06 time series forecasting - wordpress.com · 2017-09-05 · - ระบุลําดับ ar(p)...
TRANSCRIPT
โดยอาจารย ดร. เฉลมพล จตพร
สาขาวชาเศรษฐศาสตร มหาวทยาลยสโขทยธรรมาธราช
การพยากรณทางอนกรมเวลา……(Time Series Forecasting)
คมอการใชโปรแกรมสาเรจรปทางเศรษฐมต GRETL
Edition 1.0 (01-09-2560)
เนอหา
1. แนวคดเกยวกบการพยากรณ2. การพยากรณ ดวยวธ ARIMA (Box-Jenkins)3. ขนตอนการพยากรณ ดวยวธ ARIMA (Box-Jenkins)4. การใชงานโปรแกรม GRETL เพอการพยากรณ ดวยวธ ARIMA(p,d,q) 5. ฝกปฏบต: การพยากรณ ดวยวธ ARIMA(p,d,q) โดยใชโปรแกรม GRETL6. การพยากรณ ดวยวธ Seasonal ARIMA(p,d,q)(P,D,Q)s7. การประยกตใชตวแปรหน Trend และ Seasonal Dummies เพอการพยากรณ8. การใชงานโปรแกรม GRETL เพอการพยากรณ Seasonal time series9. ฝกปฏบต: การพยากรณ Seasonal time series ดวยโปรแกรม GRETL
Page 1 of 28
อาจารย ดร.เฉลมพล จตพร
แนวคดพนฐานเกยวกบการพยากรณ
Forecasting !!!
นยามและความหมายของการพยากรณ
พยากรณ หมายถง ทานายหรอคาดการณโดยอาศยหลกวชา (ราชบณฑตยสถาน, 2554)
Forecast (Noun) is a statement about what will happen in the future, based on information that is available now (Hornby, 2010).
การพยากรณ (Forecasting) หมายถง การทานายหรอคาดการณ (Prediction) ลกษณะเหตการณทจะเกดขนในอนาคต โดยอาศยขอมลทมอย ผานกระบวนการวเคราะหตามหลกวธการทางสถต ประสบการณ และ/หรอวจารณญาณของผ พยากรณ
Page 2 of 28
อาจารย ดร.เฉลมพล จตพร
เทคนคการพยากรณ
1. การพยากรณเชงปรมาณ (Quantitative forecasting) อาศยขอมลเชงปรมาณ ในรปของตวเลขจากขอมลในอดต เรยงตอกนอยางตอเนอง เพอพยากรณตามหลกวธการทางสถต ทงน การพยากรณเชงปรมาณยงจาแนกออกเปน 2 รปแบบ คอ รปแบบความสมพนธระหวางตวแปร (Causal/explanatory model) และรปแบบทางอนกรมเวลา (Time series model)2. การพยากรณ เ ชง คณภาพ (Qualitative forecasting) อาศยขอมล เ ชง คณภาพ สภาพแวดลอมตางๆ เพอพยากรณ รวมกบองคความร (Knowledge) ประสบการณ และ/หรอวจารณญาณของผพยากรณ เชน วธเดลฟาย (Delphi) องคประกอบของการจดจาหนาย (Sales force composition) ความคดเหนของกลมผ บรหาร (Jury of executive opinion) และการสารวจตลาด (Market survey)
ความแมนยาของแบบจาลองพยากรณ
การตรวจสอบความแมนยาของแบบจาลองพยากรณทสรางขนมาเพออธบายถงความเปนจรงของแบบจาลองไดมากหรอนอยเพยงใด กลาวคอ เ ปนการเปรยบเทยบระหวางคาทประมาณการขน (Estimated value) กบคาจรง (Actual value)
หากแบบจาลองทสรางขนมวตถประสงคเพอใชในการพยากรณ คา R2, F-statistics และ t-statistics ไมเพยงพอตอการใชอธบายความแมนยาของแบบจาลองเพอการพยากรณ
สถตทใชตรวจสอบความแมนยาของแบบจาลองพยากรณ ไดแก ME, RMSE, MAE MPE และ MAPE (หรออาจใช SIC/AIC กได)
Page 3 of 28
อาจารย ดร.เฉลมพล จตพร
Forecast Evaluation Statistics
2. Root Mean Square Error
RMSE eRMSE1T
e
MPE1T
100eY
MPE1T
100e Y
5. Mean Absolute Percent Error
MAPE1T
100eY
MAPE1T
100e Y
4. Mean Percent Error
1. Mean Error
ME1T
eME1T
e
3. Mean Absolute Error
MAE1T
|e |MAE1T
|e |
การพยากรณดวยวธ ARIMA (Box-Jenkins)
Page 4 of 28
อาจารย ดร.เฉลมพล จตพร
แนวคดการพยากรณของ Box-Jenkins (ARIMA)
Autoregressive integrated moving average (ARIMA) เปนเทคนคการพยากรณ ไดรบการเสนอโดย Box and Jenkins (1970)
การพยากรณดวยวธ ARIMA เปนการอาศยพฤตกรรมของขอมลในอดต เพอกาหนดรปแบบในปจจบน และอธบายแนวโนมหรอปรากฏการณตางๆ ของตวมนเองในอนาคต
“Let the data speak for themselves”
“ใหตวมนเองอธบายตวมนเอง”
คาถามทพบบอย !!!
