Phần 1: Lý thuyết Dự báo phương pháp phân tích hồi quy a Phân tích hồi quy - Nghiên cứu mối liên hệ phụ thuộc giá trị biến Y-gọi biến phụ thuộc hay biến giải thích với giá trị nhiều biến khác Xj=(j=1,2,….,m)- biến gọi biến độc lập hay biến giải thích - Ta thường giả thiết: Biến phụ thuộc Y biến ngẫu nhiên, có quy luật phân phối xác suất xác định Các biến độc lập Xj biến ngẫu nhiên, giá trị chúng xác định - Phân tích hồi quy giúp chúng ta: + Ước lượng giá trị biến phụ thuộc Y biết giá trị (các) biến độc lập X j + Kiểm định giả thiết phụ thuộc + Dự báo giá trị trung bình cá biệt biến phụ thuộc biết giá trị (các) biến độc lập b Mô hình hồi quy tổng thể mô hình hồi quy mẫu - Mô hình hồi quy tổng thể (PRF) hàm có dạng tổng quát: E(Y/Xji) = f(Xji) Nếu mô hình biểu diễn mối quan hệ biến phụ thuộc Y biến giải thích X gọi mô hình hồi quy đơn hay mô hình hồi quy biến Nếu số biến giải thích nhiều gọi mô hình hồi quy bội (hồi quy nhiều biến) - Mô hình hồi quy mẫu (SRF) biểu diễn sau: i = (Xji) Trong đó: i ước lượng E(Y/Xji) ước lượng f • Mô hình hồi quy nhiều biến: Yi=β1+ β2X2i+ β3X3i +…+ βkXki+ Ui Trong đó: Yi: giá trị biến phụ thuộc Y(i=) β1: hệ số chặn ( hệ số tự do) βj: hệ số góc(hệ số hồi quy riêng) biến giải thích Xj(j=) Ui: sai số ngẫu nhiên c Phân tích hồi quy dự báo • Dự báo giá trị trung bình: Với độ tin cậy γ=1-α cần dự báo E(Y/X0) Ước lượng điểm E(Y/X0) là: =.=1+2X20+3X30 +… +kXk0 Do σ2 chưa biết nên thống kê T= T(n-k) Ta tìm giá trị phân vị tα/2(n-k) cho: tα/2(n-k)) =1-α =γ P(⃓⃓< tα/2(n-k)) =1-α =γ P(0- tα/2(n-k).se(0) xuất bảng -> ta nhập ysa c t -> ok Dự báo Fit= ysaf*sn Mô hình cộng tính fit 1= ysaf+sn [...]... Dự báo điểm với hàm xu thế:(mũ) =+T t 1 2 = + T+3T2 t 1 2 = + T+3T2+4T3 t 1 2 = + ln(T) t 1 2 =+ t 1 2 t = = ln(t)=1+2T 3 Dự báo bằng phương pháp san mũ Là ứng dụng mở rộng của phương pháp trung bình trượt Trung bình trượt dựa vào k quan sát gần nhất Dựa vào giá trị trung bình trượt với trọng số giảm dần cho tất cả các quan sát trong quá khứ a San mũ đơn giản =αYt + (1-α)t Trong đó: t+1 : giá trị dự. .. gần 1 nếu muốn kết quả dự báo kết hợp với những thay đổi gần nhất trong số liệu b San mũ Holt Hầu hết các chuỗi dữ liệu kinh tế hiếm khi theo một xu thế cố định Khi chuỗi thời gian có yếu tố xu thế (cục bộ) thì ta cần phải dự báo cả giá trị trung bình (giá trị san mũ) và độ dốc (xu thế) hiện tại để làm cơ sở cho dự báo tương lai Ý tưởng cơ bản của phương pháp Holt là sử dụng các hệ số san mũ α, β khác... =αYt + (1-α)t Trong đó: t+1 : giá trị dự đoán ở thời điểm t+1 : giá trị dự đoán ở thời điểm t t Yt : giá trị quan sát ở thời điểm t t+1 α: hệ số san mũ Phương pháp san mũ đơn giản cho rằng giá trị dự báo mới là một giá trị trung bình có trọng số giữa giá trị thực tế và giá trị dự báo ở thời điểm t Yếu tố quan trọng nhất trong phương pháp san mũ là việc xác định hệ số san mũ α Nếu dãy số có nhiều biến... Tt= β(Lt-Lt-1)+(1-β)Tt-1 Trong đó: Tt: giá trị ước lượng xu thế Lt: giá trị san mũ mới β: hệ số san mũ cửa giá trị xu thế(0