tiểu luận dự báo kinh tế dự báo trị giá xuất khẩu việt nam từ tháng 9 năm 2019 đến tháng 12 năm 2020

31 29 0
tiểu luận dự báo kinh tế dự báo trị giá xuất khẩu việt nam từ tháng 9 năm 2019 đến tháng 12 năm 2020

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

A LỜI MỞ ĐẦU Kinh tế yếu tố chủ chốt phát triển quốc gia Bên cạnh việc tìm hiểu, phân tích, đánh giá thị trường, việc dự báo số kinh tế tiêu chí quan tâm doanh nghiệp, nhà hoạch định sách Trong đó, trị giá xuất đóng góp phần khơng nhỏ vào phát triển kinh tế Việt Nam Tổng kim ngạch xuất nhập hàng hóa tháng đầu năm 2019 ước tính đạt 245,48 tỷ USD, mức cao tháng từ trước đến với kim ngạch xuất hàng hóa đạt 122,72 tỷ USD, tăng 7,3% so với kỳ năm trước, khu vực kinh tế nước có tốc độ tăng 10,8%, cao tốc độ tăng khu vực có vốn đầu tư nước (5,9%) Kim ngạch xuất hầu hết mặt hàng nhóm hàng nơng, lâm, thủy sản tiếp tục giảm so với kỳ năm trước, riêng xuất rau có tín hiệu tốt lần tháng đầu năm đạt mức tỷ USD Cán cân thương mại hàng hóa tháng ước tính nhập siêu mức thấp với 34 triệu USD (Theo tổng cục thống kê Việt Nam) Chính vậy, đế làm rõ phương pháp dự báo kinh tế đồng thời hiểu tình hình xuất Việt Nam, nhóm tác giả thực tiểu luận “ Dự báo trị giá xuất Việt Nam từ tháng năm 2019 đến tháng 12 năm 2020” Nhóm sử dụng phần mềm kinh tế lượng Eviews để chạy mơ hình lượng để dự báo trị giá xuất Việt Nam (từ tháng năm 2019 đến tháng 12 năm 2020) dựa liệu doanh thu thu thập từ tháng năm 2015 đến tháng năm 2019 Tiểu luận gồm phần chính: Phần 1: Khảo sát số liệu Phần 2: Dự báo trị giá xuất Việt Nam thông qua phương pháp san mũ giản đơn, phương pháp phân tích mơ hình Arima Phần 3: Kết luận Mặc dù cố gắng nhóm thực khơng thể tránh khỏi sai sót Nhóm hy vọng nhận góp ý từ phía bạn đọc B NỘI DUNG PHẦN 1: KHẢO SÁT SỐ LIỆU Số liệu sử dụng giá trị xuất Việt Nam từ tháng năm 2015 đến tháng năm 2019 (đơn vị: triệu VND), nhóm tổng hợp từ Tổng cục thống kê Việt Nam (Link : https://www.gso.gov.vn/default.aspx?tabid=629&idmid=&ItemID=18368) Phương pháp đồ thị Nhấn đúp vào chuỗi export_ value để mở cửa sổ Series: export_ value Trên cửa sổ Series: export value vào View/ Descriptive Statistics & Histogram & Stats, ta có bảng mơ tả thống kê sau: 12 Series: EXPORT_VALUE Sample 2015M01 2020M12 Observations 56 10 Mean Median Maximum Minimum Std Dev Skewness Kurtosis Jarque-Bera Probability 10000 12000 14000 16000 18000 20000 22000 24000 26000 Một số mô tả thống kê quan trọng: • • • • • Số quan sát (Observations): 56 Giá trị trung bình (Mean): 17294.43 Giá trị lớn (Maximum): 25813.00 Giá trị nhỏ (Minimum): 9512.000 Độ lệch chuẩn (Std Dev.): 3682.673 Trên cửa sổ Series: export_value vào View/ Graph, ta có biểu đồ mơ tả số liệu 17294.43 16915.00 25813.00 9512.000 3682.673 0.175724 2.165976 1.911261 0.384570 EXPORT_VALUE 28,000 24,000 20,000 16,000 12,000 8,000 