“ถาใหตวมนเองอธบายตวมนเอง แลวปจจยอนๆ ทไมนามาคดในการพยากรณ จะทาใหการพยากรณมความนาเชอถอ หรอไม ?”
โดยปกต ขอมลทนามาวเคราะหจะไดรบอทธพลจากปจจยแวดลอมตางๆ อยกอนแลว ดงนน ผลทไดจากการพยากรณดวยวธ ARIMA จะอยภายใตเงอนไขปจจยนนๆ เชนเดม
การเกด Shock ตอปจจยแวดลอมทสาคญ เปนขอจากดในการพยากรณดวยวธ ARIMA ดงนน อาจมการใชตวแปรแวดลอมนนๆ หรอ Shock มารวมพจารณาในการพยากรณ เชน แบบจาลอง ARIMAX หรอ ARIMA with intervention เปนตน
Page 5 of 28
อาจารย ดร.เฉลมพล จตพร
จดเดน ในการพยากรณ ดวยวธ ARIMA
Few assumptions ซงงายตอการนาไปประยกตใช และประมาณคาพารามเตอร ดวยวธ Ordinary Least Square (OLS) หรอ Maximum Likelihood Estimator (MLE)
Flexible สามารถประยกตใชไดกบแนวคดตางๆ เชน การเพมตวแปรภายนอก (ARIMAX) การพจารณาความเปนฤดกาล (Seasonal ARIMA) การใช Shock หรอ Crisis ตางๆ รวมพจารณา (ARIMA intervention) ประยกตรวมกบแบบจาลอง GARCH type ==> ARIMA-GARCH model อนๆ
ตวแบบพยากรณ ARIMA(p,d,q)
แบบจาลอง ARIMA ประกอบดวย 3 สวน คอ สวนท 1 ==> AR(p) คอ Yt ทถกกาหนดดวย Autoregressive process
โดย Yt = Yt-1, Yt-2,…, Yp
สวนท 2 ==> I(d) คอ อนดบความหยดนงของ Yt
โดย d = 0, 1, 2… สวนท 3 ==> MA(q) คอ Yt ทถกกาหนดดวย Moving average process
โดย Yt = εt-1, εt-2,…, εq
หมายเหต: p และ q หมายถง ลาดบของคาบเวลาในอดต (Lag length) ทเหมาะสม
Page 6 of 28
อาจารย ดร.เฉลมพล จตพร
AR(p) คอ อะไร ?
