tiểu luận dự báo kinh tế dự báo doanh thu của công ty cổ phần bibica việt nam đến quý 3 năm 2020

PHẦN 1: KHẢO SÁT DỮ LIỆU
1.1 Phương pháp thu thập số liệu, nguồn số liệu
Số liệu đã thu thập là doanh thu thueo quý của Công ty cổ phần Bibica (đơn vị
tính: triệu đồng), thuộc dạng số liệu chuỗi thời gian từ quý 1 năm 2003 đến quý 3 năm
2019. Nguồn dữ liệu thứ cấp được lấy từ nguồn xác minh có tính chính xác cao, cụ thể
là từ báo cáo tài chính của chính Công ty cổ phần Bibica công bố trên trang website
chính thức của Công ty chứng khoán Vietstock: />1.2 Khảo sát dữ liệu
Nhấn đúp chuột vào chuỗi rev để mở cửa sổ Series: Rev.
Trên cửa sổ Series: Rev vào View/ Descriptive Statistics & Tests/ Stats Table:
Đồ thị phân phân phối của chuỗi dữ liệu
Hình 1.1. Đồ thị phân phối của mẫu dữ liệu
12

Series: REV
Sample 2003Q1 2019Q3
10

Observations 64

8

6

4

2

Mean

200.5089

Median

175.0745

Maximum

565.5310

Minimum

48.07100

Std. Dev.

125.9977

Skewness

1.007711

Kurtosis

3.599242

Jarque-Bera

11.78938

Probability

0.002754

0
50

100

150

200

250

300

350

400

450

500

550

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
➢ Giải thích các chỉ số:
Số quan sát (Observations): 67
Giá trị trung bình (Mean) : 204.838,7
Giá trị lớn nhất (Max)

: 565.531

Giá trị nhỏ nhất (Min)

: 48.071

Độ lệch chuẩn (Std. Dev) : 125.682,8


4

1.2.1 Phương pháp vẽ đồ thị theo thời gian
Trong cửa sổ Command, gõ lệnh: line rev
Ta có đồ thị sau:
Hình 1.2. Đồ thị theo thời gian chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Qua đồ thị trên ta thấy mô hình rõ ràng có yếu tố xu thế T và mùa vụ S. Yếu tố mùa vụ

ở năm sau được lặp đi lặp lại nhưng với cường độ cao hơn so với từng quý trong năm
trước. từ đó ta kết luận chuỗi rev là mô hình nhân tính.
1.2.2 Phương tích giản đồ tự tương quan – tự tương quan riêng
phần Trên cửa sổ Series: rev vào View/ Correlogram Ta có kết quả:


5

Hình 1.3. GIản đồ tự tương quan chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Chuỗi có ACF khác 0 có ý nghĩa thống kê và giảm dần về 0. Đồng thời quan sát thuộc
cùng một mùa vụ có ACF xấp xỉ nhau. Từ giản đồ tự tương quan, ta cũng rút ra được
kết luận: chuỗi rev có tính xu hướng T và mùa vụ S.
1.2.3 Kiểm định nghiệm đơn vị
Cặp giả thuyết:
Trên cửa sổ Series: rev vào View/ Unit Root Tests/ Standard Unit Root Test
Trên cửa sổ Unit Root Test, phần Test for Unit root in chọn Level


6

Hình 1.4. Kiểm định tính dừng của chuỗi rev

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Theo kết quả kiểm định ta thấy
P-value (Prob.) = 0.9229 > α = 0.05
=> Không có cơ sở bác bỏ H0 => Chuỗi rev không dừng
Vậy ta kiểm định tính dừng của chuỗi rev sai phân bậc 1
Trên cửa sổ Series: rev vào lại View/ Unit Root Tests/ Standard Unit Root Test
st

Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1 difference
Hình 1.5. Kiểm định tính dừng của chuỗi sai phân bậc 1

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Theo kết quả kiểm định ta thấy:
P-value (Prob.) = 0.0004 < α = 0.05
=> Bác bỏ H0, chấp nhận H1 => Chuỗi rev dừng ở sai phân bậc 1
Kết luận: rev là chuỗi thời gian có tính xu thế và mùa vụ, là chuỗi kết hợp bậc 1.

