộc vào thu nhập bình
quân đầu người, trình độ giáo dục . .
89

Giới thiệu mô hình hồi quy đa biến
 Khi chúng ta có tập hợp dữ liệu về một biến kinh tế nào đó (biến
này đƣợc gọi là biến phụ thuộc) và các nhân tố ảnh hƣởng đến
nó (các nhân tố ảnh hƣởng này đƣợc gọi là các biến giải thích)
thì việc xét đến các ảnh hƣởng riêng biệt (hoặc đồng thời) của
nhiều nhân tố đến một biến kinh tế có thể đƣợc giải thích bằng
mô hình hồi quy bội.
 Hàm hồi quy bội tổng thể có dạng
y = β1 + β2 x 2 + β3 x 3 + . . . βk x k + u PRF
Trong đó:
β1: là hệ số tự do (hệ số chặn)
βj: là hệ số hồi quy riêng
u: sai số ngẫu nhiên
90
45
7/6/2018

Giả thiết của mô hình hồi quy đa biến
 Các giả thiết OLS cho mô hình hồi quy tuyến tính đơn đƣợc giải thích
trong mô hình hồi quy bội:
1. E(ui) = 0 Kỳ vọng của các yếu tố ngẫu nhiên ui bằng 0
2. Var (ui) = 2 Phƣơng sai bằng nhau với mọi ui
3. Cov (ui,uj)=0 Không có sự tƣơng quan giữa các ui
4. Cov (ui,xi)=0 U và X không tƣơng quan với nhau
5. ui Phân phối chuẩn
Giả thiết bổ sung cho mô hình hồi quy bội:

6. Giữa các x2, x3, ..xk không có quan hệ tuyến tính. Nếu x2, x3, ..xk có
quan hệ tuyến tính thì ngƣời ta nói rằng có hiện tƣợng đa cộng tuyến.
Hay không tồn tại i ≡ 0: 1x1i + 2x2i + 3x3i +...+ kxki = 0
91

Ƣớc lƣợng các tham số của mô hình hồi quy đa biến
 Trong thực tế chúng ta thƣờng chỉ có dữ liệu từ mẫu. Từ số liệu

mẫu chúng ta ƣớc lƣợng hồi quy tổng thể.
 Hàm hồi quy mẫu:
ŷ  ˆ  ˆ x  ˆ x  ...  ˆ x
i 1 2 2i 3 3i k ki
 Để ƣớc lƣợng các tham số của mô hình, chúng ta sử dụng

phƣơng pháp bình phƣơng nhỏ nhất-OLS (nhƣ đã giới thiệu
phần trƣớc).
 Các phần dƣ đƣợc định nghĩa giống nhƣ trong mô hình hồi quy
đơn:
ei  yi  ŷi
92
46
7/6/2018

Ƣớc lƣợng các tham số của mô hình hồi quy đa biến
 Chúng ta có thiết lập các điều kiện bậc nhất cho phép tính tối
thiểu này nhƣ sau:
  ei2
 2 ( yi  ( ˆ1  ˆ2 x 2i  ˆ3x 3i  ...  ˆk x ki ))  0
ˆ 1
  ei2
 2 ( yi  ( ˆ1  ˆ2 x 2i  ˆ3x 3i  ...  ˆk x ki )) x 2i  0
ˆ 2
.....................................................................................................
  ei2
 2 ( yi  ( ˆ1  ˆ2 x 2i  ˆ3x 3i  ...  ˆk x ki )) x ki  0
ˆ k
• Hệ phương trình mà chúng ta có được gọi là hệ phương trình chuẩn. Chúng ta có thể
giải k phương trình chuẩn này để tìm k hệ số beta chưa biết.
• Sự trình bày đơn giản nhất của lời giải này ở dưới dạng đại số ma trận. Tuy nhiên sử
dụng phần mềm EViews hay các phần mềm phân tích dữ liệu khác chúng ta có thể tìm
dễ dàng các hệ số hồi quy.
93

Hệ số xác định bội R2 và hệ số xác định bội đã hiệu chỉnh
 Trong mô hình hồi quy hai biến R2 đo độ thích hợp của hàm hồi quy.
Nó chính là tỷ lệ của toàn bộ sự biến đổi của biến phụ thuộc y do biến
giải thích x gây ra. Trong mô hình hồi quy bội tỷ lệ của toàn bộ sự
khác biệt của biến y do tất cả các biến X gây ra đƣợc gọi là hệ số xác
định bội, ký hiệu là R2: 2
R2  1
e i
(y i  y)2
 0≤ R2 ≤1. Nếu R2 =1, có nghĩa là đƣờng hồi quy giải thích 100% thay
đổi của y. Nếu R2 =0, có nghĩa là mô hình không giải thích đƣợc sự
thay đổi nào của y.
 R2 Là hàm không giảm của số biến giải thích có trong mô hình, do đó
nếu tăng số biến giải thích có trong mô hình thì R2 cũng tăng. Vấn đề
cần đặt ra là khi nào cần đƣa thêm biến giải thích mới vào trong mô
hình?
94
47
7/6/2018

 Để ngăn chặn tình trạng “có đƣa thêm biến vào mô hình” nhƣ đã
nêu trên, một phép đo khác về mức độ thích hợp đƣợc sử dụng
thƣờng xuyên hơn. Phép đo này gọi là R2 hiệu chỉnh hoặc R2
hiệu chỉnh theo bậc tự do (kết quả này luôn đƣợc in ra khi thực
hiện hồi quy bằng những phần mềm chuyên dụng). Để phát triển
phép đo này, trƣớc hết phải nhớ là R2 đo lƣờng tỷ số giữa
phƣơng sai của Y “đƣợc giải thích” bằng mô hình; một cách
tƣơng đƣơng, nó bằng 1 trừ đi tỷ số “không đƣợc giải thích” do
phƣơng sai của sai số Var(u). Ta có thể biểu diễn công thức tính
nhƣ sau:
Var (u )
R 2  1
Var (Y )
95

 Chúng ta biết rằng một ƣớc lƣợng không chệch của Var (u)
đƣợc tính bằng RSS/(n – k), và một ƣớc lƣợng không chệch của
Var (Y) đƣợc tính bằng TSS/(n – 1). Thay vào phƣơng trình trên
ta có:
RSS /(n  k ) RSS (n  1)
R 2  1  1
TSS /(n  1) TSS (n  k )
(n  1) ˆ 2 (n  1)
 1 (1  R 2 )  1 
(n  k ) TSS
 Qua thao tác hiệu chỉnh này thì chỉ những biến thực sự làm tăng
khả năng giải thích của mô hình mới xứng đáng đƣợc đƣa vào
mô hình .
96
48
7/6/2018

Ƣớc lƣợng khoảng tin cậy và kiểm định cho j
 Ước lượng 2 phía, ta tìm đƣợc tα/2 (n-k) thoả mãn.

ˆ j   j
P(t / 2 (n  k )   t / 2 (n  k ))  1  
Se(ˆ ) j
 Do vậy khoảng tin cậy là:

ˆ j  t / 2 (n  k ) Se(ˆ j ); ˆ j  t / 2 (n  k ) Se(ˆ j ) 
 Chúng ta cũng có thể kiểm định giả thiết βj = βj*, Thực hiện
tƣơng tự nhƣ hồi quy đơn.
97

Kiểm định ý nghĩa của hàm hồi quy
 Trong mô hình hồi quy đa biến, giả thiết "không" cho rằng mô hình không có
ý nghĩa đƣợc hiểu là tất cả các hệ số hồi quy riêng (các tham số độ dốc) đều
bằng không. Ứng dụng kiểm định Wald (thƣờng đƣợc gọi là kiểm định F)
đƣợc tiến hành cụ thể nhƣ sau:
• Bƣớc 1 Giả thuyết không là H0: 2 = 3 =…= k = 0
Giả thuyết ngược lại là H1: có ít nhất một trong những giá trị β
không bằng không.
• Bƣớc 2 Trƣớc tiên hồi quy Y theo một số hạng không đổi và X2,X3,..,Xk,
sau đó tính tổng bình phƣơng sai số RSSU. Kế đến tính RSSR. Chúng ta
đã định nghĩa phân phối F là tỷ số của hai biến ngẫu nhiên phân phối chi
bình phƣơng độc lập. Điều này cho ta trị thống kê:
Fc 
RSS R  RSSU  /(k  m) ~ F (, k  m, n  k )
RSSU /(n  k )
98
49
7/6/2018

Kiểm định ý nghĩa của hàm hồi quy
• Vì H0: 2 = 3 =…= k = 0, dễ dàng thấy rằng trị thống kê kiểm
định đối với giả thiết này sẽ là:
Fc 
RSS R  RSSU  /(k  m)  ESS /(k  1)
~ F ( , k  m, n  k )
RSSU /(n  k ) RSS /(n  k )
• Bƣớc 3 Từ số liệu trong bảng F tƣơng ứng với bậc tự do k − 1

cho tử số và n − k cho mẫu số, và với mức ý nghĩa cho trƣớc α, ta
có F*(α, k-1,n-k) sao cho diện tích bên phải của F* là α.
• Bƣớc 4 Bác bỏ giả thuyết không ở mức ý nghĩa a nếu Fc > F*.
Đối với phƣơng pháp giá trị p, tính giá trị p = P(F > Fc|H0) và
bác bỏ giả thuyết không nếu giá trị p nhỏ hơn mức ý nghĩa.
99

Ví dụ 1
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.5676
R Square 0.3222
Adjusted R Square 0.2770
Standard Error 551.2095
Observations 49
ANOVA
df SS MS F Significance F
Regression 3 6499678.255 2166559 7.130784 0.000510121
Residual 45 13672433.7 303831.9
Total 48 20172111.96
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 632.244 423.379 1.493 0.142 -220.484 1484.972
EDUC 142.510 34.859 4.088 0.000 72.299 212.720
EXPER 43.225 14.304 3.022 0.004 14.417 72.034
AGE -1.913 8.394 -0.228 0.821 -18.819 14.992
 Hãy giải thích dấu mà anh/chị mong muốn cho các hệ số β2 , β3, β4
 Giải thích ý nghĩa của các hệ số hồi quy.
 Hãy cho biết mô hình nhận hồi quy có ý nghĩa với bằng 5% hay không 100
50
7/6/2018

