Slide Chuong 14B

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, Phần B
Dự báo
 Dự phóng xu hướng
 Thành phần mùa và thành phần xu hướng
 Phân tách chuỗi thời gian
Slide
2
Dự phóng Xu hướng
 Nếu đồ thị của chuỗi thời gian gợi ý/giúp nhận diện
một đường xu hướng tuyến tính, thì phương pháp bình
phương bé nhất có thể được dùng để xác định đường xu
hướng (dự phóng) cho dự báo tương lai.
 Phương pháp bình phương bé nhất cũng được dùng
trong phân tích hồi quy, nhằm xác định đường dự báo
xu hướng duy nhất – tối thiểu hóa sai số bình phương
giữa kết quả dự báo và dữ liệu thực tế của chuỗi thời
gian.
 Biến độc lập là thời gian và biến phụ thuộc là các giá trị
thực tế của chuỗi thời gian.
Slide
3
Hồi qui Xu hướng Tuyến tính
 Khi dùng phương pháp bình phương bé nhất thì công

thức để dự phóng thành phần xu hướng là:
T t = b0 + b 1 t
với: Tt = giá trị của chuỗi thời gian ở kỳ t

b0 = điểm cắt của đường xu hướng
b1 = độ dốc của đường xu hướng
t = thời gian
Slide
4
Hồi qui Xu hướng Tuyến tính
 Trong phương trình xu hướng tuyến tính Tt = b0 + b1t

n
 (t  t )(Y  Y )
t 1
t
b1  n b0  Y  b1 t
 (
t 1
t  t ) 2
với: Yt = giá trị của chuỗi thời gian ở kỳ t

n = số thời kỳ (số quan sát)
Y = giá trị trung bình của chuỗi thời gian
t = giá trị trung bình của thời kỳ t
Slide
5
Hồi quy Xu hướng Tuyến tính
 Ví dụ: Dịch vụ sửa chữa ống nước Auger

Số lượng công việc mà cty Auger đã sửa chữa trong 9
tháng qua được cho trong bảng dưới.
Yêu cầu sử dụng phương pháp bình phương bé nhất
để dự báo số công việc có thể sửa chữa vào tháng 12
của cty Auger
Slide
6
2
Tháng t tt ( t  t ) Yt (Yt  Y ) (t  t )(Yt  Y )
3 1-4 16 353 -33,67 134,68
4 2-3 9 387 0,33 -0,99
5 3-2 4 342 -44,67 89,34
6 4-1 1 374 -12,67 12,67
7 5 0 0 396 9,33 0
8 6 1 1 409 22,33 22,33
9 7 2 4 399 12,33 24,66
10 8 3 9 412 25,33 75,99
11 9 4 16 408 21,33 85,32
Cộng 45 60 3480 444,00
Slide
7
t  45 /9  5 Y  3480 /9  386.667
n
 (t  t )(Y  Y )
t 1
t
3480
b1  n
  7.12
60
 (
t 1
t  t ) 2
b0  Y  b1 t  386.667  7.12(5)  351.07
T10 = 351,07 + (7,12)(10) = 422,27
Slide
8
 Ví dụ: Dịch vụ sửa chữa hệ thống ống nước Auger

Dự báo cho tháng 12 (thứ tự t = 10) dùng phương pháp
số trung bình trượt 3 mức độ có trọng số, với trọng số lần
lượt là 0,6; 0,3 và 0,1 tương ứng cho dữ liệu từ hiện tại trở
về quá khứ. Sau đó, so sánh kết quả dự báo bằng trung
bình trượt 3 mức độ với kết quả dự phóng theo thành
phần xu hướng.
Tháng 3 4 5 6 7 8 9 10 11
Công việc 353 387 342 374 396 409 399 412 408
Slide
9
 Trung bình trượt 3 mức độ có trọng số

Dự báo tháng 12 bằng cách tính trung bình trượt từ
số liệu của 3 tháng trước: tháng 9, 10 và 11.
F10 = 0,1YT9 + 0,3YT10 +0,6YT11