ความหมายของ AR(p)
Autoregressive process หรอ AR(p) เปนกระบวนการของคาสงเกตคาหนง (Y) ทถกกาหนดขนจากความสมพนธของตวมนเองในอดต (Yt-1, Yt-2, Yt-3,…, Yt-p) อยางตอเนอง (Continuous)
โดยท p คอ ลาดบของคาบเวลาในอดตทเหมาะสม เพออธบาย Y ณ เวลาปจจบน
Page 7 of 28
อาจารย ดร.เฉลมพล จตพร
AR(1): First order autoregressive
AR(2): Second order autoregressive
AR(p): (p) order autoregressive
โดยกาหนดให
Y คอ ตวแปรตาม α คอ คาคงท ϕ คอ คาสมประสทธ t คอ เวลา p คอ ลาดบคาบเวลาในอดต
รปแบบของ Autoregressive process: AR(p)
Y α Y εY α ϕ Y ε
Y α Y Y εY α ϕ Y ϕ Y ε
Y α Y Y . . . Y εY α ϕ Y ϕ Y . . . ϕ Y ε
MA(1): First Order Moving Average
MA(2): Second Order Moving Average
MA(q): (q) Order Moving Average
โดยกาหนดให
Y คอ ตวแปรตาม α คอ คาคงท θ คอ คาสมประสทธ t คอ เวลา q คอ ลาดบคาบเวลาในอดต
รปแบบของ Moving average process: MA(q)
Y α θ ε εY α θ ε ε
Y α θ ε θ ε εY α θ ε θ ε ε
Y α θ ε θ ε . . . θ ε εY α θ ε θ ε . . . θ ε ε
Page 8 of 28
อาจารย ดร.เฉลมพล จตพร
แบบจาลอง ARMA(p,q) Vs ARIMA(p,d,q)
กรณท 1: แบบจาลอง ARMA เมอตวแปร Y มความหยดนง ณ ระดบปกตของขอมล หรอ I(0), d = 0
กรณท 2: แบบจาลอง ARIMA เมอ ตวแปร Y มความหยดนง ณ ผลตางอนดบ 1 หรอ I(1), d = 1
Y α Y θ ε εY α ϕ Y θ ε ε
∆Y α ∆Y θ ε ε∆Y α ϕ ∆Y θ ε ε
ตวอยาง โครงสรางแบบจาลอง ARMA(p,q)
รปแบบ สมการของ (Y)
ARMA(0,0) Yt = α0 + t
ARMA(1,0)/AR(1) Yt = α0 + ϕ1Yt-1 + t
ARMA(2,0)/AR(2) Yt = α0 + ϕ1Yt-1 + ϕ2Yt-2 + t
ARMA(0,1)/MA(1) Yt = α0 + θ1t-1 + t
ARMA(0,2)/MA(2) Yt = α0 + θ1t-1 + θ2t-2 + t
ARMA(1,1) Yt = α0 + ϕ1Yt-1 + θ1t-1 + t
Page 9 of 28
อาจารย ดร.เฉลมพล จตพร
ตวอยาง โครงสรางแบบจาลอง ARIMA(p,d,q)
รปแบบ สมการของ (Y)
ARIMA(1,1,0)/AR(1) ΔYt = α + ϕ1ΔYt-1 + t
ARIMA(2,1,0)/AR(2) ΔYt = α + ϕ1ΔYt-1 + ϕ2ΔYt-2 + t
ARIMA(0,1,1)/MA(1) ΔYt = α + θ1t-1 + t
ARIMA(0,1,2)/MA(2) ΔYt = α + θ1t-1 + θ2t-2 + t
ARMA(1,1,1) ΔYt = α + ϕ1ΔYt-1 + θ1t-1 + t
ขนตอนการพยากรณดวยวธ ARIMA (Box-Jenkins)
==> Identification
==> Estimation
==> Diagnostic Checking
==> Forecasting
==> Seasonal ARIMA(p,d,q)(P,D,Q)s
Page 10 of 28
อาจารย ดร.เฉลมพล จตพร
ขนตอนการพยากรณ ดวยวธ ARIMA(p,d,q) ของ Box and Jenkins (Gujarati and Porter, 2009)
1. กาหนดรปแบบ p d q
2. การประมาณคาพารามเตอร
3. การตรวจสอบรปแบบ
4. พยากรณ
ความคลาดเคลอนมความสมพนธกนOK NO
สรป ขนตอนการพยากรณ ดวยวธ ARIMA(p,d,q)
ขนตอนท 1: - ระบ I(d) จากการทดสอบ ADF unit root - ระบลาดบ AR(p) และ MA(q) จาก Correlogram ณ อนดบความหยดนงของขอมล
