CHUỖI THỜI GIAN

- Khái niệm: là tập hợp các giá trị của một biến ngẫu nhiên hay chỉ tiêu thống kê được
sắp xếp theo thứ tự thời gian
- Dạng tổng quát Yt =f (Xt , Wt ,Ct , Ut )
- Các thành phần cấu thành: Biến động xu thế ( X), Thời vụ (W), Theo chu kỳ ( C),
Ngẫu nhiên (U)
QUY TRÌNH DỰ BÁO
- Quy trình dự báo được chia ra làm 9 bước
Bước 1, Xác định mục tiêu:
- Nói rõ các mục tiêu, dự báo sẽ được sử dụng như thế nào trong việc ra quyết định
- Các mục tiêu và ứng dụng của dự báo nên được thảo luận giữa những cá nhân liên
quan trong việc chuẩn bị dự báo và những người sẽ sử dụng các kết quả
Bước 2, Xác định dự báo cái gì:
- Khi các mục tiêu tổng quát đã rõ ta phải xác định chính xác là dự báo cái gì (cần có sự
trao đổi)
VD: Dự báo doanh số: Doanh số đơn vị hay bằng tiền; tổng doanh số, doanh số theo
sản phẩm, hay doanh số theo vùng; doanh số nội địa hay xuất khẩu, hay cả hai
Dự báo bệnh nhân: số đăng ký khám, số ngày nằm viện, xuất viện,...
Bước 3, Xác định yếu tố thời gian của dự báo
- Độ dài và giai đoạn của dự báo: tháng/ quý, năm?
Bước 4, Thu thập và xử lý số liệu
- Xác định nguồn dữ liệu được thu thập ở đâu? bên trong hay bên ngoài . Số liệu có ở
dạng mong muốn hay không; giá trị hay đơn vị
- Có thể có quá nhiều hoặc quá ít dữ liệu
- Có thể thiếu giá trị cần phải ước tính. Có thể phải chuyển đổi đơn vị tính.Có thể cần
được xử lý trước.
Bước 5, Lựa chọn mô hình
Làm sao để quyết định được phương pháp thích hợp nhất cho một tình huống nhất định?
+ Loại và lượng dữ liệu sẵn có
+ Mô hình (bản chất) dữ liệu quá khứ
+ Tính cấp thiết của dự báo, độ dài dự báo
+ Kiến thức chuyên môn của người làm dự báo
Bước 6, Đánh giá mô hình
- Kiểm định các mô hình trên chuối số liệu mà ta muốn dự báo
- Phân biệt độ phù hợp và độ chính xác
+ Độ phù hợp: so với giá trị quá khứ
+ Độ chính xác: so với giá trị dự báo
- Nếu mô hình được trong bước 6 không đạt độ chính xác chấp nhận được, quay lại
bước 5 với một mô hình khác
Bước 7: Chuẩn bị dự báo
- Nếu có thể nên sử dụng hơn một phương pháp dự báo, nên là những loại phương pháp khác
nhau
- Các phương pháp được chọn nên được sử dụng để chuẩn bị cho một số các dự báo (ví dụ trường
hợp xấu nhất, tốt nhất và có thể nhất)
Bước 8: Trình bày kết quả dự báo
- Trình bày phân tích số liệu được tính toán như thế nào (tăng/giảm so với kỳ trước,...), chỉ
ra sự tin cậy trong kết quả dự báo
- Trình bày cả dạng nói và viết, bảng biểu dữ liệu cần ngắn gọn, rõ ràng. Cần có sự giao
tiếp thảo luận giữa những người có liên quan
Bước 9: Theo dõi kết quả dự báo
- So sánh theo dõi kết quả xem có đúng như thực tế không -> điều chỉnh cho phù hợp
- Tìm ra nguyên nhân sự khác biệt, rút ra bài học cho sự so sánh
ĐO LƯỜNG TÍNH CHÍNH XÁC CỦA DỰ BÁO
n
- Giá trị trung bình của sai số tuyệt đối MAE = ∑ |et| / n
t =1

||
n
et
Giá trị trung bình của phần trăm sai số tuyệt đối: MAPE =
∑
- t =1 Y t

❑
n

- Giá trị trung bình của bình phương sai số : MSE = ∑ e 2t

t =1
❑
DỰ BÁO GIẢN ĐƠN
Y^ t+1=Yt Y^ t +1: nhu cầu dự báo chu kỳ t+1
Yt: Nhu cầu dự báo chu kỳ t
- Ưu điểm: đơn giản, ứng dụng: quyết định nhanh
- Mẫu thích hợp: các nhu cầu ít có dự thay đổi từ chu kỳ này sang chu kỳ khác
- Không thích hợp: mẫu có ảnh hưởng mùa, có yếu tố ngẫu nhiên
- Nhược: chỉ áp dụng mẫu ít, biến động, không ngẫu nhiên