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 2015 2016 2017 2018 2019 2020 Biểu đồ Biểu đồ biểu giá trị xuất theo tháng (2015-2019) Dựa vào đồ thị trên, ta thấy chuỗi có tính xu hướng tính mùa vụ Đồng thời mơ hình nhân chuỗi có xu hướng tăng dần dốc lên theo thời gian Và trung bình chuỗi exxport_value tăng giảm theo thời gian, vậy, vi phạm ba điều kiện chuỗi dừng, nên exxport_value chuỗi không dừng Phân tích giản đồ tự tương quan – tự tương quan riêng phần Vào View -> Correlogram, hộp thoại Correlogram Specification xuất Ở khung Correlogram of, chọn level, Ở ô Lags to include để mặc định độ trễ 36 Ta thu kết sau: Partial Correlation: đồ thị tự tương quan riêng phần(PACF), Autocorrelation: hệ số tự tương quan( ACF) Thanh đồ thị nằm bên trái giá trị âm nằm bên phải giá trị dương Gạch đứt bên đường giới hạn (đường giới hạn=1.96 * 1/sqrt(n), với n số quan sát) Thanh nằm đường giới hạn coi có giá trị (giá trị khơng đáng kể) Có thể thấy tồn ρk ACF 17 độ trễ khác có ý nghĩa thống kê Như vậy, export_value chuỗi không dừng Ta so sánh giá trị AC cột thứ với khoảng tin cậy ρk ±1,96/ = ±0,06 Nếu AC nằm khoảng chấp nhận H0: chuỗi khơng có tương quan bậc q (chuỗi dừng); ngược lại ta bác bỏ H0, nghĩa chuỗi không dừng Ta thấy, rõ ràng giá trị AC nằm khoảng tin cậy Như vây, export_value chuỗi không dừng PHẦN 2: DỰ BÁO GIÁ TRỊ XUẤT KHẨU VIỆT NAM Trong tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi export_value (chuỗi số liệu) từ tháng năm 2015 đến tháng 12 năm 2020 (2015M3 2020M12) nhiều phương pháp khác 2.1 Các phương pháp dự báo giản đơn 2.1.1 Dự báo phương pháp san mũ Holt a Tổng quan phương pháp Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu T cách loại bỏ yếu tố xu T Ký hiệu: Tt ước lượng phần xu thời kỳ t ∧ Yt ước lượng giá trị trung bình Y thời kì t ∧ Y n+ h giá trị dự báo Y sau h giai đoạn tương lai Ta có ∧ ∧ Y t = αYt + (1 − α )(Y t −1 +T t −1) ∧ ∧ Tt = β (Y t − Y t −1 ) + (1 − β )Tt −1 ∧ ∧ Y n + h = Y n + hTn Với α, β số san cho RMSE nhỏ b Áp dụng Trên cửa sổ Series: Export_value, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing phần Smoothing method, chọn HoltWinters-No seasonal Chuỗi san Holt chuỗi exportsm Ta thu kết dự báo sau: Số quan sát: 56 Phương pháp: Holt-Winters No Seasonal Chuỗi gốc: EXPORT_VALUE Chuỗi dự báo: EXPORTSM Tham số: Alpha Beta Tổng số dư bình phương Độ lệch chuẩn (RMSE) Kết thúc giai đoạn: 0.1100 0.0000 2.13E+08 1948.748 Chỉ số trung bình Chỉ số xu 22421.35 157.6819 • Hằng số san : α = 0,1100; β = 0,0000 • Chỉ số bậc hai sai số bình phương trung bình RMSE = 1948,748 Trên cửa sổ Command dùng lệnh line export_value exportsm có biểu đồ sau 28,000 24,000 20,000 16,000 12,000 8,000 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 2015 2016 2017 2018 2019 2020 export value EXPORTSM 2.1.2 Dự báo phương pháp san mũ Winter a Tổng quan phương pháp Phương pháp san mũ Winters dùng để dự