CHƯƠNG 1. KHẢO SÁT DỮ LIỆU
1.1. Mô tả số liệu
Số liệu được sử dụng là doanh thu thuần (đơn vị: triệu VND) của Công ty cổ
phần FPT (HOSE: FPT) từ quý I năm 2007 đến quý III năm 2019 gồm 51 quan sát,
đã được mở rộng đến quý IV năm 2021 nhằm mục đích dự báo doanh thu cho 9 quý
từ quý IV năm 2019 đến quý IV năm 2021, được nhóm tổng hợp từ Cổng thông tin
trực tuyến đầu ngành về tài chính và chứng khoán . Số
liệu được tổng hợp theo quý trên Excel và được xử lý trên phần mềm Eviews.
Nhấn đúp vào chuỗi rev để mở cửa sổ Series: REV. Trên cửa sổ Series: Rev
vào View/ Descriptive Statistics & Tests/ Stats Table, ta thu được một số mô tả thống
kê quan trọng như sau:
Số quan sát (Observations): 51
Giá trị trung bình (Mean): 9557033
Giá trị lớn nhất (Maximum): 15333191
Giá trị nhỏ nhất (Minimum): 4750769
Độ lệch chuẩn (Std. Dev): 2511382
1.2. Khảo sát dữ liệu
1.2.1. Phương pháp đồ thị
Để xác định chuỗi số liệu nghiên cứu có yếu tố thời vụ hay không cũng như
chuỗi số liệu được nghiên cứu cần sử dụng mô hình cộng hay mô hình nhân để thực
hiện tách riêng nhân tố mùa vụ, ta thực hiện như sau:
Trên cửa sổ Series: REV, vào View/Graph, trong cửa sổ Graph Options phần
Specific chọn Lines & Symbol. Ta có kết quả khảo sát đồ thị như hình 1.
4
Hình 1. Doanh thu Công ty cổ phần FPT giai đoạn 2007 – 2019
Rev
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
07
08
09
10
11
12
13
14
15
16
17
18
19
Nguồn: Nhóm tác giả thực hiện trên Eviews Hình 1 cho thấy doanh thu của công ty
có sự dao động với cường độ không đồng đều, không mang tính tăng dần hay giảm
dần. Vì thế, để đạt được mô hình dự
báo tốt nhất, nhóm sẽ tiến hành ước lượng bằng cả mô hình cộng và mô hình nhân.
Tiếp đến, tiến hành kiểm tra tính mùa vụ của chuỗi doanh thu thông qua
Seasonal Graph. Vẫn trên cửa sổ Series: REV, vào View/Graph, trong cửa sổ Graph
Options phần Specific chọn Seasonal Graph thu được đồ thị như hình 2.
Hình 2. Seasonal Graph của doanh thu FPT giai đoạn 2007 – 2019
Rev by Season
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
Q1
Q2
Q3
Q4
Means by Season
Nguồn: Nhóm tác giả thực hiện trên Eviews Hình 2 cho thấy khoảng cách biên độ
doanh thu giữa các khoảng thời gian khá rõ ràng nên chuỗi số liệu này có yếu tố
mùa vụ. Vì vậy, nhóm tiến hành tách yếu tố
mùa vụ ra khỏi chuỗi bằng phương pháp trung bình động (Moving average
methods) để có kết quả dự báo chính xác hơn.
5
Mô hình cộng: Trên cửa sổ Series: REV, vào Proc/ Seasonal Adjustment/
Moving Average Methods.Trên cửa sổ Seasonal Adjustment trong phần Adjustment
method chọn Diference from moving average - Additive. Chuỗi đã tách yếu tố mùa
vụ là revsa, chỉ số mùa vụ là sa. Ta có kết quả chỉ số mùa vụ từng quý như sau:
Scaling Factors:
1
-968526,7
2
-617756,3
3
-41135,37
4
1627418
Mô hình nhân: Trên cửa sổ Series: REV, vào Proc/ Seasonal Adjustment/
Moving Average Methods.Trên cửa sổ Seasonal Adjustment trong phần Adjustment
method chọn Ratio to moving average - Multiplicative. Chuỗi đã tách yếu tố mùa vụ
là revsm, chỉ số mùa vụ là sm. Ta có kết quả chỉ số mùa vụ từng quý như sau:
Scaling Factors:
1
0,898598
2
0,945066
3
0,998938
4
1,178783
1.2.2. Kiểm định tính dừng của chuỗi
H : Chuỗi không dừng
Cặp giả thuyết: { 0
H1: Chuỗi dừng
Mô hình cộng: Trên cửa sổ Series: REVSA vào View/ Unit Root Test, trong
cửa sổ Unit Root Test phần Test for unit root in chọn Level. Theo kết quả kiểm định,
P-value (Prob.) = 0,0234 < α = 0,05. Bác bỏ giả thuyết Ho. Chuỗi revsa là chuỗi dừng.