= 0,1(399) + 0,3(412) + 0,6(408)
= 408,3
 Dự phóng theo thành phần xu hướng
F10 = 422,27 (kết quả đã tính ở Slide 8)
Slide
10
 Kết luận
Do xu hướng tăng của chuỗi thời gian, dự phóng xu
hướng đã đưa ra kết quả dự báo khá phù hợp với xu
hướng của dữ liệu thực tế. Trong khi đó, phương pháp
trung bình trượt có trọng số ngay cả với trọng số lớn
(0,6) đặt ở kỳ hiện tại lại đưa ra kết quả dự báo “trễ” so
với giá trị thực tế của chuỗi thời gian.
Slide
11
Làm trơn bằng hàm mũ tuyến tính Holt
 Charles Holt đã phát triển phương pháp làm trơn

bằng hàm mũ- phương pháp có thể dùng để dự báo
chuỗi thời gian có tính xu hướng.
 Phương pháp dự báo Holt sử dụng hai hệ số làm trơn
a và b, và 3 phương trình.
 Phương pháp làm trơn bằng hàm mũ tuyến tính Holt
thường được gọi là phương pháp làm trơn bằng hàm
mũ kép.
Slide
12
 Các phương trình làm trơn bằng hàm mũ tuyến tính Holt
Lt = aYt + (1 – a)(Lt-1 + bt-1)

bt = b(Lt – Lt-1) + (1 – b)bt-1
Ft+k = Lt +btk
Với: Lt = ước lượng của mức độ được làm trơn của chuỗi
thời gian tại kỳ t
bt = ước lượng cho độ dốc của chuỗi thời gian tại kỳ t
a = hệ số làm trơn cho chuỗi thời gian
b = hệ số làm trơn cho ước lượng xu hướng
Ft+k = dự báo ở kỳ t+k
© 2011 CengagekLearning.
= số giai đoạReserved.
All Rights n (kỳ) d ự báo
May not be trong
scanned, t ương lai
copied
Slide
13
 Để vận dụng phương pháp này ta cần phải có các giá

trị xuất phát:
L1 : ước lượng chuỗi thời gian ở kỳ 1
b1 : ước lượng cho độ dốc của chuỗi thời gian.
 Cách tiếp cận thường sử dụng là đặt L1 = Y1 và

b1 = Y2 – Y1.
Slide
14
 Ví dụ: Dịch vụ sửa chữa hệ thống ống nước Auger

Dự báo số công việc sửa chữa hệ thống ống nước
cho cty Auger từ tháng 4 đến tháng 12 bằng cách
dùng phương pháp làm trơn bằng hàm mũ Holt,
với a = 0,1 và b = 0,2.
Tháng Công việc Tháng Công việc
3 353 8 409
4 387 9 399
5 342 10 412
6 374 11 408
7 396
Slide
15
Làm trơn bằng hàm mũ Holt
 Dùng hệ số làm trơn  = 0,1; b = 0,2
L1 = Y1 = 353
b1 = Y2 - Y1 = 387 - 353 = 34
F2 = L1 + b1(1) = 353 + 34 = 387
L2 = 0,1(Y2) + 0,9(L1 + b1) = 0,1(387) + 0,9(353 + 34) = 387
b2 = 0,2(L2 - L1) + 0,8(b1) = 0,2(387 - 353) + 0,8(34) = 34
F3 = L2 + b2(1) = 387 + 34 = 421
L3 = 0,1(Y3) + 0,9(L2 + b2) =0,1(342) + 0,9(387 + 34) = 413,1

b3 = 0,2(L3 – L2) + 0,8(b2) = 0,2(413,1 - 387) + 0,8(34) = 32,42
F4 = L3 + b3(1) = 413,1 + 32,42 = 445,52
Slide
16
Dùng hệ số làm trơn  = 0,1; b = 0,2