báo chuỗi có chứa yếu tố xu yếu tố mùa vụ Ký hiệu: Tt ước lượng phần xu thời kỳ t ∧ Yt ước lượng giá trị trung bình Y thời kì t ∧ Y n+ h St giá trị dự báo Y sau h giai đoạn tương lai yếu tố thời vụ thời điểm t (Chỉ số mùa vụ qua năm không đổi) k St − k số thời vụ năm yếu tố thời vụ thời điểm t thời kỳ trước Đầu tiên phải xác định dạng mơ hình chuỗi: Mơ hình nhân: Yt = T S C.I Mơ hình cộng: Yt = T + S + C + I Từ đó, ta có giá trị ước lượng trung bình là: ∧ Yt =α Mơ hình nhân: ∧ Yt + (1 − α )(Y t −1 + Tt −1 ) St −k ∧ Mơ hình cộng: ∧ Y t = α (Yt − S t −k ) + (1 − α )(Y t −1 + Tt −1 ) Ước lượng giá trị xu T là: ∧ ∧ Tt = β (Yt − Y t −1 ) + (1 − β )Tt −1 Ước lượng giá trị số mùa vụ là: St = γ Mơ hình nhân: Yt ∧ Yt + (1 − γ ) S t − k ∧ Mơ hình cộng: S t = γ (Yt − Yt −1 ) + (1 − γ ) S t −k Như vậy, ta có dự báo h giai đoạn tương lai Mơ hình nhân: Mơ hình cộng: (với Si ∧ ∧ ∧ ∧ Yn + h = (Y n + hTn ) S i Yn + h = (Yn + hTn ) Si số mùa vụ năm cần dự báo) b Áp dụng Từ đồ thị chuỗi export_value, ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời gian Vậy ta sử dụng mơ hình nhân (như đề cập phần 1) Trên cửa sổ Series:Export_value, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing phần Smoothing method, chọn HoltWinters – Muliplicative Chuỗi san Winters chuỗi exportsmn Biểu đồ Biểu đồ dự báo giá trị nhập giá trị thực (2015-2020) 28,000 24,000 20,000 16,000 12,000 8,000 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 2015 2016 2017 2018 2019 2020 EXPORTF export value 2.3 Dự báo mơ hình ARIMA a Tổng quan mơ hình Phương trình dự báo ARIMAR: Y ~ ARIMA(p,d,q) Trong : Y biến cần dự báo, biến phân tích d: bậc tích hợp, bậc sai phân p,q: hệ số xác định từ đồ thị correlogram (ACF, PACF) b Các bước tiến hành Bước 1: Kiểm tra số vấn đề chuỗi - Kiểm tra yếu tố mùa vụ: Trên cửa số Series: Vào View/Graph Trên cửa sổ Graph Options chọn Seasonal graph Biểu đồ Biểu đồ thể yếu tố mùa vụ giá trị xuất Việt Nam export value by Season 28,000 24,000 20,000 16,000 12,000 8,000 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Means by Season Các vạch đỏ hình giá trị trung bình mùa Nếu vạch chênh lệch nhiều tính mùa vụ rõ ràng Ở đây, ta thấy vạch đỏ không chênh lệch nhiều riêng tháng có chênh lệch lớn, nhiên có sai lệch chứng tỏ chuỗi giá trị sử dụng có yếu tố mùa vụ Biểu đồ Biểu đồ giá trị xuất Việt Nam giai đoạn 2015-2019 export value 28,000 24,000 20,000 16,000 12,000 8,000 I II III IV I 2015 II III IV 2016 I II III IV 2017 I II III IV 2018 I II III 2019 Dựa vào đồ thị trên, ta nhận thấy mơ hình nhân tính có yếu tố mùa vụ Ta cần loại bỏ yếu tố mùa vụ biến sau loại bỏ yếu tố mùa vụ lưu thành export_sa, số mùa vụ s - Kiểm tra chuỗi dừng: Tiến hành chạy kiểm định Unit Root Test (có xét yếu tố xu hướng) chuỗi sau loại bỏ yếu tố mùa vụ export_sa Cặp giả thuyết: Trên cửa sổ Series: Vào View chọn Unit Root Test Ta thu bảng kết