โดยพจารณา AR(p) จาก PACF และ MA(q) จาก ACF ในชวง 3-5 คาบเวลา(แทง)แรกทมคาแตกตางไปจากศนย(หรอยนออกมาจากแกนกลางอยางชดเจน) ขนตอนท 2: ประมาณคาพารามเตอร ดวยวธ MLE (หรอ OLS) โดย สปส. ทประมาณคาได
จะตองมนยสาคญทางสถต (α = 0.01, 0.05 หรอ 0.1) กรณไดแบบจาลอง ARIMA(p,d,q) หลายแบบจาลอง อาจใช SIC หรอ AIC เปนเกณฑการตดสนเพอเลอกแบบจาลองพยากรณ
ขนตอนท 3: ตรวจสอบรปแบบจาลอง (ปญหา Autocorrelation) ดวยวธ Ljung-Box Q-statistics ขนตอนท 4: พยากรณ ออกไปขางหนาจานวน n ชวงเวลา และอาจทาการเปรยบเทยบ
ประสทธภาพ(ความแมนยา)ของแบบจาลองพยากรณ (Forecast Evaluation Statistics) ไดแก ME, RMSE, MAE MPE และ MAPE
Page 11 of 28
อาจารย ดร.เฉลมพล จตพร
การกาหนดรปแบบ ARIMA(p,d,q) เบองตน
การกาหนดรปแบบ p, d และ q ของ ARIMA หรอ ARMA พจารณาออกเปน 3 สวน คอ1.1) ระบ I(d) (Order of integration) หรอ อนดบความหยดนง
d พจารณาจาก กราฟ Correlogram หรอ การทดสอบ Unit root 1.2) ระบ AR(p) ดวยวธ Correlogram
- p พจารณาจาก Partial Autocorrelation Function (PACF), pk(zt)- ลาดบ p ใหพจารณาแทง (Spike) ทยนออกมาประมาณ 3-5 แทงแรก
1.3) ระบ MA(q) ดวยวธ Correlogramq พจารณาจาก Autocorrelation Function (ACF), pkk(zt)- ลาดบ q ใหพจารณาแทง (Spike) ทยนออกมาประมาณ 3-5 แทงแรก
การพจารณา AR(p) และ MA(q) เบองตน
รปแบบ Y ลกษณะ pk(zt), ACF ลกษณะ pkk(zt), PACFRandom walk ทกคาเปน 0 ทกคาเปน 0
ARIMA(1,1,0)AR(1), MA(0)
ลดลงเรวใกล 0 p11(zt) ≠ 0 โดยท pkk(zt) = 0 สาหรบ k = 2,…
ARIMA(2,1,0)AR(2), MA(0)
ลดลงเรวใกล 0 p11(zt) และ p22(zt) ≠ 0 โดยท pkk(zt) = 0 สาหรบ k = 3,…
ARIMA(0,1,1)AR(0), MA(1)
p1(zt) ≠ 0 โดยท pk(zt) = 0 สาหรบ k = 2,…
ลดลงเรวใกล 0
ARIMA(0,1,2)AR(0), MA(2)
p1(zt) และ p2(zt) ≠ 0 โดยท pk(zt) = 0 สาหรบ k = 3,…
ลดลงเรวใกล 0
ARIMA(1,1,1) ลดลงเรวใกล 0 ลดลงเรวใกล 0
Page 12 of 28
อาจารย ดร.เฉลมพล จตพร
การใชงานโปรแกรม GRETLเพอการพยากรณดวยวธ ARIMA(p,d,q)
GRETL
ตวอยาง: การพยากรณอนกรมเวลาอตราแลกเปลยนเงนบาทไทยกบดอลลารสหรฐอเมรกา (ex_us)
(Excel: forecasting01)
1.1 การตรวจสอบความหยดนง ดวยวธ ADF unit root
H0: Non-stationarity
สรป การตรวจสอบความหยดนงเพอระบ I(d) ดวยวธ ADF unit root พบวา ex_us มความหยดนง ณ ผลตางอนดบ 1 ดงนน I(d) = I(1) จงตองใชแบบจาลอง ARIMA(p,1,q)
Page 13 of 28
อาจารย ดร.เฉลมพล จตพร
1.2 และ 1.3 การพจารณา AR(p) และ MA(q)
- MA(q) ==> ACF- ด 3 – 5 lag แรก- มแทง (Spike) ยนออกมาอยางเดนชด 1 แทง ==> MA(1)
- AR(p) ==> PACF- ด 3 – 5 lag แรก- มแทง (Spike) ยนออกมาอยางเดนชด 1 แทง ==> AR(1)
แบบจาลอง ARIMA(p,d,q) เบองตน คอ ARIMA(1,1,1)