L4 = 0,1(Y4) + 0,9(L3 + b3) = 0,1(374) + 0,9(413,1 + 32,42) = 438,37
b4 = 0,2(L4 – L3) + 0,8(b3) = 0,2(438,37 – 413,1) + 0,8(32,42) = 30,99
F5 = L4 + b4(1) = 438,37 + 30,99 = 469,36
L5 = 0,1(Y5) + 0,9(L4 + b4) = 0,1(396) + 0,9(438,37 + 30,99) = 462,02
b5 = 0,2(L5 – L4) + 0,8(b4) = 0,2(462,02 – 438,37) + 0,8(30,99) = 29,52
F6 = L5 + b5(1) = 462,02 + 29,52 = 4910,54
L6 = 0,1(Y6) + 0,9(L5 + b5) = 0,1(409) +0,9(462,02 + 29,52) = 483,29
b6 = 0,2(L6 – L5) + 0,8(b5) = 0,2(483,29 – 462,02) + 0,8(29,52) = 27,87
F7 = L6 + b6(1) = 483,29 + 27.87 = 511,16
Slide
17
 Dùng hệ số làm trơn  = 0,1; b = 0,2

L7 = 0,1(Y7) + 0,9(L6 + b5) = 0,1(399) + 0,9(483,29 + 29,52) = 499,95
b7 = 0,2(L7 – L6) + 0,8(b6) = 0,2(499,95 – 483,29) + 0,8(27,87) = 25,63
F8 = L7 + b7(1) = 499,95 + 25,63 = 525.57
L8 = 0,1(Y8) + 0,9(L7 + b6) = 0,1(412) + 0,9(499,95 + 27,87) = 514,22
b8 = 0,2(L8 – L7) + 0,8(b7) = 0,2(514,22 – 499,95) + 0,8(25,63) = 23,36
F9 = L8 + b8(1) = 514,22 + 23,36 = 537,57
L9 = 0,1(Y9) + 0,9(L8 + b7) = 0,1(408) + 0,9(514,22 + 25,63) = 524,62
b9 = 0,2(L9 – L8) + 0,8(b8) = 0,2(524,62 – 514,22) + 0,8(23,36) = 20,77
F10 = L9 + b9(1) = 524,62 + 20,77 = 545,38
Slide
18
Hồi quy phi tuyến
 Đôi khi chuỗi thời gian có liên hệ theo đường cong,

hay liên hệ phi tuyến.
 Có khá nhiều hàm phi tuyến có thể được dùng để ước
lượng xu hướng của chuỗi thời gian, ví dụ như:
 Hàm bậc hai :
T t = b0 + b 1 t + b2 t 2
 Hàm mũ :
i
Tt = b0(b1)t
Slide
19
Chỉ có mùa không có xu hướng
 Khi thành phần mùa tồn tại trong chuỗi thời gian,
chúng ta cần thêm nó vào mô hình dự báo để đảm bảo
kết quả tính chính xác của dự báo.
 Đầu tiên, chúng ta nghiên cứu trường hợp chuỗi thời
gian có thành phần mùa mà không có xu hướng và
sau đó là thảo luận làm thế nào để xây dựng mô hình
có thành phần mùa cùng với thành phần xu hướng.
Slide
20
 Ví dụ: Có bảng dữ liệu doanh số bán dù dưới đây :

Năm Quý 1 Quý 2 Quý 3 Quý 4
1 125 153 106 88
2 118 161 133 102
3 138 144 113 80
4 109 137 125 109
5 130 165 128 96
 Khó mà nhận ra kiểu biến động của chuỗi thời gian khi
chỉ nhìn các con số trong bảng dữ liệu.
 Nhưng bằng cách vẽ đồ thị mô tả chuỗi thời gian, ta có
thể nhận diện các thành phần của chuỗi thời gian một
cách nhanh chóng.
Slide
21
 Biểu đồ chuỗi thời gian doanh số bán dù
Slide
22
 Biểu đồ trên không thể hiện tính xu hướng của doanh số
 Tuy nhiên, khi quan sát kỹ biểu đồ ta có thể thấy kiểu

biến động của thành phần mùa:
Quý 1 và quý 3 có doanh số bán vừa phải,
Quý 2 có doanh số bán cao nhất và
Quý 4 có doanh số bán thấp nhất.
Slide
23
 Biến giả có thể được dùng thay cho các biến độc lập
phân loại (biến định tính) trong mô hình hồi quy đa biến.
 Chúng ta sẽ xem thành phần mùa như là biến phân