quả: Bảng Kết kiểm tra tính dừng chuỗi export_sa Null Hypothesis: EXPORT_SA has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=10) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* 0.430007 -3.560019 -2.917650 0.9825 -2.596689 Ta thấy p-value=0.9825 > α= 0.05 Không đủ sở để bác bỏ H0 => thừa nhận H0 hay chuỗi không dừng mức ý nghĩa 5% Vậy ta kiểm định tính dừng chuỗi export_sa sai phân bậc Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1st difference: Bảng Kết kiểm tra tính dừng sai phân bậc chuỗi export_sa Null Hypothesis: D(EXPORT_SA) has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=10) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -8.601693 -3.560019 -2.917650 -2.596689 0.0000 Ta thấy => Bác bỏ H0, chấp nhận H1 => Chuỗi export_sa dừng sai phân bậc 1, tức d=1 Bước 2: Xác định hệ số p, q mơ hình Correlogram Partial Correlation: đồ thị tự tương quan riêng phần(PACF), Autocorrelation: hệ số tự tương quan( ACF) Thanh đồ thị nằm bên trái giá trị âm nằm bên phải giá trị dương Gạch đứt bên đường giới hạn (đường giới hạn=1.96 * 1/sqrt(n), với n số quan sát) Thanh nằm đường giới hạn coi có giá trị (giá trị khơng đáng kể) Xác định p,q: • Xác định p(bậc AR): ta tìm xem vượt đường giới hạn Partial Correlation • Xác định q(bậc MA): ta tìm xem vượt đường giới hạn Autocorrelation Dựa vào hình trên, ta chọn p=1, q=1,q=2,q=23,q=24 Tức bậc AR 1, bậc MA 1,2,23,24 Bước 3: Ước lượng mô hình Trên cửa sổ Command gõ lệnh ls d(export_sa) c ar(1) ma(1) ma(2) ma(23) ma(24) Ta có kết hồi quy sau: Bảng Kết chạy MH1 Variable Coefficient Std Error t-Statistic Prob C AR(1) MA(1) MA(2) MA(23) MA(24) 203.2888 -0.617557 -0.133709 0.071798 0.860232 -0.119165 74.65123 0.168322 0.212907 0.078335 0.045214 0.184332 2.723181 -3.668889 -0.628015 0.916548 19.02576 -0.646469 0.0090 0.0006 0.5330 0.3640 0.0000 0.5211 R-squared AIC SBC Log likelihood Prob(F-statistic) Đặt tên MH1 0.756089 15.62533 15.84632 -415.8838 0.000000 HQC 15.71056 Ta loại MA(1),MA(2),MA(24) khơng có ý nghĩa thống kê Ước lượng tiếp với MA(23) Nhập lệnh: ls d(export_sa) c ar(1) ma(23) Bảng Kết chạy MH2 Variable Coefficient Std Error t-Statistic Prob C AR(1) MA(23) 199.1712 -0.698528 0.856247 75.47885 0.099741 0.041763 2.638768 -7.003445 20.50257 0.0110 0.0000 0.0000 R2 AIC SBC Log likelihood Prob(F-statistic) Đặt tên MH2 -416.6843 0.000000 Tiếp theo, ta so sánh MH1 MH2 0.748749 15.54386 15.65436 HQC 15.58648 Mơ hình Mơ hình Mơ hình AIC 15.62533 SIC 15.84632 Log likelihood -415.8838 RMSE 783.9523 MAE 600.0797 Như MH2 tối ưu MH1 nên ta chọn MH2 Mơ hình 15.54386 15.65436 -416.6843 772.7707 583.5770 Bước 4: Kiểm định điều kiện giả định mơ hình Mơ hình khả nghịch ổn định: Module nghiệm đơn vị: Bảng 10 Kiểm định nghiệm đơn vị Inverted AR Roots Inverted MA Roots -.70 98+.14i 98-.14i 91-.40i 91+.40i 77-.63i 77+.63i 57+.81i 57-.81i 33+.94i 33-.94i 07+.99i 