Slide Chuong 14A

THỐNG KÊ ỨNG DỤNG
TRONG KINH TẾ VÀ KINH DOANH
Anderson Sweeney Williams

Slides by
John Loucks
St. Edward’s University
© 2011 Cengage Learning. All Rights Reserved. May not be scanned, copied
Slide
1
or duplicated, or posted to a publicly accessible website, in whole or in part.
Chương 14, PhầnA
Dự báo
 Cách tiếp cận định lượng về dự báo
 Mô hình chuỗi thời gian
 Độ chính xác dự báo
 Trung bình trượt và làm trơn bằng hàm mũ
Slide
2
Phương pháp dự báo
 Phương pháp dự báo có thể chia thành định tính và

định lượng.
 Phương pháp định tính thông thường dùng ý kiến
chuyên gia để dự báo.
 Những phương pháp này thích hợp khi dữ liệu lịch
sử về biến dự báo không dùng được hoặc không có
sẵn.
 Chúng ta tập trung vào các phương pháp dự báo
định lượng trong chương này.
Slide
3
Phương pháp dự báo
 Phương pháp dự báo định lượng có thể được sử dụng
khi :
 Thông tin quá khứ về biến dự báo có sẵn,
 Thông tin là lượng hóa được, và

 hợp lý khi giả định rằng các kiểu biến thiên trong
quá khứ sẽ tiếp diễn trong tương lai.
 Trong trường hợp như vậy, một dự báo có thể được

phát triển bằng cách sử dụng phương pháp chuỗi thời
gian hoặc một phương pháp quan hệ nhân quả.
Slide
4
Phương pháp dự báo định lượng
 Phương pháp định lượng dựa trên phân tích các dữ liệu
lịch sử liên quan đến một hoặc nhiều chuỗi thời gian.
 Một chuỗi thời gian là một tập hợp các quan sát đo
liên tiếp theo thời điểm hoặc thời kỳ của thời gian.
 Nếu phương pháp dự báo đang dùng chỉ khoanh
vùng trên các giá trị quá khứ của một chuỗi thời gian
để dự báo về tương lai, ta có phương pháp chuỗi thời
gian.
 Nếu các dữ liệu lịch sử của chuỗi thời gian khác được
cho là có liên quan đến chuỗi thời gian mà chúng ta
đang cố gắng để dự báo, thủ tục được gọi là một
phương pháp quan hệ nhân quả.
Slide
5
Phương pháp chuỗi thời gian
 Mục tiêu của phân tích chuỗi thời gian là để khám

phá ra một mô hình trong các dữ liệu lịch sử và sau
đó áp dụng rộng ra mô hình trong tương lai.
 Các dự báo dựa trên các giá trị quá khứ của biến
và/hoặc sai số dự báo trước đây.
Slide
6
Phương pháp nhân quả
 Phương pháp dự báo nhân quả được dựa trên giả

định rằng biến chúng ta dự báo có mối quan hệ nhân
quả với một hay nhiều biến khác.
 Nhìn vào phân tích hồi quy như một công cụ dự báo,
chúng ta có thể xem các giá trị chuỗi thời gian mà
chúng ta muốn dự báo là biến phụ thuộc.
 Nếu chúng ta có thể xác định tốt các biến độc lập,
hoặc giải thích, chúng ta có thể phát triển một
phương trình hồi quy ước lượng cho việc dự báo
chuỗi thời gian.
Slide
7
Hồi quy chuỗi thời gian
 Bằng cách xử lý thời gian là biến độc lập và các chuỗi
thời gian như là một biến phụ thuộc, phân tích hồi
quy cũng có thể được sử dụng như một phương pháp
 Hồi qui chuỗi thời gian đề cập đến việc sử dụng phân
tích hồi quy khi biến độc lập duy nhất là thời gian.
 Hồi quy chéo đề cập đến việc sử dụng phân tích hồi
quy khi biến độc lập là không phải là thời gian.
Slide
8
Forecasting Methods
Phương pháp
dự báo
Định lượng Định tính
Nhân quả Chuỗi thời gian
Slide
9
Mô hình chuỗi thời gian
 Một chuỗi thời gian là một chuỗi các số đo theo giờ,