loại
 Nh
. ớ lại rằng: nếu biến định tính có k biểu hiện thì cần
dùng k-1 biến giả.
 Như vậy nếu có 4 mùa thì ta chỉ cần 3 biến giả.
 Qtr1 = 1 nếu là quý 1, = 0 nếu không phải quý 1
Qtr2 = 1 nếu là quý 2, = 0 nếu không phải quý 2
Qtr3 = 1 nếu là quý 3, = 0 nếu không phải quý 3
Slide
24
 Dạng tổng quát của phương trình hồi quy được ước
lượng là:
Yˆ  b0  b1 (Qtr 1)  b2 (Qtr 2)  b3 (Qtr 3)
 Phương trình hồi quy ước lượng là:
 Doanh số các quý được dự báo ở năm 6 là :

 Qúy 1: Sales = 95 + 29(1) + 57(0) + 26(0) = 124
 Quý 2: Sales = 95 + 29(0) + 57(1) + 26(0) = 152
 Quý 3: Sales = 95 + 29(0) + 57(0) + 26(1) = 121
 Quý 4: Sales = 95 + 29(0) + 57(0) + 26(0) = 95
Slide
25
Thành phần mùa và thành phần xu hướng
 Bây giờ, chúng ta sẽ dùng hồi quy mở rộng với chuỗi

thời gian chứa cả thành phần mùa và xu hướng.
 Chúng ta sẽ dùng thêm một biến độc lập khác để mô tả

thời gian.
Slide
26
 Ví dụ: Cửa hàng bán cà vạt của Terry

Công việc kinh doanh ở cửa hàng chuyên bán cà
vạt của Terry có thể được chia làm 3 mùa rõ rêt: : (1)
mùa Giáng sinh (tháng 11 và 12); (2) Ngày của Cha
(cuối tháng 5 đến giữa tháng 6); và(3) các thời gian
còn lại.
Doanh số bán trung bình hàng tuần theo ba mùa
trên trong suốt bốn năm qua được cho trong slide kế
tiếp.
Slide
27
 Ví dụ: Bảng dữ liệu doanh số bán cà vạt của cửa hàngTerry
Season
Năm 1 2 3
1 1856 2012 985
2 1995 2168 1072
3 2241 2306 1105
4 2280 2408 1120
Yêu cầu: Dự báo doanh số bán trung bình tuần qua

3 mùa cho năm thứ 5.
Slide
28
 Dữ liệu có 3 mùa, vì vậy ta chỉ cần 2 biến giả.

 Biến Seas1 = 1 nếu đang ở mùa 1,
Biến Seas1 = 0 nếu không phải đang ở mùa 1
 Biến Seas2 = 2 nếu đang ở mùa 2,
Biến Seas1 = 0 nếu không phải đang ở mùa 2
 Dạng tổng quát của phương trình hồi quy được ước
lượng là:
Yˆ  b  b (Seas1)  b (Seas2)  b (t )
0 1 2 3
 Ta có: Phương trình hồi quy ước lượng là :
Sales  797, 0  1095, 43(Seas1)  1189, 47(Seas 2)  36, 47(t )
Slide
29
 Dự báo doanh số bán trung bình hàng tuần qua 3 mùa

cho năm thứ 5:
Mùa 1: DS = 797 + 1095.43(1) + 1189.47(0) + 36.47(13)
= 2366.5
Mùa 2: DS = 797 + 1095.43(0) + 1189.47(1) + 36.47(14)
= 2497.0
Mùa 3: DS = 797 + 1095.43(0) + 1189.47(0) + 36.47(15)
= 1344.0
Slide
30
Phân tách chuỗi thời gian
 Phân tách chuỗi thời gian có thể được dùng để nhận

diện các thành phần của chuỗi thời gian: mùa, xu
hướng và ngẫu nhiên.
 Phương pháp này có thể được sử dụng để dự báo,
song ứng dụng chính của nó là để hiểu biết tốt hơn về
chuỗi thời gian.
 Hiểu những gì đang thực sự xảy ra với một chuỗi thời
gian thường phụ thuộc vào việc sử dụng dữ liệu đã
loại bỏ thành phần mùa.
Slide
31
 Phương pháp phân tách chuỗi thời gian giả định