DỰ BÁO TRUNG BÌNH TRƯỢT GIẢN ĐƠN

❑
1
CT: ^
Y t+1= ∑ yt
t i i
t Y^ t +1+Y t+1
Y^ t+2=
t+1
Phương pháp trung bình giản đơn phù hợp khi các nhân tố ảnh hưởng đến đối tượng dự báo
có tính ổn định, và môi trường liên quan đến chuỗi dữ liệu là không thay đổi
Phương pháp trung bình giản đơn sử dụng giá trị trung bình của tất cả các quan sát quá khứ
làm giá trị dự báo cho giai đoạn tiếp theo. Phù hợp với dữ liệu dừng.
- Ưu điểm: Đơn giản làm trên các ảnh hưởng ngẫu nhiên. Ứng dụng nhanh
- Mẫu thích hợp: Các tình huống ổn định, số liệu ổn định phân phối một cách nn
- Không thích hợp: mẫu có ảnh hưởng mùa
DỰ BÁO TRUNG BÌNH TRƯỢT DI ĐỘNG
Quan tâm đến một số cố định các quan sát gần nhất
Yt +Yt −1+ ...+ Yt−k +1
Y^ t+1= =MA (k )
k
Y^ t+1: dự báo giai đoạn tiếp theo
Yt: Giá trị thực tại thời điểm t ; k: hệ số trượt ( số chu kỳ sử dụng cho dịch chuyển TB)
 - Chọn hệ số chuột bao nhiêu tùy thuộc vào độ dài của chu kỳ thay bản chất của dữ liệu
- Để so sánh và chọn mô hình tốt, nên dựa vào các tiêu chí thống kê (RMSE)
- Thường dùng đối với dữ liệu quý hoặc tháng để làm trơn các thành phần trong chuỗi
thời
Ưu - nhược: Dung hoà được hai phương pháp dự báo giản đơn và trung bình trượt giản đơn
- Ứng dụng: quyết định nhanh
- Mẫu thích hợp: Thích hợp cho các dự báo theo xu hướng
- Không thích hợp: mẫu có yếu tố ngẫu nhiên, các dự báo có ảnh hưởng các yếu tố mùa
DỰ BÁO XU THẾ
Một phương pháp để dự báo mô hình đơn biến là ước lượng xu thế bằng cách chỉ định một
mô hình hồi quy nhị biến có dạng:
Y^ t=α + β t + ε t
Y^ t: giá trị thực tế của biến chuỗi thời gian / t: thời gian, t=1,2,3,...n
ε t: sai số ngẫu nhiên trong thời kỳ t
Giá trị dự báo của Y^ t được xđ bằng cách ước lượng các hệ số hồi quy α và β và giải phương
trình cho mỗi giá trị của t
Y^ t = a+bt
DỰ BÁO MH NHÂN QUẢ HAI BIẾN
Mô hình hồi quy nhân quả nhị biến có dạng Y^ t= α + β Xt +ε t
Xt: là biến giải thích, không phải biến thời gian ( còn lại tương tự xu thế)
Các giá trị của dự báo Y^ t được xđ bằng cách ước lượng hệ số hồi quy α và β và sau đó thay
mỗi giá trị của Xt vào trong pt hồi quy : Y^ t = a=bXt
PHƯƠNG PHÁP SAN MŨ
- Là phương pháp để làm trơn dữ liệu, chỉ cần một biến
- Áp dụng với các chuỗi thời gian đơn biến
- Là phương pháp dự báo ngắn hạn, áp dụng cho các chuỗi thời gian không thể hiện xu
thế hoặc có xu thế dạng đa thức
(GIẢN ĐƠN)
- Giống trung bình di động, được sử dụng khi dữ liệu không có yếu tố xu thế và mùa vụ
- Giá trị dự báo = giá trị trung bình có trọng số; giá trị càng xa -> trọng số càng giảm
- San mũ giản đơn (α ) (0<α <1)
Y^ t+1 = α Yt + (1-α )Y^ t
Ưu - nhược điểm san mũ

