Chapter 3, Part A
Time Series Analysis and Foreing
Foreing Methods
Time Series Patterns
Fore Accuracy
Moving Averages and Exponential Smoothing
1
Foreing Methods
Foreing
Methods
Quantitative
Causal
Qualitative
Time Series
2
Time Series Patterns
Chuỗi thời gian là một chuỗi các phép đo được thực
hiện mỗi giờ, ngày, tuần, tháng, quý, năm hoặc tại
bất kỳ khoảng thời gian thông thường nào khác.
Mô hình của dữ liệu là một yếu tố quan trọng để hiểu
chuỗi thời gian đã diễn ra như thế nào trong quá khứ.
Nếu diễn biến này có thể được dự kiến sẽ tiếp tục
trong tương lai, ta có thể dùng nó để lựa chọn một
phương pháp dự báo phù hợp
3
Time Series Plot
Bước đầu tiên để lựa chọn một phương pháp dự
báo thích hợp là xây dựng một time series plot .
A time series plot là cách trình bày dạng đồ thị về
mối quan hệ giữa thời gian và biến theo chuỗi thời
gian.
Thời gian nằm trên trục hoành và các giá trị chuỗi
thời gian được hiển thị trên trục tung.
4
Time Series Plot
Example: Rosco Drugs
Sales of Comfort brand headache tonic (in bottles) for
the past 10 weeks at Rosco Drugs are shown below.
Rosco Drugs would like
Week Sales Week Sales
to identify the under1
110
6
120
lying pattern in the data
2
115
7
130
to guide it in ing
3
125
8
115
an appropriate fore4
120
9
110
ing method.
5
125
10
130
5
Using Excel’s Chart Tools
to Construct a Time Series Plot
Excel Worksheet (with data)
1
2
3
4
5
6
7
8
9
10
11
A
Week
1
2
3
4
5
6
7
8
9
10
B
Sales
110
115
125
120
125
120
130
115
110
130
6
Using Excel’s Chart Tools
to Construct a Time Series Plot
Step 1. cells A2:B11
Step 2. Click the tab on the Ribbon
Step 3. In the Charts group, click Scatter (X,Y)
Step 4. When the list of scatter diagram subtypes appears:
Click Scatter with Straight Lines and Markers
7
Time Series Plot
Time Series Plot for the
Comfort Sales Data
Sales (Bottles)
135
130
125
120
115
110
105
0
2
4
6
Week
8
10
12
8
Time Series Patterns
Những mô hình phổ biến có thể xác định khi xem xét
một time series plot bao gồm:
Horizontal
Trend
Seasonal
Trend &amp Seasonal
Cyclical
9
Time Series Patterns
Horizontal Pattern
• A horizontal pattern tồn tại khi dữ liệu dao động
xung quanh một giá trị trung bình không đổi.
• Những thay đổi trong điều kiện kinh doanh
thường có thể dẫn đến một chuỗi thời gian có
horizontal pattern chuyển sang một cấp độ mới.
• Sự thay đổi mức độ của chuỗi thời gian làm cho
việc lựa chọn một phương pháp dự báo phù hợp
sẽ khó khăn hơn.
10
11
12
Time Series Patterns
Trend Pattern
• Một chuỗi thời gian có thể hiển thị các thay đổi
hoặc chuyển động dần dần đến các giá trị tương
đối cao hơn hoặc thấp hơn trong một khoảng thời
gian dài hơn.
• Xu hướng thường là kết quả của các yếu tố dài
hạn như thay đổi về dân số, nhân khẩu học, công
nghệ hoặc sở thích của người tiêu dùng.
• Tăng hoặc giảm có hệ thống có thể có dạng tuyến
tính hoặc phi tuyến.
• Một mô hình xu hướng có thể được xác định bằng
cách phân tích các chuyển động nhiều năm trong
dữ liệu lịch sử.
13
14
15
Time Series Patterns
Seasonal Pattern
• Các mô hình theo mùa được nhận ra từ việc nhìn
thấy mô hình lặp lại cao và thấp trong các khoảng
thời gian liên tiếp trong vòng một năm.
• Một mô hình theo mùa có thể xảy ra trong một ngày,
tuần, tháng, quý, năm hoặc một số khoảng thời gian
khác không lớn hơn một năm.
• Một mô hình theo mùa không nhất thiết phải đề cập
đến bốn mùa trong năm (mùa xuân, mùa hè, mùa
thu và mùa đông).
16
17
Time Series Patterns
Trend and Seasonal Pattern
• Một số chuỗi thời gian cho thấy sự kết hợp của cả
mô hình xu hướng và theo mùa
• Trong những trường hợp như vậy, chúng ta cần sử
dụng một phương pháp dự báo có khả năng đối phó
với cả xu hướng và tính thời vụ.
• Phân tách chuỗi thời gian có thể được sử dụng để
phân tách chuỗi thời gian thành các thành phần
theo xu hướng và theo mùa.
18
19
Time Series Patterns
Cyclical Pattern
• Một mô hình chu kỳ tồn tại nếu biểu đồ chuỗi thời
gian hiển thị một chuỗi các điểm xen kẽ bên dưới và
bên trên đường xu hướng kéo dài hơn một năm.
• Thông thường, thành phần chu kỳ của một chuỗi
thời gian là do chu kỳ kinh doanh nhiều năm.
• Các chu kỳ kinh doanh thì vô cùng khó khăn nếu
không nói là bất khả thi, để dự báo.
• Chương này không giải quyết các hiệu ứng theo chu
kỳ có thể có trong chuỗi thời gian.
20
ing a Foreing Method
Việc lựa chọn mô hình dự báo là quan trọng.
Do đó, time series plot nên là bước đầu tiên khi xem
xét mô hình dự báo nào nên dùng.
Nếu nhìn thấy dạng horizontal pattern, cần chọn mô
hình phù hợp cho mô hình này
Nếu quan sát thấy một trend - xu hướng trong dữ
liệu, cần sử dụng phương pháp có khả năng xử lý xu
hướng hiệu quả
21
Fore Accuracy
Các đo lường về độ chính xác của dự báo được
dùng để xác định độ tốt của một phương pháp dự
báo cụ thể có thể tái tạo dữ liệu chuỗi thời gian.
Các đo lường về độ chính xác của dự báo là yếu tố
quan trọng để so sánh các phương pháp dự báo.
Bằng cách chọn phương pháp dự báo có độ chính
xác tốt nhất cho dữ liệu đã biết, ta hy vọng sẽ tăng
khả năng có được dự báo tốt hơn cho các khoảng
thời gian trong tương lai.
22
Fore Accuracy
Khái niệm chính để đo lường độ chính xác của dự
báo là fore error – sai số dự báo.
Fore Error = Actual V
...
...ges
3MA Fore Absolute Squared Abs.%
Week Sales Fore Error
Error
Error Error
1
2
3
4
5
6
7
8
9
10
110
115
125
120
125
120
130
115
110
130
116.7
120.0
123.3
121.7
125.0
121.7
118.3
Total
3.3
5.0
-3.3
8.3
-10.0
-11.7
11.7
6.6
3.3
5.0
3.3
8.3
10.0
11.7
11.7
53.3
10.89 2.75
25.00 4.00
10.89 2.75
68.89 6.38
100.00 8.70
136.89 10.64
136.89 9.00
489.45 44.22
38
Moving Averages
3-MA Fore Accuracy
53.3
MAE =
= 7.61
7
489.45
MSE =
= 69.92
7
44.22
MAPE =
= 6.32%
7
The 3-week moving average approach provided
more accurate fores than the naïve approach.
39
Weighted Moving Averages
Weighted Moving Averages
• Để dùng phương pháp này, trước hết phải chọn số
dữ liệu đưa vào giá trị trung bình.
• Kế đến, chọn trọng số cho mỗi giá trị dữ liệu.
•
Các quan sát càng gần thường được cho trọng số
càng cao hơn các quan sát cũ.
•
Tổng các trọng số nên bằng 1.
40
Weighted Moving Averages
Weighted Moving Averages
• An example of a 3-period weighted moving average
(3WMA) is:
3WMA = .2(110) + .3(115) + .5(125) = 119
Weights (.2, .3,
and .5) sum to 1
125 is most recent of
the three observations
41
Exponential Smoothing
• Phương pháp này là một trường hợp đặc biệt của
phương pháp weighted moving averages ta chỉ
chọn trọng số cho các quan sát gần nhất.
• Các trọng số cho các giá trị dữ liệu khác được tính
toán tự động và trở nên nhỏ hơn khi các quan sát
ngày càng cũ.
• The exponential smoothing fore là trung bình
có trọng số của tất cả quan sát trong chuỗi thời
gian.
• Thuật ngữ exponential smoothing xuất phát từ bản
chất theo cấp số nhân của sơ đồ trọng số cho các
giá trị lịch sử.
42
Exponential Smoothing
Exponential Smoothing Fore
Ft+1 = aYt + (1 – a)Ft
where:
Ft+1 = fore of the time series for period t + 1
Yt = actual value of the time series in period t
Ft = fore of the time series for period t
a = smoothing constant (0 a 1)
and let:
F2 = Y1 (to initiate the computations)
43
Exponential Smoothing
Exponential Smoothing Fore
• Có thể viết lại công thức Ft+1 = aYt + (1 – a)Ft :
Ft+1 = Ft + a (Yt – Ft)
• We see that the new fore Ft+1 is equal to the
previous fore Ft plus an adjustment, which is a
times the most recent fore error, Yt – Ft.
44
Exponential Smoothing
Example: Rosco Drugs
If Rosco Drugs uses exponential smoothing
to fore sales, which value for the smoothing
constant a, .1 or .8, gives better fores?
Week Sales Week Sales
1
110
6
120
2
115
7
130
3
125
8
115
4
120
9
110
5
125
10
130
45
Exponential Smoothing
Using Smoothing Constant Value a = .1
F2 = Y1
= 110
F3 = .1Y2 + .9F2 = .1(115) + .9(110)
= 110.5
F4 = .1Y3 + .9F3 = .1(125) + .9(110.5) = 111.95
F5 = .1Y4 + .9F4 = .1(120) + .9(111.95) = 112.76
F6 = .1Y5 + .9F5 = .1(125) + .9(112.76) = 113.98
F7 = .1Y6 + .9F6 = .1(120) + .9(113.98) = 114.58
F8 = .1Y7 + .9F7 = .1(130) + .9(114.58) = 116.12
F9 = .1Y8 + .9F8 = .1(115) + .9(116.12) = 116.01
F10= .1Y9 + .9F9 = .1(110) + .9(116.01) = 115.41
46
Exponential Smoothing
Using Smoothing Constant Value a = .8
F2 =
= 110
F3 = .8(115) + .2(110)
= 114
F4 = .8(125) + .2(114)
= 122.80
F5 = .8(120) + .2(122.80) = 120.56
F6 = .8(125) + .2(120.56) = 124.11
F7 = .8(120) + .2(124.11) = 120.82
F8 = .8(130) + .2(120.82) = 128.16
F9 = .8(115) + .2(128.16) = 117.63
F10=