ngày, tuần, tháng, quý, năm, hoặc ở bất kỳ khoảng
thời gian thường xuyên nào khác.
 Các mô hình biến thiên của dữ liệu là yếu tố quan
trọng trong việc tìm hiểu các chuỗi thời gian đã biến
động trong quá khứ như thế nào.
 Nếu kiểu thiến động như vậy được dự kiến sẽ tiếp tục
trong tương lai, chúng ta có thể sử dụng nó để hướng
dẫn trong việc lựa chọn một phương pháp dự báo
thích hợp.
Slide
10
Đồ thị chuỗi thòi gian
 Bước đầu tiên hữu ích trong việc lựa chọn một phương
pháp dự báo thích hợp là xây dựng một đồ thị cho
 Đồ thị chuỗi thời gian là một sự thể hiện đồ họa của
các mối quan hệ giữa thời gian và biến chuỗi thời
gian.
 Thời gian là trên trục ngang, và các giá trị chuỗi thời
gian được hiển thị trên trục thẳng đứng.
Slide
11
Dạng phổ biến của dữ liệu có thể được xác định khi khảo sát
chuỗi thời gian bao gồm :
Ngang
Xu hướng
Mùa
Mùa & Xu hướng
Chu kỳ
Slide
12
 Mô hình ngang
• Kiểu biến thiên ngang tồn tại khi các dữ liệu biến
động xung quanh một trung bình không đổi.
• Những thay đổi về điều kiện kinh doanh thường

xuyên có thể dẫn đến một chuỗi thời gian có kiểu
biến thiên ngang chuyển sang một cấp độ mới.
• Một sự thay đổi trong mức độ của các chuỗi thời

gian làm cho nó khó khăn hơn để lựa chọn một
phương pháp dự báo thích hợp.
Slide
13
 Mô hình xu hướng
• Chuỗi thời gian có thể cho thấy sự thay đổi dần dần
hay những chuyển động với các giá trị tương đối cao
hơn hoặc thấp hơn qua khoảng thời gian dài.
• Xu hướng thường là kết quả của các yếu tố dài hạn
như thay đổi về dân số, nhân khẩu học, công nghệ
và sở thích của người tiêu dùng.
• Xu hướng tăng hoặc giảm có thể là tuyến tính hoặc
phi tuyến.
• Mô hình xu hướng có thể được xác định bằng cách
phân tích biến động nhiều năm trong dữ liệu lịch
sử.
Slide
14
 Mô hình Mùa
• Mô hình mùa được thừa nhận khi nhìn thấy các kiểu
biến động lặp đi lặp lại cùng một mức cao và mức thấp
trong các thời gian kế tiếp nhau trong vòng một năm.
• Mô hình mùa có thể xảy ra trong vòng một ngày,
tuần, tháng, quý, năm, hoặc một số khoảng thời gian
khác không lớn hơn một năm.
• Một mô hình mùa không nhất thiết phải là bốn mùa
trong năm (xuân, hạ, thu và đông).
Slide
15
 Mô hình mùa và xu hướng

• Một số chuỗi thời gian bao gồm một sự kết hợp của
xu hướng và mùa.
• Trong trường hợp này chúng ta cần phải sử dụng một
phương pháp dự báo có khả năng xử lý cả hai xu
hướng và mùa.
• Phân tách chuỗi thời gian có thể được sử dụng để
tách hoặc phân tách một chuỗi thời gian thành xu
hướng và mùa.
Slide
16
 Thành phần chu kỳ

• Mô hình có tính chu kỳ tồn tại nếu dữ liệu chuỗi thời
gian cho thấy một chuỗi luân phiên của các điểm
dưới và trên đường xu hướng kéo dài hơn một năm.
• Thông thường, thành phần mang tính chu kỳ của một
chuỗi thời gian là do chu kỳ kinh doanh nhiều năm.
• Chu kỳ kinh doanh là vô cùng khó khăn, nếu không
muốn nói là không thể dự báo.
• Trong chương này, chúng ta không xử lý với biến
động mang tính chu kỳ có thể có trong chuỗi thời
gian.
Slide
17
Lựa chọn một phương pháp dự báo
 Nhận diện mô hình cơ bản trong chuỗi thời gian là yếu tố
quan trọng trong việc lựa chọn phương pháp dự báo.
 Do đó, một đồ thị chuỗi thời gian nên là một trong
những điều đầu tiên được phát triển khi cố gắng xác
định những phương pháp dự báo để sử dụng.
Slide
18
Độ chính xác của dự báo
 Đánh giá độ chính xác của dự báo để xác định một