Ưu điểm Nhược điểm

- Đơn giản, kết quả tương đối chính xác, đáp
ứng tốt cho kinh doanh, lập kế hoạch ở cấp
vi mô
- Dễ chương trình hóa
- Nhu cầu lưu trữ thấp
- Kết quả dự báo có thể được điều chỉnh cho
thích hợp thông qua một hệ số san
- Các bước tiến hành dự báo khác rõ ràng,
- Không quan tâm tụi ảnh hưởng nhân quả
- Tham số san α không được xác định một
cách khoa học khách quan
Kha mục tiêu được cực tiểu hóa theo quy
luật số mũ, do đó nếu những sai số ước
lượng là ngẫu nhiên thì việc đánh giá theo
trọng số là dư thừa vì mỗi thời kỳ đều nhận
một trong số tương tự nhau. Còn nếu các sai
 dễ áp dụng số bị ảnh hưởng bởi các yếu tố một cách có
-> Ứng dụng nhiều trong dự báo kinh doanh, hệ thống thì mô hình không phản ánh được,
khối lượng bán hàng mà cần sử dụng phương pháp hồi quy

PHƯƠNG PHÁP CHUYÊN GIA

Ưu điểm Nhược điểm

- Khi dự báo trong dài hạn - mang tính chủ quan -> lựa chọn chuyên gia
- Trong hoàn cảnh cấp bách với khoảng thời không đúng tiêu chuẩn ->độ tin cậy thấp
gian ngắn mà phải lựa chọn một p/a qt - Nhiều ý kiến -> quá trình xử lý phức tạp
- Áp dụng đối với đối tượng dự báo hoàn - Đưa ra nhiều số liệu nhưng cơ sở giải lý
toàn mới mẻ, không chịu ảnh hưởng của không rõ ràng, biến độ giao động lớn ->
chuỗi số liệu quá khứ mà chịu ảnh hưởng đánh giá sai số và khoảng tin cây khó khăn
của những phát minh khoa học
TRÌNH TỰ DỰ BÁO MÔ HÌNH ARIMA (4 BƯỚC)
Bước 1, Định dạng mô hình ARIMA ( p,d,q)
- Kiểm định tính dừng
- Nếu một chuỗi không dừng biến đổi -> chuỗi dừng
- Lấy sai phân ( lấy chênh lệch giá trị giữa các chu kỳ liên tiếp)
d Y = Y t - Y t −1
- Xác định bậc của mô hình ARIMA ( p,d,q)
+ p: độ trễ của AR (p)
+ d: số lần lấy sai phân
+ q: đỗ trễ của MA (q)
Bước 2, Ước lượng mô hình
- Ước lượng để lựa chọn mô hình: căn cứ các bậc của ARIMA để ước lượng
Bước 3, Kiểm định mô hình
- AIC , BC, LL | -> giá trị tuyệt đối nhỏ nhất -> sẽ tốt nhất
Bước 4, Dự báo mô hình
- Nhiễu trắng
- Phương sai số
- Tính chuẩn
MÔ HÌNH TỰ HỒI QUY AR(p)
Dạng Y t =φ 0 + φ 1Y t −1 + φ 2Y t −2+ ..+φ pY t − p+ε t
- Yt: biến phản ứng ( phụ thuộc) tại thời điểm t
- Y t −1, Y t −2,...= biến phản ứng tại các độ trễ t-1, t-2
- φ 0,φ 1, φ 2: các hệ số sẽ được ước lượng
- ε t = phần sai số tại thời điểm t thể hiện ả/hg của các biến k được giải thích trong MH
MÔ HÌNH TRUNG BÌNH TRƯỢT MA(q)
Dạng Y t = μ + ε t - ω 1ε t−1 - ω 2 ε t−2- …-ω q ε t −q
Yt = biến phản ứng (phụ thuộc) tại thời điểm t
μ = giá trị trung bình cố định
ω 1, ω 2, ω 3= các hệ số sẽ được ước lượng
ε t = phần sai số tại thời điểm t thể hiện ảnh hưởng của các biến k được giải thích trong MH
ε t−1, ε t−2 = các sai số ở các thời điểm trước
VẬN DỤNG
1, Thực trạng công tác dự báo tại kinh tế Việt Nam
- Công tác dự báo chưa thực sự bám sát đời sống kinh tế
- cơ sở dữ liệu, thông tin phục vụ dự báo còn thiếu và chưa đầy đủ
- đội ngũ cán bộ công tác dự báo còn chưa được đào tạo bài bản và thiếu kinh nghiệm
* Thành tựu
- công tác dự báo được triển khai rộng rãi, thường xuyên hơn
- độ chính xác của dự báo đã được cải thiện, góp phần giúp chính phủ có những quyết
sách kịp thời và hiệu quả điều hành trong kinh tế vĩ mô
* Để nâng cao hiệu quả công tác dự báo
- Đẩy mạnh ứng dụng các phương pháp dự báo tiên tiến
- Cần tiếp tục hoàn thiện CSDL, thông tin phục vụ dự báo
- Tăng cường đào tạo, bồi dưỡng nâng cao trình độ chuyên môn nghiệp vụ cho đội ngũ
cán bộ làm công tác dự báo
- Xây dựng CSDL vĩ mô thống nhất, đồng bộ, đáp ứng yêu cầu của công tác dự báo.
2, Ứng dụng của mô hình ARIMA
- Dự báo: ARIMA có thể được sử dụng để dự báo giá trị future của một chuỗi thời gian
- Phân tích chuỗi thời gian: ARIMA giúp hiểu các yếu tố và mô hình trong chuỗi thời
gian. Nó có thể giúp bạn phát hiện các mẫu, chu kỳ, và xu hướng trong dữ liệu.
- Điều chỉnh dữ liệu chuỗi thời : ARIMA có thể dùng sai phân để biến nó -> dừng
- Dự báo chuỗi thời gian và yếu tố mùa vụ: VD như dự báo doanh số bán hàng
