Phương pháp liên tiến luỹ thừa với điều chỉnh theo mùa

Để giải thích cho các hiệu ứng theo mùa trên một tập hợp dữ liệu, chúng ta có thể sử
dụng một phần mở rộng đơn giản khác là phương pháp liên tiến luỹ thừa. Nói một cách
đơn giản nhất, trước tiên chúng tôi loại bỏ tính thời vụ khỏi dữ liệu và sau đó làm mịn
những dữ liệu đó như chúng ta đã học; cuối cùng, chúng ta đặt tính thời vụ trở lại để xác
định một dự báo.
Chúng ta sẽ áp dụng điều chỉnh theo mùa này cho dữ liệu trong Bảng 17.5, báo cáo số
lượng hành khách mỗi tháng đi phà đến một hòn đảo nghỉ dưỡng ở Caribe trong các năm
2009 và 2010. Nói chung, chúng tôi biểu thị chu kỳ L là độ dài của một mùa. L có thể là
bất kỳ khoảng thời gian nào, thậm chí là 24 giờ trong ngày, nhưng thông thường, như
trong trường hợp này, đó là 12 tháng. Lưu ý rằng chúng tôi phải có dữ liệu thực tế cho ít
nhất một mùa đầy đủ trước khi chúng tôi có thể bắt đầu làm mịn và tính toán dự báo.
Chỉ số thời vụ It được sử dụng để loại bỏ dữ liệu theo thời vụ trong một chu kỳ nhất định
L. Ban đầu, It là được ước tính bằng cách tính tỷ lệ giữa giá trị thực tế trong khoảng thời
gian t, At, chia cho giá trị trung bình giá trị Ᾱ cho tất cả các giai đoạn trong chu kỳ L như
thể hiện trong phương trình (13):

Khi Ᾱ = (A1 + A2 + . . . + AL)/L

Trong ví dụ về phà chở khách của chúng tôi, Ᾱ = 1.971,83 (hành khách trung bình mỗi
tháng cho 2009), và bằng cách thay giá trị này vào phương trình (13), chúng ta có thể tính
chỉ số It cho mỗi kỳ trong mùa đầu tiên gồm 12 kỳ. Các chỉ số kết quả cho các tháng của
năm 2009, được trình bày trong cột 5 của Bảng 17.5, sau đó được sử dụng để khử mùa vụ
dữ liệu của các tháng tương ứng trong năm 2010 theo phương trình (14), là một sửa đổi
nhỏ của phương trình làm mịn hàm mũ cơ bản của chúng tôi — phương trình (5) — với
At được điều chỉnh theo tính thời vụ bằng cách sử dụng chỉ số It-L.

Trong ví dụ này, dữ liệu cho 12 tháng năm 2009 được sử dụng để đưa ra ước tính ban đầu
về các chỉ số thời vụ. Do đó, chúng tôi không thể bắt đầu tính toán dữ liệu mới được làm
mịn cho đến khi kỳ 13 (tức là tháng 1 năm 2010). Để bắt đầu quá trình, chúng tôi giả định
rằng S12 bằng A12, như thể hiện trong Bảng 17.5 với giá trị là 1.794,00. Giá trị được làm
mịn cho tháng 1 năm 2010 hiện tại có thể được tính bằng phương trình (14), với It-L =
0,837 (nghĩa là chỉ số It của 12 tháng trước cho tháng 1 năm 2009) và α = 0,2:

Dự báo cho tháng 2 (thời kỳ t + 1) sau đó được thực hiện bằng cách tính thời vụ giá trị
cho tháng 1 theo công thức sau:

Lưu ý rằng yếu tố thời vụ It-L+1 trong trường hợp này là chỉ số It cho tháng 2 năm 2009. Vì
vậy, dự báo của chúng tôi cho tháng 2 năm 2010 là:

