Buổi 7 ARIMA

B nó tăng liên tục đúng không? Nhưng mà nếu nhìn kỹ thì mình thấy là cái mức tăng của nó là ổn định. Ví dụ từ 10, 12 vân vân. Thì nếu mà ta lấy cái mức lương năm sau trừ bức lương năm trước á thì ta có cái bức tăng nó ổn định là 2 triệu đúng không nào. Thế thì cái kỹ thuật mà ta lấy cái sau trừ cho cái trước á ta gọi là kỹ thuật lấy sai phân. Sai phân tức là thay vì ra ta nghiên cứu cái giá trị thi thì ta nghiên cứu cái sự thay đổi biết của cái giá trị thi ha. Cái phần thay đổi như năm sau thay đổi xong mấy năm trước như thế nào đó thì cái đó là cái lấy sai phân thì nhiều khi cái giá trị y nó thay đổi nhưng khi ta lấy sai phân thì nó ra cái giá trị ổn định và nếu mà có giá trị ổn định thì chúng ta sẽ dự báo nó tốt hơn như vậy thì có ba cái thành phần kết hợp lại nha là đặc trưng cho auto regressive là tự hồi quy chữ i ở giữa cái từ an là cho cái sai phân và cuối cùng chữ ma là cho cái mô hình trung bình trược moving average. Kết hợp cái đó là chúng ta sẽ có một mô hình đầy đủ là ARMA.

Hôm nay chúng ta sẽ à đi xem toàn bộ các cái bài toán ARMA bao gồm các mô hình AR, mô hình MA, rồi cái kỹ thuật lấy sai phân. Chúng ta cũng có cái khái niệm là chuỗi thời gian dừng, thế nào chuỗi thời gian dừng, tính chất của chuỗi thời gian dừng và những cái dấu hiệu gì để cho biết chuỗi thời gian dừng bằng cách là chúng ta khảo sát đồ thị và chúng ta thực hiện các cái kiểm định để biết chuỗi thời gian dừng. Rồi các cái bước để mà tiến hành xây dựng một cái mô hình ARMA bao gồm là từ cái dữ liệu ban đầu thì chúng ta phải làm những cái việc gì ha, chẩn đoán cái mô hình nào sẽ phù hợp, thì sau đó sẽ thử các mô hình, so sánh các mô hình này, tìm và ước lượng các cái tham số của các mô hình và cuối cùng là nếu mà cái mô hình đó tốt thì chúng ta sẽ ứng dụng cái mô hình đó bằng cái việc dự báo ha. Thì chúng ta sẽ bắt đầu và cắt bước th ha. Cắt bước chạ.

>> Chỗ nào mà không rõ thì các bạn cứ cứ đặt câu hỏi. Em bà nữ tên là gì?

>> Dạ em Hà Anh ạ.

>> Hà Anh.

>> Dạ.

>> Còn một chị nữa là chị Giang.

>> Mô hình cũng là mô hình mà các bạn có thể dùng.

>> Có thể dùng cái.

>> Đọc lớn ch.

>> Bắt đầu luôn ha.

>> Dạ em thầy và các bạn. Vì hôm nay thì nhóm ba bọn em sẽ xin được trình bày về mô hình Arima. Thì vừa rồi thì em cũng định giới thiệu qua mô hình Arima nhưng mà thầy đã giới thiệu hết rồi. Thì à các bạn cũng nắm là mô hình Arima thì được cấu kết hợp từ ba thành phần. À thứ nhất là AR thì là phần tự phần tự hồi quy và mô tả quan hệ giữa giá trị hiện tại và các cái giá trị trước đó thì được dùng là bậc P. Thứ hai là phần I thì là phần sai phân biến đổi chuỗi không dừng thành chuỗi dừng. Và thứ ba là MA là phần trượt à phần trung bình trượt. Thì mô tả mối quan hệ giữa các a giá trị hiện tại và sai số ngẫu nhiên của các bước trước đó ạ. Và dùng bậc dùng bậc quy ạ. À về phần nội dung thì có chín nội dung. Theo đó thì em sẽ trình bày từ phần 8.1, 8.2 và 8.3. À về từ 8.4, 8.5, 8.6 thì là anh Phương trình bày và à ba tuần cuối là chị Giang trình bày ạ.

Ờ tiếp theo em xin được à nói về nội dung về tính dừng và sai phân. Và vì sao chúng ta phải nói đến các tính rừng và sai phân? Vì một yêu cầu quan trọng trong mô hình Arima là chuỗi phải dừng và nếu mà chuỗi không dừng ấy thì nó sẽ có xu hướng càng tăng dần hoặc là giảm dần hoặc là vùng vụ thì mô hình AR hoặc là MA sẽ không có thường sẽ không có hiệu quả. Vì vậy à chúng ta phải làm cho chuỗi dừng và cái phương pháp mà làm cho chuỗi dừng chính là sai phân. À ờ trước đây thì ờ đã chúng ta đã tiếp xúc với cái tính rừng này ở trong kinh tế lượng, đặc biệt là dữ liệu bảng gồm các chiều không gian và thời gian. Nhưng mà cũng như vừa thầy vừa nói thì trong mô hình ARMA chúng ta chỉ kết hợp chỉ làm việc chuỗi thời gian đơn biến và nên kiểm định và tính xử lý tính dừng thì theo chiều thời gian mà thôi.

Thì à ở đây có định nghĩa chuỗi thời gian dừng khi các thuộc tính của nó không không phụ thuộc vào thời điểm quan sát thì có thể và à các chuỗi thời gian có xu hướng hoặc có tính các chuỗi thời gian có xu hướng hoặc có tính mùa vụ thì không phải là chuỗi dừng và chuỗi nhiễu trắng là chuỗi dừng. Hay chuỗi dừng còn có thể nói cách khác là à kỳ vọng là không đổi theo thời gian, phương sai cũng không đổi theo thời gian và có thì à chỉ phụ thuộc vào độ trễ. à các định nghĩa liên quan đến chuỗi thời gian dừng thì có dừng chặt thì được định nghĩa là chuỗi thời gian dừng chặt nếu như với bất kỳ tập con kích thước n và bất kỳ số nguyên t1, t2 thì y(t1), y(t2), ..., y(tn) có cùng phân phối kết hợp với y(t1 + T), y(t2 + T), ..., y(tn + T). Thứ hai là dừng yếu thì dừng yếu là một định nghĩa nhẹ hơn và được hầu như được sử dụng trong kinh tế và được áp dụng với mô hình Arima. À và với dừng yếu thì chỉ cần thỏa hai điều kiện: thứ nhất là kỳ vọng không đổi và là hằng số. Thứ hai là covariance thì chỉ phụ thuộc vào khoảng cách của T mà không phụ thuộc vào thời điểm T ạ.