- Nắm bắt và dự đoán xu hướng kinh tế: ự đoán và theo dõi xu hướng kinh tế trong quá
khứ và tương lai
3, Nêu phương pháp tính toán và dự báo nhu cầu tiêu thụ xe ô tô của người dân VN.
B1 - Xác định mục tiêu dự báo: xây dựng KHSXKD quy hoạch theo năm ( Hyundai)
B2 - Xác định dự báo cái gì? : Cầu tiêu thụ/sản lượng tiêu thụ ô tô tại Việt Nam (Hyundai)
B3 - Xác định yếu tố thời gian dự báo: Cầu tiêu thụ xe ô tô theo quý
B4 - Xem xét/ phân tích dữ liệu
+ Khảo sát: hộ gia đình ( Q, thu nhập, tuổi, thuế, lãi suất, giá quảng cáo, phân phối,...)
+ (nói chung) Thứ cấp: sản lượng tiêu thụ ô tô. GDP/ người, thuế, lãi suất, kênh phân
phối tự do thương mại
B5 - Lựa chọn mô hình ( hồi quy tuyến tính, xu thế, ARIMA
B6 - Đánh giá mô hình
B7 - Chuẩn bị dự báo : năm 2024 ( quý 1 năm 2024,....quý 4 năm 2024)
B8 - Trình bày kết quả dự báo: so sánh số liệu 2024 theo quý->2023 quý (tăng, giảm, k đổi?)
B9 - Theo dõi kết quả dự báo -> điều chỉnh
ĐÚNG
1, Lựa chọn mô hình là lựa chọn một trong các bước quy trình dự báo
2, Mô hình dự báo định lượng có độ chính xác cao hơn vì có phương pháp đo lường độ chính
xác của dự báo
3, Mô hình hồi quy ARIMA sẽ không được thực hiện nếu số quan sát của mẫu nghiên cứu
nhỏ hơn 30 quan sát
4, Ưu điểm của phương pháp dự báo định lượng là ít tốn thời gian để tìm ra kết quả dự báo
5, Theo dõi kết quả dự báo là một trong các bước của quy trình dự báo
6, MH dự báo xu thế có độ chính xác cao hơn vì có PPđo lường độ chính xác của dự báo
7, MH dự báo định tính được sd phổ biến hơn vì đơn giản và thời gian thực hiện nhanh chóng
8, Khảo sát thị trường là một phương pháp dự báo định tính
9, Ưu điểm của phương pháp dự báo định lượng là nhanh chóng, tiết kiệm thời gian
10, PP dự báo giản đơn k- phù hợp với mẫu ảnh hưởng mùa vụ và có tính ngẫu nhiên
11, Phương pháp dự báo trung bình giản đơn phù hợp khi đối tượng dự báo có tính ổn định và
không bị thay đổi bởi các môi trường liên quan
12, PP dự báo định tính có nhược điểm là không cải thiện đc mức độ chính xác của dự báo
SAI
1, Các thành phần cấu thành chuỗi thời gian bao gồm biến động thời vụ, biến động chu kỳ và
biến động xu thế -> thiếu ngẫu nhiên
2, Sai số dự báo MAE được tính bằng tổng TB giá trị tuyệt đối của sai số chia cho số lượng
quan sát trong mẫu -> S
3, Phương pháp dự báo định tính là dựa trên dữ liệu quá khứ để phát hiện xu hướng vận động
của đối tượng dự báo -> định lượng
4, Mô hình ARIMA được gọi là phù hợp nếu kết quả kiểm định mô hình khẳng định là nhiễu
trắng và không có phương sai sai số thay đổi -> thiếu tính chuẩn (_) là chuỗi dữ liệu dừng
5, Phương pháp trung bình trượt di động không thích hợp với các dự báo theo xu hướng mà
thích hợp với các dự báo có yếu tố mùa vụ -> không thích hợp mùa vụ
6, Trong các PP dự báo, phương pháp dự báo bằng mô hình xu thế ưu việt và phù hợp nhất
-> Không có mô hình dự báo nào ưu việt và phù hợp nhất cả
7, Xác định dự báo như thế nào là một trong các bước của quy trình dự báo -> Bước 2 “xác
định dự báo cái gì”
8, Mô hình hồi quy ARIMA sẽ không được thực hiện nếu số quan sát của mẫu nghiên cứu
nhỏ hơn 60 quan sát -> vì chỉ cần tối thiểu 50 quan sát
9, Đánh giá lựa chọn mô hình là một trong các bước của quy trình dự báo - ko có bước này
10, Mô hình dự báo nhân quả thường được sử dụng phổ biến vì đơn giản, dễ dàng thực hiện,
không cần quá nhiều kiến thức về mô hình -> cần nhiều kiến thức về MH ( định tính )
12, Khi thực hiện PP dự báo bằng MH ARIMA (p,d,q) thì các giá trị pdq của MH được xác
định từ kiểm định tính dừng của MH -> không cần p,q để xác định tính dừng
13, MH dự báo định tính được sử dụng phổ biến vì đơn giản và thời gian thực hiện nhanh
chóng -> thời gian thực hiện lâu
14, PP TB trượt giản đơn phù hợp với mẫu có ả/hg mùa vụ -> Không phù hợp với mùa vụ
15, MH ARIMA được được gọi là phù hợp nếu kết quả kiểm định MH khẳng định đây là
chuỗi dữ liệu dừng -> Kiểm tra tính dừng chỉ là điều kiện cần