Ví dụ 2
Dependent Variable: BUSTRAVL
Sample: 1 40
Included observations: 40
Variable Coefficient Std. Error t-Statistic Prob. Khi nghiên cứu số ngƣời sẽ di chuyển
C
FARE
2744.680
-238.6544
2641.672
451.7281
1.038994
-0.528314
0.3064
0.6008
bằng xe buýt với nhiều yếu tố ảnh hƣởng
GASPRICE
INCOME
522.1132
-0.194744
2658.228
0.064887
0.196414
-3.001294
0.8455
0.0051
khác nhau. Ngƣời ta thu thập dữ liệu chéo
POP 1.711442 0.231364 7.397176 0.0000 cho 40 thành phố khắp nƣớc Mỹ. Kết quả
DENSITY 0.116415 0.059570 1.954253 0.0592
LANDAREA -1.155230 1.802638 -0.640855 0.5260 hồi quy nhƣ bảng bên. Trong đó:
R-squared 0.921026 Mean dependent var 1933.175
Adjusted R-squared 0.906667 S.D. dependent var 2431.757 BUSTRAVL = Mức độ giao thông bằng xe buýt
S.E. of regression
Sum squared resid
742.9113
18213267
Akaike info criterion
Schwarz criterion
16.21666
16.51221
ở đô thị tính theo ngàn hành khách mỗi giờ
Log likelihood
Durbin-Watson stat
-317.3332
2.082671
F-statistic
Prob(F-statistic)
64.14338
0.000000
FARE = Giá vé xe buýt tính bằng $
GASPRICE = Giá một ga lông nhiên liệu tính
Dependent Variable: BUSTRAVL bằng $
Sample: 1 40
Included observations: 40 INCOME = Thu nhập bình quân đầu người tính
Variable Coefficient Std. Error t-Statistic Prob.
bằng $
C 2815.703 976.3007 2.884053 0.0066
INCOME -0.201273 0.062101 -3.241076 0.0026 POP = Dân số thành phố tính bằng ngàn người
POP 1.576575 0.120612 13.07148 0.0000
DENSITY 0.153421 0.034898 4.396311 0.0001 DENSITY = Mật độ dân số tính (người/dặm
R-squared 0.918759 Mean dependent var 1933.175 vuông)
Adjusted R-squared 0.911989 S.D. dependent var 2431.757
S.E. of regression
Sum squared resid
721.4228
18736228
Akaike info criterion
Schwarz criterion
16.09497
16.26386
LANDAREA = Diện tích thành phố (dặm
Log likelihood -317.8993 F-statistic 135.7080 vuông)
Durbin-Watson stat 1.878671 Prob(F-statistic) 0.000000
101
Chƣơng 4
PHƢƠNG PHÁP DỰ BÁO ĐỊNH

LƢỢNG
102
51
7/6/2018
4.1. Giới thiệu

Khái niệm và vai trò của dự báo
 Dự báo theo tiếng Hy Lạp là Prognosis - sự tiên đoán, sự thấy trƣớc.

 Dự báo là sự tiên đoán có căn cứ khoa học, mang tính chất xác suất về
mức độ, nội dung, các mối quan hệ, trạng thái, xu hƣớng phát triển của
đối tƣợng nghiên cứu hoặc về cách thức và thời hạn đạt đƣợc các mục
tiêu nhất định đã đề ra trong tƣơng lai.
 Tiên đoán khoa học: đây là tiên đoán dựa trên việc phân tích mối quan
hệ qua lại giữa các đối tƣợng trong khuôn khổ của một hệ thống lý luận
khoa học nhất định. Nó dựa trên việc phân tích tính quy luật phát triển
của đối tƣợng dự báo và các điều kiện ban đầu với tƣ cách nhƣ là các
giả thiết. Tiên đoán khoa học là kết quả của sự kết hợp giữa những
phân tích định tính và những phân tích định lƣợng các quá trình cần dự
báo.
103
4.1. Giới thiệu

 Dự báo là một yếu tố quan trọng của hầu hết các quyết định kinh
doanh và lập kế hoạch kinh tế.
 Công tác dự báo là vô cùng quan trọng bởi lẽ nó cung cấp các
thông tin cần thiết nhằm phát hiện và bố trí sử dụng các nguồn
lực trong tƣơng lai một cách có căn cứ thực tế. Với những thông
tin mà dự báo đƣa ra cho phép các nhà hoạch định chính sách có
những quyết định về đầu tƣ, các quyết định về sản xuất, về tiết
kiệm và tiêu dùng, các chính sách tài chính, chính sách kinh tế vĩ
mô.
 Hầu nhƣ mọi lĩnh vực chức năng của doanh nghiệp đều sử dụng
một loại dự báo nào đó, ví dụ:
104
52
7/6/2018
4.1. Giới thiệu

 Kế toán: dự báo chi phí và doanh thu trong kế hoạch nộp thuế.
 Phòng nhân sự: dự báo nhu cầu tuyển dụng và những thay đổi
trong công sở.
 Chuyên gia tài chính: dự báo ngân lƣu.
 Quản đốc sản xuất: dự báo nhu cầu nguyên vật liệu và tồn kho.
 Giám đốc marketing: Dự báo doanh số để thiết lập ngân sách cho
quảng cáo.
105
4.1. Giới thiệu

Quy trình dự báo
 Bƣớc 1. Xác định mục đích

 Bƣớc 2. Xác định khoảng thời gian dự báo
 Bƣớc 3. Chọn phƣơng pháp dự báo
 Bƣớc 4. Thu thập và phân tích dữ liệu
 Bƣớc 5. Tiến hành dự báo
 Bƣớc 6. Kiểm chứng kết quả và rút kinh nghiệm
106
53
7/6/2018
4.1. Giới thiệu

Các phƣơng pháp dự báo
PHƢƠNG PHÁP
DỰ BÁO
PHƢƠNG PHÁP PHƢƠNG PHÁP

ĐỊNH TÍNH ĐỊNH LƢỢNG
Các mô hình Các mô hình chuỗi

nhân quả thời gian
-Lấy ý kiến của ban lãnh đạo -Hồi quy -Bình quân đơn giản
-Lấy ý kiến của bộ phận bán hàng -Phân tích tƣơng quan -Bình quân di động
-Phƣơng pháp lấy ý kiến của ngƣời -San bằng số mũ
tiêu dùng -Chuỗi thời gian
-Phƣơng pháp chuyên gia -Phƣơng pháp Box- Jenkins
107
4.1. Giới thiệu

Dự báo định lƣợng
 Các phƣơng pháp dự báo định lƣợng dựa vào các số liệu thống
kê và thông qua các công thức toán học đƣợc thiết lập để dự báo
cho tƣơng lai. Khi dự báo, nếu không xét đến các nhân tố ảnh
hƣởng khác có thể dùng các phƣơng pháp dự báo theo dãy số
thời gian. Nếu cần ảnh hƣởng của các nhân tố khác đến nhu cầu
có thể dùng các mô hình nhân quả (hồi quy, tƣơng quan).
 Ƣu điểm của dự báo định lƣợng:
 Kết quả dự báo hoàn toàn khách quan
 Có phƣơng pháp đo lƣờng độ chính xác dự báo
 Ít tốn thời gian để tìm ra kết quả dự báo
 Có thể dự báo điểm hay dự báo khoảng
108
54
7/6/2018
4.1. Giới thiệu

Nguồn dữ liệu
 Tùy vào phƣơng pháp dự báo đƣợc chọn:

 Một số phƣơng pháp chỉ cần chuỗi số liệu sẽ đƣợc dự báo: nhƣ dự
báo thô, san bằng hàm số mũ, ARIMA…
 Các phƣơng pháp hồi quy yêu cầu phải có số liệu cho mỗi biến sử
dụng trong mô hình
 Số liệu nội bộ của tổ chức
 Số liệu bên ngoài tổ chức
109
4.2. Dự báo dựa trên dữ liệu chuỗi thời gian

Khái quát
 Các hiện tƣợng kinh tế - xã hội luôn luôn biến động qua thời
gian. Để nghiên cứu sự biến động này ngƣời ta dùng phƣơng
pháp chuỗi thời gian (dãy số thời gian). Chuỗi thời gian là dãy
các trị số của một chỉ tiêu nào đó được sắp xếp theo thứ tự thời
gian.
 Phƣơng pháp dự báo theo dãy số thời gian đƣợc xây dựng trên
một giả thiết về sự tồn tại và lƣu lại các nhân tố quyết định đại
lƣợng dự báo từ quá khứ đến tƣơng lai. Trong phƣơng pháp này
đại lƣợng cần dự báo đƣợc xác định trên cơ sở phân tích chuỗi
các số liệu thống kê đƣợc trong quá khứ .
 (vd.: số liệu về nhu cầu sản phẩm, doanh thu, lợi nhuận, chi phí,
năng suất hay chỉ số tiêu dùng…).
110
55
7/6/2018

Phƣơng pháp dự báo giản đơn
 Nội dung:
 Dự báo giá trị ở kỳ tiếp theo (t) sẽ bằng chính giá trị của kỳ trƣớc
đó (t-1).
 Công thức: Ft = Dt-1 (4-1)
• Trong đó:
• Ft - mức dự báo ở kỳ t;
• Dt-1 – giá trị thực tế của kỳ t-1
 Ƣu điểm: Đơn giản, có thể ứng dụng hiệu quả trong trƣờng hợp chuỗi
có xu hƣớng rõ ràng.
 Nhƣợc điểm: Mức độ chính xác của dự báo thấp.
111

Phƣơng pháp trung bình giản đơn
 Phƣơng pháp trung bình giản đơn là phƣơng pháp dự báo trên cơ sở lấy trung
bình của các dữ liệu đã qua, trong đó các giá trị của các giai đoạn trƣớc đều có
trọng số nhƣ nhau.
t 1
D
 Công thức:
i
Ft  i 1
, (4-2)
 Trong đó:
n
 Ft – là giá trị dự báo cho giai đoạn t;
 Di – là giá trị thực tế của giai đoạn i;
 n – số giai đoạn thực tế dùng để quan sát (n=t-1).
 Ƣu điểm:
 Chính xác hơn phƣơng pháp giản đơn
 Phù hợp với những dòng yêu cầu đều có xu hƣớng ổn định.
 Nhƣợc điểm: Phải lƣu trữ một số lƣợng dữ liệu khá lớn.
112
56
7/6/2018

Phƣơng pháp trung bình giản đơn
 Ví dụ 1: Hãy dự báo nhu cầu tháng tới dựa trên mức bán hàng
thực tế của các tháng trƣớc:
Tháng Mức bán thực tế (Dt) Dự báo (Ft)
1 100 --
2 110 F2=D2=100
3 120 F3=(D1+D2)/2=105
4 115 F4=110
5 F5=?
113

Phƣơng pháp trung bình động (TB trƣợt)
 Trong trƣờng hợp khi có sự biến động, trong đó thời gian gần nhất có
ảnh hƣởng nhiều nhất đến kết quả dự báo, thời gian càng xa thì ảnh
hƣởng càng nhỏ ta dùng phƣơng pháp trung bình động sẽ thích hợp
hơn.
 Dự báo cho giai đoạn tiếp theo dựa trên cơ sở kết quả trung bình của
các kỳ trƣớc đó thay đổi (trƣợt) trong một giới hạn thời gian nhất định.
 Công thức: n
 Dt i (4-3)
Ft  i 1
 Trong đó: n
 Ft – là giá trị dự báo cho giai đoạn t;
 Dt-i – là giá trị thực tế của giai đoạn t-i;
 n – số giai đoạn quan sát.
114
57
7/6/2018

Phƣơng pháp trung bình động (TB trƣợt)
 Ƣu điểm: Cho độ chính xác tƣơng đối, Rút ngắn số liệu lƣu trữ
 Nhƣợc điểm: Không cho thấy đƣợc mối tƣơng quan trong các đại
lƣợng của dòng yêu cầu.
 Ví dụ 2: Dự báo nhu cầu cho các tháng tới bằng phƣơng pháp
trung bình động, với n=3.
Tháng Mức bán thực tế (Dt) Dự báo (Ft)
1 100
2 110
3 120
4 115 F4=(120 + 110 +100)/3
5 125 F5=(115 + 120 + 110)/3
6 F6=?
115