phương pháp dự báo cụ thể có khả năng tái tạo các dữ
liệu chuỗi thời gian đã có sẵn tốt đến đâu.
 Đánh giá độ chính xác dự báo là yếu tố quan trọng trong

việc so sánh các phương pháp dự báo khác nhau.
 Bằng cách lựa chọn các phương pháp có độ chính xác
tốt nhất cho các dữ liệu đã biết, chúng ta hy vọng sẽ
làm tăng khả năng có được những dự báo tốt hơn cho
tương lai.
Slide
19
Độ chính xác dự báo
 Một khái niệm quan trọng liên quan đến đo lường độ

chính xác dự báo là sai số dự báo.
Sai số dự báo = Giá trị thật - Giá trị dự báo
 Sai số dự báo dương cho thấy các phương pháp dự

báo đánh giá thấp hơn giá trị thực tế.
 Sai số dự báo âm cho thấy các phương pháp dự báo
đánh giá cao hơn giá trị thực tế.
Slide
20
 Sai số trung bình

Một phương pháp đơn giản tính độ chính xác dự báo là
tính trung bình của các sai số dự báo. Bởi vì sai số âm và
dương có xu hướng bù trừ cho nhau, sai số trung bình có
thể nhỏ. Như vậy, sai số trung bình không phải là một biện
pháp rất hữu ích.
 Sai số tuyệt đối trung bình (MAE)

Phương pháp này tránh được vấn đề sai số âm và
dương bù trừ cho nhau. Đó là giá trị trung bình của các
giá trị tuyệt đối của sai số dự báo.
Slide
21
 Sai số bình phương trung bình (MSE)

Đây là một phương pháp tránh được vấn đề của sai số âm
và dương bù trừ lẫn nhau. Đó là trung bình của các sai số
bình phương.
 Sai số phần trăm tuyệt đối trung bình (MAPE)
MAE và MSE phụ thuộc vào đơn vị tính của dữ liệu, vì
vậy nó rất khó để so sánh cho các khoảng thời gian
khác nhau. Để so sánh như vậy chúng ta cần phải tính
các sai số tương đối hoặc tỷ lệ phần trăm. MAPE là sai
số phần trăm tuyệt đối trung bình của các dự báo.
Slide
22
 Để minh họa cho việc tính toán các phương pháp

đánh giá độ chính xác của dự báo, chúng tôi sẽ giới
thiệu công thức đơn giản nhất.
 Phương pháp dự báo đơn giản (Naïve) sử dụng quan
sát gần đây nhất trong chuỗi thời gian để dự báo
trong khoảng thời gian tiếp theo.
Ft+1 = Giá trị thực tế của kỳ t
Slide
23
 Ví dụ : Dược phẩm Rosco

Doanh số của Comfort (thương hiệu thuốc đau đầu) trong
10 tuần qua tại Dược phẩm Rosco được hiển thị dưới đây.
Nếu Rosco sử dụng phương Week Sales Week Sales

pháp dự báo đơn giản để 1 110 6 120
dự báo bán hàng cho tuần 2 115 7 130
2-10, những kết quả MAE,
3 125 8 115
MSE, và MAPE?
4 120 9 110
5 125 10 130
Slide
24
Độ chính xác dư báo
Naïve Sai số e2 |e%|

Week Sales e |e|
1 110
2 115 110 5 5 25 4.35
3 125 115 10 10 100 8.00
4 120 125 -5 5 25 4.17
5 125 120 5 5 25 4.00
6 120 125 -5 5 25 4.17
7 130 120 10 10 100 7.69
8 115 130 -15 15 125 13.04
9 110 115 -5 5 25 4.55
10 130 110 20 20 400 15.38
Total 80 850 65.35
Slide
25
Naive
 Độ chính xác của mô hình Naïve
80
MAE   8.89
9
850
MSE   94.44
9
65.35
MAPE   7.26%
9
Slide
26
Trung bình trượt và làm trơn bằng hàm mũ
 Bây giờ chúng ta thảo luận về ba phương pháp dự

báo thích hợp cho một chuỗi thời gian với một mô
hình ngang :
Trung bình trượt Trung bình trượt có trọng số
Làm trơn bằng hàm mũ