Mô hình nhân: Trên cửa sổ Series: REVSM vào View/ Unit Root Test, trong
cửa sổ Unit Root Test phần Test for unit root in chọn Level. Theo kết quả kiểm định,
P-value (Prob.) = 0,0236 < α = 0,05. Bác bỏ giả thuyết Ho. Chuỗi revsm là chuỗi dừng.
6
1.2.3. Phân tích giản đồ tự tương quan – tự tương quan riêng phần
Mô hình cộng: Trên cửa sổ Series: REVSA vào View/ Correlogram. Trên cửa
sổ Correlogram Specification, phần Corelogram of chọn Level, thu được bảng kết
quả như hình 3.
Hình 3. Giản đồ tự tương quan và tự tương quan riêng phần của chuỗi revsa
Nguồn: Nhóm tác giả thực hiện trên Eviews Hình 3 cho thấy vạch bậc 1, 2, 3
của ACF và vạch bậc 1 của PACF trượt khỏi
đường biên nên chọn độ trễ là 1 cho AR, độ trễ 1, 2 và 3 cho MA.
Mô hình nhân: Trên cửa sổ Series: REVSM vào View/ Correlogram. Trên
cửa sổ Correlogram Specification, phần Corelogram of chọn Level, thu được bảng
kết quả như hình 4.
Hình 4. Giản đồ tự tương quan và tự tương quan riêng phần của chuỗi revsm
Nguồn: Nhóm tác giả thực hiện trên
Eviews
7
Hình 4 cho thấy vạch bậc 1, 2, 3 của ACF và vạch bậc 1 của PACF trượt khỏi
đường biên. Ta chọn độ trễ là 1 cho AR, độ trễ 1, 2 và 3 cho MA.
1.3. Lựa chọn phương pháp dự báo
Trong bài tiểu luận này, nhóm dùng phần mềm Eviews để dự báo chuỗi rev
(chuỗi số liệu doanh thu thuần của FPT) từ quý IV năm 2019 đến quý IV năm 2021
(2019Q4 – 2021Q4) bằng nhiều phương pháp khác nhau.
1.3.1. Các mô hình dự báo giản đơn
1.3.1.1. Dự báo bằng phương pháp san mũ
San mũ là việc loại bỏ các yếu tố ngẫu nhiên để nhìn thấy bản chất của chuỗi
giúp việc dự báo trở nên dễ dàng hơn.
Phương pháp san mũ đơn loại bỏ yếu tố ngẫu nhiên và dự báo giá trị mẫu
(predict) nhưng không thể giúp dự báo ngoài mẫu (forecast).
Phương pháp san mũ kép là việc lặp lại 2 lần của san mũ đơn. Phương pháp
này có thể dự báo ngoài mẫu.
Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential
Smoothing. Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
Double. Chuỗi san kép Smoothed series là chuỗi revd. Chọn OK thu được:
Hằng số san kép: = 0,1600.
Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 2156495.
Trên cửa sổ Command gõ lệnh line rev revd thu được hình 5.
Hình 5. Đồ thị phân phối của chuỗi rev và chuỗi revd
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
2,000,000
07
08
09
10
11
12
13
Rev
14
15
16
17
18
19
20
REVD
Nguồn: Nhóm tác giả thực hiện trên
Eviews
8
21
1.3.1.2. Dự báo bằng phương pháp san mũ Winters
Phương pháp san mũ Winters dùng để dự báo các chuỗi có chứa cả yếu tố xu
thế và yếu tố mùa vụ.
Ký hiệu :
Tt : ước lượng của phần xu thế ở thời kỳ t
∧
Y t : ước lượng giá trị trung bình hiện tại của Y ở thời kì t
∧
Y n+h : giá trị dự báo của Y sau h giai đoạn trong tương lai
St : yếu tố thời vụ tại thời điểm t (chỉ số mùa vụ qua các năm là không đổi)
k : số thời vụ trong một năm
St −k : yếu tố thời vụ tại thời điểm t của thời kỳ trước
Đầu tiên phải xác định dạng mô hình của chuỗi:
−
=
Mô hình nhân: Yt T.S.C.I
−
Mô hình cộng: Yt = T+S+C+I
Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
=
α
∧
−
Mô hình nhân: Y t
Y
+ (1
t
∧
−α )(Y t −1
+ Tt −1 )
S t−k
−
Mô hình cộng:
∧ t
t
=
Y α (Y −S
Ước lượng giá trị xu thế T là:
t −k
∧ t −1
) + (1−α)(Y
=
T β(Y
t
∧
t −1
+T
)
∧
t
−Y
t −1
)+(1 − β)T
t −1
Ước lượng giá trị chỉ số mùa vụ là:
=
−
Mô hình nhân: S γ
t
−
Mô hình cộng:
Mô hình nhân:
Mô hình cộng:
̂
+ℎ
̂
̂
+ℎ
Y
t
+(1−γ )S
∧
t −k
Yt
S = γ (Y −Y
t
t
∧
t −1
)+ (1−γ )S
t −k
̂
=( +ℎ )
=( +ℎ )+
Mô hình cộng
Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential
Smoothing. Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
9
Holt-Winters – Additive. Chuỗi san Winters mô hình cộng Smoothed series là chuỗi
revaw. Chọn OK ta thu được kết quả dự báo sau:
Hằng số san: = 0,6000; = 0,0000; = 0,0000.