07-.99i -.20+.97i -.20-.97i -.46+.88i -.46-.88i -.68+.73i -.68-.73i -.85+.52i -.85-.52i -.96+.27i -.96-.27i -.99 Ta thấy, module nhỏ nên nghiệm đơn vị nằm vịng trịn đơn vị Mơ hình khả nghịch ổn định Kiểm định nhiễu trắng Tại Equation vừa ước lượng ,ta chọn View => Residual Diagnostics => Serial Correlation LM test (lựa chọn lags 24) ta có kết sau: Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 1.589641 31.62132 Prob F(24,27) Prob Chi-Square(24) 0.1220 0.1367 Tại cửa sổ kết này, kết luận nhiễu trắng giá trị lớn nhiều so với mức ý nghĩa 5% Bước 5: Dự báo Dự báo cho chuỗi hiệu chỉnh export_sa Trên cửa sổ ước lượng chọn Forecast Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu từ 2015M01 2020M12 Biểu đồ Kết dự báo cho chuỗi hiệu chỉnh export_sa 40,000 Forecast: EXPORT_SAF Actual: EXPORT_SA Forecast sample: 2015M01 2020M12 Adjusted sample: 2015M03 2020M12 Included observations: 54 Root Mean Squared Error 772.7707 Mean Absolute Error 583.5770 Mean Abs Percent Error 3.366043 Theil Inequality Coefficient 0.021871 Bias Proportion 0.000061 Variance Proportion 0.005222 Covariance Proportion 0.994717 35,000 30,000 25,000 20,000 15,000 10,000 I II III IV I 2015 II III IV I II III IV I II III IV I II III IV I II III IV 2016 2017 2018 2019 2020 EXPORT_SAF ± S.E Mở lại cửa sổ Forecast Trong phần Forecast sample chọn mẫu 2015M01 2020M12 Ta thu chuỗi dự báo export_saf Bước 6: Kiểm tra chất lượng dự báo Ta tiến hành vẽ biểu đồ fdisa fdisaf câu lệnh: line export_sa export_saf Ta thu kết quả: Biểu đồ Biểu đồ export_sa export_saf 28,000 26,000 24,000 22,000 20,000 18,000 16,000 14,000 12,000 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 2015 2016 2017 2018 2019 2020 EXPORT_SA EXPORT_SAF Để kiểm tra chất lượng dự báo ta tiến hành vẽ đoạn từ tháng năm 2015 đến tháng 12 năm 2019 xem phần trăm sai số có cho phép hay không Và ta thu kết là: Như vậy: MAPE=3.366046 < Vậy phần trăm sai số mơ hình dự báo mức chấp nhận nhỏ mức ý nghĩa 5% Bước 7: Dự báo cho chuỗi export_value ban đầu Bây ta tiến hành cộng thêm yếu tố mùa vụ ban đầu với câu lệnh: Genr exportf = export_saf + s exportf: giá trị dự báo export_value s: yếu tố mùa vụ Ta thu kết dự báo export_value tháng 12 năm 2020: 2019M09 2019M10 2019M11 2019M12 2020M01 2020M02 2020M03 2020M04 2020M05 2020M06 2020M07 2020M08 2020M09 2020M10 2020M11 2020M12 23605.77 24546.30 24286.02 23706.20 25574.15 17538.06 25574.15 24098.62 24970.93 24819.18 25337.57 27752.47 26064.01 27080.48 26771.95 26112.25 Kết dự báo tương đối lượng xuất nước ta từ tháng năm 2019 đến tháng 12 năm 2020 Tháng năm 2020 tháng có lượng xuất nhiều , khoảng 27752.47 triệu USD, tiếp tháng 10, tháng 11, tháng 12 năm 2020 thấp tháng năm 2020 với 17538.06 triệu USD 28,000 24,000 20,000 16,000 12,000 8,000 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV 2015 2016 2017 2018 2019 2020 export value EXPORTF