 Chúng được gọi là phương pháp làm trơn bởi vì mục
tiêu của họ là để làm trơn các biến động ngẫu nhiên
trong chuỗi thời gian.
 Chúng thích hợp nhất cho dự báo tầm ngắn.
Slide
27
Trung bình trượt
Phương pháp trung bình (di động) sử dụng trung bình của kgiá trị
dữ liệu gần nhất trong chuỗi thời gian như dự báo cho giai đoạn tiếp
theo.
Ft  1 
 (most
(k giárecent
trị mớiknhất)
data values) Y  Y
 t t 1    Yt  k  1
k k
Trong đó:
Ft+1= giá trị dự báo cho kỳ t + 1
Mỗi quan sát trong tính toán Trung bình trượt nhận cùng
một trọng số.
Slide
28
 Thuật ngữ trượt được sử dụng bởi vì mỗi khi một quan
sát mới được đưa vào tính, nó sẽ thay thế các quan sát cũ
nhất trong công thức.
 Kết quả là, trung bình sẽ thay đổi, hoặc di chuyển,
khi quan sát mới được đưa vào.
Slide
29
 Để sử dụng dự báo bằng trung bình trượt, đầu tiên

chúng ta phải chọn k, tức số lượng các giá trị trong
chuỗi thời gian để tính trung bình.
 Giá trị k nhỏ sẽ theo dõi sự thay đổi trong chuỗi thời
gian nhanh hơn so với giá trị k lớn .
 Nếu nhiều quan sát quá khứ được coi là có liên
quan thì chọn giá trị k lớn thì tốt hơn.
Slide
30
 Ví dụ: dược phẩm Rosco

Nếu Rosco sử dụng Trung bình trượt 3 kỳ cho doanh số
bán hàng dự báo, dự báo cho tuần 4-11 là?
Week Sales Week Sales

1 110 6 120
2 115 7 130
3 125 8 115
4 120 9 110
5 125 10 130
Slide
31
Week Sales 3MA Forecast

1 110
(110 + 115 + 125)/3
2 115
3 125
4 120 116.7
5 125 120.0
6 120 123.3
7 130 121.7
8 115 125.0
9 110 121.7
10 130 118.3
11 118.3
Slide
32
3MA e |e| Abs.%

Week Sales dự báo e2 Error
1 110
2 115
3 125
4 120 116.7 3.3 3.3 10.89 2.75
5 125 120.0 5.0 5.0 25.00 4.00
6 120 123.3 -3.3 3.3 10.89 2.75
7 130 121.7 8.3 8.3 68.89 6.38
8 115 125.0 -10.0 10.0 100.00 8.70
9 110 121.7 -11.7 11.7 136.89 10.64
10 130 118.3 11.7 11.7 136.89 9.00
Total 6.6 53.3 489.45 44.22
Slide
33
 3-MA Độ chính xác
53.3
MAE   7.61
7
489.45
MSE   69.92
7
44.22
MAPE   6.32%
7
Cách tiếp cận Trung bình trượt 3 tuần cung cấp

dự báo chính xác hơn so với phương pháp Naïve.
Slide
34
Trung bình di đông có trọng số
 Trung bình trượt có trọng số
• Để sử dụng phương pháp này trước hết chúng ta phải
chọn số lượng các giá trị dữ liệu được đưa vào tính
trung bình.
• Tiếp theo, chúng ta phải chọn trọng số cho mỗi giá
trị dữ liệu.
• Những quan sát gần đây thường được cho trọng số
cao hơn quan sát cũ.
• Để thuận tiện, các trọng số nên có tổng = 1.
Slide
35
Trung bình trượt có trọng số
 Trung bình trượt có trọng số