rằng giá trị thực tế của chuỗi thời gian tại kỳ t bao
gồm 3 thành phần cơ bản: xu hướng, biến động mùa
và biến động ngẫu nhiên.
 3 thành phần này có thể kết hợp theo nhiều dạng
khác nhau trong đó có 2 dạng phổ biến là: mô hình
cộng và mô hình nhân.
Slide
32
 Mô hình cộng
 Mô hình cộng có dạng như dưới đây:
Yt = Xu hướngt + Mùat + Ngẫu nhiênt
Trong đó:
Xu hướngt = giá trị xu hướng ở kỳ t
Mùat = giá trị mùa ở kỳ t
Ngẫu nhiênt = giá trị ngẫu nhiên ở kỳ t
 Mô hình cộng phù hợp khi biến động mùa không
phụ thuộc vào mức độ của chuỗi thời gian.
Slide
33
 Mô hình nhân
 Mô hình nhân có dạng như sau:
Yt = Xu hướngt x Mùat x Ngẫu nhiênt
Trong đó:
Xu hướngt = giá trị xu hướng ở kỳ t
Mùat = giá trị mùa ở kỳ t
Ngẫu nhiênt = giá trị ngẫu nhiên ở kỳ t
 Mô hình nhân thích hợp khi biến động theo mùa
tăng nhiều hơn khi doanh số tăng nhờ vào xu hướng
tuyến tính dài hạn.
Slide
34
 Ví dụ: nghiên cứu doanh số bán cà vạt ở Cửa hàngTerry
Mùa
Năm 1 2 3
1 1856 2012 985
2 1995 2168 1072
3 2241 2306 1105
4 2280 2408 1120
Yêu cầu: Dự báo doanh số bán trung bình tuần qua

3 mùa cho năm thứ 5.
Slide
35
Tính toán chỉ số mùa
Bước 1. Tính các số trung bình trượt trung tâm (CMA).

Có 3 mùa riêng biệt trong năm. Vì vậy, cần tính
số trung bình trượt 3 mức độ để loại bỏ thành phần
mùa và ngẫu nhiên. Ví dụ :
CMA đầu tiên= (1856 + 2012 + 985)/3 = 1617,67

CMA thứ hai = (2012 + 985 + 1995)/3 = 1664,00
và cứ tính tiếp tục cho đến hết chuỗi thời gian
Slide
36
Bước 2. Canh giữa các số trung bình trượt trung tâm

Số trung bình trượt trung tâm đầu tiên đã tính
được ở bước 1 (1617,67) được đặt ở vị trí mùa 2 của
năm thứ 1. Chú ý rằng số trung bình trượt tính
được ở bước 1 sẽ đặt ở vị trí giữa của khoảng cách
làm trơn bởi vì số quan sát ở bài này là số lẻ.
Slide
37
Doanh số TB trượt
Năm Mùa (USD)(Yt) TT
(1856 + 2012 + 985)/3
1 1 1856
2 2012 1617,67
3 985 1664,00
2 1 1995 1716,00
2 2168 1745,00
3 1072 1827,00
3 1 2241 1873,00
2 2306 1884,00
3 1105 1897,00
4 1 2280 1931,00
2 2408 1936,00
3 1120
Slide
38
 Trung bình trượt trung tâm có xu hướng “làm trơn” cả

thành phần mùa và những biến động ngẫu nhiên
trong chuỗi thời gian.
 Trung bình trượt trung tâm biểu hiện xu hướng của dữ