ขนตอนท 2 ประมาณคาพารามเตอร
เงอนไข พารามเตอรพจารณานยสาคญทางสถตทระดบ 0.1 หรอมความมนใจท 90% ขนไป ยกเวน คาคงท (C) ยงคงไวในแบบจาลอง ถงแมจะไมมนยสาคญทางสถตกตาม (อานเพมเตม Brooks, 2008) ผลการวเคราะห พบวา แบบจาลอง ARIMA(1,1,1) ยงไมเหมาะสม เนองจากไมมนยสาคญทางสถตทคา
สมประสทธ phi_1 (AR) ดงน น จงตองกาหนดแบบจาลองใหมเปน ARIMA(1,1,0), ARIMA(0,1,1) หรอ ARIMA(0,1,0)
AR(p)AR(p)
MA(q)MA(q)NS
Page 14 of 28
อาจารย ดร.เฉลมพล จตพร
ขนตอนท 2: แบบจาลอง 1: ARIMA(1,1,0)
Model selection criterion ==> SIC = 175.8737แบบจาลองพยากรณทเหมาะสมจะตองไปมปญหา Autocorrelation
ขนตอนท 2: แบบจาลอง 2: ARIMA(0,1,1)
Model selection criterion ==> SIC = 173.5041แบบจาลอง 2 นมคา SIC ตากวาแบบจาลอง 1
Page 15 of 28
อาจารย ดร.เฉลมพล จตพร
ขนตอนท 2: แบบจาลอง 3: ARIMA(0,1,0)
Model selection criterion ==> SIC = 193.254แบบจาลอง 3 นมคา SIC มากกวาแบบจาลอง 1 และแบบจาลอง 2
ขนตอนท 3 ตรวจสอบรปแบบ ARIMA(1,1,0)
พจารณาจาก Autocorrelation (Ljung-Box Q-statistics) หากแบบจาลอง ท เ ลอกไม เหมาะสม ( ม ปญหา Autocorrelation) เกดขน จะตองทาการพจารณาเลอกแบบจาลองใหม ==> Identification
ผลการทดสอบสมมตฐานพบวาไมสามารถปฏเสธสมมตฐานหลก (H0) ได จงไมมปญหา Autocorrelation
H0 = ไมมปญหา Autocorrelation
ARIMA(1,1,0)
Page 16 of 28
อาจารย ดร.เฉลมพล จตพร
ขนตอนท 3 ตรวจสอบรปแบบ ARIMA(0,1,1)
ผลการทดสอบสมมตฐานพบวาไมสามารถปฏเสธสมมตฐานหลก (H0) ได จงไมมปญหา Autocorrelation อยางไรกตาม แบบจาลอง ARIMA(0,1,1) จะเปนแบบจาลองพยากรณทถกเลอกเนองจากใหคา SIC/AIC/HQIC
ตากวาแบบจาลอง ARIMA(1,1,0) และแบบจาลอง ARIMA(0,1,0)
H0 = ไมมปญหา Autocorrelation
ARIMA(0,1,1)
ขนตอนท 3 ตรวจสอบรปแบบ ARIMA(0,1,0)
ผลการทดสอบสมมตฐาน พบวา แบบจาลอง ARIMA(0,1,0) ปฏเสธสมมตฐานหลก (H0: ไมมปญหา Autocorrelation) จงพบปญหา Autocorrelation เกดขน ดงนน แบบจาลองดงกลาวจงไมเหมาะสมเพอใชในการพยากรณ
H0 = ไมมปญหา Autocorrelation
ARIMA(0,1,0)
Page 17 of 28
อาจารย ดร.เฉลมพล จตพร
ขนตอนท 4 พยากรณ (Forecast Evaluation Statistics)
ME RMSE MAE MPE MAPE ยงต า ยงด
(กรณเปรยบเทยบกบแบบจาลองอนๆ)
ขนตอนท 4 พยากรณ (จานวน 12 ชวงเวลา)
Page 18 of 28
อาจารย ดร.เฉลมพล จตพร
ฝกปฏบต: การพยากรณ ดวยวธ ARIMA(p,d,q) โดยใชโปรแกรม GRETL
GRETL
ฝกปฏบต 01 (Excel: forecasting01)
กจกรรม 1: พยากรณอนกรมเวลาดงตอไปน ex_eu ex_jp p_rice p_rubber
กจกรรม 2: พยากรณอนกรมเวลา p_rubber ในรปแบบฟงกชน logarithm (log) ==> log(p_rubber) แลวเปรยบเทยบกบ Forecast Evaluation Statistics กบกจกรรมแรก และพจารณาเลอกแบบจาลองพยากรณระหวางฟงกชน linear และฟงกชน log