• Một ví dụ về Trung bình trượt có trọng số 3 kỳ
(3WMA) là:
3WMA = .2(110) + .3(115) + .5(125) = 119
Trọng số (.2, .3, Quan sát mới nhất trong

và .5) tổng = 1 3 quan sát
Slide
36
• Phương pháp này là trường hợp đặc biệt của phương

pháp Trung bình trượt có trọng số; mà chỉ chọn
trọng số cho quan sát gần đây nhất.
• Các trọng số cho các giá trị dữ liệu khác được tính
toán tự động và trở nên nhỏ hơn khi các quan sát
càng cũ hơn.
• Dự báo làm trơn bằng hàm mũ là trung bình cộng
có trọng số của tất cả các quan sát trong chuỗi thời
gian.
• Thuật ngữ làm trơn bằng hàm mũ xuất phát từ tính
chất hàm mũ của trọng số cho các giá trị lịch sử.
Slide
37
• Dự báo làm trơn bằng hàm mũ
Ft+1 = aYt + (1 – a)Ft
Trong đó:
Ft+1 = dự báo cho thời kỳ t + 1
Yt = giá trị thực tế kỳ t
Ft = giá trị dự báo cho chuỗi thời gian kỳ t
a = trọng số làm trơn (0 < a < 1)
Và chọn :
F2 = Y1 (để bắt đầu việc tính toán)
Slide
38
 Dự báo san bằng hàm mũ

• Với một số biến đổi đại số, chúng ta có thể viết lại
Ft+1 = aYt + (1 – a)Ft như sau:
Ft+1 = Ft + a(Yt – Ft)
• Chúng ta thấy rằng các dự báo mới Ft + 1 bằng với dự

báo trước đó Ft cộng với một điều chỉnh, đó chính là
a nhân với sai số dự báo gần nhất, Yt – Ft.
Slide
39
 Ví dụ: dược phẩm Rosco

Nếu Rosco sử dụng làm trơn bằng hàm mũ để dự
báo doanh thu, trong đó giá trị trọng số làm trơn ,
0.1 hoặc 0.8, đưa ra các kết quả dự báo sau?
Week Sales Week Sales

1 110 6 120
2 115 7 130
3 125 8 115
4 120 9 110
5 125 10 130
Slide
40
 Dùng giá trị trọng số làm trơn  = .1
F2 = Y1 = 110
F3 = .1Y2 + .9F2 = .1(115) + .9(110) = 110.5
F4 = .1Y3 + .9F3 = .1(125) + .9(110.5) = 111.95
F5 = .1Y4 + .9F4 = .1(120) + .9(111.95) = 112.76
F6 = .1Y5 + .9F5 = .1(125) + .9(112.76) = 113.98
F7 = .1Y6 + .9F6 = .1(120) + .9(113.98) = 114.58
F8 = .1Y7 + .9F7 = .1(130) + .9(114.58) = 116.12
F9 = .1Y8 + .9F8 = .1(115) + .9(116.12) = 116.01
F10= .1Y9 + .9F9 = .1(110) + .9(116.01) = 115.41
Slide
41
 Dùng giá trị trọng số san bằng  = .8
F2 = = 110
F3 = .8(115) + .2(110) = 114
F4 = .8(125) + .2(114) = 122.80
F5 = .8(120) + .2(122.80) = 120.56
F6 = .8(125) + .2(120.56) = 124.11
F7 = .8(120) + .2(124.11) = 120.82
F8 = .8(130) + .2(120.82) = 128.16
F9 = .8(115) + .2(128.16) = 117.63
F10= .8(110) + .2(117.63) = 111.53
Slide
42
Làm trơn bằng hàm mũ (a = .1)
a = .1 Sai số |e| e2 Abs.%

Week Sales Dự báo e Error
1 110
2 115 110.00 5.00 5.00 25.00 4.35
3 125 110.50 14.50 14.50 210.25 11.60
4 120 111.95 8.05 8.05 64.80 6.71
5 125 112.76 12.24 12.24 149.94 9.79
6 120 113.98 6.02 6.02 36.25 5.02
7 130 114.58 15.42 15.42 237.73 11.86
8 115 116.12 -1.12 1.12 1.26 0.97
9 110 116.01 -6.01 6.01 36.12 5.46
10 130 115.41 14.59 14.59 212.87 11.22
Total 82.95 974.22 66.98
Slide
43