liệu và mọi biến động ngẫu nhiên đã không được loại
bỏ khi dùng số trung bình trượt để làm trơn dữ liệu.
Slide
39
Bước 3. Xác định chỉ số mùa và thành phần ngẫu nhiên (St It ).
Bằng cách chia từng giá trị thực tế cho số trung
bình trượt cùng thời kỳ. Chúng ta nhận được
thành phần kết hợp mùa và ngẫu nhiên trong
chuỗi thời gian.
St It = Yt /(TB trượt ở kỳ t )
Slide
40
Doanh số TB trượt
Năm Mùa (USD) (Yt) TT StIt
2012/1617,67
1 1 1856
2 2012 1617,67 1,244
3 985 1664,00 0,592
2 1 1995 1716,00 1,163
2 2168 1745,00 1,242
3 1072 1827,00 0,587
3 1 2241 1873,00 1,196
2 2306 1884,00 1,224
3 1105 1897,00 0,582
4 1 2280 1931,00 1,181
2 2408 1936,00 1,244
3 1120
Slide
41
Bước 4. Xác định trung bình cho các mùa cùng tên.
Tính trung bình cho tất cả các giá trị St It tương
ứng với mùa cùng tên.
Mùa 1: (1,163 + 1,196 + 1,181) /3 = 1,180

Mùa 2: (1,244 + 1,242 + 1,224 + 1,244) /4 = 1,238
Mùa 3: (0,592 + 0,587 + 0,582) /3 = 0,587
3,005
Slide
42
Bước 5. Tính chỉ số mùa điều chỉnh (St ).

Chỉ số mùa trung bình = (1,180 + 1,238 + 0,587)/3
= 1.002. Kế đó, chia trung bình của mỗi mùa cho chỉ
số mùa trung bình.
Mùa 1: 1,180/1,002 = 1,178

Mùa 2: 1,238/1,002 = 1,236
Mùa 3: 0,587/1,002 = 0,586
3,000
Slide
43
Doanh số TB trượt Điều chỉnh

Năm Mùa (USD) (Yt) TT StIt St
1 1 1856 1,178
2 2012 1617,67 1,244 1,236
3 985 1664,00 0,592 0,586
2 1 1995 1716,00 1,163 1,178
2 2168 1745,00 1,242 1,236
3 1072 1827,00 0,587 0,586
3 1 2241 1873,00 1,196 1,178
2 2306 1884,00 1,224 1,236
3 1105 1897,00 0,582 0,586
4 1 2280 1931,00 1,181 1,178
2 2408 1936,00 1,244 1,236
3 1120 0,586
Slide
44
Dùng chuỗi khử mùa để nhận diện xu hướng
Bước 6. Xác định chuỗi loại bỏ tính mùa.

tính bằng cách lần lượt chia giá trị Yt cho chỉ số mùa
điều chỉnh St tương ứng.
Slide
45
1856/1,178
Doanh số TBDĐ Điều chỉnh
Năm Mùa (USD) (Yt) TT StIt St Yt/St
1 1 1856 1,178 1576
2 2012 1617,67 1,244 1,236 1628
3 985 1664,00 0,592 0,586 1681
2 1 1995 1716,00 1,163 1,178 1694
2 2168 1745,00 1,242 1,236 1754
3 1072 1827,00 0,587 0,586 1829
3 1 2241 1873,00 1,196 1,178 1902
2 2306 1884,00 1,224 1,236 1866
3 1105 1897,00 0,582 0,586 1886
4 1 2280 1931,00 1,181 1,178 1935
2 2408 1936,00 1,244 1,236 1948
3 1120 0,586 1911
Slide
46
Bước 7. Xác định đường xu hướng từ dữ liệu đã khử mùa.
Dùng phương pháp bình phương bé nhất

với t = 1, 2, ..., 12,
Tt = b0 + b1t
DS loại bỏ tính mùat = 1580,11 + 33,96t
Slide
47
Bước 8. Dự báo .
Thế lần lượt t = 13, 14, và 15 vào phương trình
bình phương bé nhất :
T13 = 1580,11 + (33,96)(13) = 2022

T14 = 1580,11 + (33,96)(14) = 2056
T15 = 1580,11 + (33,96)(15) = 2090
Slide
48
Điều chỉnh tính mùa
Bước 9 . Xem xét đến tính mùa

Nhân từng kết quả dự báo đã loại bỏ tính mùa
với chính chỉ số mùa điều chỉnh tương ứng để có
được kết quả dự báo các mùa ở năm thứ 5:
Mùa 1: (1,178)(2022) = 2382

Mùa 2: (1,236)(2056) = 2541
Mùa 3: (0,586)(2090) = 1225
Slide
49
Hết Chương 14, Phần B
Slide
50

Slide Chuong 14B

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 14B

Uploaded by

Copyright:

Available Formats

THỐNG KÊ ỨNG DỤNG

TRONG KINH TẾ VÀ KINH DOANH

Anderson Sweeney Williams

 Khi dùng phương pháp bình phương bé nhất thì công

với: Tt = giá trị của chuỗi thời gian ở kỳ t

 Trong phương trình xu hướng tuyến tính Tt = b0 + b1t

với: Yt = giá trị của chuỗi thời gian ở kỳ t

 Ví dụ: Dịch vụ sửa chữa ống nước Auger

b0  Y  b1 t  386.667  7.12(5)  351.07

T10 = 351,07 + (7,12)(10) = 422,27

 Ví dụ: Dịch vụ sửa chữa hệ thống ống nước Auger

 Trung bình trượt 3 mức độ có trọng số

F10 = 0,1YT9 + 0,3YT10 +0,6YT11

 Charles Holt đã phát triển phương pháp làm trơn

Lt = aYt + (1 – a)(Lt-1 + bt-1)

 Để vận dụng phương pháp này ta cần phải có các giá

 Cách tiếp cận thường sử dụng là đặt L1 = Y1 và

 Ví dụ: Dịch vụ sửa chữa hệ thống ống nước Auger

 Dùng hệ số làm trơn  = 0,1; b = 0,2

L3 = 0,1(Y3) + 0,9(L2 + b2) =0,1(342) + 0,9(387 + 34) = 413,1

Dùng hệ số làm trơn  = 0,1; b = 0,2

 Dùng hệ số làm trơn  = 0,1; b = 0,2

 Đôi khi chuỗi thời gian có liên hệ theo đường cong,

 Ví dụ: Có bảng dữ liệu doanh số bán dù dưới đây :

 Biểu đồ chuỗi thời gian doanh số bán dù

 Biểu đồ trên không thể hiện tính xu hướng của doanh số

 Tuy nhiên, khi quan sát kỹ biểu đồ ta có thể thấy kiểu

 Chúng ta sẽ xem thành phần mùa như là biến phân

 Doanh số các quý được dự báo ở năm 6 là :

 Bây giờ, chúng ta sẽ dùng hồi quy mở rộng với chuỗi

 Chúng ta sẽ dùng thêm một biến độc lập khác để mô tả

 Ví dụ: Cửa hàng bán cà vạt của Terry

 Ví dụ: Bảng dữ liệu doanh số bán cà vạt của cửa hàngTerry

Yêu cầu: Dự báo doanh số bán trung bình tuần qua

 Dữ liệu có 3 mùa, vì vậy ta chỉ cần 2 biến giả.

 Dự báo doanh số bán trung bình hàng tuần qua 3 mùa

 Phân tách chuỗi thời gian có thể được dùng để nhận

 Phương pháp phân tách chuỗi thời gian giả định

 Ví dụ: nghiên cứu doanh số bán cà vạt ở Cửa hàngTerry

Yêu cầu: Dự báo doanh số bán trung bình tuần qua

Bước 1. Tính các số trung bình trượt trung tâm (CMA).

CMA đầu tiên= (1856 + 2012 + 985)/3 = 1617,67

Bước 2. Canh giữa các số trung bình trượt trung tâm

 Trung bình trượt trung tâm có xu hướng “làm trơn” cả

 Trung bình trượt trung tâm biểu hiện xu hướng của dữ

Mùa 1: (1,163 + 1,196 + 1,181) /3 = 1,180

Bước 5. Tính chỉ số mùa điều chỉnh (St ).

Mùa 1: 1,180/1,002 = 1,178

Doanh số TB trượt Điều chỉnh

Bước 6. Xác định chuỗi loại bỏ tính mùa.

Bước 7. Xác định đường xu hướng từ dữ liệu đã khử mùa.

Dùng phương pháp bình phương bé nhất

DS loại bỏ tính mùat = 1580,11 + 33,96t

T13 = 1580,11 + (33,96)(13) = 2022

Bước 9 . Xem xét đến tính mùa

Mùa 1: (1,178)(2022) = 2382

You might also like