7

PHẦN 2: CÁC PHƯƠNG PHÁP DỰ BÁO
2.1 Dự báo bằng phương pháp san mũ
2.1.1 Tổng quan về phương pháp
Định nghĩa: San mũ là việc loại bỏ các thành phần bất quy tắc I để nhìn thấy quy luật
vận động của chuỗi rõ ràng hơn
Đặc điểm: Sử dụng các hằng số san
2.1.1.1 Dự báo bằng phương pháp san mũ đơn
•

Giá trị dự báo tại bất kỳ thời điểm nào là giá trị trung bình có trọng số của tất cả
các giá trị sẵn có trước nó

•

ịờđểệạọốủả
=
1

1

=

2

+ (1 − )

2

1

………
Tổng quát

= + (1 − )

−1

Trong đó:
là giá trị san tại thời điểm t
-

là hằng số san và 0 < < 1

Chuỗi dự báo bằng san mũ đơn sau đó có thể được dung để dự báo sử dụng công thức:
̂̂

+ℎ

=

Trong đó, n là quan sát cuối cùng của chuỗi thời gian ban đầu (dự báo bằng nhau cho
các giai đoạn tiếp theo sử dụng giá trị san cuối cùng của chuỗi)
Cách chọn hằng số san: Chọn sao cho chênh lệch giữa chuỗi gố và chuỗi san (dự báo)
là nhỏ nhất, hay chỉ số RMSE là nhỏ nhất.
2.1.1.2 Dự báo bằng phương pháp san mũ kép
•

ũặạầủ
ũđơ
Tổng quát

:

=( ) =+(1− )
−1

•

Tương tự như san mũ đơn, hằng số san của phương pháp san mũ kép được xác
định sao cho RMSE là nhỏ nhất.


8

•

Để dự báo cho các giá trị tiếp theo trong tương lai của chuỗi:
̂̂

+ℎ

=

=

+

1

+ 2ℎ

Với :
1=2

2=1−

−

(

−

)

2.1.1.3 San mũ Holt
•

Sử dụng khi chuỗi thời gian có yếu tố xu thế ( và không có yếu tố mùa vụ)

•

Mở rộng của phương pháp san mũ giản đơn: đưa them một nhân tố xu thế. T
(yếu tố thời gian) vào phương trình san mũ

•

Yếu tố xu thế được mô hình hóa

•

Có 3 phương trình và 2 hằng số san được sử dụng trong mô hình holt

-

Ước lượng giá trị trung bình hiện tại (giá trị san):
=

-

1

Ước lượng xu thế ( độ dốc):

−

= (

-

+ (1 − )(

−1

−1)+(1−

)

+

−1)

−1

Dự báo h giai đoạn trong tương lai:

Trong đó,

̂̂

+ℎ

=

+ℎ

là giá trị san tại thời điểm t

2.1.1.4 Dự báo bằng phương pháp san mũ Winters
•

San mũ Winter là phương pháp mở rộng của san mũ Holt được sử dụng với các
dữ liệu có chứa yếu tố mùa vụ S

•

Trong mô hình nhân: yếu tố mùa vụ ở năm sau được lặp lại với cường độ cao

hơn hoặc thấp hơn so với từng mùa ở năm trước

•

Trong mô hình cộng: yếu tố mùa vụ ở các năm khác nhau được lặp đi lặp lại
một cách đều đặn.

•

Mô hình Winters sử dụng 4 phương trình và 3 hằng số san

-

Ước lượng giá trị trung bình hiện tại
Mô hình nhân:

=

+(1− )(

+

)

−1
−1

−

Mô hình cộng:
-

9
= (

−

−

) + (1 − )(

−1

+

−1)

Ước lượng giá trị xu thế (độ dốc)
=(−

( giá trị chỉ số mùa)

Mô hình nhân:
Mô hình cộng:

-

=

+ (1 − )

+ℎ

=(

+ (1 − )

−1

- Ước lượng yếu tố mùa vụ

−

= ( −

) + (1 − )

Dự đoán h giai đoạn trong tương lai Mô hình nhân: ̂
Mô hình cộng: ̂

−1)

+ℎ

−

=(+ℎ )×

+ℎ )+

2.1.2 Ứng dụng các phương pháp san mũ vào dự báo doanh thu của Công ty cổ phần

Bibica
2.1.2.1 San mũ đơn
Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing:
Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
Single. Chuỗi san kép là chuỗi revsm.
Bước 3: Sử dụng lệnh genr mapesm = @mean(@abs(rev-revsm)/rev) để tính chỉ
số MAPE của mô hình
Kết quả dự báo:
-