82.95
MAE   9.22
9
974.22
MSE   108.25
9
66.98
MAPE   7.44%
9
Làm trơn bằng hàm mũ (với a = .1) cho ra các giá trị
dự báo kém chính xác hơn cách tiếp cận 3-MA.
Slide
44
a = .8 Sai số |e| e2 Abs.%

Week Sales Dự báo e Error
1 110
2 115 110.00 5.00 5.00 25.00 4.35
3 125 114.00 11.00 11.00 121.00 8.80
4 120 122.80 -2.20 2.20 7.84 1.83
5 125 120.56 4.44 4.44 19.71 3.55
6 120 124.11 -4.11 4.11 16.91 3.43
7 130 120.82 9.18 9.18 84.23 7.06
8 115 128.16 -13.16 13.16 173.30 11.44
9 110 117.63 -7.63 7.63 58.26 6.94
10 130 111.53 18.47 18.47 341.27 14.21
Total 75.19 847.52 61.61
Slide
45

75.19
MAE   8.35
9
847.52
MSE   94.17
9
61.61
MAPE   6.85%
9
Làm trơn bằng hàm mũ với a = .8 cung cấp kết quả
dự báo chính xác hơn với a = .1, nhưng kém chính xác
hơn Trung bình trượt 3 mức độ.
Slide
46
Hết Chương 14, Phần A
Slide
47

Slide Chuong 14A

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

Slide Chuong 14A

Uploaded by

Copyright:

Available Formats

THỐNG KÊ ỨNG DỤNG

TRONG KINH TẾ VÀ KINH DOANH

Anderson Sweeney Williams

 Phương pháp dự báo có thể chia thành định tính và

 Thông tin là lượng hóa được, và

 Trong trường hợp như vậy, một dự báo có thể được

 Mục tiêu của phân tích chuỗi thời gian là để khám

 Phương pháp dự báo nhân quả được dựa trên giả

Định lượng Định tính

Nhân quả Chuỗi thời gian

 Một chuỗi thời gian là một chuỗi các số đo theo giờ,

Mùa & Xu hướng

• Những thay đổi về điều kiện kinh doanh thường

• Một sự thay đổi trong mức độ của các chuỗi thời

 Mô hình mùa và xu hướng

 Thành phần chu kỳ

 Đánh giá độ chính xác của dự báo để xác định một

 Đánh giá độ chính xác dự báo là yếu tố quan trọng trong

 Một khái niệm quan trọng liên quan đến đo lường độ

Sai số dự báo = Giá trị thật - Giá trị dự báo

 Sai số dự báo dương cho thấy các phương pháp dự

 Sai số trung bình

 Sai số tuyệt đối trung bình (MAE)

 Sai số bình phương trung bình (MSE)

 Để minh họa cho việc tính toán các phương pháp

Ft+1 = Giá trị thực tế của kỳ t

 Ví dụ : Dược phẩm Rosco

Nếu Rosco sử dụng phương Week Sales Week Sales

Naïve Sai số e2 |e%|

 Bây giờ chúng ta thảo luận về ba phương pháp dự

Làm trơn bằng hàm mũ

 Để sử dụng dự báo bằng trung bình trượt, đầu tiên

 Ví dụ: dược phẩm Rosco

Week Sales Week Sales

Week Sales 3MA Forecast

3MA e |e| Abs.%

Cách tiếp cận Trung bình trượt 3 tuần cung cấp

 Trung bình trượt có trọng số

3WMA = .2(110) + .3(115) + .5(125) = 119

Trọng số (.2, .3, Quan sát mới nhất trong

• Phương pháp này là trường hợp đặc biệt của phương

Ft+1 = aYt + (1 – a)Ft

 Dự báo san bằng hàm mũ

Ft+1 = Ft + a(Yt – Ft)

• Chúng ta thấy rằng các dự báo mới Ft + 1 bằng với dự

 Ví dụ: dược phẩm Rosco

Week Sales Week Sales

 Dùng giá trị trọng số làm trơn  = .1

 Dùng giá trị trọng số san bằng  = .8

a = .1 Sai số |e| e2 Abs.%

 Độ chính xác dự báo

a = .8 Sai số |e| e2 Abs.%

 Độ chính xác dự báo

You might also like