Page 19 of 28
อาจารย ดร.เฉลมพล จตพร
การพยากรณดวยวธ Seasonal ARIMA(p,d,q)(P,D,Q)s
==> Identification
==> Estimation
==> Diagnostic Checking
==> Forecasting
==> Seasonal ARIMA(p,d,q)(P,D,Q)s
การพยากรณ ดวยวธ SARIMA(p,d,q)(P,D,Q)s
การพยากรณดวยวธ Seasonal ARIMA (SARIMA) พฒนามาจากแบบจาลอง ARIMA(p,d,q) ของ Box and Jenkins (1970) โดยพจารณาความเปนฤดกาล(Seasonality) เขาไปในแบบจาลอง ARIMA(p,d,q) (อครพงศ อนทอง, 2555; Box et al., 1994)
ขนตอนในการพยากรณ ดวยวธ SARIMA(p,d,q)(P,D,Q)s ประกอบดวย 4 ขนตอน เชนเดยวกบการพยากรณ ดวยวธ ARIMA(p,d,q) เพยงแตใหพจารณาพารามเตอร Seasonal I(D), Seasonal AR(P) และ Seasonal MA(Q) เขาไปในแบบจาลอง ARIMA(p,d,q) ในชวงการระบรปแบบ (Identification) ในขนตอนท 1
Page 20 of 28
อาจารย ดร.เฉลมพล จตพร
โครงสรางแบบจาลอง SARIMA(p,d,q)(P,D,Q)s
โดยกาหนดให 1 ϕ L คอ Non-seasonal AR ณ ลาดบท p, 1 Φ L คอ Seasonal AR ณ ลาดบท P, 1 L คอ Non-seasonal order of integration ณ ลาดบท d, 1 L คอ Seasonal order of integration ณ ลาดบท D, 1 θ L คอ Non-seasonal MA ณ ลาดบท q, 1 Θ L คอ Seasonal MA ณ ลาดบท Q, และ s หมายถง องคประกอบฤดกาล
1 ϕ L 1 Φ L 1 L 1 L Y 1 θ L 1 Θ L ε 1 ϕ L 1 Φ L 1 L 1 L Y 1 θ L 1 Θ L ε
อานเพมเตม Box et al. (1994) Makridakis et al. (1998) และ Diebold (2008)
1 β L 1 L 1 β L 1 L Y 1 γ L 1 γ L ε1 β L 1 L 1 β L 1 L Y 1 γ L 1 γ L ε
หรอ
การระบรปแบบจาลอง SARIMA(p,d,q)(P,D,Q)s เบองตน
ตรวจสอบความหยดนง Non-seasonal I(d) ดวยวธ ADF unit root ตรวจสอบความเปนฤดกาล จาก Correlogram (ACF) โดยหากพบ Lag ทเปน
Seasonal ยนมาอยางชดเจน (มความแตกตางไปจากศนย) จะถอวาอนกรมเวลาดงกลาวมความเปนฤดกาลเปนองคประกอบรวม
ตรวจสอบความหยดนง Seasonal I(D) ดวยวธ ADF unit root ΔdΔDY โดยหากผลการตรวจสอบความหยดนงปฏเสธสมมตฐาน ณ นยสาคญทางสถตทระดบ 0.1 (หรอ 0.05) จะถอวา Y มความหยดนงทอนดบ Seasonal I(D) = I(1)
ตรวจสอบ Correlogram ของ ΔdΔDY โดยใหพจารณา 3-5 Lag แรก เพอกาหนด AR(p) และ MA(q) และใหพจารณา Lag ทเปน Seasonal เพอกาหนด SAR(P) และ SMA(Q) ตามลาดบ
หมายเหต: อาจใช HEGY (Seasonal unit root) test ตรวจสอบเพมเตมได
Page 21 of 28
อาจารย ดร.เฉลมพล จตพร
เงอนไขการพจารณา SAR(P) และ SMA(Q)
รปแบบฤดกาล Y ลกษณะ pk(zt), ACF ลกษณะ pkk(zt), PACF
SAR(1)12 p12, p24 ,... ลดลงเรวใกล 0 p12,12≠ 0 โดยท pkk = 0 สาหรบ k = 24, 36,…
SAR(2)12 p12, p24 ,... ลดลงเรวใกล 0 p12,12 และ p24,24≠ 0 โดยท pkk = 0 สาหรบ k = 36, 48,…
SMA(1)12 p12≠ 0 โดยท pk = 0 สาหรบ k = 24, 36,…
p12,12, p24,24 ,... ลดลงเรวใกล 0
SMA(2)12 p12 และ p24≠ 0 โดยท pk = 0 สาหรบ k = 36, 48,…
p12,12, p24,24 ,... ลดลงเรวใกล 0
ตวอยาง: การพจารณา SAR(P) และ SMA(Q)
- ไมพบ MA(q)- SMA(Q) = SMA(1)4
- ไมพบ AR(p)- SAR(Q) = SAR(1)4 SAR(2)4
SAR(1)4 SAR(2)4
SMA(1)4
แบบจาลอง SARIMA(p,d,q)(P,D,Q)s เบองตน คอ SARIMA(0,1,0)(2,1,1)4
* เปนขอมล(รายไตรมาส) มอนดบ ความหยดนง I(d) และ I(D) เทากบ 1
AR(p)
MA(q)
Page 22 of 28
อาจารย ดร.เฉลมพล จตพร
A Warning“Since in practice we do not observe the theoretical ACFs and PACFs and rely on their sample counterparts, the estimated ACFs and PACFs will not match exactly their theoretical counterparts. What we are looking for is the resemblance between theoretical and sample ACFs and PACFs so that they can point us in the right direction in constructing ARIMA models. And that is why ARIMA modeling requires a great deal of skill, which of course comes from practice.”
(Gujarati and Porter, 2009)
การประยกตใชตวแปรหน Trend และ Seasonal Dummies เพอการพยากรณ
เอกสารแนะนา
Diebold, F. X. (2008). Elements of forecasting. 4th edition. South-Western CengageLerning, Ohio.
เฉลมพล จตพร, พฒนา สขประเสรฐ. (2559). ตวแบบพยากรณผลผลตและปรมาณสงออกยางพาราของประเทศไทย. แกนเกษตร, 44(2), 219-228.
Page 23 of 28
อาจารย ดร.เฉลมพล จตพร
การพยากรณดวยสมการถดถอยโดยใชตวแปรหนฤดกาลและแนวโนมเวลา
การพยากรณดวยสมการถดถอยโดยใชตวแปรหนฤดกาล (Seasonal dummies) และแนวโนมเวลา (Time trend) เปนเทคนคทางสถตทใชประมาณคาพารามเตอรดวยวธกาลงสองนอยทสด แสดงตวแบบไดดงน
โดยกาหนดใหY คอ ตวแปรทใชในการพยากรณ, t คอ ชวงเวลา, Time คอ แนวโนมเวลา, Di คอ ตวแปรหน
ฤดกาล เมอ i เทากบ 1, 2, 3, …, s โดยกาหนดให s คอ จานวนความถในรอบฤดกาล, α δและ βคอ สมประสทธประมาณคาพารามเตอร และ ε คอ ความคลาดเคลอน (Error)
Y δTime β D εY δTime β D εY α δTime β D εY α δTime β D ε หรอ
การใชงานโปรแกรม GRETLเพอการพยากรณ Seasonal time series
GRETL
Page 24 of 28
อาจารย ดร.เฉลมพล จตพร
ตวอยาง (Excel: forecasting02)
กรณศกษา: พยากรณ gdp ดวยวธ Regression + Trend + Seasonal dummies พยากรณ gdp ดวยวธ SARIMA(p,d,q)(P,D,Q)4
พยากรณ gdp ในรปแบบฟงกชน log ดวยวธ SARIMA(p,d,q)(P,D,Q)4
เปรยบเทยบประสทธภาพ(ความแมนยา)ของแบบจาลองพยากรณ (Forecast Evaluation Statistics)
พยากรณออกไปขางหนา จานวน 4 ชวงเวลา จากแบบจาลองทมความเหมาะสมทสด โดยใชเกณฑ Forecast Evaluation Statistics
การเปรยบเทยบประสทธภาพ(ความแมนยา): gdp
Model RMSE/MAPERegression with Trend + Seasonal dummies 1.6901e+005/10.082SARIMA(1,1,1)(2,1,0)4 67315/2.1916SARIMA(0,1,1)(0,1,1)4 64449/2.0925Log-SARIMA(0,1,0)(2,1,0)4 76035/--------
Log-SARIMA(0,1,0)(0,1,1)4 66065/--------
หมายเหต: แบบจาลอง SARIMA(p,d,q)(P,D,Q)s ทแสดงในตาราง เปนเพยงแบบจาลองตวอยางเบองตน ซงอาจพบไดมากกวาน อยางไรกตาม อาจใช SIC/AIC หรอ Forecast Evaluation Statistics เปนเกณฑการเลอกแบบจาลองทมความเหมาะสมทสดตอไป RMSE ใน Log Function ไดถก Converse เพอใหสามารถเปรยบเทยบกบ Linear Function แลว MAPE ไมไดคานวณไวให แตสามารถคานวณไดจากสตรทใหไวกอนหนาแลว
Page 25 of 28
อาจารย ดร.เฉลมพล จตพร
ผลพยากรณ แบบจาลอง SARIMA(0,1,1)(0,1,1)4
ฝกปฏบต: การพยากรณ Seasonal time seriesดวยโปรแกรม GRETL
(Time series forecasting using GRETL)
GRETL
Page 26 of 28
อาจารย ดร.เฉลมพล จตพร
ฝกปฏบต 02 (Excel: forecasting02)
กจกรรม (งานกลม): พยากรณอนกรมเวลาดงตอไปน gdp_agr gdp_fish
gdp_const
gdp_energy
เงอนไข: วธพยากรณ Regression + Trend + Seasonal Dummies SARIMA(p,d,q)(P,D,Q)s Log-SARIMA(p,d,q)(P,D,Q)s
ใหหาแบบจาลองตวอยาง วธละ 1 แบบจาลอง พรอมพจารณาประสทธภาพความแมนยา
ฝกปฏบต 03 (Excel: forecasting01)
กจกรรม (งานเดยว): พยากรณอนกรมเวลาดงตอไปน ดวยวธ SARIMA(p,d,q)(P,D,Q)s q_cassava ex_qrubber ita
Linear Function VS. Log Function
Page 27 of 28
อาจารย ดร.เฉลมพล จตพร
บรรณานกรม
ราชบณฑตยสถาน . (2554). พจนานกรม ฉบบราชบณฑตยสถาน . (พมพค รงท 2). นานมบคสพบล เคชนส : กรงเทพมหานคร.
อครพงศ อนทอง. (2555). เศรษฐมตวาดวยการทองเทยว. โครงการเมธวจยอาวโส, สานกงานกองทนสนบสนนการวจย(สกว.). ลอคอนดไซนเวรค: เชยงใหม.
Box, G. E. P, Jenkins, G. M. (1970). Time series analysis, forecasting and control. Holden Day: San Francisco.Box, G. E. P., Jenkins, G. M., Reinsel, G. C. (1994). Time series analysis: Forecasting and control. (Third edition).
Englewood Cliffs, Prentice-Hall: New Jersey. Brooks, C. (2008). Introductory econometrics for finance. Cambridge University Press: New York.Gujarati, D. N., Porter, D. C. (2009). Basic econometrics. (Fifth edition). McGraw Hill: New York.Hornby, A. S. (2010). Oxford advanced learner’s dictionary. (Eighth edition). Oxford University Press: Oxford.Makridakis, S., Wheelwright, S., Hyndman, R. J. (1998). Forecasting methods and applications. (Third edition). John
Wiley & Sons: New York.
อาจารย ดร.เฉลมพล จตพรE-mail address: [email protected]
Thank You (Q&A)
Page 28 of 28
อาจารย ดร.เฉลมพล จตพร