>> Ok. Cái tính dừng trong kinh tế lượng các em có có học chưa? Có cái tính dừng chưa? Thế thì trong kinh tế lượng định nghĩa nó là sao? Dừng khi nào? Khi mà các cái đặc trưng thống kê của nó đó nó không có phụ thuộc vào thời điểm. Có nghĩa là ví dụ mình quan sát tại lúc 9:00 hay là mình quan sát tại lúc 10:00 thì các cái đặc trưng thống kê. Đặc trưng thống kê gồm những cái gì nè? Trung bình nè, rồi phương sai nè, rồi các cái phân phối hình thức dạng phân phối vân vân á thì nó không phụ thuộc vào cái thời điểm mà chúng ta quan sát ha. Nó chỉ phụ thuộc vào cái khoảng cách thôi. Thí dụ như ta quan sát là có bao nhiêu cái cuộc gọi điện thoại đến trung tâm call center là chúng ta quan tâm cái gì? 1 giờ thì 1 giờ có thể như trong thực tế đó nha, 1 giờ cái số lượng cuộc gọi đến cái con center 1 giờ từ lúc 7:00 đến 8:00 nó sẽ khác với lại là từ 8:00 đến 9:00 đúng không? Khác với lại từ 9:00 đến 10:00. Tức là lúc đó cũng là cái khoảng thời gian 1 giờ nhưng mà nó phụ thuộc vào cái thời điểm thấy chưa? Còn tính nó nói là nó chỉ phụ thuộc vào cái khoảng cách thôi. Ví dụ là 1 giờ thì là 1:00 từ 7:00 đến 8:00 thì cái phân phối xác suất của nó cũng giống như là 1:00 từ 8:00 đến 9:00 và cũng giống như là 1 giờ từ từ 9:00 đến 10:00. Tức là nó chỉ phụ thuộc vào cái khoảng cách. Tỏi cách T này ở đây đúng không nào? Thí dụ ta quan tâm đến là y(t1) là cái thời điểm bắt đầu, y(t2) là cái thời điểm kết thúc. Thì trong cái khoảng thời gian t1 đến t2 nó có bao nhiêu cái cuộc gọi đến với cái trung tâm center T center đó đúng không nào? Thì tương tự như vậy là ở cái thời điểm là t1 cộng cho T, ví dụ như là thời điểm là 9:00 đến 10 giờ, sau đó là 12:00 đến 1:00 chiều thì cái số lượng cuộc gọi nó cũng giống như nhau. Thì khi người ta nói là cái phân phối kết hợp, phân phối kết hợp là gì? Tôi đầu là xảy ra đồng thời. Dụ giờ mình nói là chiều cao mình là 1,6, cân nặng của mình là 50 kg, xác suất mình là có bao nhiêu bạn ở đây có bao nhiêu cao rồi chiều cao là 1,7, cân nặng là 65 kg thì có bao nhiêu tức là kết hợp tất cả những cái giá trị của của y(t) và tất cả những cái giá trị có thể có của y(t+1) thì mỗi một cái cặp giá trị như vậy đó thì mình có một cái xác suất. Giá trị xác suất đúng không nào? Thì tương tự như vậy là cái phân phối kết hợp của cái y(t) cộng cho T. Tương tự như thế cũng có các giá trị xác suất thì các giá trị xác suất này nó tương đương như nhau, nó không phụ thuộc vào cái thời điểm bắt đầu. Thì khi mà ta nói là hai cái phân phối xác suất nó tương đương với nhau đó thì bao gồm các đặc trưng thống kê của nó sẽ như nhau. Đặc trưng thống kê ở đây là bao gồm gì? Các cái giá trị mà đặc trưng cho trung tâm ha. Thí dụ như là các cái giá trị trung bình, median, mode. Đặc trưng cho các giá trị trung tâm nó phải như nhau. Cái thứ hai là các cái giá trị đặc trưng cho độ biến thiên nó cũng như nhau. Những đặc trưng gì cho độ biến thiên nào? Phương sai, độ lệch chuẩn kia vân vân. Và cái thứ ba là cái hình dạng của cái phân phối. Nhớ khi mà chúng ta xác định hình dạng phân phối thì xác định là thứ nhất là cái độ lệch, để cho biết là cái phân phối chúng ta có đối xứng hay không. Nhớ mấy cái đó không? Rồi cái thứ hai là cái phân phối của chúng ta quá nhọn hoặc là quá phẳng đo bằng cái kurtosis. T nhớ hai cái điểm không? Như vậy thì hai cái phân phối mà nó nó như nhau thì đó có nghĩa là tất cả những cái đặc trưng thống kê của nó là như nhau. Thì những đặc trưng thống kê của nó sẽ bao gồm những giá trị về trung tâm nè, những giá trị về độ biến thiên nè và cái hình thức phân phối của nó là giống như vậy. Thì nó tóm lại là cái chuỗi thời gian dừng nói tóm lại là gì? Là những cái gì ở trong quá khứ thì nó có thể lặp lại giống như thế trong tương lai. Không phụ thuộc vào thời điểm mà chỉ. Những cái gì mà ngày hôm qua xảy ra thì ngày hôm nay nó cũng xảy ra giống như thế và ngày mai nó cũng xảy ra giống như thế đúng chưa nào? Thì tính cái tính lặp đi lặp lại của nó đó thì mình mới lấy cái giá trị trong quá khứ đúng không mình xây dựng cái mô hình để dự báo các giá trị trong tương lai. Còn nếu mà quá khứ mà nó không lặp lại giống như tương lai nó sẽ xảy ra giống như trong quá khứ đó thì mình không dùng cái mô hình. Ok chưa? Như vậy thì nói dài dòng về mặt hình thức tức là có phân phối xác suất thì giống nhau nhưng mà nói tóm lại là những cái gì đã xảy ra trong quá khứ thì nó cũng sẽ xảy ra như thế trong tương lai và chính vì nó xảy ra như thế trong tương lai cho nên chúng ta có thể dùng những cái giá trị quá khứ để dự báo các giá trị trong tương lai. Ok chưa? Như vậy thì cái cái tính nhìn quan trọng là cái gì? Cái móc thế đó ha. Thế thì người ta quy về quy về cái tính mà chúng ta áp dụng trong mô hình thứ nhất á là cái trung bình của nó không đổi. Thấy không? Trung bình không đổi. Còn nếu bây giờ mình trung bình có xu hướng thì sao? Thì lúc đó mình phải tìm cách sao mình biến đổi nó về cái trường hợp là trung bình không đổi bằng cách là mình tách xu hướng ra bằng cách là mình lấy sai phân gì đó vô đúng chưa nào? Như vậy thì cái thứ nhất á là cái trung bình của nó là hằng số, tức là cái trung bình nó sao? Ví dụ bây giờ mình có dữ liệu như vậy thì mình có áp dụng cái mô hình như đầu vô được không? Không được. Mình phải thực hiện một bài biến đổi gì đó đến khi mà mình có trung bình nó là một cái số. Đó là cái thứ hai là cái covariance của nó chỉ phụ thuộc vào khoảng cách thôi. Bây giờ mình quan sát là khoảng cách là 2 giờ thì cái covariance nó có thể khác với khoảng cách là 1 giờ nhưng mà cái thời điểm của cái khoảng cách đó ví dụ 1 giờ từ 8:00 đến 9:00 ha và 1 giờ từ 9:00 đến 10:00 thì cái mối quan hệ của nó là giống như nhau. Còn khi mình quan tâm là 1 giờ hoặc là 2 giờ cái khoảng cách của nó đó thì nó có thể khác được đúng chưa nào? Thì cái mối quan hệ giữa các cái giá trị cách nhau một đơn vị thời gian hoặc là cách nhau hai đơn vị thời gian cách nhau T đơn vị thời gian nào đó đúng chưa thì nó sẽ giống nhau. Thì trường hợp thứ hai đó là chỉ phụ thuộc vào khoảng cách và không phụ thuộc vào cái thời điểm. Thấy chưa? Như vậy thì ARMA sẽ áp dụng cho chuỗi dừng. Trường hợp mà chuỗi không dừng thì sao? Thì mình phải thực hiện một số cái biến đổi nào đó. Dĩ nhiên là khi mình biến đổi xong mình làm thì mình phải làm ngược lại đúng không nào? Cái sức cái cách là biến đổi ngược quả giá trị của sai phân.

Ờ trên đây là chín a đồ thị biểu thị về à chuỗi dừng và chuỗi không dừng ạ. Thì à như các bạn nhìn thấy ở bên trên hình thì có hình A, hình C, hình E và hình I là những chuỗi mà có xu hướng tăng hoặc là xu hướng giảm thì đấy là chuỗi dừng ạ. Ờ chuỗi F thì có thay đổi theo thời gian và đây là chuỗi dạng V à đâu, vanu ạ. Chuỗi này thì tí nữa sẽ nhắc đến ở các slide tiếp theo ạ. À tiếp theo là chuỗi D cũng là chuỗi có phương sai thay đổi theo thời gian nên hai chuỗi F và D là hai chuỗi không dừng. Còn chuỗi B và chuỗi G là những chuỗi dừng ạ.

>> Ok. Bây giờ mình nhìn đ chuỗi B. Nhìn chuỗi B mình thấy gì? Đa số nó sẽ là sao? Đa số >> nó dao động xung quanh một cái >> một cái đường ngang nào đó đúng không? Cái đường đó là không hoặc là một số nào đó có một cái giá trị đột biến. Thấy chưa? Thì cái giá trị nó đột biến như vậy hai giá trị trong cái thời gian mình mấy trăm hoặc làà giá trị một hai giá trị nó có thể là những giá trị bất thường. Đúng chưa? Chỉ dựa trên một hai giá trị đó mình không thể kết luận được là cái chuỗi một nhẽ. Mình dựa trên đa số mà đúng không? Bởi giờ mình có cái sản xuất như vậy nó tóm lại là cái giá trị mà chúng ta thấy nằm giữa 150 với 120 nó cao đột biến thì có thể nó là một cái outlier. Đa số các giá trị đều dao động xung quanh một cái hằng số đúng không nào? Thì đó là dấu hiệu cho chúng ta biết đó là về chuỗi dừng. Dĩ nhiên là nhìn trên đồ thị thì chúng ta không thể kết luận được, chúng ta chỉ có trực quan là có thể dừng nhưng là muốn xác nhận là nó dừng hay không thì chúng ta phải dùng các cái kiểm định ha. Nhìn chắc chắn là cái ví dụ cái chuỗi A, chuỗi C, E thấy gì không? Không >> không. Chỗ này chỗ này vi phạm hai cái điều kiện. Hai cái điều kiện. Kiện thứ nhất là gì? >> Nếu mà ta làm như vậy trung bình nó có phải là hằng số không? >> Không. >> Không. Và cái thứ hai là gì nữa? Cái cái hiệp phương sai nó sẽ sao nó có ổn định không? >> Nó thay đổi theo thời gian đúng không nào? Như vậy cái chuỗi này động cả hai vấn đề là thứ nhất á là có xu hướng đúng không? Đó tức là trung bình nó không phải là hằng số. Cái thứ hai cái hiệp phương sai của nó sẽ thay đổi theo thời gian. Được chưa nào? Còn cái này thì ta thấy là hằng số đúng không? Trung bình nó dao động xung quanh nó chỉ không và cái thứ hai biến thiên của nó khá đều, nó không có quá trên tần số độ lệch. Cái độ lệch chưa? Thì đó là cái dấu hiệu khi nhìn bằng đồ thị nha.

Ờ tiếp theo là cái cách dùng mà để chuyển đổi chuỗi thời gian từ không dừng thành chuỗi dừng đấy là lấy sai phân ạ. À thì ở đây thầy có một ví dụ liên quan đến giá cổ phiếu của Google. Nó không dừng nhưng mà khi mà thay đổi à giá trong à sai khi mà thầy sai phân thì nó có dừng. Thì hình ảnh đây là bên a trở lại của mô hình hai cái đồ thị. Cái A với lại là gì? A với lại B. Trở lại cái đồ thị trước á. Rồi đồ thị A là giá cổ phiếu Google ha. Đồ thị B là sai phân. Sai phân như vậy ở đây là gì? Sai phân thầy lấy lấy cái sau trừ cái trước chính là mức chi? Sự thay đổi của giá qua từng này đúng không? Đúng chưa? Thế thì bây giờ nếu mà nhìn vào cái mức giá Google ở cái đồ thị A thì thấy sao? Có có dao động ổn định không? Không. Đúng không? Thay đổi khá lớn. Còn sau khi mình lấy cái sai phân thì mình sẽ thấy sao? Dao động nó khá ổn định đúng không nào? Như vậy thì trường hợp này là cái chuỗi gốc ban đầu đó giá Google nó không dừng nhưng mà khi mình lấy cái độ chênh lệch tức là cái sai phân á thì có thể là chuỗi dừng. Đúng không nào? Dĩ nhiên là muốn chắc chắn chúng ta phải phải thực hiện kiểm định. Như vậy thì cái cách mà chúng ta lấy sai phân cái cách mà chúng ta chuyển đổi nhạy tương là chúng ta lấy sai phân. Còn nếu cái này đối với các anh chị phải làm sao nó có hai vấn đề luôn đó đúng không? Như vậy thì gặp trường hợp này mình thấy gì? Nhìn nè cái độ biến thiên nó thay đổi mà độ biến thiên thay đổi muốn giảm độ biến thiên thì làm gì không biết à mình dùng log hoặc là dùng hàm căn để mình áp dụng nó trước để giảm độ biến thiên rồi sao nữa? Sau đó thì nó vẫn còn xu hướng gì mình lại mình lại lấy sai phân được không nào? Như vậy thì sau này mình có nhiều kỹ thuật là có thể giảm độ biến thiên trước sau khi giảm độ biến thiên rồi mình giảm xu hướng đó thì mình làm được.

>> Dạ. Tiếp theo là về để nhận biết chuỗi dừng thì à à sẽ nhận biết ở đây là hàm tự tương quan ạ. À hàm tự tương quan giảm nhanh về không và chuỗi dừng khi mà hàm tự tương quan là ACF thì là càng giảm chậm. Thứ hai là chuỗi không dừng thì thường có R1 là tương quan bậc 1 lớn và dương. Tiếp theo là chuỗi dừng hầu hết hệ số tương quan nằm trong khoảng giới hạn là 95%. Thì ở trên hình thì có đây là là giá cổ phiếu có cái và là trục hàm tự tương quan thì nhận thấy là ở bên trái đúng không? Thì ACF nó sẽ giảm chậm và kéo dài. Chiều chiều >> với có nhiều có rất là nhiều cái giá trị ACF vượt quá ngưỡng. Nhớ không? Cái cái ngưỡng. Cái ngưỡng này bây giờ phải nhìn nhớ bản chất mình có cái ngưỡng. Cái hàm ACF hay cái viền xanh xanh này là cái gì? Nếu mà các cái R nằm trong cái viền đó thì tỏ gì? >> Có tự tương quan không? Nếu R mà nó nằm trong cái viền đó tức là nó gần giá trị gì? R mà nằm trong hai cái viền xanh xanh đó thì nó mới gần gì? Gần không. Gần không có nghĩa là có tự tương quan không? Không có tự tương quan đúng không? Còn nếu mà R mà nó vượt qua qua cái ngưỡng đó rõ là có cái tự tương quan cao. Thì cái chuỗi bên trái đó là cái chuỗi gốc ban đầu người ta thấy khi vẽ vật ACF á thì thứ nhất á là nó nhiều cái nó vượt quá ngưỡng nè. Cái thứ hai là nó giảm rất là chậm về không đúng không? Nhiều cái nó giảm từ không. Và cái bên phải tất cả những giá trị đều trong cái gần không. Hay nói cách khác là nó khác không có ý nghĩa thống kê. Cái này là cái mức độ khác không. Mức độ nó khác không có ý nghĩa thống kê với cái độ tin cậy 95% ha. Với độ tin cậy 95% hay nói cách khác là nếu chúng ta đi kiểm định á cái giả thiết mà nó bằng 0 với độ tin cậy 95% á thì đối với cái trường hợp này chúng ta không bác bỏ giả thiết H0 là R(k) = 0. R1 tức là tương quan giữa y(t) với y(t-1). R2 là giữa y(t) với y(t-2). Rk thẳng quá là giữa y(t) với y(t-k) đúng nào? Thì nó không có tương quan tức là nó khác 0 là R(k) = 0 đúng chưa nào? Và nếu mà cái giá trị mà nó nằm ở trong cái miền cái miền xanh xanh ở trên ở dưới đó là nếu mà vượt quá cái ngưỡng đó thì chúng ta bác bỏ cái giả thiết H0. Nếu mà nằm trong cái miền đó thì chúng ta không bác bỏ giả thiết H0. Chúng ta nên thận là là không có tự tương quan đúng không nào? Mà nếu mà tất cả các cái hệ số tương quan từ 1 đến K mà nó đều không có không có ý nghĩa thống kê là độc lập là chuỗi dừng.

Vâng. Tiếp theo là về mô hình bước ngẫu nhiên thì sai phân là bước đầu tiên để biến đổi chuỗi không chuỗi không dừng thành dừng và sự khác biệt là sự thay đổi giữa hai quan sát liền kề à tại thời điểm t và t-1 ạ. Thì à ví dụ như là và à nếu như thế thì sẽ mất đi một quan sát đầu tiên tính từ khi tính sai phân thì có nghĩa là nếu như mà mình có bốn quan sát thì sau khi sai phân mình chỉ còn ba quan sát thôi. À thứ hai là khi a mô hình à và mô hình bước ngẫu nhiên là mô hình mà điển hình cho chuỗi không dừng và mô hình được viết thành.

Thế cái đoạn này em >> em hiểu thì em sẽ hiểu từng dưới chuẩn lên. Ok. Ví dụ như là mô hình nhiễu ngẫu nhiên sẽ bằng từ y(t) bằng y(t-1) + epsilon(t). Thì >> thì có nghĩa là giá trị hiện tại sẽ bằng giá trị quá khứ cộng thêm một nhiễu ngẫu nhiên. Vì thế có kỳ vọng và phương sai thay đổi theo thời gian thì chuỗi sẽ không dừng. Đấy là về mô hình ô hình R(1) ạ. Mô hình của bước ngẫu nhiên. Còn nhớ cái khái niệm nhiễu trắng không? White noise. Còn nhớ không? Sai số được gọi là noise khi nào? Noise là cái mà chúng ta muốn đâu có sai số phải có đó nhớ không nè? Thì phải có gì? >> Trung bình bằng không? Cái thứ hai là gì? >> Mà cái quan trọng nhất là gì? >> Không có tự tương quan. Không có tự tương quan đúng không? Tức là những cái giá trị epsilon(t-1) nó không có tương quan với nhau thì chúng ta sẽ sẽ có cái epsilon(t) là white noise. Thì mà trừ cho y(t-1) mà bằng epsilon(t) tức là white noise á thì chúng ta có thể viết lại mô hình chuyển qua. Thì tại sao mô hình này gọi là AR(1)? Bây giờ lấy y(t) - y(t-1) chính là gì? Có phải là bước tăng hoặc bước giảm? Tức là ví dụ như lương mình hồi xưa là 10 triệu, bây giờ lương mình 12 triệu thì là kỳ này y(t-1) là trước thì phải lấy là 12 - 10 không? Tức là cái bước tăng đúng không? Bước tăng hay khác là cái cái bước đi của mình mỗi lần mình tiến ra 1 năm thì mình thay đổi bao nhiêu đúng không nào? Thì ta gọi là cái cái bước đi. Nhưng mà bước đi đây nó bằng gì? Bước đi đây có xác định không? Nó bằng cái gì? Nếu mà mình trừ đây thì bước đi của mình là gì? Thấy chính bước đi y(t) chính là gì? Chính là cái đại lượng ngẫu nhiên. Cho nên là người ta gọi cái mô hình này nè. Cái mô hình là lấy cái sau trừ cái trước tức là một mỗi một bước thay đổi của mình á nó là một cái giá trị ngẫu nhiên. Thì cái sau trừ trước phải gọi là mô hình là mô hình bước ngẫu nhiên. Đúng chưa? Thì mô hình bước ngẫu nhiên có thể viết lại là y(t) sẽ bằng y(t-1) + epsilon(t). Cái mô hình gì mà mình học dùng cái mô hình này dự báo cái hàm gì hàm gì mà dùng cái trước đó dự báo cái sau trong phương pháp dự báo cơ bản mình không coi đó mô hình gì sẽ phù hợp cho cái cái gì mà hàm gì trong trong này là phù hợp cho cái này? >> AR(1) >> AR(1). Mình đọc phải nhớ kể đây không? >> Lấy cái sau dự báo cái trước đó. >> Được không? Lấy cái hôm qua dự báo cái ngày hôm nay đó chứ đúng chưa nào? Thế thì cái mô hình trong trường hợp bước đi ngẫu nhiên này thì cái hàm dự báo chúng ta sẽ dùng những cái hàm AR(1) để dự báo giá trị đó.

À tiếp theo là mô hình ngẫu nhiên thì thường mình cho chuỗi không dừng vào trong a bước mô hình ngẫu nhiên thì thường dùng cho những chuỗi không dừng. Và trong a tài chính kinh tế thì à ví dụ như là à lý do là giá ngày hôm nay sẽ bằng giá ngày hôm qua cộng với một yếu tố bất ngờ thì từ đó có là mô hình bước ngẫu nhiên thường có xu hướng tăng hoặc giảm trong nhiều kỳ và thay đổi đột ngột và khó đoán trước ạ. Và như thầy vừa nói là phương pháp AR(1) là thường được dùng để dự báo mô hình này ạ. À ở slide trước thì đã có mô hình ngẫu nhiên cơ bản. À trong đó thì sự thay đổi giữa hai thời điểm chỉ phụ thuộc vào một nhiễu ngẫu nhiên à tức là chuỗi không có xu hướng rõ ràng. Tuy nhiên trong thực tế thì đặc biệt là dữ liệu kinh tế và tài chính thì ta thường thấy có một xu thế tăng hoặc là giảm ổn định qua thời gian. Vì vậy mô hình ngẫu nhiên được mở dụng mở rộng thêm là mở thêm một hằng số Còn được gọi là mô hình trượt ạ. Mô hình ngẫu nhiên trượt ạ.

>> Hồi nãy đó chúng ta xét là cái mô hình lấy y(t) - y(t-1) bằng tham số ngẫu nhiên. Tức là cái sự thay đổi á cái mức thay đổi đó chúng ta không biết trước được không? Còn cái này là cái mức thay đổi nó sẽ dao động xung quanh một hằng số. Nó tóm lại là cứ lương mình đều đều theo hệ vật gì đó cứ mỗi năm mình tăng thêm 2 triệu đúng không? Thì cái C đó chính là cái 2 triệu của mình. Có thể là theo cái theo cái năng lực hay là theo kết quả kinh doanh gì đó vân vân thì nó có thể cao hơn 2 triệu xíu, thấp hơn 2 triệu một xíu. Thì cái đó đặc trưng bởi cái epsilon(t). Ok chưa? Còn cái hồi nãy là tăng hay giảm bao nhiêu mình không biết trước luôn. Còn cái này là tăng hay giảm bao nhiêu thì nó dao động xung quanh một cái mức trung bình. Thì cái mức trung bình đó là cái C được chưa nào? Thế thì ta gọi những mô hình này là mô hình mà bước ngẫu nhiên mà có thêm cái số C là đặc trưng cho cái mức trừ đúng không? Thì mức thay đổi trung bình.

>> Dạ. Và C là thay đổi trung bình giữa hai quan sát liền kề thì C dương thì chuỗi y(t) sẽ tăng còn C nhỏ hơn 0 thì chuỗi có xu hướng giảm và C nếu C bằng 0 thì lại quay lại mô hình ngẫu nhiên chuẩn ban đầu ạ.

Vậy ứng tiếp theo là khi mà chúng ta sai phân bậc một xong mà vẫn chuỗi vẫn chưa dừng thì chúng ta tiếp tục sai phân tiếp đến bậc hai thì à và sai phân bậc hai à thực sự cần à thực sự cần vì à sai

Phân có quá nhiều sẽ ít khi lấy sai m ít khi lấy sai phân bậc cao hơn. Bởi vì là nếu mà lấy cao hơn thì sẽ bị mất thông tin và loại. Nếu mà như thế chúng ta sẽ loại bỏ hết xu hướng và làm quá nhiều mô hình mất ổn định và trở nên mất ý nghĩa thống kê, kinh tế.

Ok. Thí dụ bây giờ mình áp dụng ý nghĩa thực tế đi nha. Mình đi a mình đi xe gắn máy đi trung bình là 40 km/h thì mình có là vận tốc đúng không? Rồi nếu mình đang đi 40 km/h xong mình tăng lên 45 km/h thì cái 5 km đó gọi là cái gì? Đang đi 40 xong rồi tăng 45 thì cái phần mà 5 km nó thay đổi gọi là cái gì?

Gia tốc như vậy thì cái chính là gì? Chính là gia tốc thôi. Lấy 45 - 40 đúng không nào? Như vậy thì ý nghĩa kinh tế trong trường hợp này áp dụng trong bài toán đi thì sai phân bậc 1 chính là gia tốc. Được không?

Rồi bây giờ giả sử như ở km đầu tiên mình đang tăng tốc mình từ 40 lên 45 sau đó bắt đầu mình tăng tiếp từ 45 lên 60 được không? Thế thì thứ nhất gia tốc trong cái km đầu tiên nó là bao nhiêu?

Là 5. Gia tốc trong cái thứ hai là bao nhiêu?

45 lên là 15. Như vậy thì sai bậc hai là lấy 15 là mình lấy trừ đúng không? Mình trừ nữa. Lấy 15-5 là 10. 10 nó cho biết cái gì? 10 gì? Hồi nãy là gia tốc rồi, bây giờ 10 cho biết là cái gì không? À mức tăng của cái gia tốc, thay đổi của cái gia tốc đúng không? Như vậy thì ta thấy là áp dụng cho bài bài bài toán bài vận tốc đi thì lưu ý nha. Sai phân bậc một chính là cái gia tốc, sai phân bậc hai chính là cái sự thay đổi của gia tốc. Bây giờ sai phân bậc ba là cái gì? Sự thay đổi của sự thay đổi gia tốc đại khái đến lúc này là ý nghĩa nó bắt đầu kém rồi đúng không? Đúng chưa? Như vậy thì người ta nói á là thông thường người ta lấy sai bậc hai thôi chứ hiếm khi lấy sai bậc cao hơn. Tại vì cái sai bậc cao hơn nó có ý nghĩa thực tế nó kém đúng không nào? Mình không bao giờ giả thực tế được chưa?

Rồi bây giờ thử nha. Nếu mà bây giờ phân bậc của mình dao động xung quanh một cái hằng số được không? Và cái trường hợp động thứ hai là sai phân bậc hai của mình dao động xung quanh một cái hằng số. thì nó khác nhau chị như thế nào? Thí dụ giờ nha là mình đang đi 40 xong mình thay mình tăng lên 45 xong mình tiếp tục mình tăng lên là 50 mình tăng lên là 55 cứ đều đặn như vậy mỗi sau một khoảng 1 giờ thì mình tăng lên là 5 km thì lúc đó cái sai phân bậc một của mình á nó là một dao động xung quanh một cái hằng số đúng không? Tức là trở lại đó thấy không? Lấy cái y trừ từ một cái dao động xung quanh C cộng với một dĩ nhiên trên nặng gì đó một cái đúng chưa? Đó chính là cái mô hình mà random walk mà có cái trượng được chưa?

Rồi suy nghĩ thêm xíu nè. Bây giờ không phải là sai phân bậc một là hằng số vừa mới nói sai phân bậc một hằng số đúng không? Bây giờ sai phân bậc hai là hằng số khác 0 thì có nghĩa là sao? Có nghĩa là đầu tiên mình là tăng 5 km nè. Xong rồi sau đó giờ thứ hai mình tăng bao nhiêu? Thí dụ sai phân đó là bậc hai là một đơn vị đi thì sau đó sẽ là nhiêu?

6. Sau đó sẽ là nhiêu?

Mức tăng á là 7 đúng không? Bây giờ mình xem đi nha. Đây là nè. Bây giờ mình 40 đúng không? Rồi giả sử như là cái phân mình là đều đặn là 5 đúng chưa? Rồi thì sau đó mình sẽ là bao nhiêu? Đây là 45 được không? Rồi 45 tiếp theo gì? 45 mình tăng lên 5 thì giả sử này là xong phân bậc 1 nè y' đi b này là y2' đi giả sử nha giả sử mình đầu tiên là đơn vị là 1 tức là thay đổi của gia tốc á thì 40 không sau đó mình tăng lên là 45 sai phân bậc hai nằm ở đây cái đầu này không có ha nữa rồi như vậy thì chỗ này sẽ bao nhiêu 45?

Mình tăng lên là 45 ở cái đầu tiên 45 đúng không? Rồi sau đó vẫn là vẫn là 5 nhưng mà lần tiếp theo nó sẽ là nhiêu phải 50 không phải 50 không 45 cộng cho cái gia tốc 5 mà gia tốc bây giờ nó đã tăng thêm một đơn vị nữa rồi tức là cộng thêm cho 6 thành ra là 51 v tiếp sau đó nó sẽ là nhiêu 51 cộng cho 7 nữa thì nó là 58 thấy không thì mình thấy là cái mức thay đổi của vận tốc ban đầu á nó còn là một hàm tuyến tính không? Hồi nãy là 40 45 50 55 nó là một đường thẳng đúng không? Còn nếu mà trường hợp như thế này thì bây giờ nó còn là một đường thẳng nữa không? Thấy cái mức tăng thấy không? Nó nó 45 xong rồi lên là bao nhiêu? 51 rồi tới 58 là bao nhiêu nữa? 58 là bao nhiêu?

67.

À 67 km vân vân tăng khác đúng không? Vậy thì lưu ý cái cái ý này nha. Tức là thứ nhất á là nếu mà cái sai phân bậc một của mình dao động xung quanh một cái hằng số đó thì cái mức độ thay đổi của biến mặt đồng nó sẽ làm tuyến tính ha. Còn nếu mà cái sai phân bậc hai của mình á là cái hằng số á thì cái giá trị ban đầu mình sẽ thay đổi theo một hàm tuyến tính ha. Dĩ nhiên là là cao hơn nữa sẽ 134 và mà là hằng số thì nó sẽ tiếp tục là một hàm tuyến tính được đúng không nào? Lưu ý cái đó để cái lỡ mình vào mô hình mình sẽ thấy có dụng à vậy như vậy thì ta đã thấy rằng là nếu để loại bỏ xu hướng tuyến tính thì ta sử dụng sai phân bậc một bậc hai. Vậy à nếu như trong chuỗi đường cong hoặc tăng tốc xi không được hai có thể áp dụng được thì tuy nhiên trong thực tế thì xu hướng dài hạn thì còn có tồn tại tính mùa vụ nhá. Vì vậy đấy nên là chúng ta phải có sai phân thêm sai phân mùa vụ ạ. Sai phân mùa vụ là chênh lệch giữa giá trị của quan sát và quan sát trước đó có cùng mùa. Ví dụ như chênh lệch giữa doanh thu quý tư năm 2023 và doanh thu quý tư năm 2022 ạ. Công thức là it' sẽ bằng it trừ it trừ m và m là một vụ m có thể là 4 hoặc theo quý và 12 theo năm ạ.

Ok. Thí dụ bây giờ mình dữ liệu mình đã quý đi thì sai phân cấp 1 lúc nãy đó thí dụ mình muốn tính cho quý tư sai phân bình thường cấp 1 lúc nãy thì mình sẽ lấy là số liệu của quý tư mình trừ cho số liệu của gì hồi nãy đó quý tư trừ cho trước đó một kỳ tức là gì?

Trừ cho quý 3 đúng không? Rồi quý 3 thì trừ cho quý 2 quý 2 thì trừ cho quý 1 tức là cái sai phân cấp 1 hồi nãy là trừ cho cái kỳ liền kề trước đó đúng chưa? Còn cái sai phân mùa vụ là gì? Muốn tính sai phân mùa vụ của quý tư thì ta sẽ trừ cho cái giá trị có cùng mùa trước đó. Như vậy là quý tư của năm nay sẽ là cái gì? Quý tư năm trước đúng không? Như vậy thì phân biệt hai cái nha. Sai phân bình thường đó thì chúng ta sẽ lấy là quý tư trừ quý 3. Còn sai phân mùa vụ thì chúng ta sẽ lấy quý tư năm sau trừ cho quý tư năm trước. Tương tự như vậy. Bây giờ nếu mà tháng dữ liệu mình là dữ liệu tháng là mình tính cho sai phân bình thường của tháng 11 thì mình sẽ lấy số liệu của tháng 11 mình làm cái gì? Trừ cho tháng 10 đúng không? Tháng 10 thì mình lấy là của tháng 10 trừ tháng 9, tháng 9 thì mình lấy là tháng 9 trừ tháng 8 này kia vân vân. Còn nếu mà sai phân mùa vụ đó mà số kỳ chúng ta là 12 thì chúng ta sẽ lấy tháng 11 năm sau là sao?

Trừ cho cái tháng 11 năm trước ha. Như vậy nó tóm lại là nếu mà mà mình mình thấy cái này là gì? Mình hay so sánh nó ví dụ doanh thu cùng kỳ đúng không? Mình hay khi người ta nói doanh thu cùng kỳ chứ là mình đang tính gì, mình so sánh gì hay xem cái số liệu đó ví dụ mình nói là doanh thu cùng kỳ thay đổi bao nhiêu đơn vị hay thay đổi bao nhiêu phần trăm đó tức là chúng ta quan tâm đến cái gì tính ra cái sai phân mùa vụ này đúng không tức là chúng ta lấy cái số liệu của kỳ này so với số liệu của cùng kỳ trước đó tháng 11 này so với tháng 11 trước đó đúng không tháng 10 này so với tháng 10 trước đó còn nếu mà sai phân bình thường tháng này trừ tháng trước Ok ha. Phân biệt hai cái ha.

Rồi ờ nếu chuỗi sai phân mùa vụ là nhiễu trắng thì ta có mô hình chuỗi dữ liệu gốc là IT sẽ bằng IT trừ m cộng epsilon thì có nghĩa là chuỗi sau khi lấy sai phân mùa vụ không còn cấu trúc xu hướng hay mùa vụ gì nữa và còn lại là nhiễu ngẫu nhiên. à giá trị dự báo bằng giá trị quan sát cuối có cùng mùa và phương pháp sử dụng lag.

Còn nhớ cái hàm n cái hàm s tức là lấy cái giá trị của cùng kỳ ha cùng trước đó để dự báo cho kỳ sau nhá. Sai phân biệt với cái hàm lag và S2 nhớ không? Hàm lag là lấy kỳ kỳ sau dự báo kỳ tiếp đó thí dụ như lấy của tháng 10 dự báo tới tháng 11 lấy tháng 11 dự báo tháng 12 còn hàng S season đó thì lấy muốn dự báo tháng 11 thì lấy tháng 11 năm trước muốn dự báo tháng 12 thì lấy tháng 12 ha. Tiếp theo thầy có một cái ví dụ liên quan đến số liệu về thuốc A10 tiêu thụ đường ở bán ở Úc ạ. Thì thầy lấy log để khử độ thiên và lấy sai phân mùa vụ để khử mùa vụ và xu hướng. Thì sau đấy chúng ta có ba đồ thị liên quan đến đồ thị thứ nhất là à sale thì là doanh số gốc theo được tính theo là chuỗi. À thứ hai là lấy log để biến đổi để để khử độ thiên thì ta có đồ thị là many cell và thứ ba là lấy sai phân mùa vụ bậc 12 à để loại bỏ chu kỳ hàng năm vào xu hướng dài hạn để chuỗi gần giống rừng thì là đồ thị thứ ba là trale ạ.

Ok. Như vậy ở đây mình có mấy mấy cái đồ thị tất cả này. Nếu mà mình làm hồ này cái đồ thị thứ nhất là gì? Cái chuỗi dữ liệu gốc nè. Rồi sau đó mình làm cái gì?

Lóc.

Lóc mục đích là lóc là cái gì phải không?

Giảm độ biến thiên.

Rồi sau đó thì mình lại tiếp làm cái gì?

Lấy sai phân.

Mà sai phân ở đây là sai phân. Dữ liệu chúng ta đang là dữ liệu tháng chúng ta lấy sai phân lưu ý này ha. Nếu mà mình lấy sai cái thí dụ như tháng ta phẩy 12 có nghĩa là lấy cái y trừ cho y trừ 1 có nghĩa là cùng kỳ lúc đó đúng không? Đúng chưa? Vậy thì phân biệt nếu mà chúng ta lấy sai phân mà bình thường đó sai phân cấp 1 á thì chúng ta không để thông số này. Còn nếu mà dữ liệu ta dữ liệu quý đó thì chúng ta để tham số này bằng 4. Dữ liệu chúng ta dữ liệu tháng ta để tham số này bằng 12. Như vậy thì ở đây chính là gì? Thì đây làm cái gì trước rồi mới sai chúng ta lấy log trước sai phân ha. Như vậy thì thứ tự nha. Đầu tiên là cái chuỗi gốc ban đầu sau đó là cái chuỗi mà đã lấy log rồi sau đó là cái chuỗi đã lấy log và lấy cái sai phân của mùa. Ok không? Để mình mình xem cái sự rõ thế này. Trên màn hình là ba đồ thị. Thứ nhất là đồ thị đầu tiên là đồ thị về doanh thu của thuốc thì là đường tăng rõ rõ rệt theo thời gian. Thứ hai là có tính mùa vụ và thứ ba là có tính xu hướng tăng dài hạn ạ. Cái thứ nhất á độ thứ nhất mình thấy nó có những vấn đề gì? Thứ nhất là có xu hướng không?

Có.

Thứ hai là độ biến thiên nó thay đổi không? Mới đầu nhỏ về sau thấy lớn không? Rồi sau khi mình lấy log đi thì mình thấy sao?

Lấy log đi thì sao? Độ biến thiên nó ổn định rồi. Nhưng mà còn cái gì? Còn xu hướng mình thấy cái sai phân mùa vụ đúng không? Thì lúc này nó mất đi cái xu hướng rồi và nó giao động. Dĩ nhiên nhìn ở đây là nó đỡ hơn cái trên núng không? Muốn kiểm tra cái này thì chúng ta muốn muốn chắc chắn cái này có dừng hay không thì phải dùng kiểm định. Nhưng mà nhìn tích ra trên đồ thị là thấy nó tốt hơn cái trường hợp thứ nhất là trường hợp thứ hai nè đúng không nè. Trường hợp thứ nhất là có xu hướng và có độ biến thiên thay đổi thì chắc chắn là không dừng được. Trường hợp thứ hai là có xu hướng rõ rệt chắc chắn là không dừng được. Trường hợp thứ ba là nó dao động xung quanh giá trị có thể dừng đến đây đúng không? Nhưng mà chưa khẳng định được thì chúng ta sẽ tiếp tục thực hiện các kiểm định để biết chắc chắn là nó có dừng hay không.

Một số trường hợp thì chúng ta phải lấy cả sai phân mùa vụ và sai phân bậc một để chuỗi có thể chuyển thành chuỗi dừng ạ. Thì ở đây thầy có ví dụ về số liệu sản lượng điện ở Mỹ. Thì đầu tiên là thầy có lấy log để ổn định. Lấy log để ổn định thương sai ạ. Thứ hai là sai phân mùa vụ.

Của cái hàm lag đó.

Cố hàm lấy log.

À loại bỏ lặp lại hàng năm.

Ok.

Và thứ ba là ờ sai phân a log của.

Ok.

Cái thứ nhất nè, đầu tiên nhất là cái chuỗi gốc ban đầu là USM là cái lượng điện tiêu thụ đó. Đầu tiên là biến ban đầu nè. Sau đó là cái biến ban đầu nó lấy log ha. Lưu ý cái cái tiêu đề đó khi cái các bạn muốn xuống dòng thì cái chỗ mà muốn xuống dòng mới cái xịt trên nào là nó xuống dòng. Xuống dòng cái chuyên đề là xuống dòng. Rồi như vậy thì đầu tiên là chữ gốc. Cái thứ hai là chữ gốc. Cái thứ ba là cái gì? Cái này mình mới làm đây. Mình lấy lấy log xong rồi lấy sai phân một mùa. Còn cái này tiếp tục lấy log xong nè sai phân mùa vụ nè sao đó nữa sai phân bậc một nữa được không nè. Ok chưa? Vậy thì mình sẽ có 1 2 3 4 đồ thị.

Thấy đồ thị nào tốt hơn thứ nhất là không được rồi. Thứ hai không được thứ ba hồi nãy nào ổn đúng không? Cái này cái này là ổn hơn cuối cùng cái cuối cùng khác ổn hơn đúng không nào? Rồi vậy thì chúng ta sẽ có công thức của sai phân mùa vụ sẽ bằng là it' sẽ bằng it trừ đi it trừ m. Thứ hai là sai phân bậc nhất trên chuỗi sai phân mùa thì it phẩy phẩy sẽ bằng IT'. Cái này như hình rồi hiểu cái này không? Em phải viết tường minh ra thôi là thí dụ m. Ok. Cái đầu tiên nè. Cái đầu tiên là lấy sai phân gì? Y trừ cho it trừ m chính là sai phân gì? Sai phân mùa vụ đúng không? Rồi sau đó thì lấy sai phân của cái sai phân mùa vụ đó và lấy gì? T trừ cho t trừ 1 tức là sai phân gì? Sai phân sai phân mùa vụ hay sai phân bình thường? y' t là sai phân mùa vụ. Rồi thì mình lấy kết quả đó mình lấy là t trừ cho t trừ 1 ta sẽ phân bình thường phân bình thường sai phân cấp 1 trên cái sai phân mùa vụ đó hiểu không? Vì bước một là lấy sai phân mùa vụ tức là y' ra ở trên nhìn cái y trừ cho y trừ m tức là lấy sai phân mùa rồi ok chưa? Rồi bây giờ mình ra kết quả đó với lại phẩy mình lại lấy sai phân trên cái sai phân mùa vụ đó và sai phân này gì sai phân gì y trừ cho it trừ 1 chính là sai phân sai phân cấp 1 bình thường hình dung không ok vậy thì ở đây người ta xem là sau đó người ta thực hiện cái biến đổi thì ta thấy là sao khi mà ra công thức này thì cái việc mà sai phân mùa vụ trước ha công thức này vị trí nó không có gì thay đổi hết Cho nên là ý người ta muốn nói là khi mà lấy sai phân mùa vụ xong là lấy sai phân cấp một mà nếu thích các anh chị có thể lấy sai cấp một trước và lấy sai mùa vụ sau thì kết quả nó cũng giống nhau. Ok chưa? Ở đây người ta lấy thứ tự là mùa vụ trước xong rồi lấy sai phân một. Nhưng mà bằng công thức này đang chứng minh là ngược lại mình muốn làm là sai phân cấp vụ trước rồi lấy sai phân mùa vụ sau thì kết quả nó cũng là nhưng mà để thuận á để thuận á nếu có mùa vụ thì thông thường người ta sẽ lấy theo mùa vụ trước sau đó nếu mà vẫn chưa dừng thì tiếp tục lấy sai phân cấp một cấp hai vân vân vậy thì chốt lại tất cả các cái thông tin vừa rồi à trong các slide vừa rồi đó là à trong slide chuỗi dừng và sai phân thì thứ nhất là để thực hiện được mô hình Arima thì chúng ta phải biến đổi từ chuỗi dừng thành à ừ chuỗi không dừng thành chuỗi dừng. À à phương pháp mà để biến đổi từ chuỗi không dừng thành chuỗi dừng thì là chúng ta dùng sử dụng sai phân. Có hai loại sai phân là sai phân bậc một và sai phân bậc hai thì để loại bỏ xu hướng và sai phân mùa vụ thì để loại bỏ chu kỳ. À và à khi mà có số liệu mùa vụ thì nên sai phân mùa vụ trước. À ngoài ra sau khi mà thực hiện sai phân xong thì chúng ta cần phải có đến các bước kiểm định để xem là chuỗi đấy đã dừng hay chưa. Thì à chúng ta qua bước tiếp theo đấy là các kiểm định. thì có kiểm định đơn vị gốc à là một cách để có cách để biết có cần lấy sai phân hay không là kiểm định đơn vị gốc. Có rất nhiều phương pháp để kiểm định đơn vị gốc thì ở đây chúng ta có hai phương pháp là KPSF và ADF ạ.

Trong cái kinh tế lượng liên kết anh chị có học phương pháp này không? Đã từng có học rồi đầu tiên là chúng ta sẽ biết về kiểm định đơn vị gốc thì với giả thiết là H0 là chuỗi dừng thì giả thiết H1 là chuỗi không dừng. Các cách hiểu kết quả sẽ là P value nhỏ hơn 0.05 thì bác bỏ H0 thì có nghĩa là chuỗi không dừng và P value lớn hơn 0.05 thì à không bác bỏ H0 và chuỗi dừng.

Cái kiểm định KPSS á thì nó dựa trên cái giá trị thống kê và cái giá trị giới hạn. Cái giá trị thống kê mình gọi là test statistic và cái giá trị giới hạn á mình gọi là critical value. Khi mình định á thì mình có mấy cách để kết luận. Còn nhớ không? Cách thứ nhất á là dựa trên cái critical value tức là mình đi kiểm mình đi tính cái test statistic xong rồi mình so sánh nó với critical value ha. Thông thường là nó lớn hơn thì mình bác bỏ, không lớn hơn thì mình không bác bỏ. Đúng chưa? Cách thứ hai là mình dựa trên p value. Cách thứ ba còn cách nữa. Thí dụ bây giờ mình tìm cái khoảng tin cậy đó nó nằm từ A đến B rồi mà cái giá trị người ta cho mình kiểm định á nó nằm ngoài cái miền từ A đến B thì mình kết luận sao. Thí dụ người ta nói là giá trị beta nó bằng 0 hay không mà mình tính ra được cái khoảng tin cậy của beta nó nằm từ -1 đến -0.5. Mà cái giá trị người ta giải định nó bằng 0 thì điều đó là sao? Nó nằm trong cái miền cái cái khoảng tin cậy mà mình tính không -1 đến âm 0.5 mà giá trị người ta nói là có khả năng bằng 0 hay không trường hợp đó mình sao còn mình sao mình từ -1 đến -0.5 mà người ta nói nó có khả năng bằng 0 thì đó là sao?

Mình bác bỏ tức là nó nằm ngoài cái khoảng tin cậy của mình thì mình bác bỏ. Như vậy thì nói chung là để kiểm định giả thiết á mình có ba cách kết luận. Cách thứ thứ nhất á là mình so sánh cái test statistic với cái critical value. Cách thứ hai là mình dùng cái p value. Và cách thứ ba là mình dựa trên cái khoảng tin cậy để mà mình đưa ra. Rồi như vậy ở đây là nếu mà cái giá trị thống kê tức là cái test statistic lớn hơn cái giá trị tới hạn thì mình bác bỏ H0 mà H0 là gì? Trong khi định KPSS H0 là chuỗi dừng như vậy mình bác bỏ có nghĩa là chuỗi không dừng thì mình phải làm như đó tiếp đúng không nè còn nếu mà mình không bác bỏ thì có nghĩa là chuỗi dừng là mình có thể tiến hành bài toán bên này mô hình bên.

Ở đây thì thầy có ví dụ về kiểm định chuỗi Google khi chưa lấy sai phân thì sau khi chạy thì ra được static là 10.7223. Với các giá trị tới hạn là 10%, 5%, 2,5% và 1% thì static đều lớn hơn lớn hơn cả ngưỡng 0.7 ngưỡng 1% thì bác bỏ H0.

Ok. Thế thì để mà thực hiện cái kiểm định KPSS thì mình phải có cái gói là nếu chưa có cái đó thì mình phải cài đặt cái gói đó vào. Ok. Sau khi mình chạy code rồi thì mình lấy cái chuỗi gốc nè Google mình làm cái gì đây? Tiếp tục cái này mình làm cái gì? Mình đưa vào nhớ thử mai không? Cái cách viết theo tử mai nó viết từ trái sang phải. Như vậy thì đầu tiên là lấy Google mình mới đưa vào cái hàm là kiểm tra KPSS. Sau khi đó kết quả đó thì mình sẽ summary nó ra đưa nó ra. Ok chưa? Thì nó sẽ cho mình cái test statistic đúng chưa? Rồi và nó cho mình cái critical value tương ứng với 10% 5% 2,5% và 1%. Như vậy thì ở đây tùy tùy theo mình chọn cái alpha bằng ha. Thì thông thường mình sẽ chọn cái alpha là 5%. 1 - alpha gọi là độ tin cậy. Alpha gọi là cái gì?

Mất ý nghĩa.

Significant level ha. Còn cái này là level dịch ra là độ tin cậy. Này là mức ý nghĩa. Như vậy thì mình sẽ thông thường mình sẽ chọn cái mức ý nghĩa là 5%. Nếu mà cái test statistic của mình mà lớn hơn cái critical value của 5%. Lưu ý đây là 5% đây là critical value tương ứng với 5% thì mình bác bỏ H0. Mà H0 ở đây là gì? H0 ở đây là không dừng. Như vậy trường hợp này coi lại nha. Nè bây giờ là cái test statistic mình là 10.7 nè. Ok mình lấy thông thường lấy 5% là bao nhiêu? 0,46 được không? Vậy thì sao so với đây cái test của mình sao so với cái lớn hơn nhiều đúng không? Như vậy mình làm cái gì với H0?

Bác bỏ H0 tức là chuỗi không dừng. H h h0 là gì? Trở lại chuỗi dừng.

H0 là chuỗi dừng. Như vậy bác bỏ H0 tức là kết luận gì? Không dừng. Không dừng đúng không? Nở đây chứng rõ mình phải làm cái gì thêm chứ chưa chưa thể dùng được chứ tại thời điểm này rồi rồi tiếp theo là thời đại s.

Ok chưa? Như vậy thì tùy theo cái mức ý nghĩa mình mặc nhiên thì mình sẽ lấy 5% người ta yêu cầu mình thí dụ ta yêu cầu kiểm định với 10% hay kiểm định với 1% gì đó thì mình chọn nghĩa tiếp theo là sẽ kiểm định chuỗi Google sau khi mà lấy sai phân ạ thì ở đây có test statistic là 0.040324 và không vượt quá bất kỳ một cái a.

Giá trị.

Giá trị tới hạn của 10% 5% và 1% ạ.

Tóm lại ha. Cái này gọi là giá trị thống kê. Cái này là giá trị tới hạn ha. Tới hạn là mình so sánh này mình quyết định đó tới đúng không? Vượt qua cái ngưỡng này là như thế nào. Trong cái ngưỡng này như thế nào thì tôi phải gọi giá trị tới hạn. Rồi vậy thì nhìn cái hàm nhìn cái hàm ở trên nó sẽ làm cái gì nè? Đầu tiên làm cái gì? Lấy cái Google nhưng mà có đưa trực tiếp vào trong kiểm định không?

Đầu tiên nó làm cái gì?

Lấy sai phân.

Sai phân này có mùa vụ gì không? Mặt nhiên như vậy có nghĩa là phân bậc. Rồi sau đó thì kết quả đưa vào gì? Đưa vào giá trị test statistic bây giờ là 0.0324. Rồi giả sử mức 100% mình là bao nhiêu? Cái critical value là 0,46. Như vậy cái này sao so với critical value nhỏ hơn đúng không? Như vậy thì ta làm gì? Cái H0 là chuỗi.

Chuỗi dừng.

Mà mình không bác bỏ đúng không? Như vậy thì ok. có thể xây dựng mô hình như này.

Ờ ngược lại với cái kiểm định S KPSS kia thì đối với kiểm định đơn vị gốc ADF thì H0 được giả thiết là chuỗi không dừng và H1 sẽ là chuỗi không có đơn vị gốc và sẽ là dừng. Vậy bác bỏ H0 P value nhỏ hơn mức ý nghĩa và thường lấy ở mức ý nghĩa là 5% ạ. Như vậy lưu ý cái này H0 nó khác với H0 hồi nãy nha. KPSS H0 là gì? Chuỗi dừng. Khi mà ADF định ra color này thì là chuỗi không dừng lưu ý cái H0 nha. Ok. Ở đây thầy cũng có kiểm định chuỗi Google khi mà chưa lấy sai phân thì ừ chưa lấy sai phân thì cái P value ở đây là 0.2082.

Ha. Mấy cái trên đó mình quan tâm đến P value này. P value mình là 0,20 tức là xấp xỉ 20% đúng không? Alpha thường thường mình là 5% như vậy cái này sao so với alpha?

Lớn hơn rất nhiều so với alpha.

Mà lớn hơn có nghĩa là mình gì? Nếu dựa trên P value thì lớn hơn alpha gì?

Không bác bỏ.

Không bác bỏ đúng không? Mình lưu ý cái giả thiết này là chuỗi không dừng. Có nghĩa không bác bỏ đó thì là chuỗi đang ở tình trạng là không dừng đúng không? Chuỗi không dừng mà mình không bác bỏ nó chuỗi ra mình sẽ không dừng. Rồi sau đó thì mình làm cái gì? Trước trước sai trước đó một rồi cái này mình làm cái gì đây? Trước đó trước đó. Ok.

À sau đấy là thầy sẽ kiểm định chuỗi Google sau khi đã lấy sai phân ạ. Thì sau khi mà lấy sai phân thì có P value bằng 2.2 mũ e 19 rất bé đúng không? Rất bé.

Giá trị này nè. Như vậy là sau khi mình à đưa cái chỗ Google vô mình lấy sai phân trước rồi sau đó mình mới cứ đưa vào cái kiểm định cooler thì mình thấy là cái P bé đúng không? P bé thì mình làm cái gì? Bác bỏ H0 mà H0 là chuỗi chuỗi không dừng trong trường hợp này lưu ý hai cái kiểm định này cái giả thiết H0 nó ngược nhau KPSS giả thiết khác 0 là chuỗi dừng ADF giả thiết không là chuỗi không dừng ok chưa nhớ cái đó trong đầu không lộn độ thế thì trong trường hợp này cái P value nó rất bé cho nên là mình bác bỏ H0 mà mình giả thiết H0 thì chuỗi không dừng mình phát có nghĩa là chuỗi gì đúng không nào? Hai chứng định này lưu ý nha cái giả thiết khác 0 ra được nhau nha. Rồi vậy ở trong a thì chúng.

Ta có một cái hàm là hàm là hàm này thì sẽ xác định sai phân ờ số bậc sai phân cần thiết để chuỗi trở thành nên dừng ạ.

Ở đây thì để tìm sai phân mùa vụ phù hợp thì dùng hàm nf và kết quả cho thấy cái cần thiết khi lấy size phân một ngụ sau đó lấy sai phân bậc 1 ạ. Okay chưa?

Thông thường là mình không biết chắc là mình có cần lấy sai phân hay không thì R nó đã cung cấp cho mình luôn những cái hàm. Thí dụ như là cái hàm sai phân bậc 1 bình thường đó mình lấy ra mà có giá trị là 2 thì điều đó có nghĩa là mình phải lấy xe phân bậc 1 xong rồi lấy tiếp sa phân bậc hai. Hiểu chưa?

Rồi cái hàm mà ns là cho biết là mình có cần lấy sai phân bùa vụ hay không. Như vậy thì nếu mà nó ra bằng 0 có nghĩa là mình không cần nó ra bằng 1 thì mình phải cần lấy một lần. lấy sang hai thì mình phải cần lấy hai lần vân vân nha. Như vậy thì các cái giá trị cho mình biết là mình có cần lấy sai phân hay không. Thí dụ chỗ này là không á là mình không cần cái s phương tương ứng. Còn nếu mà bằng một tức là lấy một.

Như vậy thì nếu mà cái hàm hai cái hàm này ra thế có nghĩa là mình phải làm cái gì? Vừa x phân bồ mũ bằng 1. Vừa sa phân bình được bằng 1. Tức là sao? Tức là mình phải lấy sai phân bồ bộ và phải lấy sa phân bậc 1 n không nè. Đấy đ rồi tiếp theo chúng ta sẽ đi đến phần toán tử lùi.