Quan sát biểu đồ export_value exportf, ta nhận thấy giá trị dự báo cho export tăng tương đối so với tháng trước PHẦN 3: KẾT LUẬN Chọn chuỗi exportsmn, exportsm, export_saf , exportf click phải chuột chọn Open/ as Group Để so sánh mơ hình dự báo: Trên cửa sổ Series: export_value vào View/ Forecast Evaluation: Trên cửa sổ Forecast Evaluation, phần Forecast data objects gõ tên chuỗi dự báo Ta có kết so sánh sau: Phương San mũ San mũ Phân tích Mơ hình pháp dự báo Holt Winter Arima 1948,748 799,7953 RMSE 862.0623 772.7707 Dựa vào kết dự báo ta thấy phương pháp phân tích (chuỗi export_value) phương pháp dự báo theo mơ hình ARIMA (chuỗi exportf) có thơng số xác so với phương pháp lại với số RMSE nhỏ Vậy, để lựa chọn phương pháp dự báo tốt cho chuỗi, ta lựa chọn phương pháp phân tích phương pháp dự báo theo mơ hình ARIMA Ta có kết dự báo trị giá xuất từ tháng năm 2019 đến tháng 12 năm 2020 bảng đây: Bảng 11: Dự báo trị giá xuất từ tháng năm 2019 đến tháng 12 năm 2020 2019M09 2019M10 2019M11 2019M12 2020M01 2020M02 2020M03 2020M04 2020M05 2020M06 2020M07 2020M08 2020M09 2020M10 2020M11 2020M12 23605.77 24546.30 24286.02 23706.20 25574.15 17538.06 25574.15 24098.62 24970.93 24819.18 25337.57 27752.47 26064.01 27080.48 26771.95 26112.25 PHỤ LỤC Bảng số liệu giá trị xuất nhập Việt Nam từ tháng năm 2015 – tháng năm 2019 Đơn vị: triệu USD Năm Tháng 10 11 12 2015 2016 2017 2018 2019 13509 9512 13370 13479 13649 14174 14297 14396 13766 14308 13874 13685 13603 10096 15085 14397 14341 14722 14845 16099 15369 15369 16103 16552 14420 13189 17278 17571 17924 17831 17697 19813 19301 20336 20036 19723 20220 14289 21053 18327 20438 19860 20321 23903 22075 14037 22746 20375 21886 21411 22948 25813 21053 22558 21697 19759 ... pháp dự báo theo mơ hình ARIMA Ta có kết dự báo trị giá xuất từ tháng năm 20 19 đến tháng 12 năm 2020 bảng đây: Bảng 11: Dự báo trị giá xuất từ tháng năm 20 19 đến tháng 12 năm 2020 2019M 09 2019M10... exportf: giá trị dự báo export_value s: yếu tố mùa vụ Ta thu kết dự báo export_value tháng 12 năm 2020: 2019M 09 2019M10 2019M11 2019M12 2020M01 2020M02 2020M03 2020M04 2020M05 2020M06 2020M07 2020M08... lượng xuất nước ta từ tháng năm 20 19 đến tháng 12 năm 2020 Tháng năm 2020 tháng có lượng xuất nhiều , khoảng 27752.47 triệu USD, tiếp tháng 10, tháng 11, tháng 12 năm 2020 thấp tháng năm 2020

Ngày đăng: 01/08/2020, 21:33

Từ khóa liên quan

Mục lục

  • A. LỜI MỞ ĐẦU

  • B. NỘI DUNG

    • PHẦN 1: KHẢO SÁT SỐ LIỆU

    • PHẦN 2: DỰ BÁO GIÁ TRỊ XUẤT KHẨU VIỆT NAM

      • 2.1 Các phương pháp dự báo giản đơn

        • 2.1.1 Dự báo bằng phương pháp san mũ Holt

        • 2.1.2 Dự báo bằng phương pháp san mũ Winter

        • 2.2 Dự báo bằng phương pháp phân tích

        • 2.3 Dự báo bằng mô hình ARIMA

        • PHẦN 3: KẾT LUẬN

        • PHỤ LỤC 1

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan