tiểu luận dự báo kinh tế dự báo doanh thu thuần vinanmilk

1 LỜI MỞ ĐẦU
Ngày nay, với sự phát triển không ngừng của thế giới, kinh tế là một lĩnh vực có
tầm quan trọng rất lớn đối với các quốc gia nói chung, các doanh nghiệp nói riêng.
Hiểu được sự quan trọng và cấp thiết ấy, bên cạnh việc tìm hiểu, phân tích, đánh giá
thị trường, thì việc dự báo các chỉ số kinh tế cũng là một tiêu chí được quan tâm đối
với các doanh nghiệp.
Để hiểu được tại sao phải dự báo kinh tế, trước hết cần hiểu được dự báo là gì?
Dự báo là sự tiên đoán tổng hợp có căn cứ khoa học về nội dung và những xu hướng
chính của sự phát triển tự nhiên, kinh tế, xã hội và tư duy của con người trong tương
lai. Dự báo mang tính xác suất song đáng tin cậy.
Dự báo có căn cứ khoa học bắt nguồn từ quan điểm triết học Mác về mối liên hệ
phổ biến và sự phát triển của xã hội cũng như về khả năng nhận thức thế giới của con
người. Giữa các sự vật và hiện tượng luôn luôn có sự tác động lẫn nhau, dựa vào nhau
và chuyển hoá cho nhau, vì thế sự vận động và phát triển của sự vật trong không gian
và thời gian không phải hoàn toàn là hỗn loạn mà tuân theo những quy luật nhất định.
Qua những hoạt động thực tiễn, con người có thể nhận thức được các quy luật vận
động của thiên nhiên, của xã hội và trên cơ sở đó tiến hành các dự đoán của mình.
Các yếu tố trong mỗi hoạt động sản xuất kinh doanh luôn có mối liên hệ mật
thiết với nhau. Xác định tính chất mạnh mẽ của mối liên hệ giữa các yếu tố và sử dụng
các số liệu đã biết để dự báo sẽ giúp nhà quản lí rất nhiều trong việc hoạch định các kế
hoạch sản xuất kinh doanh hiện tại cũng như trong tương lai. Ngày nay dự báo đã
được sử dụng rất rộng rãi trong mọi lĩnh vực đời sống xã hội với nhiều loại và phương
pháp dự báo khác nhau như lấy ý kiến ban điều hành, phương pháp điều tra người tiêu
dùng, phương pháp Delphi,… Trong thống kê người ta dùng nhiều phương pháp khác
nhau như phương pháp trung bình giản đơn, phương pháp trung bình dài hạn, phương
pháp san mũ,…
Đế làm rõ hơn về phương pháp dự báo trong kinh tế, trong tiểu luận này, nhóm
thực hiện sử dụng phần mềm kinh tế lượng Eviews để chạy các mô hình lượng để dự
báo doanh thu của Công ty cổ phần Sữa Việt Nam Vinamilk trong 10 quý tới (từ quý 3
năm 2018 đến quý 4 năm 2020) dựa trên dữ liệu doanh thu thu thập được từ quý 1
năm 2006 đến quý 2 năm 2018.

1


2 NỘI DUNG
PHẦN 1:

MÔ TẢ SỐ LIỆU

Số liệu được sử dụng là doanh thu thuần của Vinamilk từ quý 1 – 2006 đến quý 2
- 2018 (đơn vị: triệu VND), được nhóm tổng hợp từ trang .
Nhấn đúp vào chuỗi rev để mở cửa sổ Series: REV
Trên cửa sổ Series: REV vào View/ Descriptive Statistics & Tests/ Stats Table,

ta có bảng mô tả thống kê như sau:
Một số mô tả thống kê quan trọng:
● Số

quan

sát

(Observations):
50
● Giá

bình

trị

trung

(Mean):

6533686
● Giá trị lớn nhất

(Maximum): 13702481
● Giá trị nhỏ nhất (Minimum): 1284717
● Độ lệch chuẩn (Std. Dev.): 4038195

Trên cửa sổ Series: REV vào View/ Graph,


ta có biểu đồ mô tả số liệu


PHẦN 2:

DỰ BÁO DOANH THU CỦA VINAMILK

Trong bài tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi
rev (chuỗi số liệu doanh thu thuần của Vinamilk) từ quý 3 năm 2018 đến quý 4 năm
2020 (2018Q3 2020Q4) bằng nhiều phương pháp khác nhau.
2.1

Các phương pháp dự báo giản đơn
2.1.1

Dự báo bằng phương pháp san mũ

San mũ là việc loại bỏ các yếu tố ngẫu nhiên để nhìn thấy bản chất của chuối

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 lai 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 là chuỗi revd.

Ta thu được kết quả dự báo sau:

● Hằng số san kép:
● Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 576001,6.


Trên cửa sổ Command dùng lệnh line rev revd có biểu đồ sau

2.1.2

Dự báo bằng phương pháp san mũ Holt

a. Tổng quan về phương pháp
Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu thế T bằng cách
loại bỏ được yếu tố xu thế T.
Ký hiệu:
là ước lượng của phần xu thế ở thời kỳ t
là ước lượng giá trị trung bình hiện tại của Y ở thời kì t

là giá trị dự báo của Y sau h giai đoạn trong tương lai
Ta có

Với

là hằng số san sao cho RMSE nhỏ nhất.

b. Áp dụng
Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential
Smoothing.
Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn HoltWinters-No seasonal.


Chuỗi san Holt là chuỗi revh

Ta thu được kết quả dự báo sau:

● Hằng số san : α = 0,2100; β = 1,0000
● Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 550318,9.

Trên cửa sổ Command dùng lệnh line rev revh có biểu đồ sau


2.1.3

Dự báo bằng phương pháp san mũ Winters

a. Tổng quan về phương pháp
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:
là ước lượng của phần xu thế ở thời kỳ t
là ước lượng giá trị trung bình hiện tại của Y ở thời kì t
là giá trị dự báo của Y sau h giai đoạn trong tương lai
là yếu tố thời vụ tại thời điểm t (Chỉ số mùa vụ qua các năm là
không đổi)
k

là số thời vụ trong một năm
.

yếu tố thời vụ tại thời điểm t của thời kỳ trước

Đầu tiên chúng ta phải xác định dạng mô hình của chuỗi:
Mô hình nhân:
Mô hình cộng:
Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
Mô hình nhân:


Mô hình cộng:
Ước lượng giá trị xu thế T là:

Ước lượng giá trị chỉ số mùa vụ là:
Mô hình nhân:
Mô hình cộng:
Như vậy, ta có dự báo h giai đoạn trong tương lai là
Mô hình nhân:
Mô hình cộng:
(với

là chỉ số mùa vụ của năm cần dự báo)

b. Áp dụng

Từ đồ thị của chuỗi rev, ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời
gian. Vậy ta sử dụng 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 HoltWinters – Muliplicative.
Chuỗi san Winters là chuỗi revw


Ta thu được kết quả dự báo:

● Hằng số san: α = 0,3700; β = 0,8100; γ = 0,0300
● Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 305032,7.
● Chỉ số mùa vụ qua các năm không đổi và bằng:
S1
S2
S3
S4

0,940517
1,054971
1,026821
0,977690

Trên cửa sổ Command dùng lệnh line rev revw có biểu đồ sau:

2.2

Dự báo bằng phương pháp phân tích

a. Quy trình: gồm 4 bước:
Bước 1: Nhận dạng dữ liệu
Xác định chuỗi thuộc mô hình nhân hay mô hình cộng.
Tính CMA4 (nếu số liệu theo quý) hoặc CMA12 (nếu số liệu theo tháng)
Bước 2: Tách yếu tố mùa vụ
Tách yếu tố mùa vụ ra khỏi chuỗi thu được chuỗi mới là
Đối với mô hình nhân:

tính các tỉ số

Đối với mô hình cộng:

tính các hiệu

Phương pháp MA có thể tách ảnh hưởng của cả 2 yếu tố chu kỳ (C) và (I) để
chuỗi chỉ còn phụ thuộc yếu tố xu thế (T) để dễ dàng ước lượng.
Bước 3: Ước lượng chuỗi bằng hàm xu thế và dự báo chuỗi hiệu chỉnh.
Tính giá trị trung bình chênh lệch:
Đối với mô hình nhân: tính = x
Đối với mô hình cộng: tính x
Tính chỉ số mùa vụ:
Đối với mô hình nhân: =
Đối với mô hình cộng:
Bước 4: Dự báo chuỗi gốc

Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc
Đối với mô hình nhân:

=

Đối với mô hình cộng:
b. Áp dụng
Bước 1: Xác định dạng chuỗi
Ta đã xác định được chuỗi thuộc dạng mô hình nhân (như đã kết luận ở phần III)
b, Bước 2: Tách yếu tố mùa vụ
Trên cửa sổ Series: REV, vào Seasonal Adjustment/ 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 sr.


Ta có kết quả chỉ số mùa vụ như sau:

Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ sr qua từng quý.
Bước 3: Ước lượng chuỗi revsa theo hàm xu thế
Ước lượng revsa theo biến T
Trên cửa sổ Command
Gõ lệnh genr t=@trend(2006Q1) để tạo biến xu thế t
Gõ lệnh LS revsa c t để ước lượng revsa theo biến t

Ta có mô hình hồi quy:
Kiểm định giả thuyết thống kê về hệ số hồi quy
Cặp giả thuyết:

Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0
Theo kết quả ước lượng, với α = ta thấy:


Hệ số chặn của t có
⇨ 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
(vì mô hình chỉ có biến độc lập duy nhất T)
Kiểm định bỏ sót biến
Cặp giả thuyết:
Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET Test

Ta có kết quả

Theo kết quả kiểm định ta thấy
⇨ Bác bỏ H0, thừa nhận H1.
⇨ OLS bị vi phạm, mô hình bị bỏ sót biến.
Ước lượng lại revsa theo t, t2, t3
Trên cửa số Command gõ lệnh LS revsa c t t^2 t^3


Mô hình:
Kiểm định giả thuyết thống kê về hệ số hồi quy
Cặp giả thuyết:
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
t
t2

t3

p-value
0.0774 > 0,05
0.000 < 0,05
0.00 < 0,05

Ho
Không bác bỏ
Bác bỏ
Bác bỏ

Kết luận
Không có ý nghĩa thống kê
Có ý nghĩa thống kê
Có ý nghĩa thống kê

Hệ số hồi quy của biến t không có ý nghĩa thống kê nhưng không có cơ sở để
loại biến t khỏi mô hình.
Mô hình có ý nghĩa thống kê tại mức ý nghĩa vì có hai hệ số hồi quy của biến
độc lập khác 0.
Kiểm định bỏ sót biến
Giả thuyết thống kê:
Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET Test


Theo kết quả kiểm định ta thấy
⇨ Không có cơ sở bác bỏ H0.
⇨ OLS không bị vi phạm, mô hình không bị bỏ sót biến.
Kiểm định phân phối chuẩn của nhiễu.

Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality
Test

Theo kết quả kiểm định ta thấy
⇨ Không có cơ sở bác bỏ H0 ⇨ Nhiễu phân phối chuẩn.
Kiểm định phương sai sai số thay đổi
Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity Test


Trên cửa sổ Heteroskedasticity Test chọn White

Ta có kết quả:


Theo kết quả kiểm định ta thấy:
⇨ Không có cơ sở bác bỏ H0.
⇨ Mô hình không có phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Kiểm định tự tương quan
Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM
test

Ta có kết quả sau

Theo kết quả kiểm định ta thấy
⇨ Bác bỏ H0, chấp nhận H1
⇨ Mô hình mắc khuyết tật tự tương quan tại mức ý nghĩa .
Trên cửa sổ ước lượng chọn Estimate

Trên cửa sổ Estimate Equation trong phần Methods chọn ROBUSTLS - Robust
least squared

Lúc này, ta đã dùng hồi quy Robust để kiểm soát khuyết tật phương sai sai số
thay đổi.

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 2018Q2
trong phần Output/ Graph chọn Forecast & Actuals

Ta có kết quả sau:

Nhìn vào kết quả dự báo trong mẫu ta thấy:
Mean Abs. Percent Error = 4.877383 < 5
Tức là sai số dự báo < 5%, ⇨ Có thể sử dụng mô hình này để dự báo ngoài
mẫu.
Mở lại cửa sổ Forecast
Trong phần Forecast sample chọn mẫu 2018Q3 2020Q4.


Ta thu được chuỗi dự báo revsaf.
Ta lấy chuỗi revsaf nhân với chỉ số mùa vụ sr sẽ được chuỗi dự báo revf.

Trên cửa sổ Command gõ lệnh genr revf=revsaf*sr
Trên cửa sổ Command gõ lệnh line revf rev thu được kết quả:

2.3

Dự báo bằng mô hình ARIMA

a. 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:
b. Các bước tiến hành
Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo
● Đối với chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo ARIMA

với chuỗi gốc.
● Đối với 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.


● Đối với chuỗi có tính xu thế: kiểm tra tính dừng của chuỗi gốc (với là phần dư), sau

đó kiểm tra tính dừng của chuỗi và tiến hành dự báo ARIMA với chuỗi .
Bước 2: Xác định độ trễ p, q.
Bước 3: 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 <

1).
● Nhiễu trắng (nhiễu không tự tương quan).
● Chất lượng dự báo.

Bước 4: Dự báo ngoài mẫu
● Đối với 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.
● Đối với chuỗi có yếu tố xu thế: Tạo biến là dự báo của chuỗi .

c. Áp dụng
Bước 1: Kiểm tra tính mùa vụ và tách yếu tố mùa vụ nếu có
Trên cửa sổ Series: REV vào View/ Graph

Trên cửa sổ Graph Options chọn Seasonal Graph


Ta có biểu đồ sau

Các vạch đỏ trong hình là giá trị trung bình của từng mùa. Nếu các vạch này
chênh nhau càng nhiều thì tính mùa vụ càng rõ ràng. Ở đây, ta thấy các vạch đỏ không
chênh nhau nhiều, tuy nhiên vẫn có sự sai lệch chứng tỏ chuỗi giá trị sử dụng có yếu
tố mùa vụ.
Ta sẽ tiến hành dự báo cho chuỗi rev bằng cách tách yếu tố mùa vụ.
Ta đã xác định được chuỗi thuộc dạng mô hình nhân (như đã kết luận ở phần
III).
Tiến hành tách yếu tố mùa vụ (theo phần IV.2b) ta thu được chuỗi revsa.


Kiểm định tính dừng của chuỗi revsa

Cặp giả thuyết:
Trên cửa sổ Series: REVSA vào View/ Unit Root Tests/ Standard Unit Root Test

Trên cửa sổ Unit Root Test, phần Test for unit root in chọn Level


Ta có kết quả

Theo kết quả kiểm định ta thấy
⇨ Không có cơ sở bác bỏ H0 ⇨ Chuỗi revsa không dừng
Vậy ta kiểm định tính dừng của chuỗi revsa sai phân bậc 1
Trên cửa sổ Series: REVSA vào lại View/ Unit Root Tests/ Standard Unit Root
Test
Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1st difference

Theo kết quả kiểm định ta thấy:
⇨ Bác bỏ H0, chấp nhận H1 ⇨ Chuỗi revsa dừng ở sai phân bậc 1.
Bước 2: Tìm độ trễ cho mô hình AR và MA
Trên cửa sổ Series: REVSA vào View/ Correlogram
Trên cửa sổ Correlogram Specification chọn độ trễ phần Lags to include là 20

Ta có kết quả