Phƣơng pháp trung bình động có trọng số
 Là phƣơng pháp trung bình động có tính đến ảnh hƣởng của từng giai
đoạn khác nhau đến biến dự báo thông qua sử dụng trọng số
 Công thức: n
Ft  
Dt i  t i
i 1
 (4-4)
 Trong đó:
 Dt-i – là giá trị thực ở giai đoạn t-i
 αt-i – là trọng số của giai đoạn t-i với ∑ αt-i = 1 và 0≤αt-i≤1.
 Ƣu điểm: Cho kết quả sát với thực tế hơn so với pp tbd giản đơn vì có sử dụng
hệ số.
 Nhƣợc điểm:
• Dự báo không bắt kịp xu hướng thay đổi của biến;
• Đòi hỏi ghi chép số liệu chính xác và đủ lớn.
116
58
7/6/2018

Phƣơng pháp san bằng hàm số mũ
 Nhằm khắc phục nhƣợc điểm của phƣơng pháp trƣớc, pp san
bằng mũ cho rằng dự báo mới bằng dự báo của giai đoạn trƣớc
đó cộng với tỉ lệ chênh lệch giữa giá trị thực và dự báo của giai
đoạn đó qua, có điều chỉnh cho phù hợp.
 Công thức:
  
Ft  Ft 1   Dt 1  Ft 1  Dt 1  1   Ft 1  (4-5)
 Trong đó:
 Ft – Dự báo nhu cầu giai đoạn t
 Ft-1 - Dự báo nhu cầu giai đoạn t-1
 Dt-1 – Nhu cầu thực của giai đoạn t-1
 α- Hệ số san bằng mũ
117

 Vì sao lại gọi là pp san bằng hàm số mũ?. Ta thấy rằng:
Ft  Dt 1  1   Ft 1
 Ft  Dt 1  1   Dt  2  1   Ft  2 
 Ft  Dt 1   1   Dt  2   1    Dt 3   1    Dt  4  
2 3
Nhận xét:
 Ảnh hưởng của các số liệu trong quá khứ đối với kết quả dự báo có giá trị
giảm dần với một trọng số như nhau là (1-α) -> α - được gọi là hệ số san
bằng hàm số mũ.
118
59
7/6/2018

 Chọn α nhƣ thế nào?:

 Chỉ số α thể hiện độ nhảy cảm của sai số dự báo, nên phụ
thuộc nhiều vào loại hình sản phẩm và kinh nghiệm của ngƣời
khảo sát;
 0≤ α ≤1, ngƣời ta thƣờng chọn α [0.05-0.5];
 Để có α phù hợp phải dùng phƣơng pháp thử nghiệm và chọn
kết quả có sai số nhỏ nhất.
119

 Ví dụ: Dự báo với số liệu trong Ví dụ 2
Tháng Nhu cầu Nhu cầu dự báo (Ft)

i thực tế (Dt)  = 0.10  = 0.40
Ft,0.1 Sai số Ft,0.4 Sai số
1 100 - - - -
2 110
3 120
4 115
5 125
6
120
60
7/6/2018

 Ví dụ: Dự báo với số liệu trong Ví dụ 2
Tháng Nhu cầu Nhu cầu dự báo (Ft)

i thực tế (Dt)  = 0.10  = 0.40
Ft,0.1 Sai số Ft,0.4 Sai số
1 100 - - - -
2 110 100 10 100 10
3 120 101 19 104 16
4 115 102.9 12.1 110.4 4.6
5 125 104.11 20.89 112.24 12.76
6 106.20 117.34
121
4.3. Dự báo bằng phƣơng pháp dự báo nhân quả

Khái niệm
 Là phƣơng pháp dự báo dựa trên việc xác định mối quan hệ giữa
các đại lƣợng (biến), rồi dựa vào đó để đƣa ra dự báo.
 Ví dụ: Doanh thu & chi phí; quảng cáo & lợi nhuận; giá cả &
tiền lƣơng.
 Ta sẽ tìm hiểu hai phƣơng pháp cơ bản: hồi quy tuyến tính và
phân tích tương quan.
122
61
7/6/2018

Phân tích tƣơng quan
 Phân tích tƣơng quan đánh giá mối quan hệ giữa 2 nhân tố. Giá
trị cuối cùng (hệ số tƣơng quan) chỉ ra liệu có sự thay đổi của
nhân tố này sẽ dẫn đến thay đổi trong nhân tố kia hay không.
 Một hệ số tƣơng quan thấp (ví dụ: <0.10) chỉ ra rằng mối quan hệ
giữa 2 nhân tố rất yếu hoặc không tồn tại. Một hệ số tƣơng quan
cao ( gần bằng ±1 ) chỉ ra rằng nhân tố phụ thuộc sẽ thay đổi khi
nhân tố độc lập thay đổi.
 Ví dụ: Phân tích tương quan khá hữu ích trong việc đánh giá mối quan
hệ giữa 2 loại chứng khoán. Thông thường, một mức giá an toàn dẫn
dắt hoặc dự báo giá cả của một loại chứng khoán khác. Hay, hệ số
tương quan của vàng đối nghịch với đồng đô la. Điều này có nghĩa là
một sự gia tăng trong đồng đô la thường báo trước một sự giảm giá
của vàng.
123

Phân tích tƣơng quan
 Nếu có số liệu về hai đại lƣợng x, y. Để đánh giá mức độ quan hệ

giữa hai đại lƣợng này, ngƣời ta sử dụng hệ số tương quan ρ,
đƣợc tính nhƣ sau:
 xy 
 ( X  X )(Y  Y )
i i cov( X , Y ) 
 XY
 ( X  X )  (Y  Y )
i
2
i
2
var( X ) var(Y )  X Y
 Hoặc chúng ta cũng có thể dễ dàng tính đƣợc thông qua công cụ
Correlation trong Excel
124
62
7/6/2018

Dự báo bằng mô hình hồi quy
 Biểu diễn mối quan hệ giữa hai đại lƣợng thông qua phƣơng
trình hồi quy:
Yi = 1 + 2Xi + ui
 Chúng ta sử dụng phƣơng pháp bình phƣơng nhỏ nhất-OLS để

ƣớc lƣợng các tham số của mô hình.
 Dựa vào phƣơng trình hồi quy để đƣa ra dự báo.
 Nhận xét, đánh giá về kết quả dự báo
125

 Dự báo giá trị trung bình của biến phụ thuộc:

 Giả sử ta biết rằng biến độc lập x và một giá trị x0 nào đó mà ta
cần đƣa ra các kết luận về giá trị trung bình của biến phụ thuộc y,
thì ta có:
E(ylx0)= E(β1 + β2x0+ u0) = β1 + β2x0
 Khi đó đƣờng hồy quy mẫu cho ƣớc lƣợng điểm E(ylx0):
ŷ 0  ˆ1  ˆ2 x 0
ŷ0 là ƣớc lƣợng không chệch có phƣơng sai nhỏ nhất của E(ylx0), tuy
nhiên ŷ0 vẫn khác giá trị thực của nó.
ŷ0 có phân bố chuẩn với kỳ vọng β1 + β2x0 nên
ŷ  ( 1   2 x 0 )
T 0 ~ T(n - 2)
Se( ŷ 0 )
126
63
7/6/2018

 Dự báo giá trị trung bình của biến phụ thuộc:

 Khoảng tin cậy 1-α của E(y|x0):
P( ˆ1  ˆ2 x 0  t / 2 (n  2)Se( ŷ 0 )  1   2 x 0

 ˆ  ˆ x  t
1 2 0  /2 (n  2)Se( ŷ ))  1  
0
ŷ 0  t / 2 (n  2)Se( ŷ 0 )  E( y x 0 )  ŷ 0  t / 2 (n  2)Se( ŷ 0 )
 Trong đó:

2 1 ( x0  x ) 2 
Var ( y 0 )    
ˆ 2 
 n  ( xi  x ) 
127
Chƣơng 5
MÔ HÌNH TOÁN KINH TẾ VÀ

PHƢƠNG PHÁP TỐI ƢU
128
64
7/6/2018
5.1. Tổng quan

Khái niệm về mô hình kinh tế và mô hình toán kinh tế
 Mô hình kinh tế:

 Mô hình kinh tế là mô hình phản ánh các đối tƣợng trong lĩnh
vực hoạt động kinh tế.
 Để xây dựng mô hình kinh tế, chúng ta còn cần phải thu thập,
xử lý các thông tin về những kết quả nghiên cứu liên quan,
các dữ liệu đã đƣợc công bố và các kiến thức của các ngành
khoa học khác.
 Ngày nay, các mô hình kinh tế đƣợc diễn đạt và phân tích
bằng ngôn ngữ, tƣ duy và công cụ toán học, một khoa học
chặt chẽ, chính xác có khả năng diễn tả và phân tích một cách
đầy đủ, bản chất, khái quát nhất sự vận động và phát triển của
các hiện tƣợng, hệ thống kinh tế - xã hội.
129
5.1. Tổng quan

Khái niệm về mô hình kinh tế và mô hình toán kinh tế
 Mô hình toán kinh tế:

 Mô hình toán kinh tế là mô hình kinh tế đƣợc diễn đạt bằng ngôn
ngữ toán học.
 Bản chất của quá trình mô hình hoá một hiện tƣợng, một hệ thống
kinh tế là mô hình hoá quá trình vận động của nó, nghĩa là xây
dựng phƣơng trình trạng thái cho nó. Để xây dựng mô hình toán
học của một hiện tƣợng, một hệ thống kinh tế cụ thể, ta phải chọn
các biến kinh tế cho nó, đó là các biến điều khiển, các biến ngẫu
nhiên (gọi chung là các biến vào) và các biến trạng thái, các biến ra
(kết quả sản xuất), sau đó mô tả quan hệ giữa các biến đó bằng
những hệ thức toán học.
130
65
7/6/2018
5.1. Tổng quan

Cấu trúc của mô hình toán kinh tế
 Cấu trúc của mô hình toán kinh tế thƣờng gồm hai bộ phận
chính: các biến và các ràng buộc nhằm diễn tả chặt chẽ, chính
xác, đầy đủ hơn các hiện tƣợng và hệ thống kinh tế đang nghiên
cứu, ngƣời ta đƣa thêm vào mô hình phần giả thiết và chú thích
hoặc nhận xét.
a) Các biến kinh tế của mô hình: Các biến kinh tế là các đại lƣợng biến
thiên đặc trƣng cho các yếu tố cơ bản của các hiện tƣợng kinh tế và hệ
thống kinh tế ta cần nghiên cứu. Các biến kinh tế thay đổi giá trị trong
phạm vi nhất định. Tuỳ theo mục đích nghiên cứu cũng nhƣ khả năng về
nguồn dữ liệu liên quan, biến kinh tế trong mô hình toán kinh tế thƣờng
đƣợc phân ra làm ba loại
• Các biến ngoại sinh (Biến giải thích, biến độc lập).
• Các biến nội sinh (biến được giải thích, biến phụ thuộc).
• Các tham số (thông số)
131
5.1. Tổng quan

Cấu trúc của mô hình toán kinh tế
b) Các ràng buộc của mô hình :

 Các ràng buộc của mô hình là các hệ thức toán học phản ánh mối
quan hệ kinh tế, quan hệ hành vi, quan hệ cơ học, quan hệ kỹ
thuật, ... giữa các yếu tố kinh tế trong hệ thống kinh tế hoặc hiện
tƣợng kinh tế mà ta nghiên cứu.
 Hình thức biểu hiện mối quan hệ giữa các biến kinh tế là các
phƣơng trình, bất phƣơng trình. Ngoài ra các quan hệ kinh tế còn
đƣợc biểu hiện bởi các hệ thức toán học khác. Các phƣơng trình
trong mô hình gọi là phƣơng trình cấu trúc. Phƣơng trình cấu trúc
ở dạng đơn giản là những hàm số (hàm sản xuất, hàm kinh tế), ở
dạng phức tạp hơn là những phƣơng trình, hệ phƣơng trình đại số,
vi phân hoặc sai phân
132
66
7/6/2018
5.1. Tổng quan

Xây dựng mô hình toán kinh tế
 Việc mô hình hoá toán học các hiện tƣợng hoặc một hệ thống
kinh tế thƣờng đƣợc tiến hành theo bốn bƣớc sau.
 Bƣớc 1: Xây dựng mô hình định tính cho đối tƣợng kinh tế cần
nghiên cứu, nghĩa là xác định các yếu tố có ý nghĩa quan trọng
nhất và xác lập các quy luật mà các yếu tố kinh tế phải tuân theo.
Nói cách khác là phát biểu mô hình bằng lời, bằng biểu đồ cùng
các điều kiện kinh tế, kỹ thuật, xã hội, tự nhiên và các mục tiêu
cần đạt đƣợc.
 Bƣớc 2: Xây dựng mô hình toán học cho đối tƣợng kinh tế cần
nghiên cứu, nghĩa là diễn tả lại dƣới dạng ngôn ngữ toán học cho
mô hình định tính, bao gồm xác định biến kinh tế và các ràng buộc
của các biến kinh tế.
133
5.1. Tổng quan

Xây dựng mô hình toán kinh tế
 Bƣớc 3; Sử dụng các công cụ toán học để khảo sát và giải quyết
mô hình toán học đã xác lập ở bƣớc 2. Căn cứ vào mô hình đã xây
dựng, lựa chọn hoặc xây dựng phƣơng pháp giải cho phù hợp.
Tiếp đó cụ thể hoá phƣơng pháp bằng các thuật toán tối ƣu và thể
nghiệm giải bài toán trên máy tính điện tử.
 Bƣớc 4: Dựa vào các số liệu thu thập đƣợc, mô phỏng trên máy
tính các tình huống trong quá khứ và hiện tại, dự đoán và kiểm
định sự phù hợp của mô hình đối với lý luận và thực tiễn.
134
67
7/6/2018
5.1. Tổng quan

Sử dụng mô hình toán kinh tế trong nghiên cứu lựa chọn giải pháp tối ƣu
Sau khi đã xây dựng và hiệu chỉnh mô hình phù hợp với hiện
tƣợng và quá trình kinh tế, ta có thể sử dụng mô hình để phân
tích động thái và hành vi của đối tƣợng kinh tế từ đó lựa chọn
giải pháp tốt nhất cho quá trình quản lý điều khiển kinh tế.
 Sử dụng mô hình kinh tế Vi mô (Micro).
 Ngƣời ta sử dụng mô hình kinh tế Vi mô để phân tích cách ứng
xử, hành vi của các chủ thể kinh tế khi họ theo đuổi mục đích của
mình, nhƣ hành vi sản xuất và hành vi tiêu dùng, phân tích mối
quan hệ giữa sản xuất và tiêu dùng, phân tích cân bằng thị trƣờng.
• Phân tích hành vi sản xuất.
• Phân tích tình huống tối ưu về mặt kinh tế của sản xuất.
• Phân tích hành vi tiêu dùng.
• Phân tích quan hệ giữa cung và cầu.
• Phân tích cân bằng thị trường.
135
5.1. Tổng quan

Sử dụng mô hình toán kinh tế trong nghiên cứu lựa chọn giải pháp tối ƣu
 Sử dụng mô hình kinh tế Vĩ mô (Macro).

 Mô hình kinh tế vĩ mô phân tích mối quan hệ giữa các biến số
kinh tế tổng quát (biến gộp) đặc trƣng cho hoạt động Vĩ mô của
nền kinh tế. Trong kinh tế thị trƣờng ngƣời ta quan tâm đến ba
khu vực: Thị trƣờng hàng hoá - dịch vụ, thị trƣờng tiền tệ và thị
trƣờng lao động.
• Phân tích tổng cung và tổng cầu.
• Phân tích sự tác động của đầu tư đối với tổng sản phẩm của nền
kinh tế quốc dân.
• Phân tích vai trò của nhà nước trong quá trình điều tiết kinh tế thị
trường.
• Nghiên cứu sự tăng trưởng của các chỉ tiêu kinh tế quan trọng.
136
68
7/6/2018
5.2. Toán cao cấp và một số ứng dụng
Cực trị của một hàm số
 Phép thử đạo hàm bậc nhất (first derivative test - hay điều kiện
bậc nhất ) dùng để xác định các điểm cực trị của một hàm (Xem
hình bên). dy/dx = y’= f’(x0) = 0 tại điểm cực đại hoặc cực tiểu
và x0 gọi là cực trị của hàm. Gồm 3 bƣớc: (1) tìm đạo hàm, (2)
đặt biểu thức bằng 0 và (3) tìm giá trị của x.
 Đạo hàm bậc 2 có đƣợc từ việc áp dụng quy tắc vi phân cho đạo
hàm bậc nhất chứ không phải đối với hàm ban đầu. Kết quả vi
phân đạo hàm bậc nhất cho ta đạo hàm bậc 2, có dạng d2y/dx2 =
y”= f”(x).
 Ví dụ 1:
 Giả sử y = f(x) = 3x2. Thì, dy/dx = f’(x) = 6x.
 6x là kết quả của đạo hàm bậc nhất. Đạo hàm bậc 2 là d2y/dx2 =
y”= f”(x) = 6.
137

 ĐIỂM CỰC ĐẠI VÀ CỰC TIỂU
 Hàm y = f(x) đạt cực đại tại điểm x = x0 nào đó nếu f’(x0) = 0 và f’’(x0) âm.
 Tương tự như vậy, f(x) đạt cực tiểu tại một điểm x 0 nào đó nếu f’(x0) = 0 và f’’(x0) dương.
 Nếu cả hàm bậc nhất và hàm bậc 2 đều bằng 0 thì ta chỉ có một điểm uốn chứ không có giá trị
cực đại hoặc cực tiểu, tức là f’(x 0) = 0 và f’’(x0) = 0. Một ví dụ về hàm không có điểm cực đại
và cực tiểu là y = f(x) = x3.
138
69
7/6/2018
Ví dụ 2:
 Công ty cung cấp dịch vụ lau dọn Peruvian là nhà phân phối chủ yếu
chất tẩy rửa quan trọng cho những ngƣời quét dọn khắp miền nam
nƣớc Mỹ. Chất tẩy rửa này dùng để tạo ra lớp bảo vệ bên ngoài cho
các hầm làm lạnh suốt mùa hè có độ ẩm cao. Peruvian cung cấp chất
tẩy trong những chiếc xe téc, và mỗi khách hàng phải mua ít nhất 100-
gallon (1 gallon = 3.78 lít Mỹ). Giá tiền mỗi gallon là $12. Khách
hàng mua khối lƣợng lớn hơn 100 gallon sẽ đƣợc chiết khấu $0.05
mỗi gallon (1 gallon tăng thêm được giảm $0.05/gallon, 2 gallon tăng
thêm được giảm $2x0.05/gallon….). Phần trăm chiết khấu này chỉ áp
dụng cho những lƣợng hàng lớn hơn mức tối thiểu; 100 gallon đầu
tiên vẫn có giá là $12 mỗi gallon bất kể tổng số gallon đƣợc mua là
bao nhiêu đi nữa.
 Hãy xác định lƣợng bán cho mỗi khách hàng để đạt doanh thu cực đại,
tính doanh thu cực đại trên mỗi khách hàng.
139
Ví dụ 2:
 Giải:
 Hàm toán học sau đây về tổng doanh thu từ mỗi khách hàng là:
TR  $12(100)  [$12  $0.05(x  100)] (x  100) =
=  500  22x  0.05x2
 Đạo hàm của dạng hàm số này là: dTR/dx 22  0.10x
 Ta cho đạo hàm bậc nhất bằng 0 và tìm đƣợc giá trị x, nhƣ sau:
22  0.10x  0; =>  0.10x   22; => x  220.
 Do d2TR/dx2 = -0.1. Vì đạo hàm bậc 2 âm, giá trị cực trị của hàm
(x*=220) là giá trị cực đại.
 Thay x bởi x* = 220 trong hàm gốc chúng ta có doanh thu cực đại
nhƣ sau:  500  22(220)  0.05(220)2 
=  500  4,840  0.05(48,400)  $1,920
140
70
7/6/2018
Ví dụ 3:
 Mục tiêu của một hãng là tối đa hóa lợi nhuận. Để tìm ra sản lƣợng
đầu ra có thể tối đa hóa lợi nhuận, chúng ta nên dùng phép tính vi
phân. Giả sử ta có hàm tổng doanh thu (TR) và tổng chi phí (TC) sau
đây:
TR(Q) = $1,000Q - $5Q2 và TC(Q) = $20,000 + $200Q.
 Khi đó Hàm lợi nhuận () là:
 (Q) = TR(Q) -TC(Q) = $1,000Q - $5Q2 - ($20,000 + $200Q)
= $1,000Q - $5Q2 - $20,000 -$200Q = -$20,000 + $800Q - $5Q2
 Lấy d/dQ = 0 => d/dQ = $800 - $10Q = 0; Q* = 80 đơn vị
 Giá trị đạo hàm bậc 2 của hàm lợi nhuận là
d2/dQ2 = -10 < 0, cho biết Q* = 80 là điểm tối đa hóa lợi nhuận.
141
Đạo hàm riêng và tối ƣu hoá nhiều biến
 Nhiều hàm có chứa nhiều biến độc lập phức tạp. Khái niệm tối
ưu hóa nhiều biến (multivariate optimization) và quá trình tối ƣu
hóa cho đẳng thức với nhiều biến quyết định là rất hữu ích.
 Để thực hiện, chúng ta phải tiến hành vi phân riêng.
 Các quy tắc vi phân riêng là giống nhau với điều kiện các biến
độc lập không tham gia vào phép vi phân đƣợc xem nhƣ là
những hằng số.
142
71
7/6/2018
 Ví dụ 4: Để minh họa cho hàm tổng doanh thu là TR  2x2y2z.,

trong đó x = chi phí quảng cáo trong giai đoạn trƣớc, y = chi phí
đi lại cho nhân viên kinh doanh, và z = là số hàng hóa mà đối
thủ cạnh tranh bán ở thời điểm hiện tại. Giả thiết rằng ban quản
lý cần biết giới hạn tối đa mà doanh thu thu đƣợc từ x có thể đạt
tới (chi phí quảng cáo trong giai đoạn trƣớc). Quy trình tìm giá
trị cực đại nhƣ sau:
 Vi phân riêng tƣơng ứng với biến của thu nhập
 Lấy đạo hàm riêng bằng 0 và tìm biến thu nhập
 Xác định giá trị hàm gốc tại giá trị này để tìm cực trị
143
 Xem y và z là hằng số, hệ số đầy đủ của x2 là 2y2z. Đạo hàm riêng

tƣơng ứng với x, biến số của thu nhập trong ví dụ này là:
TR/x = 4xy2z.
 Lấy đạo hàm riêng bằng 0 và tìm đƣợc x nhƣ sau:
4y2zx  0
x  0.
 Do đó hàm doanh thu đạt cực trị khi x = 0.
 Đạo hàm riêng bậc 2 đƣợc xác định nhƣ sau: 2TR/ x2 = 4y2z. Vì
đạo hàm riêng bậc 2 là dƣơng nên giá trị cực trị của hàm là cực
tiểu.
(Cần nhớ rằng quá trình vi phân coi y và z là hằng số, vì vậy
không có kết luận gì về ảnh hưởng của những thay đổi trong các
biến số đối với hàm doanh thu)
144
72
7/6/2018
Tối ƣu hoá bị ràng buộc
 Nhiều hãng phải đối mặt với những hạn chế trong các phƣơng án
quyết định. Chẳng hạn nhƣ hạn chế về nguồn lực (nhƣ tiền, thiết bị,
năng lực sản xuất, nguyên liệu và nhân sự) sẵn có đối với hãng. Tối
ƣu hóa bị ràng buộc (Constrained optimization) là tối đa hóa lợi nhuận
kèm theo những hạn chế trong sự sẵn có về nguồn lực, hoặc tối thiểu
hóa chi phí kèm những yêu cầu tối thiểu cần đƣợc thỏa mãn. Những
kỹ thuật nhƣ quy hoạch tuyến tính đƣợc dùng cho mục đích này.
 Vấn đề chung là tìm ra điểm cực trị của hàm f(x,y) tƣơng ứng với các
đẳng thức dạng: g(x,y) = 0
 Khi các ràng buộc dƣới dạng đẳng thức, ta dùng các phƣơng pháp tối
ƣu hóa cổ điển để tìm phƣơng án tối ƣu. Hai phƣơng pháp thƣờng
dùng là: (1) Phƣơng pháp thế và (2) Phƣơng pháp nhân tử Lagrange.
145
 Phương pháp thế:

 Dùng phƣơng pháp thế khi hàm mục tiêu chỉ phụ thuộc vào một
biểu thức ràng buộc tƣơng đối đơn giản. Bằng cách thế, chúng ta
giảm đƣợc mức độ rắc rối của hàm mục tiêu. Phƣơng pháp này
gồm 2 bƣớc: (1) tìm ra đƣợc một trong nhiều biến quyết định thỏa
mãn nhất sau đó (2) thay giá trị của biến này vào hàm mục tiêu.
Quá trình này chuyển từ hàm ban đầu sang hàm tối ƣu hóa không
bị ràng buộc để áp dụng đƣợc phép tính vi phân đƣợc áp dụng
nhằm tìm ra phƣơng án tối ƣu.
 Hạn chế của phƣơng pháp thế đó là nó chỉ thực hiện đƣợc khi chỉ
có một ràng buộc và chỉ có thể giải ra một biến. Từ 2 điều kiện trở
lên và/hoặc có cấu trúc ràng buộc phức tạp thì sử dụng phƣơng
pháp nhân tử Lagrange.
146
73
7/6/2018

 Ví dụ 5: Giả sử một hãng sản xuất với 2 dây chuyền lắp ráp
tự động và hoạt động với hàm tổng chi phí có dạng TC(x, y)
= 3x2 + 6y2 - xy, trong đó x = sản lƣợng đầu ra của dây
chuyền thứ nhất và y = sản lƣợng đầu ra của dây chuyền thứ
hai. Các nhà quản lý cần phải quyết định phƣơng pháp kết
hợp x và y sao cho tốn ít chi phí nhất, với điều kiện rằng
tổng đầu ra phải là 20 đơn vị.
 Vấn đề tối ƣu hóa với điều kiện ràng buộc ở trên có thể đƣợc
giải quyết nhƣ sau:
• Tối thiểu hóa TC(x, y) =3x2 + 6y2 – xy
• Ràng buộc: x + y = 20
147

Giải:
 Giải biểu thức ràng buộc để tìm x, có x = 20 – y và thế vào
hàm mục tiêu. TC(x, y) = T(y) = 3(20 - y)2 + 6y2 - (20 - y)y
= 3(400 -40y + y2) + 6y2 -20y +y2 = 1,200-120y+3y2+ 6y2 -
20y +y2 = 1,200 - 140y + 10y2
 Lấy đạo hàm của hàm thế đã giản lƣợc và cho nó bằng 0, ta
có:
dTC/dy = -140 + 20y = 0; y = 7 đơn vị.
Thế ngƣợc trở lại vào x: x = 20 - y = 20 - 7 = 13 đơn vị.
 Do vậy x = 13 và y = 7 là phƣơng án tối ƣu cho vấn đề tối
thiểu hóa chi phí bị ràng buộc.
148
74
7/6/2018
 Phương pháp nhân tử Lagrange:

 Một phƣơng pháp để giải quyết các vấn đề tối ưu hóa bị ràng
buộc mà trong đó có ràng buộc đối với hàm mục tiêu ban đầu (làm
cho hàm mục tiêu bằng 0 khi thỏa mãn). Hàm mục tiêu mới đã
thêm ràng buộc đƣợc gọi là hàm Lagrange, sẽ tạo ra một bài toán
tối ƣu hóa không bị ràng buộc có cấu trúc nhƣ sau:
L(x, y, ) = f(x, y) + g(x, y)
 Hệ số của đẳng thức ràng buộc g(x,y),  (đọc là lamda), gọi là
nhân tử Lagrange. Vì đẳng thức ràng buộc bằng 0 nên khi thêm
g(x, y) vào hàm mục tiêu f(x, y) không làm thay đổi giá trị của
hàm.
 Biến giả này cho biết sự thay đổi cận biên trong giá trị của hàm
mục tiêu có đƣợc từ sự thay đổi của một đơn vị trong giá trị của
ràng buộc. Sử dụng phƣơng pháp Lagrange khi (1) không dùng
đƣợc phƣơng pháp thế và (2) khi có nhiều ràng buộc.
149
 Phương pháp nhân tử Lagrange:

 Từ ví dụ 5, ta có ràng buộc x + y = 20. Trƣớc hết, cần biến đổi
sao cho đẳng thức có một vế bằng 0, g(x, y) = 0.
Khi đó x + y = 20 có dạng 20 - x – y = 0.
 Tiếp theo, chúng ta xác định biến giả  và xây dựng Hàm
Lagrange (L):
L(x, y, ) = TC(x, y) + g(x, y) = 3x2 + 6y2 - xy + (20 - x - y)
 Vì L(x, y, ) là một hàm với 3 biến quyết định nên để tối thiểu hóa
hàm này cần:
• Vi phân riêng theo mỗi biến
• Cho các biểu thức đạo hàm riêng bằng 0
• Giải các đẳng thức để tìm các giá trị x, y và  .
150
75
7/6/2018
5.3. Mô hình quy hoạch tuyến tính

Giới thiệu quy hoạch tuyến tính
 Quy hoạch tuyến tính (Linear programming - LP) là một thuật

toán nhằm tìm ra phƣơng án tối ƣu (hoặc kế hoạch tối ƣu) từ vô
số các phƣơng án quyết định. Phƣơng án tối ƣu là phƣơng án
thỏa mãn đƣợc các mục tiêu đề ra của một hãng, phụ thuộc vào
các hạn chế và các ràng buộc. Quyết định tối ƣu mang lại hiệu
quả cao nhất, lãi gộp (Contribution Margin-CM) cao nhất, hay
doanh thu, hay chi phí thấp nhất. Mô hình LP gồm 2 thành phần:
 Hàm mục tiêu: Xác định mục tiêu cụ thể phải đạt tới.
 Các ràng buộc: Các ràng buộc dƣới dạng các hạn chế về sự sẵn có
của nguồn lực hay thoả mãn các yêu cầu tối thiểu. Nhƣ tên gọi
quy hoạch tuyến tính, cả hàm mục tiêu và các ràng buộc phải dƣới
dạng tuyến tính.
151

 LP có nhiều ứng dụng. Bao gồm:

 Lựa chọn kết hợp đầu vào có chi phí thấp nhất cho sản phẩm sản
xuất ra.
 Xác định ngân sách tối ƣu.
 Quyết định danh mục đầu tƣ tối ƣu (hay phân bổ tài sản).
 Phân bổ ngân sách quảng cáo cho các phƣơng tiện thông tin.
 Quyết định phƣơng thức vận chuyển có chi phí thấp nhất.
 Kết hợp khí đốt.
 Phân bố nhân lực tối ƣu.
 Lựa chọn vị trí đặt nhà xƣởng phù hợp nhất.
152
76
7/6/2018

Ví dụ 6:
 Công ty sản xuất đồ nội thất sản xuất 2 sản phẩm: bàn và ghế. Cả 2 sản
phẩm cần thời gian để đƣợc xử lý trong 2 bộ phận: Bộ phận mộc và bộ phận
sơn. Dữ liệu về hai sản phẩm này nhƣ sau.
Xử lý Bàn Ghế
(Chiếc) (Chiếc) Số giờ
Hiệu quả/ lợi nhuận $7 $5 sẵn có
Phần mộc 3 hrs 4 hrs 2400
Phần sơn 2 hrs 1 hr 1000
 Ràng buộc bổ sung: Sản xuất không quá 450 ghế và ít nhất 100 bàn
 Công ty muốn tìm đƣợc cách kết hợp 2 loại sản phẩm này sao cho có lợi
nhất.
153

Ví dụ 6:
 Bước 1: Xác định các biến quyết định nhƣ sau:
x1 = Số lƣợng bàn
x2 = Số lƣợng ghế
 Bước 2: Hàm mục tiêu để tối đa hoá hiệu quả (Z) đƣợc biểu diễn dƣới
đây:
Z = 7x1 + 5x2
Sau đó lập công thức các ràng buộc nhƣ là các bất đẳng thức:
3x1 + 4x2 < 2400 (Ràng buộc công đoạn mộc)
2x1 + 1x2 < 1000 (Ràng buộc công đoạn sơn)
x1≥ 100; x2 < 450
Thêm vào đó, ẩn trong bất kỳ công thức LP nào phải có điều kiện để làm
cho x1 và x2 không âm, tức là: x1, x2 > 0 .
154
77
7/6/2018

Các phƣơng pháp tính toán
 Có nhiều phƣơng pháp để tính toán LP bao gồm:

 Phƣơng pháp đơn hình
 Phƣơng pháp đồ thị
 Phƣơng pháp đơn hình là phƣơng pháp đƣợc sử dụng giải bài
toán LP. Nó là một thuật toán, một phƣơng pháp tính toán lặp đi
lặp lại, từ phƣơng án này tới phƣơng án khác cho đến khi đạt
đƣợc lời giải tốt nhất. Mặc dù vậy, hiện nay với sự trợ giúp của
rất nhiều phần mềm ứng dụng (kể cả Excel), chúng ta dễ dàng
tìm đƣợc phƣơng án tối ƣu mà không cần phải giải bằng tay nhƣ
trƣớc.
 Phƣơng pháp đồ thị dễ sử dụng hơn nhƣng chỉ đối với các
trƣờng hợp LP có 2 biến quyết định.
155

Các phƣơng pháp tính toán- Phƣơng pháp đồ thị
Phƣơng pháp đồ thị gồm các bƣớc sau đây:

 Bước 1: Đƣa bất đẳng thức về dạng đẳng thức.
 Bước 2: Minh họa bằng đồ thị các đẳng thức. Để minh họa:
 Đặt một biến bằng 0 và tìm giá trị biến còn lại và nối 2 giá trị trên đồ thị,
 Đánh dấu các điểm trên 2 trục và kết nối với nhau thành 1 đƣờng thẳng.
 Bước 3: Xác định phần thỏa mãn của các đẳng thức bằng cách đánh
bóng. Lặp lại các bƣớc từ 1-3 đối với mỗi ràng buộc.
 Bước 4: Sau hết, xác định tập phƣơng án tức là đánh dấu các vùng
chứa các phƣơng án thoả mãn tất cả các ràng buộc.
 Bước 5: Giải đồng thời các ràng buộc (thể hiện dƣới dạng các đẳng
thức) để tìm ra điểm cận biên.
 Bước 6: Xác định hiệu quả hoặc lãi gộp tại tất cả các đỉnh trong miền
khả thi.
156
78
7/6/2018

CHÚ Ý:
Tập phương án là những giá trị của biến quyết định thoả mãn
đồng thời các ràng buộc. Chúng đƣợc tìm thấy phía trên và
bên trong miền khả thi. Phƣơng pháp đồ thị dựa vào 2 đặc
điểm quan trọng của LP:
1. Phƣơng án tối ƣu nằm ở đƣờng biên của vùng khả thi, có
nghĩa là có thể bỏ qua các điểm bên trong vùng khả thi (rất
nhiều điểm) khi tìm kiếm phƣơng án tối ƣu.
2. Phƣơng án tối ƣu nằm ở 1 trong các đỉnh của miền tối ƣu
(các phƣơng án khả thi cơ bản)
157

Giải:
X2
Đường giới hạn
công đoạn mộc:
3X1 + 4X2 = 2400 Không khả thi
600
> 2400 hrs
Chặn:
(X1 = 0, X2 = 600)
(X1 = 800, X2 = 0) Khả thi
< 2400 hrs
0
0 800 X1
158
79
7/6/2018

X2
Giải: 1000
Đường giới hạn
công đoạn sơn:
2X1 + 1X2 = 1000
600
Chặn:
(X1 = 0, X2 = 1000)
(X1 = 500, X2 = 0)
0
0 500 800 X1 159

X2
Giải: 1000
Đường tối đa “ghế”

X2 = 450
600
Đường tối thiểu “bàn”
450
X1 = 100
Vùng
khả thi
0
0 100 500 800 X1160
80
7/6/2018

Giải: X2
500 Điểm tối ƣu

Đường hàm mục tiêu (X1 = 320, X2 = 360)
7X1 + 5X2 = Lợi nhuận 400
300
200
100
0 100 200 300 400 500 X1 161

Phân tích độ nhạy cho bài toán quy hoạch và ứng dụng Solver
 Phân tích độ nhạy là nghiên cứu sự thay đổi của những hệ số
trong bài toán quy hoạch tuyến tính ảnh hƣởng đến phƣơng án
tối ƣu.
 Dùng phân tích độ nhạy, chúng ta có thể trả lời những câu hỏi
sau:
 Hệ số trong hàm mục tiêu thay đổi sẽ ảnh hƣởng nhƣ thế nào đến
phƣơng án tối ƣu?
 Giá trị của vế phải của các ràng buộc thay đổi sẽ ảnh hƣởng nhƣ
thế nào đến phƣơng án tối ƣu?
 Trong nguồn lực sản xuất, nhân tố nào quan trọng hơn?.
 Phân tích độ nhạy thƣờng đƣợc gọi là phân tích hậu tối ƣu. Phân
tích độ nhạy rất quan trọng trong việc ra quyết định vì các bài
toán tồn tại trong môi trƣờng thay đổi. Phân tích độ nhạy cung
cấp những thông tin cần thiết ứng với những thay đổi đó.
162
81
7/6/2018

 Chúng ta có thể thực hiện phân tích độ nhạy bằng phƣơng pháp
đồ thị hay bằng bảng đơn hình. Theo hƣớng ứng dụng, chúng ta
không đi sâu vào phân tích bằng bảng đơn hình, chúng ta sẽ
thực hiện qua Excel solver.
 Nhằm triển khai ý tƣởng thực hiện phân tích độ nhạy, chúng ta
xem xét bài toán tối ƣu nhƣ sau: Công ty Galaxy sản xuất 2 loại
sản phẩm là A và B. Nguyên liệu sử dụng là 1 loại nhựa đặc
biệt.
 Định mức chi phí nguyên liệu và nhân công cho việc sản xuất 2
sản phẩm nhƣ sau:
• A cần 2 cân nhựa và 3 phút giờ công lao động.
• B cần 1 cân nhựa và 4 phút giờ công lao động.
 Trong đó giới hạn về nguồn lực là: 1000 cân nhựa và 40 giờ làm
việc mỗi tuần.
163

 Yêu cầu từ bộ phận Marketing:
 Tổng số lƣợng sản xuất không quá 700 tá.
 Số lƣợng A không vƣợt quá số lƣợng B là 350 tá.
 Dự kiến: Lợi nhuận thu đƣợc là $8/ tá A, $5/ tá B.
 Kế hoạch sản xuất hiện tại là:
 A = 450 tá 8(450) + 5(100)
 B = 100 tá
 Lợi nhuận = $4100/ tuần
Ban giám đốc đang tìm kiếm phƣơng án sản xuất

nhằm gia tăng lợi nhuận cho Công ty
164
82
7/6/2018

Ứng dụng mô hình quy hoạch tuyến tính
 Biến quyết định:
 X1 = Số lƣợng sản xuất sản phẩm A (tá/tuần)
 X2 = Số lƣợng sản xuất sản phẩm B (tá/tuần) .
 Hàm mục tiêu: Tối đa hoá lợi nhuận/ tuần
165

Ứng dụng mô hình quy hoạch tuyến tính
Max 8X1 + 5X2 (Lợi nhuận tuần)
Các ràng buộc

2X1 + 1X2  1000 (Nhựa)
3X1 + 4X2  2400 (Thời gian sản xuất)
X1 + X2  700 (Tổng số lƣợng sản xuất)
X1 - X2  350 (Mix)
Xj ≥ 0, j = 1,2 (Không âm)
166
83
7/6/2018

Ứng dụng mô hình quy hoạch tuyến tính- Giải bằng đồ thị
 Sử dụng đồ thị để mô tả các ràng buộc, hàm mục tiêu và miền
khả thi.
X2
Ràng buộc không âm
X1
167

 Miền khả thi:
X2
1000 Ràng buộc về nhựa

2X1+X2  1000
700 Ràng buộc tổng sản xuất:
X1+X2  700 (không dư)
500
Không khả thi
Khả thi
Thời gian
3X1+4X2  2400
X1
500 700 168
84
7/6/2018

 Miền khả thi:
X2
1000 Ràng buộc về nhựa
2X1+X2 1000
700 Ràng buộc tổng sản xuất:
X1+X2 700 (không dư)
500 Không khả thi
Ràng buộc mix:

Khả thi X1-X2  350
Thời gian
3X1+4X22400
X1
500 700
Điểm bên trong. Điểm trên đường biên. Điểm giao nhau (cực trị). 169

 Phƣơng án tối ƣu:
X2 Bắt đầu từ điểm lợi nhuận bất kỳ, ví dụ = $2,000...
1000
Sau đó tăng dần lợi nhuận, nếu có thể...
...và tiếp tục đến khi gặp vùng không khả thi
700
500 LN =$4360
X1
170
500
85
7/6/2018

Ứng dụng mô hình quy hoạch tuyến tính- Phân tích độ nhạy
 Phân tích độ nhạy các hệ số của hàm mục tiêu:
1000 X2
Phƣơng án tối ƣu sẽ không thay

đổi khi Hệ số hàm mục tiêu
nằm trong Miền tối ưu
500
X1
171
500 800

 Phân tích độ nhạy các hệ số của hàm mục tiêu:
1000 X2
Miền tối ưu : [3.75, 10]

500
400 600 800 X1 172
86
7/6/2018

 Giá mờ/ Shadow Prices:
Giả sử không có những thay đổi nào của các

thông số đầu vào, giá trị thay đổi của hàm mục
tiêu khi gia tăng một đơn vị (phía phải) của
ràng buộc đƣợc gọi là “giá mờ"
173

 Giá mờ/ Shadow Prices: Mô tả bằng đồ thị
X2
Khi gia tăng vế phải của ràng buộc lượng nhựa.
1000
Lợi nhuận tối đa = $4360
Lợi nhuận tối đa = $4363.4

500
Giá mờ/ Shadow price =
4363.40 – 4360.00 = 3.40
Ràng buộc
thời gian X1
Sản xuất 174
500
87
7/6/2018

Sử dụng Excel Solver tìm phƣơng án tối ƣu
 Excel: Galaxy.xls
 Chọn Solver, ta thấy xuất hiện hộp thoại
Đây là ô chứa Set Target cell $D$6

giá trị hàm mục tiêu
Equal To:
By Changing cells
Vùng chứa biến $B$4:$C$4
Quyết định
Chọn add đưa vào các ràng buộc…
Nhập vào các $D$7:$D$10 $F$7:$F$10

Ràng buộc.
175
175

Đây là ô chứa Set Target cell $D$6

giá trị hàm mục tiêu
Equal To:
By Changing cells
Vùng chứa biến $B$4:$C$4
Quyết định
Chọn „Options‟
Và chọn „Linear
Programming‟ &
„Non-negative‟.
176
176
88
7/6/2018

Set Target cell $D$6

Equal To:
By Changing cells
$B$4:$C$4
$D$7:$D$10<=$F$7:$F$10
177

CÔNG TY GALAXY
A B
Tá 320 360
Tổng Giới hạn
LN/Profit 8 5 4360
Nhựa 2 1 1000 <= 1000
Thời gian 3 4 2400 <= 2400
Tổng 1 1 680 <= 700
Mix 1 -1 -40 <= 350
178
89
7/6/2018

CÔNG TY GALAXY
A B
Tá 320 360
Tổng Giới hạn
LN/Profit 8 5 4360
Nhựa 2 1 1000 <= 1000
Thời gian 3 4 2400 <= 2400
Tổng 1 1 680 <= 700
Mix 1 -1 -40 <= 350
179

 Excel Solver –Answer Report
Microsoft Excel 11.0 Answer Report
Worksheet: [Galaxy Alt.xls]Alt
Report Created: 7/28/2009 3:07:40 PM
Target Cell (Max)

Cell Name Original Value Final Value
$D$6 LN/Profit Tổng 4360 4360
Adjustable Cells
Cell Name Original Value Final Value
$B$4 Tá A 320 320
$C$4 Tá B 360 360
Constraints
Cell Name Cell Value Formula Status Slack
$D$7 Nhựa Tổng 1000 $D$7<=$F$7 Binding 0
$D$8 Thời gian Tổng 2400 $D$8<=$F$8 Binding 0
$D$9 Sản xuất Tổng 680 $D$9<=$F$9 Not Binding 20
$D$10 Mix Tổng -40 $D$10<=$F$10 Not Binding 390 180
90
7/6/2018

 Excel Solver –Sensitivity Report
Microsoft Excel 11.0 Sensitivity Report
Worksheet: [Galaxy Alt.xls]Alt
Report Created: 7/28/2009 3:07:40 PM
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$4 Tá A 320 0 8 2 4.25
$C$4 Tá B 360 0 5 5.666666667 1
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$D$7 Nhựa Tổng 1000 3.4 1000 100 400
$D$8 Thời gian Tổng 2400 0.4 2400 100 650
$D$9 Sản xuất Tổng 680 0 700 1E+30 20
$D$10 Mix Tổng -40 0 350 1E+30 390
181
Chƣơng 6
PHÂN TÍCH RA QUYẾT ĐỊNH
182
91
7/6/2018
6.1. Giới thiệu

Khái niệm về ra quyết định
 Ra quyết định là một quá trình lựa chọn có ý thức giữa hai hoặc
nhiều phƣơng án để chọn ra một phƣơng án và phƣơng án này sẽ
tạo ra đƣợc một kết quả mong muốn trong các điều kiện ràng
buộc đã biết.
 Lƣu ý rằng, nếu chỉ có một giải pháp để giải quyết vấn đề thì
không phải là bài toán ra quyết định. Và cũng cần lƣu ý rằng,
phƣơng án “Không làm gì cả” cũng là một phƣơng án, đôi khi đó
lại là phƣơng án đƣợc chọn
183
6.1. Giới thiệu

Các loại ra quyết định
 Theo tính chất của vấn đề, có thể chia quyết định làm ba loại:
 Ra quyết định trong điều kiện/ môi trƣờng chắc chắn (certainty):
Khi ra quyết định, đã biết chắc chắn trạng thái nào sẽ xảy ra , do đó
sẽ dễ dàng và nhanh chóng ra quyết định.
 Ra quyết định trong điều kiện rủi ro (risk): Khi ra quyết định đã
biết đƣợc xác suất xảy ra của mỗi trạng thái.
 Ra quyết định trong điều kiện không chắc chắn (uncertainty):
Khi ra quyết định, không biết đƣợc xác suất xảy ra của mỗi trạng
thái hoặc không biết đƣợc các dữ liệu liên quan đến các vấn đề cần
giải quyết.
184
92
7/6/2018
6.1. Giới thiệu

Các bƣớc của quá trình ra quyết định
 Quá trình ra quyết định thƣờng đƣợc tiến hành theo sáu bƣớc:
 Bƣớc 1: Xác định rõ vấn đề cần giải quyết.
 Bƣớc 2: Liệt kê tất cả các phƣơng án có thể có.
 Bƣớc 3: Nhận ra các tình huống hay các trạng thái.
 Bƣớc 4: Ƣớc lƣợng tất cả lợi ích và chi phí cho mỗi phƣơng án ứng
với mỗi trạng thái.
 Bƣớc 5: Lựa chọn một mô hình toán học trong PP định lƣợng để
tìm lời giải tối ƣu.
 Bƣớc 6: Áp dụng mô hình để tìm lời giải và dựa vào đó để ra quyết
định .
185
6.1. Giới thiệu

Ví dụ bài toán ra quyết định
 Ông A là Giám đốc của công ty X muốn ra quyết định về một

vấn đề sản xuất, ông lần lƣợt thực hiện sáu bƣớc nhƣ sau:
 Bƣớc 1: Ông A nêu vấn đề có nên sản xuất một sản phẩm mới để
tham gia thị trƣờng hay không?
 Bƣớc 2: Ông A cho rằng có 3 phƣơng án sản xuất là:
• Phương án 1: lập 1 nhà máy có quy mô lớn để sản xuất sản phẩm.
• Phương án 2: lập 1 nhà máy có quy mô nhỏ để sản xuất sản phẩm.
• Phương án 3: không làm gì cả.
 Bƣớc 3: Ông A cho rằng có 2 tình huống của thị trƣờng sẽ xảy ra
là:
• Thị trường tốt.
• Thị trường xấu.
186
93
7/6/2018
6.1. Giới thiệu

Ví dụ bài toán ra quyết định
 Bƣớc 4: Ông A ƣớc lƣợng lợi nhuận của các phƣơng án ứng với
các tình huống:
Bảng 6.1
Trạng thái
Phƣơng án
Thị trƣờng Tốt Thị trƣờng Xấu
Nhà máy lớn 200.000 - 180.000
Nhà máy nhỏ 100.000 - 20.000
Không làm gì 0 0
 Bƣớc 5 và 6: Chọn một mô hình toán học trong phƣơng pháp định
lƣợng để tác dụng vào bài toán này. Việc chọn lựa mô hình đƣợc
dựa vào sự hiểu biết, vào thông tin ít hay nhiều về khả năng xuất
hiện các trạng thái của hệ thống.
187
6.2. Ra quyết định trong điều kiện rủi ro

Khái niệm
 Khi ra quyết định trong điều kiện rủi ro, ta đã biết đƣợc xác suất
xảy ra của mỗi trạng thái. Ra quyết định trong điều kiện rủi ro, ta
thƣờng sử dụng các tiêu chuẩn sau:
 Cực đại giá trị kỳ vọng đƣợc tính bằng tiền EMV (Expected
Moneytary Value), hay;
 Cực tiểu thiệt hại cơ hội kỳ vọng EOL (Expected Opportunity
Loss).
 Để xác định các tiêu chuẩn trên ngƣời ta có thể sử dụng phƣơng
pháp lập bảng quyết định hoặc cây quyết định.
188
94
7/6/2018

Phƣơng pháp lập bảng quyết định
 Mô hình Max EMV(i):

 Trong mô hình này, chúng ta sẽ chọn phƣơng án i có giá trị kỳ
vọng tính bằng tiền lớn nhất. EMV (i): giá trị kỳ vọng tính bằng
tiền của phƣơng án i.
m
EMV (i )   P( S j ) xPij
j 1
 Trong đó:
• P(Sj): xác suất để trạng thái j xuất hiện.
• Pij : là lợi nhuận/chi phí của phương án i ứng với trạng thái j.
• i = 1 đến n và j = 1 đến m.
189

 Mô hình Max EMV(i):

 Ví dụ: Trở lại bài toán của ông giám đốc A của công ty X với giả sử rằng
thị trƣờng xấu cũng nhƣ thị trƣờng tốt đều có xác suất nhƣ nhau và bằng
0.5. Suy ra ta có bảng kết quả tƣơng ứng:
Bảng 6.2
Trạng thái j
Phƣơng án i Thị trƣờng tốt Thị trƣờng EMV(i)
(j = 1) xấu (j = 2)
Nhà máy lớn (i=1) 200.000 -180.000 10.000
Nhà máy nhỏ (i=2) 100.000 -20.000 40.000
Không làm gì (i=3) 0 0 0
Xác suất các trạng thái P(Sj) 0,5 0,5
 Ra quyết định:
• EMV (i) > 0 => phương án có lợi
• Max EMV (i) =EMV (i=2) = 40.000 => Chọn phương án nhà máy nhỏ.
190
95
7/6/2018

 Mô hình Min EOL(i) (Expeded Opportunity Loss, Thiệt hại cơ

hội kỳ vọng):
 OLij là thiệt hại cơ hội của phƣơng án i ứng với trạng thái j đƣợc định
nghĩa nhƣ sau:
OLij = MaxPij - Pij
 Đây cũng chính là số tiền ta bị thiệt hại khi ta không chọn đƣợc phƣơng án
tối ƣu mà phải chọn phƣơng án i.
 Ví dụ: Từ bảng 6.2 ta có:
• OL11 = 200.000 - 200.000 = 0
• OL12 = 0 - (-180.000) = 180.000
• OL21 = 200.000 - 100.000 = 100.000
• OL22 = 0 - (-20.000) = 20.000
• OL31 = 200.000 - 0 = 200.000
• OL32 = 0 - 0 = 0
191


hội kỳ vọng):
 Ví dụ: Do đó ta có bảng trạng thái: Bảng 6.3
Trạng thái
Phƣơng án
Thị trƣờng Tốt Thị trƣờng Xấu
Nhà máy lớn 0 180.000
Nhà máy nhỏ 100.000 20.000
Không làm gì 200.000 0
Xác suất của các trạng thái 0,5 0,5
 Thiệt hại cơ hội kỳ vọng EOL(i) (Expected Opportunity loss):

m
EOL(i )   P( S j ) xOLij
j 1
192
96
7/6/2018


hội kỳ vọng):
 Ví dụ: Từ bảng trạng thái, ta tính đƣợc:
• EOL (lớn) = 0.5 x 0 + 0 .5 x 180.000 = 90.000
• EOL (nhỏ) = 0.5 x 100.000 + 0.5 x 20.000 = 60.000
• EOL (không) = 0.5 x 200.000 + 0.5 x 0 = 100.000
 Ra quyết định theo tiêu chuẩn Min EOL (i)
 Min EOL (i) = Min (90.000, 60.000, 100.000) = 60.000
 => Chọn phƣơng án nhà máy nhỏ
193

Phƣơng pháp cây quyết định
 Có rất nhiều bài toán mà để đi đến quyết định cuối cùng phải qua
một loạt các quyết định liên kết với nhau. Một phân tích giá trị
kỳ vọng có thể dễ dàng đƣợc mở rộng để áp dụng cho những bài
toán phức tạp dạng này, phƣơng pháp này đƣợc gọi là “Phân tích
cây quyết định”.
 Logic và nguyên lý của phƣơng pháp này vẫn giống nhƣ trong
phân tích giá trị kỳ vọng nhƣng các bài toán thì phức tạp hơn.
194
97
7/6/2018

Ví dụ Kết cục
s1 .4
10,000
s2 .2
2 s3 15,000
.4
d1 14,000
s1 .4
d2 8,000
1 s2 .2
3 18,000
d3 s3 .4
12,000
s1 .4
6,000
s2 .2
4 16,000
s3
.4
21,000
195

Ví dụ
EMV = .4(10,000) + .2(15,000) + .4(14,000)
= $12,600
d1 2
Model A
EMV = .4(8,000) + .2(18,000) + .4(12,000)
Model B d2 = $11,600
1 3
d3 EMV = .4(6,000) + .2(16,000) + .4(21,000)