Hệ số α: 0.2060

-

Giá trị san tại thời điểm t: 269.0736

-

Tổng bình phương phần dư: 456381.6

-

RMSE: 84.44502

- MAPE = 0.288780
Ta viết được mô hình san mũ đơn :

= 0.206 + 0.794

−1

Hình 2.1. Đồ thị theo thời gian của chuỗi rev và chuối san mũ đơn revsm


10
600

500

400

300

200

100

0
03

04

05

06

07

08

09

10

REV

11 12

13

14

15

16

17

18

19

REVSM

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview
8 2.1.2.2 Dự báo bằng phương pháp san mũ kép

Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing:
Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
double. Chuỗi san kép là chuỗi revd.
Bước 3: Sử dụng lệnh genr maped = @mean(@abs(rev-revd)/rev) để tính chỉ số
MAPE của mô hình
Kết quả dự báo:
-

Hệ số α: 0.001

-

Tổng bình phương phần dư: 352897.3

-

RMSE: 74.25645

-

MAPE : 0.248529
Các hệ số: β1 = 352.1672, β2 = 5.059019

Ta viết được mô hình dự báo như sau:
̂̂

+ℎ

= 352.1672 + 5.059019ℎ.

Hình 2.2. Đồ thị theo thời gian của chuỗi Rev và chuỗi san mũ kép Revd


11
600

500

400

300

200

100

0
03

04

05

06

07

08

09

10

11

REV

12

13

14

15

16

17

18

19

REVD

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview
8 2.1.2.3 Dự báo bằng phương pháp san mũ Holt
Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing:

Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
Holt – Winters – No seasonal . Chuỗi san kép là chuỗi revh
Bước 3: Sử dụng lệnh genr mapeh= @mean(@abs(rev-revh)/rev) để tính chỉ số
MAPE của mô hình
Kết quả dự báo: v
-

Hệ số α: 0.0000, β=0.0000

-

Tổng bình phương phần dư: 366951.6

-

RMSE: 75.72067

-

-

MAPE : 0.324849

Các hệ số: Ln = 350.7008, Tn = 4.535219

Ta viết được mô hình dự báo như sau:
̂̂

+ℎ

= 350.7008 + 4.535219ℎ

Hình 2.3. . Đồ thị theo thời gian của chuỗi Rev và chuỗi san mũ Holt Revh


12
600

500

400

300

200

100

0
03

04

05

06

07

08

09

10

11

12

REV

13

14

15

16

17

18

19

REVH

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview
8 2.1.2.4 Dự báo bằng phương pháp san mũ Winters
Nhận xét: Dựa vào dạng đồ thị, ta có thể thấy chuỗi dữ liệu có tính xu thế và tính mùa

vụ tương đối rõ ràng, có thể áp dụng các mô hình nhân tính để phân tích và dự báo.
Bước 1: Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing:
Bước 2: Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
Holt – Winters – Multiplicative. Chuỗi san kép là chuỗi revhw
Bước 3: Sử dụng lệnh genr mapehw= @mean(@abs(rev-revhw)/rev) để tính chỉ
số MAPE của mô hình
Kết quả dự báo:
-

Hệ số α: 0.3001; β=0.0000; γ=0.7602

-

Tổng bình phương phần dư: 34724.19

-

RMSE: 23.29304

-

-

MAPE : 0.112025

Các hệ số: Ln = 357.7895, Tn = 4.852279

Chỉ số mùa vụ qua các năm không đổi và bằng:

13

Bảng 2.1. Bảng chỉ số mùa vụ san mũ Winters
S1

0.815862

S2

0.603047

S3

1.010949

S4

1.570143
Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
-

Ta viết được mô hình dự báo như sau:

̂̂

+ℎ = (357.7895 + 4.852279ℎ )*Si

Hình 2.4 Đồ thị theo thời gian của chuỗi rev và chuỗi san mũ Winters Revhw
600

500

400

300

200

100

0
03

04

05

06

07

08

09

10

REV

11

12

13

14

15

16

17

18

19

REVHW

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
2.2 Dự báo bằng phương pháp phân tích
2.2.1 Tổng quan về phương pháp
Quy trình gồm 4 bước:
Bước 1: Nhận dạng dữ liệu.
Xác định chuỗi thuộc mô hình nhân hay mô hình cộng.
Bước 2: Tách yếu tố mùa vụ S ra khỏi chuỗi ban đầu
- Tách yếu tố mùa vụ bằng phương pháp trung bình trượt trung tâm có trọng số
- Hiệu chỉnh mùa vụ để triệt tiêu I, tách được S và làm yếu tố C mờ nhạt hơn
=> Chuỗi hiệu chỉnh chủ yếu phụ thuộc vào T và C

14

Để thuận tiện, ta giả định không có yếu tố chu kì trong chuỗi thời gian tức là C=1 (đối
với mô hình nhân) và C=0 (đối với mô hình cộng). Lúc này chuỗi hiệu chỉnh chủ yếu
phụ thuộc vào T
Cụ thể như sau:
* Đối với mô hình nhân:
B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm)

(CMA)
Yt* =

0.5 ( − )+ ( − +1)+⋯+

+⋯+ ( + −1)+0.5 ( + )

2

2

2

2

B2: Tính tỷ số thời vụ cho mỗi thời điểm: Yt/Yt*
B3: Tìm trung bình tỷ số thời vụ cho từng mùa vụ Mi (quý, năm)
B4: Tính chỉ số thời vụ chung Scaling Factor
SFi =

1. 2…
√

Tích các chỉ số thời vụ trong một năm phải bằng 1
B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ)
ADYt = Yt/SFi
* Đối với mô hình cộng
B1: Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số thời vụ trong năm)

(CMA)

0.5 ( − )+ ( − +1)+⋯+
2

Yt* =

+⋯+ ( + −1)+0.5 ( + )
2

2

2

B2: Tính chênh lệch thời vụ cho mỗi thời điểm: Yt -Yt*
B3: Tìm trung bình chênh lệch thời vụ cho từng mùa vụ Mi (quý, năm)
B4: Tính chỉ số thời vụ chung Scaling Factor
SF = Mi-

1+ 2+⋯+

i

Tổng các chỉ số thời vụ trong một năm phải bằng 0
B5: Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh thời vụ)
ADYt = Yt - SFi
Bước 3: Ước lượng hàm xu thế t và dự báo


15

B1: Tạo xu thế t
B2: Ước lượng chuỗi đã hiệu chỉnh theo xu thế t
B3: Kiểm định mô hình ước lượng
Mô hình phải vượt qua các kiểm định của mô hình hồi quy thông thường nếu không
phải xây dựng mô hình ước lượng khác
Bước 4: Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng
Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc
Đối với mô hình nhân: Yf = ADYn+h * SFi
Đối với mô hình cộng: Yf = ADYn+h +SFi
2.2.2 Áp dụng phương pháp phân tích vào dự báo doanh thu Công ty cổ phần Bibica
Bước 1: Xác định dạng chuỗi
Ta đã xác định được chuỗi thuộc dạng mô hình nhân (như đã kết luận ở phần 2.1.3)
Bước 2: Tách yếu tố mùa vụ
Bấm chọn chuỗi rev, chọn Proc, vào Seasonal Adjustment, chọn Moving Average
Methods
Trên cửa sổ Seasonal Adjustment trong phần Adjustment methods chọn Ratio to moving
average - Multiplicative
Chuỗi đã tách yếu tố mùa vụ là revsa, chỉ số mùa vụ là sfm
Ta có kết quả chỉ số mùa vụ như sau:

Bảng 2.2. Bảng kết quả chỉ số mùa vụ được tách bằng phương
pháp phân tích Chỉ số mùa vụ
1

0.929969

2

0.713172

3

1.049103

4

1.437206

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ sfm qua từng quý.
Bước 3: Ước lượng chuỗi revsa theo hàm xu thế
Vẽ đồ thị của chuỗi đã hiệu chỉnh revsa để xác định dạng hàm xu thế ta được:


16

Hình 2.5. Đồ thị chuỗi đã hiệu chỉnh mùa vụ revsa

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Lần lượt thử dự báo với dạng mô hình khác nhau:

Dạng 1: Tuyến tính
Ước lượng revsa theo biến t
Trên cửa sổ Command:
•

Gõ lệnh genr t=@trend(2002Q4) để tạo biến xu thế t

•

Gõ lệnh ls revsa c t để ước lượng chuỗi đã hiệu chỉnh theo biến xu thế t
Hình 2.6. Kết quả phân tích bằng mô hình tuyến tính

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8

Ta có mô hình hồi quy: revsâ = 32.58336 + 4.861582t + ut

Kiểm định giả thuyết thống kê về hệ số hồi quy


17

H

0:

βj = 0

H: β
Cặp giả thuyết:
j≠0

Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0
{

1

Theo kết quả ước lượng, với α = 5% ta thấy:




Hệ số chặn của t có P-value (Prob.) = 0,0000 < α = 0,05

Bác bỏ H0, chấp nhận H1
Hệ số hồi quy của t có ý nghĩa thống kê

 Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05
(vì mô hình chỉ có biến độc lập duy nhất t)

Kiểm định bỏ sót biến
H : Mô hình không bỏ sót biến
Cặp giả thuyết: { 0

H1: Mô hình thiếu biến
Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET Test
Ta có kết quả:
Hình 2.7. Kết quả kiểm định bỏ sót biến

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Theo kết quả kiểm định ta thấy P-value (Probability) = 0.3758> α = 0,05


Chưa có cơ sở bác bỏ Ho



Mô hình không bị bỏ sót biến

Kiểm định phân phối chuẩn của nhiễu.
{H0:

Nhiễu phân phối chuẩn

H1: Nhiễu không phân phối chuẩn
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test
Hình 2.8. Kết quả kiểm định phân phối chuẩn
Cặp giả thuyết:


18

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Theo kết quả kiểm định ta thấy:
P-value (Probability) = 0.767792> α = 0,05



Không có cơ sở bác bỏ H0
Nhiễu phân phối chuẩn.
Kiểm định phương sai sai số thay đổi


{H0:

Cặp giả thuyết:

Phương sai sai số không đổi

H1: Phương sai sai số thay đổi

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity Test.
Trên cửa sổ Heteroskedasticity Test chọn White.
Ta có kết quả:
Hình 2.9. Kết quả kiểm định phương sai sai số thay đổi

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Theo kết quả kiểm định ta thấy:



P-value (Prob.F(2,64)) = 0,0066 < α = 0,05
Bác bỏ Ho, chấp nhận H1
Mô hình có phương sai sai số thay đổi.


19

Kiểm định tự tương quan
H0: Mô hình không có tự tương quan

Cặp giả thuyết:

{

H : Mô hình có tự tương quan
1

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM
test
Ta có kết quả sau :
Hình 2.10. Kết quả kiểm định tự tương quan

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview
8 Theo kết quả kiểm định ta thấy
P-value (Prob.F(1,24)) = 0,0684 > α = 0,05



Không có cơ sở bác bỏ Ho, chấp nhận H1



Mô hình không có tự tương quan tại mức ý nghĩa α = 0,05.

Bước 4: Dự báo chuỗi gốc
Trên cửa sổ ước lượng, ta chọn Forecast.
Trên cửa sổ Forecast, trong phần Forecast Sample chọn mẫu từ 2006Q1 2008Q4
Ta có kết quả sau:
Hình 2.11. Kết quả dự báo trong mẫu


20

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Nhìn vào kết quả dự báo trong mẫu ta thấy:
Mean Abs. Percent Error = 15.95585 > 5%
Tiến hành dự báo ngoài mẫu (2003q1 – 2020q3) cho chuỗi đã hiệu chỉnh mùa vụ revsaf:
Hình 2.12. Kết quả dự báo ngoài mẫu

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Bước cuối cùng, ta thêm yếu tố mùa vụ vào chuỗi hiệu chỉnh đã dự báo revsaf bằng lệnh:

Genr revf1= revsaf * sfm
Vẽ chuỗi dữ liệu gốc và chuỗi đã dự báo trên cùng một đồ thị bằng lệnh: line rev revf1
ta được:


21

Hình 2.13. Đồ thị theo thời gian chuỗi gốc rev và chuỗi dự báo revf1

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
-

Tính MAPE bằng lệnh genr mape = @mean(@abs(rev - revf)/rev)

-

Tính RMSE bằng lệnh genr rmse = @sqrt(@mean (rev - revf)^2)