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 1717311.
− Chỉ số mùa vụ qua các năm không đổi:
S1
= -990777,3
S2
= -627279,8
S3
= -40945,08
S4
=
1659002
Trên cửa sổ Command gõ lệnh line rev revaw thu được hình 6.
Hình 6. Đồ thị phân phối của chuỗi rev và revaw
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
07
08
09
10
11
12
13
Rev
14
15
16
17
18
19
20
21
REVAW
Nguồn: Nhóm tác giả thực hiện trên
Eviews
Mô hình nhân
Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing. Trên cửa sổ Exponential Smoothing, trong phần Smoothing
method, chọn Holt-Winters – Multiplicative. Chuỗi san Winters mô hình nhân
Smoothed series là chuỗi revmw. Chọn OK ta thu được kết quả dự báo sau:
Hằng số san: = 0,6000; = 0,0000; = 0,0000
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 1736259.
− Chỉ số mùa vụ qua các năm không đổi:
10
S1
=
0,890976
S2
=
0,937119
S3
=
0,993386
S4
=
1,178519
Trên cửa sổ Command gõ lệnh line rev revmw thu được hình 7.
Hình 7. Đồ thị phân phối của chuỗi rev và revmw
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
07
08
09
10
11
12
13
Rev
14
15
16
17
18
19
20
21
REVMW
Nguồn: Nhóm tác giả thực hiện trên Eviews
1.3.2. Dự báo bằng phương pháp phân tích
Bước 1: Xác định dạng chuỗi (đã trình bày ở phần 1.2.1 )
Bước 2: Tách yếu tố mùa vụ (đã trình bày ở phần 1.2.1)
Mô hình nhân
Bước 3: Ước lượng hàm xu thế
Tạo xu thế T: Trên cửa sổ Command gõ lệnh genr t=@trend(2006Q4) để tạo
biến xu thế t. Tiếp tục gõ lệnh ls revsm c 1/t để ước lượng revsm theo biến 1/t.
Bảng 1. Kết quả ước lượng mô hình xu thế của chuỗi revsm
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9961214
352402
28,26663
0,0000
t
-4839021
1973911
-2,451489
0,0178
Prob(F-statistic)
0,0000
Kiểm định giả thuyết thống kê về hệ số hồi quy:
H0: β = 0
j
Cặp giả thuyết: {
H1: βj ≠ 0
Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0.
11
Theo kết quả ước lượng thấy P-value = 0,0178 < α = 0,05. Mô hình có ý nghĩa
thống kê tại mức ý nghĩa α = 0,05.
Kiểm định bỏ sót biến:
Cặp giả thuyết:
{
H : Mô hình không bỏ sót biến
0
H1: Mô hình bỏ sót biến
Trên cửa sổ ước lượng Equation vào View/ Stability Diagnostics/ Ramsey
RESET Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,4206 > α = 0,05.
Mô hình không bỏ sót biến tại mức ý nghĩa α = 0,05.
Kiểm định phân phối chuẩn của nhiễu:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,529728 >
α = 0,05. Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05.
Kiểm định phương sai sai số thay đổi:
H : Phương sai sai số không đổi
Cặp giả thuyết: { 0
H1: Phương sai sai số thay đổi
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Heteroskedasticity Tests. Trên cửa sổ Heteroskedasticity Tests chọn White. Theo kết
quả kiểm định thấy P-value (Probability) = 0,2995 > α = 0,05. Mô hình không có
phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Kiểm định tự tương quan:
H0: Mô hình không có tự tương quan
Cặp giả thuyết: {
H1: Mô hình có tự tương quan
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Serial
Correlation LM test. Trên cửa sổ Lag Specification, phần Lags to include chọn 2.
Theo kết quả kiểm định thấy P-value (Probability) = 0,0000 < α = 0,05. Mô hình
mắc khuyết tật tự tương quan bậc 2 tại mức ý nghĩa α = 0,05.
Trên cửa sổ ước lượng Equation chọn Estimate. Trên cửa sổ Equation
Estimation, trong phần Method chọn ROBUSTLS - Robust Least Squares.
12
Bảng 2. Kết quả ước lượng mô hình xu thế chuỗi revsm sau khi dùng hồi quy Robust
Biến
Hệ số
Sai số chuẩn
Thống kê z
P-value
c
9930214
346733,8
28,63930
0,0000
1/t
-4838860
1942162
-2,491481
0,0127
Nguồn: Nhóm tác giả thực hiện trên
Eviews
Bước 4: Dự báo chuỗi gốc
Trên cửa sổ ước lượng Equation, chọn Forecast. Trên cửa sổ Forecast, trong
phần Forecast sample chọn mẫu 2015q3 2016q3. Theo kết quả dự báo trong mẫu ta
thấy: sai số dự báo Mean Abs. Percent Error = 4,202229 < 5, tức là có thể sử dụng
mô hình này để dự báo ngoài mẫu.
Mở lại cửa sổ Forecast, trong phần Forecast sample chọn mẫu 2019q4
2021q4, thu được chuỗi dự báo revsmf.
Lấy chuỗi revsmf nhân với chỉ số mùa vụ sm sẽ được chuỗi dự báo revmf: trên
cửa sổ Command gõ lệnh genr revmf=revsmf *sm. Tiếp tục gõ lệnh line revmf rev
thu được đồ thị như hình 8.
Hình 8. Đồ thị phân phối của chuỗi rev và revmf
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
07
08
09
10
11
12
13
14
REVMF
15
16
17
18
19
20
21
Rev
Nguồn: Nhóm tác giả thực hiện trên
Eviews
Mô hình cộng
Bước 3: Ước lượng hàm xu thế
Tạo xu thế T: Trên cửa sổ Command gõ lệnh genr t=@trend(2006Q4) để tạo
biến xu thế t. Tiếp tục gõ lệnh ls revsa c t t^2 để ước lượng revsa theo biến t và t2.
13
Bảng 3. Kết quả ước lượng mô hình xu thế của chuỗi revsa
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
5927557
725661
8,168493
0,0000
t
419429,7
64379,53
6,514954
0,0000
t2
-8114,771
1200,239
-6,760961
0,0000
0,0000
Prob(F-statistic)
Nguồn: Nhóm tác giả thực hiện trên Eviews
Kiểm định giả thuyết thống kê về hệ số hồi quy:
H0: β = 0
j
Cặp giả thuyết: {
H1: βj ≠ 0
Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0.
Theo kết quả ước lượng, với α = 0,05 ta thấy:
Biến
P-value
Kết luận
t
0.0000 < 0,05
Có ý nghĩa thống kê
t2
0.0000 < 0,05
Có ý nghĩa thống kê
Kết luận: Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05.
Kiểm định bỏ sót biến:
Cặp giả thuyết:
{
H : Mô hình không bỏ sót biến
0
H1: Mô hình bỏ sót biến
Trên cửa sổ ước lượng Equation vào View/ Stability Diagnostics/ Ramsey
RESET Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,6374 > α = 0,05.
Mô hình không bỏ sót biến tại mức ý nghĩa α = 0,05.
Kiểm định phân phối chuẩn của nhiễu:
H : Nhiễu phân phối chuẩn
Cặp giả thuyết: { 0
H1: Nhiễu không phân phối chuẩn
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,212355 >
α = 0,05. Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05.
Kiểm định phương sai sai số thay đổi:
H : Phương sai sai số không đổi
Cặp giả thuyết: { 0
H1: Phương sai sai số thay đổi
14
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Heteroskedasticity Tests. Trên cửa sổ Heteroskedasticity Tests chọn White. Theo kết
quả kiểm định thấy P-value (Probability) = 0,5742 > α = 0,05. Mô hình không có
phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Kiểm định tự tương quan:
H0: Mô hình không có tự tương quan
Cặp giả thuyết: {
H1: Mô hình có tự tương quan
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Serial
Correlation LM test. Trên cửa sổ Lag Specification, phần Lags to include chọn 2.
Theo kết quả kiểm định thấy P-value (Probability) = 0,0476 < α = 0,05. Mô hình
mắc khuyết tật tự tương quan bậc 2 tại mức ý nghĩa α = 0,05.
Trên cửa sổ ước lượng Equation chọn Estimate. Trên cửa sổ Equation
Estimation, trong phần Method chọn ROBUSTLS - Robust Least Squares.
Bảng 4. Kết quả ước lượng mô hình xu thế chuỗi revsa sau khi dùng hồi quy Robust
Biến
Hệ số
Sai số chuẩn
Thống kê z
P-value
c
5996648
740667,8
8,096272
0,0000
t
400046,2
65710,91
6,087973
0,0000
t2
-7731,445
1225,060
-6,311073
0,0000
Nguồn: nhóm tác giả thực hiện trên
Eviews
Bước 4: Dự báo chuỗi gốc
Trên cửa sổ ước lượng Equation, chọn Forecast. Trên cửa sổ Forecast, trong
phần Forecast sample chọn mẫu 2007q1 2007q4. Theo kết quả dự báo trong mẫu ta
thấy: sai số dự báo Mean Abs. Percent Error = 5,472222 > 5. Mô hình không tốt để
dự báo ngoài mẫu.
1.3.3. Dự báo bằng mô hình ARIMA
1.3.3.1. Tổng quan về mô hình
Mô hình ARIMA bậc p, d, q là mô hình với: AR(p) là mô hình tự tương quan
bậc p; Y(d) là chuỗi dừng khi lấy sai phân bậc d; MA(q) là mô hình trung bình trượt
bậc q, có phương trình là:
Y(d) = c + Φ1Y(d)t-1 + … + ΦpY(d)t-p + θ1ut-1 + … + θqut-q + ut
15
1.3.3.2. Các bước tiến hành
Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo
Chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo ARIMA
với chuỗi gốc.
Chuỗi có tính mùa vụ: tách yếu tố mùa vụ khỏi chuỗi gốc, sau đó kiểm tra
tính dừng của chuỗi tách và tiến hành dự báo ARIMA với chuỗi tách.
̂
̂
Chuỗi có tính xu thế: kiểm tra tính dừng của chuỗi gốc Y t = β1+β2t + et (với et là phần dư), sau đó kiểm tra tính dừng của chuỗi e t và tiến hành
dự báo ARIMA
với chuỗi et.
Bước 2: Xác định độ trễ p, q.
Bước 3: Ước lượng mô hình và kiểm tra các điều kiện giả định của mô hình
Mô hình khả nghịch và ổn định (nghiệm đơn vị của các mô hình hồi quy phụ
nhỏ hơn 1).
Nhiễu trắng (nhiễu không tự tương quan).
Chất lượng dự báo.
Bước 4: Dự báo ngoài mẫu
Chuỗi có yếu tố mùa vụ: Nhân hoặc cộng chuỗi dự báo đã hiệu chỉnh với chỉ
số mùa vụ để dự báo chuỗi gốc.
̂
̂
Chuỗi có yếu tố xu thế: Tạo biến Yf = β1 + β2t + ef là dự báo của chuỗi Yt. 1.3.3.3. Áp dụng
Bước 1: Kiểm tra chuỗi dừng (đã trình bày ở phần 2.2)
Bước 2: Xác định độ trễ p, q (đã trình bày ở phần 2.3)
Mô hình cộng:
Bước 3: Ước lượng mô hình và kiểm tra các điều kiện giả định của mô hình
Ước lượng mô hình: trên cửa sổ Command gõ lệnh ls revsa c ar(1) ma(1) thu
được kết quả hồi quy như ở bảng 5.
16
Bảng 5. Kết quả ước lượng mô hình ARIMA (1,1,1) – mô hình cộng
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9217558
992748,4
9,284888
0,0000
AR(1)
0,816771
0,129894
6,288002
0,0000
MA(1)
-0,270763
0,205881
-1,315143
0,1948
Nguồn: Nhóm tác giả thực hiện trên Eviews
MA(1) có P-value = 0,1948 > α = 0,05, độ trễ không có ý nghĩa thống kê.
Tiếp tục gõ lệnh ls revsa c ar(1) ma(2) thu được kết quả hồi quy như ở bảng 6.
Bảng 6. Kết quả ước lượng mô hình ARIMA (1,1,2) – mô hình cộng
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9477018
658842,2
14,38435
0,0000
AR(1)
0,476057
0,133167
3,574895
0,0008
MA(2)
0,495701
0,159060
3,116435
0,0031
Inverted AR Roots
0,48
Inverted MA Roots
-0,00 + 0,70i
-0,00 - 0,70i
Nguồn: Nhóm tác giả thực hiện trên Eviews Từ bảng 6, thấy AR(1) có P-value =
0,0008 < α = 0,05, MA(2) có P-value = 0,0031 < α = 0,05, độ trễ có ý nghĩa thống
kê. Tiếp đến, hai chỉ số Inverted AR Roots và Inverted MA Roots đều nằm trong
khoảng (-1; 1). Mô hình ổn định và khả nghịch.
Kiểm định nhiễu trắng
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Correlation
Q-Statistics. Trên cửa sổ Lag Specification chọn độ trễ 12 thu được kết quả kiểm
định như ở bảng 7.
Bảng 7. Kết quả kiểm định tự tương quan ở 12 độ trễ liên tiếp của mô hình ARIMA
(1,1,2) – mô hình cộng
Độ trễ
3
4
5
6
7
P-value
Độ trễ
P-value
0,117
8
0,588
0,225
9
0,586
0,394
10
0,456
0,386
11
0,518
0,519
12
0,571
Nguồn: Nhóm tác giả thực hiện trên
Eviews
17
Tất cả các giá trị P-value của các độ trễ đều lớn hơn mức ý nghĩa α = 0,05. Mô
hình vượt qua kiểm định nhiễu trắng (không có tự tương quan ở 12 độ trễ liên tiếp).
Kiểm định phân phối chuẩn của nhiễu:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,730349 >
α = 0,05. Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05.
Kiểm định phương sai sai số thay đổi:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Heteroskedasticity Tests. Trên cửa sổ Heteroskedasticity Tests chọn ARCH. Theo kết
quả kiểm định thấy P-value (Probability) = 0,9511 > α = 0,05. Mô hình không có
phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Dự báo cho chuỗi hiệu chỉnh revsa: trên cửa sổ ước lượng chọn Forecast. Trên
cửa sổ Forecast, phần Forecast Sample chọn mẫu 2012q2 2013q2. Theo kết quả dự báo
trong mẫu ta thấy: sai số dự báo Mean Abs. Percent Error = 5,204879 > 5.
Tiếp tục gõ lệnh ls revsa c ar(1) ma(3) trên cửa sổ Command thu được kết quả
hồi quy như ở bảng 8.
Bảng 8. Kết quả ước lượng mô hình ARIMA (1,1,3) – mô hình cộng
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9390641
754977,1
12,43831
0,0000
AR(1)
0,623320
0,119155
5,231188
0,0000
MA(3)
0,141750
0,167198
0,847797
0,4008
Nguồn: Nhóm tác giả thực hiện trên Eviews
Từ bảng 8, thấy MA(3) có P-value = 0,4008 > α = 0,05, độ trễ không có ý nghĩa
thống kê.
Bước 4: Dự báo ngoài mẫu
Do MAPE của mô hình lớn hơn 5 (đã trình bày ở bước 3) nên mô hình không
đủ tốt để dự báo ngoài mẫu.
Mô hình nhân:
Bước 3: Ước lượng mô hình và kiểm tra các điều kiện giả định của mô hình
Ước lượng mô hình: trên cửa sổ Command gõ lệnh ls revsm c ar(1) ma(1) thu
được kết quả hồi quy như ở bảng 9.
18
Bảng 9. Kết quả ước lượng mô hình ARIMA (1,1,1) – mô hình nhân
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9116797
1053202
8,656264
0,0000
AR(1)
0,827619
0,116460
7,106466
0,0000
MA(1)
-0,279180
0,205165
-1,360762
0,1801
Nguồn: Nhóm tác giả thực hiện trên Eviews
MA(1) có P-value = 0,1801 > α = 0,05, độ trễ không có ý nghĩa thống kê.
Tiếp tục gõ lệnh ls revsa c ar(1) ma(2) thu được kết quả hồi quy như ở bảng
10. Bảng 10. Kết quả ước lượng mô hình ARIMA (1,1,2) – mô hình nhân
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9381776
733669
12,78748
0,0000
AR(1)
0,536365
0,134465
3,988882
0,0002
MA(2)
0,359370
0,163916
2,192405
0,0333
Inverted AR Roots
0,54
Inverted MA Roots
-0,00 + 0,60i
-0,00 - 0,60i
Nguồn: Nhóm tác giả thực hiện trên Eviews Từ bảng 10, thấy AR(1) có P-value =
0,0002 < α = 0,05, MA(2) có P-value = 0,0333 < α = 0,05, độ trễ có ý nghĩa thống
kê. Tiếp đến, hai chỉ số Inverted AR Roots và Inverted MA Roots đều nằm trong
khoảng (-1; 1). Mô hình ổn định và khả nghịch.
Kiểm định nhiễu trắng
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Correlation
– Q-Statistics. Trên cửa sổ Lag Specification chọn độ trễ 12 thu được kết quả sau:
Bảng 11. Kết quả kiểm định tự tương quan ở 12 độ trễ liên tiếp của mô hình ARIMA
(1,1,2) – mô hình nhân
Độ trễ
P-value
Độ trễ
P-value
3
0,286
8
0,892
4
0,530
9
0,888
5
0,736
10
0,715
6
0,729
11
0,772
7
0,840
12
0,780
Nguồn: Nhóm tác giả thực hiện trên
Eviews
19
Tất cả các giá trị P-value của các độ trễ đều lớn hơn mức ý nghĩa α = 0,05. Mô
hình vượt qua kiểm định nhiễu trắng (không có tự tương quan ở 12 độ trễ liên tiếp).
Kiểm định phân phối chuẩn của nhiễu:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test. Theo kết quả kiểm định thấy P-value (Probability) = 0,290601 >
α = 0,05. Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05.
Kiểm định phương sai sai số thay đổi:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Heteroskedasticity Tests. Trên cửa sổ Heteroskedasticity Tests chọn ARCH. Theo kết
quả kiểm định thấy P-value (Probability) = 0,7444 > α = 0,05. Mô hình không có
phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Dự báo cho chuỗi hiệu chỉnh revsm: Trên cửa sổ ước lượng chọn Forecast.
Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu 2012q2 2013q2. Theo kết
quả dự báo trong mẫu ta thấy: sai số dự báo Mean Abs. Percent Error = 4,274124 <
5, tức là có thể sử dụng mô hình này để dự báo ngoài mẫu.
Tiếp tục gõ lệnh ls revsa c ar(1) ma(3) trên cửa sổ Command thu được kết quả
hồi quy như ở bảng 12.
Bảng 12. Kết quả ước lượng mô hình ARIMA (1,1,3) – mô hình nhân
Biến
Hệ số
Sai số chuẩn
Thống kê t
P-value
c
9321980
763555,8
12,20864
0,0000
AR(1)
0,644169
0,118181
5,450696
0,0000
MA(3)
0,076865
0,177081
0,434067
0,6662
Nguồn: Nhóm tác giả thực hiện trên Eviews
Từ bảng 12, thấy MA(3) có P-value = 0,6662 > α = 0,05, độ trễ không có ý
nghĩa thống kê.
Bước 4: Dự báo ngoài mẫu
Mở lại cửa sổ Forecast, trong phần Forecast sample chọn mẫu 2019q4
2021q4, thu được chuỗi dự báo revsmfa.
Lấy chuỗi revsmfa nhân với chỉ số mùa vụ sm sẽ được chuỗi dự báo revmfa:
trên cửa sổ Command gõ lệnh genr revmfa=revsmfa * sm. Tiếp tục gõ lệnh line
revmfa rev thu được hình 8.
20
Hình 9. Đồ thị phân phối của chuỗi rev và chuỗi revmfa
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
4,000,000
07
08
09
10
11
12
13
14
REVMFA
15
16
17
18
19
20 21
Rev
Nguồn: Nhóm tác giả thực hiện trên Eviews
21
CHƯƠNG 2. KẾT QUẢ DỰ BÁO
Để so sánh các mô hình dự báo: Trên cửa sổ Series: Rev vào View/ Forecast
Evaluation. Trên cửa sổ Forecast Evaluation, trong phần Forecast data objects gõ
tên các chuỗi dự báo revd revaw revmw revmf revmfa. Dựa vào kết quả dự báo ta
thấy phương pháp phân tích mô hình nhân (chuỗi revmf) và phương pháp dự báo
theo mô hình ARIMA mô hình nhân (chuỗi revmfa) có các thông số như nhau và
chính xác hơn so với các phương pháp còn lại với chỉ số RMSE nhỏ nhất.
Vậy, để lựa chọn phương pháp dự báo tốt nhất cho chuỗi, ta lựa chọn phương
pháp phân tích và phương pháp dự báo theo mô hình ARIMA theo mô hình nhân.
Bảng 13. Kết quả dự báo doanh thu Công ty cổ phần FPT 2019Q4 – 2021Q4
Thời gian
Doanh thu dự báo (triệu đồng)
2019Q4
11595875
2020Q1
8841228
2020Q2
9300021
2020Q3
9831783
2020Q4
11603710
2021Q1
8846986
2021Q2
9305861
2021Q3
9837742
2021Q4
11610500
Nguồn: Nhóm tác giả thực hiện trên
Eviews
22
C. KẾT LUẬN
Qua dự báo doanh thu bằng nhiều phương pháp với các mô hình khác nhau,
nhóm nhận thấy phương pháp phân tích mô hình nhân (chuỗi revmf) và phương
pháp dự báo theo mô hình ARIMA mô hình nhân (chuỗi revmfa) có các thông số
như nhau và chính xác nhất trong số các mô hình đã thực hiện với RMSE nhỏ nhất.
Từ kết quả dự báo, doanh thu thuần giảm mạnh vào quý đầu năm 2020. Sau đó, lại
tăng nhanh vào 2 quý cuối và giảm mạnh vào 2 quý đầu của năm tiếp theo. Tuy
nhiên, trong giai đoạn nền kinh tế có nhiều biến động, kết quả dự báo có thể bị ảnh
hưởng, do đó việc dự báo doanh thu thuần trong tương lai sẽ tồn tại những sai số
nhất định. Dù vậy, kết quả nghiên cứu này cũng phần nào cung cấp thông tin nhất
định cho các nhà lãnh đạo của Công ty, giúp đưa ra những nhận định và giải pháp
đúng đắn để có kế hoạch điều chỉnh các chính sách tăng doanh thu của Công ty cổ
phần FPT phù hợp với mục tiêu tăng trưởng kinh tế trong các năm tiếp theo.
Từ kết quả dự báo, nhóm nghiên cứu đề xuất một số giải pháp nhằm tăng
doanh thu thuần cho Công ty như sau:
Một là, xây dựng chiến lược kế hoạch kinh doanh đúng đắn và phù hợp với
tình hình của doanh nghiệp. Khi có chiến lược và kế hoạch kinh doanh phù hợp cho
phép doanh nghiệp tận dụng tối đa các nguồn lực cho sản xuất kinh doanh, như vậy
sẽ làm tăng hiệu quả hoạt động của doanh nghiệp, góp phần làm tăng lợi nhuận.
Hai là, xây dựng triển khai các kế hoạch và các chính sách marketing, đẩy
mạnh nghiên cứu khai thác thị trường tìm hiểu nhu cầu khách hàng. Việc triển khai
và thực hiện các kế hoạch, chính sách marketing: chính sách sản phẩm, chính sách
giá cả, chính sách phân phối,… cùng với việc đẩy mạnh nghiên cứu khai thác thị
trường tìm hiểu khác hàng cho phép đáp ứng tốt nhu cầu của người tiêu dùng, tăng
hiệu quả hoạt động của doanh nghiệp.
Ba là, tổ chức tốt quá trình kinh doanh sản phẩm hàng hóa và dịch vụ công ty.
Việc tổ chức tốt quá trình kinh doanh sản phẩm hàng hóa và dịch vụ đòi hỏi Công ty
phải thực hiện tốt ở tất cả các khâu: nguồn cung ứng đầu vào, cho đến đầu ra, dự trữ
hàng hóa, tiêu thụ, tổ chức thanh toán,…Đặc biệt, việc đảm bảo nguồn lực đầu tư sẽ là
yếu tố quan trọng tạo động lực duy trì tăng trưởng trong bối cảnh dư địa tăng trưởng
23
của ngành công nghệ, viễn thông đang còn rất lớn, nhất là ảnh hưởng của xu hướng
chuyển đổi số lên ngành công nghệ thông tin được dự báo ngày càng gia tăng.
Bài tiểu luận được hoàn thành nhờ sự nỗ lực và đóng góp của tất cả thành viên
trong nhóm, tuy còn nhiều hạn chế về cơ sở lý thuyết nhưng nhóm mong dự báo
trên có thể giúp tạo cơ sở, cung cấp thông tin cho các nhà quản lý doanh nghiệp
trong tiến trình đưa ra quyết định kinh doanh. Bên cạnh đó, tiểu luận còn là nguồn
tài liệu bổ sung cho lĩnh vực nghiên cứu về dự báo doanh thu cho ngành dịch vụ
công nghệ thông tin tại Việt Nam. Chúng em xin cảm ơn sự hướng dẫn, giảng dạy
nhiệt tình của ThS. Nguyễn Thúy Quỳnh, cảm ơn những bài học bổ ích trên lớp của
cô đã giúp chúng em hiểu sâu hơn về môn học Dự báo kinh tế cũng như việc áp
dụng những kiến thức ấy vào trong cuộc sống. Nhóm rất mong nhận được sự góp ý,
động viên của cô để có thể hoàn thiện và áp dụng tốt hơn trong công việc sau này.
24
D. DANH MỤC TÀI LIỆU THAM KHẢO
TIẾNG VIỆT
1.
Nguyễn Quang Dong, Nguyễn Thị Minh, Giáo trình Kinh tế lượng, Trường
Đại học Kinh tế quốc dân.
2.
Nguyễn Quốc Oánh, Lê Thanh Hà, Đỗ Quang Giám, 2014, Vận dụng các
phương pháp dự báo san bằng mũ để dự báo doanh thu cho doanh nghiệp ngành
thép Việt Nam, Tạp chí Khoa học và Phát triển 2014, tập 12, số 2, trang 205 – 213.
TIẾNG ANH
1.
Dalia Streimikiene, Rizwan Raheem Ahmed, Jolita Vveinhardt, Saghir
Pervaiz Ghauri, Sarwar Zahid, 2018, Forecasting tax revenues using time series
techniques – a case of Pakistan, Journal Economic Research – Ekonomska
2.
Mingzhao Wang, Yuping Wang, Xiaoli Wang and Zhen Wei, 2015, Forecast
and Analyze the Telecom Income based on ARIMA Model, The Open Cybernetics &
Systemics Journal, 9, Page 2559 - 2564.
WEBSITE
1.
Website Cổng thông tin trực tuyến đầu ngành về tài chính và chứng khoán
(truy cập ngày 3/12/2019).
2.
Webiste Trường Đại học Kinh tế Luật, Đại học Quốc gia Thành phố Hồ Chí
Minh, (truy cập ngày 8/12/2019).
25
E. PHỤ LỤC
BẢNG SỐ LIỆU DÙNG TRONG DỰ BÁO
Quý
1
Năm
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
5.663.585
8.403.531
7.438.682
8.017.530
10.199.095
8.937.352
8.611.039
10.867.322
14.713.020
8.466.518
9.418.120
4.750.769
5.666.480
2
6.070.562
8.830.457
8.799.390
10.723.958
9.329.772
9.666.613
9.336.562
10.685.411
11.744.376
8.958.526
9.946.703
5.474.263
6.825.919
Phụ lục 1. Bảng mô tả thống kê chuỗi dữ liệu
26
3
6.238.109
7.464.328
8.377.067
12.602.884
10.140.718
9.869.741
12.000.599
13.477.215
9.527.464
9.755.288
10.831.198
6.036.059
7.104.374
4
9.376.397
9.113.084
14.983.873
10.198.524
13.832.026
10.020.775
11.283.427
15.333.191
10.449.043
12.399.573
12.495.737
6.952.447
Phụ lục 2. Bảng kết quả sau khi tách yếu tố mùa vụ của mô hình cộng
Phụ lục 3. Bảng kết quả sau khi tách yếu tố mùa vụ của mô hình nhân
Phụ lục 4. Bảng kết quả kiểm định tính dừng của chuỗi revsa
Phụ lục 5. Bảng kết quả kiểm định tính dừng của chuỗi revsm
27
Phụ lục 6. Bảng kết quả dự báo san mũ kép
Phụ lục 7. Bảng kết quả dự báo san mũ Winters mô hình cộng
Phụ lục 8. Bảng kết quả dự báo san mũ Winters mô hình nhân
28