Model C
= $14,000
4
Lựa chọn mô hình có EMV lớn nhất là mô hình C

196
98
7/6/2018

Ví dụ:
A B C D E F
1 BẢNG PHÂN TÍCH
2
3 Mô hình Các khả năng EMV Quyết định
5 d1 = Model A 10,000 15,000 14,000 =$B$8*B5+$C$8*C5+$D$8*D5 =IF(E5=$E$9,A5,"")
6 d2 = Model B 8,000 18,000 12,000 =$B$8*B6+$C$8*C6+$D$8*D6 =IF(E6=$E$9,A6,"")
7 d3 = Model C 6,000 16,000 21,000 =$B$8*B7+$C$8*C7+$D$8*D7 =IF(E7=$E$9,A7,"")
8 Xác suất 0.4 0.2 0.4
9 Maximum Expected Value =MAX(E5:E7)
A B C D E F
1 BẢNG KẾT QuẢ
2
3 Mô hình Các khả năng EMV Quyết định
5 d1 = Model A 10,000 15,000 14,000 12600
6 d2 = Model B 8,000 18,000 12,000 11600
7 d3 = Model C 6,000 16,000 21,000 14000 d3 = Model C
8 Xác suất 0.4 0.2 0.4
9 Maximum Expected Value 14000 197
6.3. Quyết định trong điều kiện không chắc chắn
 Trong điều kiện không chắc chắn, ta không biết đƣợc xác suất
xuất hiện của mỗi trạng thái hoặc các dữ kiện liên quan đến bài
toán không có sẵn. Trong trƣờng hợp này ta có thể dùng một
trong 5 mô hình sau:
 Maximax
 Maximin
 Đồng đều ngẫu nhiên (Equally -likely)
 Tiêu chuẩn hiện thực hay tiêu chuẩn Hurwiez
 Minimax
 Ghi chú:
 Bốn mô hình đầu được tính từ bảng 6.1
 Mô hình cuối cùng được tính từ bảng 6.3
198
99
7/6/2018

Mô hình Maximax
 Tìm phƣơng án i ứng với Max của max, nghĩa là tìm giá trị lớn
nhất trong bảng quyết định
Max( Max Pij )
i j
 Trong mô hình này ta tìm lợi nhuận tối đa có thể có đƣợc bất
chấp rủi ro, vì vậy tiêu chuẩn này còn đƣợc gọi là tiêu chuẩn lạc
quan (optimistic decision criterion).
 Ví dụ:
 Từ bảng 6.1 ta có Max( Max Pij ) = 200.000
i j
 Ra quyết định: chọn phƣơng án nhà máy lớn
199

Mô hình Maximin
 Chọn phƣơng án i ứng với Max của Min
Max( Min Pij )

i j
 Nghĩa là tìm Min trong hàng i, sau đó lấy Max những giá trị Min
vừa tìm đƣợc. Cách làm này phản ánh tinh thần bi quan, còn gọi
là quyết định bi quan (pessimistic decision).
 Ví dụ:
 Từ bảng 6.1 ta có Max( Min Pij ) = 0
i j
 Ra quyết định: không làm gì cả
200
100
7/6/2018

Mô hình Đồng đều ngẫu nhiên
 Trong mô hình này, ta xem mọi trạng thái đều đồng đều ngẫu
nhiên, nghĩa là xem các trạng thái đều có xác suất xuất hiện bằng
nhau. Trong trƣờng hợp này ta tìm phƣơng án i ứng với:
 m



j 1
Pij 

Max
i So trang thai 
 
 
 Nghĩa là tìm phƣơng án làm cực đại giá trị trung bình các lợi
nhuận của từng phƣơng án.
 Ví dụ:
 200.000  (180.000) 100.000  (20.000) 0  0) 
 Từ bảng 6.1 ta có: Max  ; ; 
i
 2 2 2 
Max(10.000; 40.000; 0)
i
 Ra quyết định: Chọn phƣơng án xây nhà máy nhỏ
201

Mô hình Hurwiez
 Đây là mô hình dung hòa giữa tiêu chuẩn lạc quan và tiêu chuẩn
bi quan. Bằng cách chọn một hệ số  (0<  <1). Sau đó chọn
phƣơng án i ứng với hệ số a sao cho:
Max[Max Pij  (1  ) Min Pij ]
i j j
 Min Pij : giá trị nhỏ nhất ở hàng thứ i

 Max Pij : giá trị lớn nhất ở hàng thứ i
 Hệ số  : 0 <  <1
•  = 1: Người quyết định lạc quan về tương lai
•  = 0: Người quyết định bi quan về tương lai
 Phƣơng pháp này có dạng mềm dẻo hơn, giúp cho ngƣời ra quyết
định đƣa đƣợc cảm xúc cá nhân về thị trƣờng vào mô hình.
202
101
7/6/2018

Mô hình Minimax
 Ta tìm phƣơng án ứng với:

Min( Max OLij )
i j
 Tìm Max theo phương án i nghĩa là tìm giá trị lớn nhất trong các
cột j tính theo từng hàng
 OLij: thiệt hại cơ hội của phương án i ứng với trạng thái j được
tính như trong mô hình ra quyết định trong điều kiện rủi ro.
 Trong mô hình này ta tìm phương án để làm cực tiểu cơ hội thiệt
hại cực đại.
 Ví dụ : Áp dụng bảng 6.3 ta có:
 Min [Max OLij ]= Min [180.000 , 100.000 , 200.000 ]= 100.000
 Ra quyết định: Chọn phƣơng án nhà máy có quy mô nhỏ.
203
6.4. Quyết định khi xét đến độ hữu ích (độ thoả dụng)
Khái niệm độ hữu ích
Ví dụ:
 Chọn 1 trong 2 phương án đầu tư sau:

 A : Chắc chắn thu đƣợc $30000
 B : 70% khả năng thu đƣợc $60000, 30% khả năng thua lỗ $10000
(- $10000).
?
 Dùng tiêu chuẩn EMV để đánh giá lựa chọn?
 Thực tế lựa chọn?
204
102
7/6/2018
 Độ hữu ích là độ đo mức ƣu tiên của ngƣời ra quyết định đối với
lợi nhuận.
 Lý thuyết độ hữu ích là lý thuyết nghiên cứu cách kết hợp mức
độ ƣu tiên về độ may rủi của ngƣời ra quyết định đối với các yếu
tố khác trong quá trình ra quyết định.
 Độ hữu ích được ước tính như sau:

 Kết quả tốt nhất sẽ có độ hữu ích là 1 => U (tốt nhất) = 1
 Kết quả xấu nhất sẽ có độ hữu ích là 0 => U (xấu nhất) = 0
 Kết quả khác sẽ có độ hữu ích  (0,1) => 0 < U(khác) < 1
205
 Vấn đề đặt ra 1: Lựa chọn phƣơng án nào?
 B : 70% khả năng thu đƣợc $60000, 30% khả năng thua lỗ $10000 (- $10000).
 Khả năng lựa chọn: ???????

 Khả năng lựa chọn: ????????.

 Khả năng lựa chọn: 2 phƣơng án này thấy rằng tƣơng đƣơng nhau, chọn phƣơng
án nào cũng đƣợc.
206
103
7/6/2018
 Khi đó ta thấy rằng:

30000 ~ {(0.85, 60000), (1-0.85, -10000) }
~ {(0.85, 60000), (0.15, -10000) }
 Độ hữu ích của 30000 đƣợc xác định nhƣ sau:

 u($30 000) = 0.85u($60 000) + 0.15u( $10 000) = 0.85.
 Ghi chú: điểm 85% đƣợc gọi là điểm không khác biệt.
207
 Tương tự, giả sử:

 Vấn đề đặt ra: Lựa chọn phƣơng án nào?
 B : 60% khả năng thu đƣợc $60000, 40% khả năng thua lỗ $10000
(- $10000).
 Khả năng lựa chọn: 2 phƣơng án này thấy rằng tƣơng đƣơng nhau,
chọn phƣơng án nào cũng đƣợc.
 Khi đó:
11000 ~ {(0.6, 60000), (1-0.6, -10000) }
~ {(0.6, 60000), (0.4, -10000) }
 Do đó: u($11 000) = 0.6u($60 000) + 0.4u( $10 000) = 0.6.
208
104
7/6/2018
Độ hữu ích
1.00 U(60000)=1.00
U(30000)=0.85
U(11000)=0.60
0.00
11000 30000 60000
209
Độ hữu ích
1.00 U =1.00
Risk Averse/
tránh rủi ro
Risk Seeking/
thích rủi ro
0.00
Min Max
Đƣờng độ hữu ích/ Utility curve: Risk Neutral, Averse, Seeking

210
105

Cac PPDL Trong Quan Ly

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cac PPDL Trong Quan Ly

Uploaded by

Copyright:

Available Formats

7/6/2018

CÁC PHƢƠNG PHÁP ĐỊNH LƢỢNG

TS. Phạm Cảnh Huy

 Mục tiêu học phần:

Tài liệu tham khảo:

TỔNG QUAN VỀ PHƢƠNG PHÁP ĐỊNH LƢỢNG TRONG QUẢN

2 PHƢƠNG PHÁP THỐNG KÊ

3 PHƢƠNG PHÁP PHÂN TÍCH HỒI QUY

PHƢƠNG PHÁP DỰ BÁO ĐỊNH LƢỢNG

5 MÔ HÌNH TOÁN KINH TẾ VÀ PHƢƠNG PHÁP TỐI ƢU

6 PHÂN TÍCH RA QUYẾT ĐỊNH

TỔNG QUAN VỀ PHƢƠNG PHÁP

1.1. Giới thiệu

Dữ liệu thô Phân tích Thông tin

1.2. Giải quyết vấn đề và ra quyết định

1.2. Giải quyết vấn đề và ra quyết định

1.2. Giải quyết vấn đề và ra quyết định

Giải quyết vấn đề Xác định vấn đề

Xác định phƣơng án

Đánh giá kết quả

1.3. Ra quyết định và phân tích định lƣợng

Cấu trúc vấn đề Phân tích vấn đề

Xác Xác Đánh

1.3. Ra quyết định và phân tích định lƣợng

Xác Xác Tóm

1.3. Ra quyết định và phân tích định lƣợng

 Khẳng định, suy rộng và dự báo;

1.4. Các phƣơng pháp định lƣợng trong quản lý

Các phƣơng pháp cơ bản

 Phân tích thống kê;

1.4. Các phƣơng pháp định lƣợng trong quản lý

Các bƣớc tiến hành phân tích định lƣợng

Xác định vấn đề

Thu thập dữ liệu

Xây dựng mô hình

Phân tích kết quả

Áp dụng kết quả

1.5. Các phần mềm ứng dụng

PHÂN TÍCH THỐNG KÊ

2.1. Tổng quan về Thống kê

 Thống kê là môn khoa học và nghệ thuật về:

2.1. Tổng quan về Thống kê

2.1. Tổng quan về Thống kê

Xây dựng hệ thống các khái niệm,

Thu thập dữ liệu thống kê

Phân tích và giải thích kết quả

Báo cáo và truyền đạt kết quả nghiên cứu

2.2. Phân loại dữ liệu

Dữ liệu định Dữ liệu định

Thang đo Thang đo Thang đo Thang đo tỷ

2.2. Phân loại dữ liệu

2.2. Phân loại dữ liệu

2.2. Phân loại dữ liệu

2.2. Phân loại dữ liệu

2.2. Phân loại dữ liệu

 Ví dụ 1: Thu nhập của anh/chị/ông/bà hàng tháng:

2.2. Phân loại dữ liệu

Là loại thang cung cấp định lƣợng về

nó nói lên đƣợc khoảng cách giữa hai

Trong việc đo lƣờng thái độ hay ý

2.2. Phân loại dữ liệu

 Ví dụ 1: Đánh giá chất lƣợng đào tạo của một trƣờng

2.2. Phân loại dữ liệu

2.2. Phân loại dữ liệu