Ta được RMSE = 1.606420
Dạng 2: Bậc 2

Sử dụng câu lệnh: ls revsa c t t^2. Ước lượng mô hình này ta được kết quả:


22

Hình 2.14. Kết quả ước lượng mô hình bậc 2

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
Ta thấy biến t^2 có p-value = 0.37 > α=10%. Biến không có ý nghĩa thống kê. Mô
hình này không phù hợp để dự báo.
Dạng 3: Bậc 3
Sử dụng câu lệnh: ls revsa c t t^2 t^3. Ước lượng mô hình này ta được kết quả:
Hình 2.15. Kết quả ước lượng mô hình bậc 3

Ta thấy biến t có p-value = 0.5281 > α=10%. Biến không có ý nghĩa thống kê
Mô hình này không phù hợp để dự báo


23

Dạng 4: Tạo biến giả d1, loại bỏ yếu tố mùa, hồi quy với biến t^2 và t^3
Trên cửa sổ Command, lần lượt gõ các câu lệnh:
Genr d1=0: để tạo biến giả d1 có giá trị bằng 0 cho toàn
mẫu Smpl 2009q2 2020q3
Genr d1=1: để tạo biến giả d1 có giá trị bằng 1 cho mẫu từ 2009q2 đến
2020q3 Smpl 2003q1 2020q3
Loại bỏ yếu tố mùa tạo thành chuỗi đã hiệu chỉnh có tên
revsa Tạo biến xu thế t bằng lệnh: Genr t=@trend(2002q4)
Thực hiện hồi quy mô hình bằng câu lệnh: ls revs c d1 t^2 t^3
Ta được kết quả hồi quy như sau:

Hình 2.16. Kết quả ước lượng mô hình chứa biến giả

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
- Thực hiện kiểm định cho mô hình này:
+ Kiểm định phân phối chuẩn của nhiễu
Hình 2.17. Kết quả kiểm định phân phối chuẩn của nhiễu


24

Cặp giả thuyết:

Cặp giả thuyết:


Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
{H0:

Nhiễu phân phối chuẩn

H1: Nhiễu không phân phối chuẩn
Ta thấy p-value = 0.44 > α = 5%. Chưa có cơ sở để bác bỏ H0
=> Nhiễu phân phối chuẩn
+ Kiểm định phương sai sai số thay đổi:
Hình 2.18. Kết quả kiểm định phương sai sai số thay đổi

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
{H0:

Phương sai sai số không đổi

H1: Phương sai sai số thay đổi
Ta thấy p-value = 0.0820 > α= 5%. Chưa có cơ sở để bác bỏ H0
Mô hình có phương sai sai số không đổi
+ Kiểm định tự tương quan
Hình 2.19. Kết quả kiểm định tự tương quan


25

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
{H0: Mô hình không có tự tương quan

Cặp giả thuyết:

H1: Mô hình có tự tương quan

Ta thấy p – value = 0.5586 > α. Chưa có cơ sở để bác bỏ H0
=> Mô hình không có tự tương quan
=> Ta thấy mô hình thỏa mãn tất cả các giả thiết OLS. Tiến hành dự báo bằng mô hình
này
B1: Tiến hành dự báo trong mẫu cho mô hình với mẫu từ 2003Q1 đến 2007Q3
Hình 2.20. Kết quả Dự báo trong mẫu

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview
8 Dự báo trong mẫu cho ra Mean Abs. Percent Error = 12.54
B2: Tiến hành dự báo ngoài mẫu cho chuỗi đã được hiệu chỉnh revsa
Hình 2.21. Kết quả dự báo ngoài mẫu

26

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
B3: Thêm yếu tố mùa vụ vào chuỗi đã dự báo revsaf bằng lệnh:
Genr revf = revsaf * sfm
Vẽ chuỗi dự báo và chuỗi gốc trên cùng một đồ thị bằng lệnh: line rev revf
Hình 2.22. Đồ thị theo thời gian của chuỗi gốc rev và chuỗi dự báo revf

Nguồn: Nhóm tác giả tự phân tích bằng phần mềm Eview 8
-

Tính MAPE bằng lệnh genr mape = @mean(@abs(rev - revf)/rev)

Ta được MAPE = 0.10216
-

Tính RMSE bằng lệnh genr rmse = @sqrt(@mean (rev - revf)^2)