Nếu các chỉ số thời vụ ổn định, các dự báo chỉ dựa trên một chu kỳ, L, sẽ là đáng tin cậy.
Tuy nhiên, nếu các chỉ số không ổn định, chúng có thể được điều chỉnh hoặc làm phẳng,
như dữ liệu mới trở nên khả dụng. Sau khi tính toán giá trị làm mịn St cho một giá trị thực
tế At ở khoảng thời gian gần nhất t, chúng ta có thể biểu thị một quan sát mới cho chỉ số
thời vụ tại khoảng thời gian t là (At/St). Để áp dụng khái niệm làm mịn theo cấp số nhân
cho chỉ mục, chúng tôi sử dụng một hằng số mới γ, thường được gán giá trị trong khoảng
từ 0,1 đến 0,5. Phương pháp liên tiến luỹ thừa ước tính của chỉ số thời vụ sau đó được
tính từ công thức sau:
Bây giờ, chúng ta có thể tiếp tục tính toán cho năm 2010 trong Bảng 17.5 bằng cách sử
dụng phương trình (16) để cập nhật các chỉ số thời vụ cho mỗi tháng để sử dụng trong
tương lai. Tuy nhiên, hãy nhớ rằng trong thực tế, các giá trị, chỉ số và dự báo được làm
mịn cho từng khoảng thời gian (ví dụ tháng) trong mùa mới này của giai đoạn L sẽ được
tính trên cơ sở hàng tháng là giá trị thực tế gần đây nhất đã có sẵn. Ở đây, theo phương
trình (16), giá trị mới chỉ số tính thời vụ được làm mịn cho tháng 1 năm 2010, I13, sử
dụng γ = 0,3 là:

MAD cho tháng 2 đến tháng 12 năm 2010 là 110, điều này cho thấy rất tốt sự phù hợp
của các dự báo với dữ liệu thực tế thể hiện tính thời vụ nhất định. Liệu nó có thể, tuy
nhiên, để dự đoán chính xác hơn?

Phương pháp liên tiến luỹ thừa với các điều chỉnh theo xu hướng và
theo mùa
Câu trả lời cho câu hỏi trước đó—Liệu có thể đưa ra những dự báo chính xác hơn nữa
không? —là có (đôi khi). Trong một số trường hợp, chỉ điều chỉnh theo xu hướng hoặc
thời vụ sẽ cung cấp ước tính tốt nhất hiện tại về mức trung bình; ở những người khác, dự
báo có thể được cải thiện bằng cách xem xét tất cả các yếu tố cùng nhau. Chúng ta có thể
bao gồm cả điều chỉnh theo xu hướng và theo mùa trong quá trình làm mịn theo cấp số
nhân bằng cách tính trọng số giá trị đã làm trơn cơ sở với các chỉ số theo xu hướng và
theo mùa để dự báo giai đoạn tiếp theo. Các phương trình thích hợp là:

Các giá trị trong Bảng 17.6 được in đậm là kết quả của các công thức Excel. Bảng 17.7
chứa các công thức cho tháng 2 năm 2010 được hiển thị trên dòng 20 của Bảng 17.6.
Những công thức này được tự động lặp lại cho các dòng từ 21 đến 30 bằng cách sử dụng
lệnh sao chép trong Excel. Lưu ý việc sử dụng $B$1, $B$2 và $B$3 để cố định tham
chiếu ô để làm mịn tham số (alpha, beta, gamma) khi công thức được sao chép. Tính
năng này cho phép một để thay đổi các tham số này và tính toán lại các dự báo để tìm các
giá trị cho , và giảm thiểu MAD. Kết quả MAD là 160 cho chúng ta biết rằng, trong
trường hợp này, chúng ta có không đạt được bất kỳ sự cải thiện nào trong dự báo của
chúng tôi bằng cách thêm điều chỉnh xu hướng vào điều chỉnh theo mùa được sử dụng
trong Bảng 17.5. Hình 17.4 minh họa bằng đồ thị các kết quả của chỉ xử lý dữ liệu thực tế
bằng dự đoán điều chỉnh theo mùa, với cả điều chỉnh theo mùa và điều chỉnh theo xu
hướng.

BẢNG 17.6 Phương pháp liên tiến luỹ thừa với các điều chỉnh theo mùa và xu hướng:
Minh họa bảng tính Excel về lượng hành khách đi phà được đưa đến đảo nghỉ dưỡng
(alpha = 0.2 , beta = 0.2, gamma = 0.3)
BẢNG 17.7
Tháng 2 năm
2010 Tìm
thấy công
thức trong
Bảng 17.6