Phương pháp dự báo bằng mô hình giản đơn có ưu nhược điểm gì?
- Ưu điểm: Đơn giản, quyết định nhanh, thích hợp với mẫu có ít sự thay đổi từ chu kì
này sang chu kì khác, dễ sử dụng
- Nhược điểm: có độ chính xác thấp
 Dự báo mở rộng:
- Ưu điểm: Đơn giản, nhanh, bước đầu tính được yếu tố xu thế của biến thời gian.
- Nhược điểm: ít biến động, ít yếu tố ngẫu nhiên, ngắn hạn
Dự báo TB giản đơn
- Ưu điểm: Nhanh, đơn giản, làm trơn dữ liệu bị ảnh hưởng của yếu tố ngẫu nhiên
- Nhược điểm: ít biến động , ngắn hạn
Dự báo TB trượt di động
- Ưu điểm: đơn giản, nhanh. dung hòa được 2 phương pháp dự báo giản đơn và dự báo
trung bình gia giản đơn, theo xu hướng
- Nhược điểm: không phù hợp với dữ liệu ngẫu nhiên; mùa vụ, ngắn hạn, lớn
Dự báo trung bình trượt di động có trọng số.
- Ưu điểm:đơn giản, nhanh, dung hòa được 2 phương pháp dự báo giản đơn và dự báo
trung bình trượt giản đơn, quan tâm trọng số =>thực tế
- Nhược điểm : không phù hợp với dữ liệu ngẫu nhiên, mùa vụ, ngắn hạn, lớn
Dự báo xu thế
- Ưu điểm: nhanh, hoàn thiện, dữ liệu có tính xu thế, có yếu tố xu thế, có cơ sở khoa
học rõ ràng, dựa theo 4 phương pháp hồi quy, ngắn hạn và trung hạn
- Nhược điểm: có kiến thức nhất định về kinh tế lượng, không mùa vụ, lơn
Dự báo nhân quả
- Ưu điểm: Nhanh, dự báo hồi quy=> có cơ sở khoa học, tác động bên ngoài
- Nhược điểm: có kiến thức nhất định về kinh tế lượng, không mùa vụ, dữ liệu lớn, có
thể không tính hết được các yếu tố tác động.