Thì à toán tử lùi là một ngôn ngữ toán học để viết gọn mô hình Arima giúp a thể hiện được sai phân A và R AR và MA trên cùng một công thức ạ. Thì gọi B là toán tử lùi thì có một số một số tài liệu dùng L là toán tử trễ thì có các công thức như trên hình ạ. biểu thị biểu diễn sai phân toán thử lùi sẽ bằng it' b= it trừ it - 1 và bằng it tr- bằ 1 - b nhân với it thì người ta người ta để mà để mà biểu diễn cái bài toán sai phân và bài toán arena đó thì ta phát minh ra cái khái niệm gọi là toán tử lùi thì cái cách to có tử lùi này trên bài cái bài toán nó sẽ rất là cô động và xất thức ta lấy ví dụ nha lấy ví dụ như là bây giờ thay thì biết là it - 1 thì người ta áp dụng cái thống tử lùi lên thì đó có nghĩa là b của it có nghĩa là lùi it đi một tròn b của bit tức là b mũ 2 đó trên it tức là lùi đi hai kỳ ok chưa như vậy thì ở đây ta viết là b của it thì tương ưng với lần y tr- 1 đúng không nào rồi lại tiếp ví dụ như ta áp dụng của B của B tức là áp dụng tự lùi trên cái này thì nó tương đương với lại T. Ok chưa? Như vậy thì cứ thế cứ muốn lùi ba kỳ bốn kỳ năm kiện chúng ta cứ áp dụng D.

Rồi như vậy thì chúng ta thấy là là IT -1 thì ta có thể viết là bit. YT -2 ta có thể viết là B mũ 2 y - 3 đơn giản là b^ 3T vân vân.

Rồi bây giờ mới coi cái cái sai phân cấp hai sai phân cấp hai à như vậy thì ở đây là à ở đây là biểu diễn sang phân phầ phóng tử lùi ha. Như vậy thì it ban đầu cái này là b của y đúng không? Để diễn s phân coi đâ thay vì chúng ta biết là y' b= it trừ y - 1 thì ta có thể thay cái it - 1 bằng là v đúng không? Đúng chưa? Lùi của y. Sau đó thì chúng ta đặt cái y ra làm thầ chung. Như vậy thì sai phân bậc 1 có thể viết gọn lại là 1 - ok không? Như nè. Bây giờ cái này thì thầy không có gì nổi hết. Cái này là sai phân ngậc 1 đúng không? Quên phía sau đi. Phải sa 1 không phải không? Lấy it trừ t - 1 rồi tính t rồi it - 1 thì có phải là b không? Nãy mình mới xem đó. Sau khi mình thế qua đây mình đặt cái it ra là tù trung thì còn 1 - đúng chưa? Như vậy thì ở đây thì mình vẫn chưa thấy cái gọn gì mấy thì mình nhìn bắt đầu tới cấp 2 nè.

Rồi bây giờ mình lấy cái I2't. T nhớ là I2't không? Trở lại cái cái phân phân cấp ha nãy nãy mình có thức không sao bộ. Thấy đây đây đúng không? Rồi I2' nè đúng chưa? Tức là lấy sai phân trên sai phân thì chỗ này sẽ là it nè đúng không? Chỗ này sẽ là cái gì? Hai lần hai lần viết cái dạng phả lùi >> 2b. Cái này là cái gì? Hai cái này gì? Có hai nữa đâ. Có hai không? Đúng không? B à B2 là. Như vậy thì ta có thể viết cái Y2' đó viết lại nha. Rồi trả lại cái này thì nó sẽ bằng IT nè đúng không? Xong rồi trừ cho 2 lần B của YT và cộng cho V bình phương của YT đúng không? Và bây giờ nếu mà đặt cái IT ra làm t chung thì nó sẽ 1 trừ cho 2 cộng cho đúng không? Thường là cái y phía sau và cái này nó sẽ bằng là 1 trừ cho chết nè. Thấy công thức nó gọn hơn là cái công thức ban đầu không? Ok chưa? Quan trọng hơn.

Tiếp tục người ta tổng quát quá được là đâ tổng quát quá được là nếu mình lấy sai phân lần nữa thí dụ bây giờ sai phân bậc một rồi sa phân bậc hai rồi hay là mình lấy sa phân bậc ba sa phân bậc 4 này kia vân vân hơn thì đều có thể viết thành công thức rõ ràng công thức này ngắn hơn công thức này không tiếp tục công thức bậc lên thì công thức bên vế trái sẽ dài nữa thì cái công thức bên phải chúng ta biết cách này nó sẽ ngắn gọn thức được chưa? Như vậy thì ở đây chẳng qua tương đùi là một cách để mình biểu diễn cái bài có một cách khác để diện các bài to.

Rồi tiếp tục vậy thì chuỗi vừa có mù vụ và vừa có xu thế thì ta sẽ có công thức sai phân bậc 1 và sai phân mùa vụ như sau. là 1 trừ đi b nhân với 1 trừ đi b mũ m nhân với it sẽ bằng 1 trừ đi b trừ đi b mũ m cộng với b mũ m + 1 nhân với it >> bây giờ giả sử nha giả sử là m mình bằng 4 này dữ liệu mình là dữ liệu quý đúng chưa bây giờ mình lấy cái size phân bậc 4 thí dụ vậy ta lấy ví dụ vậy đ phân bậc 4 thì nó bằng cái gì? Nếu mà viết trên công thức có tử lùi này nhớ nó sẽ cộng D không thì nó là gì? >> 1 trừ cho >> B mũ ở đây hay mũ ngoài? >> Còn cái sai phân này là y trừ cho YT - 4 là cái gì? 1 trừ cho biện hai cái này không? Cái này á là mình lấy xe phân bậc một xong rồi lấy xe phân bậc hai xong rồi lấy xe phân bậc ba xong rồi lấy xe phân bậc 4 phía sau chồng lên cái trước hiểu không? Tính sang phân bậc 1 xong lấy kết quả nó lấy sa phân một lần nữa thì gọi sang phân bậc hai. Rồi cái sai lấy kết quả đó lại lấy sa phân lần nữa thì có sa phân bậc ba rồi ra 1 3 lấy sa phân lần nó trên trên nó nữa thì nó có sa phân bậc 4 vân vân thì mình sẽ tính theo cái công thức là 1 - b tất cả của ha số nào mình lấy sai phân còn sai phân như thế này thì nhân vào thì nó chính là gì nếu mình mình kết hợp vào thì nó sẽ là gì sẽ là cái gì phải là y không trừ >> rồi trừ v4 là tức là 10 t đi mấy kỳ 4 >> b kỳ có nghĩa là phải là y t - 1 không chính là sa phân gì ví dụ dữ liệu mình là nh phân gì lấy cái này trừ cho cái kia trước đó bốn quý chính là sai phân si phân ha như vậy lưu ý hai cái khác nhau nha cái chữ mà chỉ số mà ở trong á ha như vậy ta biết chúng ta là có cái sai phân it trừ cho y trừ m tức là sai phân m kia mụ thì nó là sai phân m còn nếu mà ngoài cái dấu hoạch á ha tức là chỉ cho cái cấp của sa m1 ok chưa rồi nếu bây giờ nó sẽ thêm cái liên nha chấp nha rồi giả dụ như y trừ cho y t - 12 thì viết bằng cái gì 1 - b viết sao >> 1 - b trừ cho >> b mũ 12 mũ 12 lưu ý t Ok không? Rồi nếu mà sa phân cấp 2 bằng cái gì? 1 - b tất cả bình 1 trừ cho b tất cả bình tất cả ý không? Còn nếu mà tôi viết vậy thô viết vậy thì nó tương đương với lại cái gì? Sẽ tương đương với lại cái gì? Y t trừ cho - 2 tr- >> -2 -2 à tr- nghĩa là lấy tháng 11 trừ đi tháng 10 đúng không? Ô tháng 11 tr tháng 9 chứ trước đó hai kỳ đúng không? Tháng 11 thì đang tháng 9 tháng 10 thì tháng 8 thì theo kì ha. Phân biệt hai ha.

Rồi tiếp không tiếp chúng ta sẽ đến với mô hình tự hồi quy là mô hình tự hộ mô hình tự hồi quy thì tự báo một biến dựa trên giá trị trong quá khứ của chính biến đó. Mô hình m đây chính là AR và mô hình tự hồi quy bậc P. Ký hiệu là ARP. sẽ bằng it bằng cộng với nguy à phi 1it - 1 cộng với phi 2 - 2 cộng với chấm cộng với phi pit - peps t à theo đó thì là p bậc của mô hình và phi là hệ số tự hồi q cho biết mức độ của ảnh hưởng của it trừ y >> cái cái trừ này đọc đọc là cái Phi >> phi hả? >> Phi >> phi >> phi >> ha phi. >> Ok không? Nghĩa này đọc là gì? Hồi nữa mình gặp lại nữa sẽ ok. Thế thì bây giờ ở đây là gì? Hồi quy tự hồi quy bậc P có nghĩa là gì? Tức là mình biểu diễn IT dựa trên các cái trong quá hướng. Thấy cái này quen không? Cái này chính là cái gì? C mình nhớ chứ không? B >> à chính là sang bằng mũ thôi. Các cái phi một phi hai phi chính là gì? Trong sang bằng mũ á thì nó có một công thức cố định trong các cái phi nhớ không? Mà nó công thức cố định nó giảm theo hàm gì? Theo hàm mũ đúng không? Còn nhớ cái cách cách giảm của nó không? nó sẽ là alpha nhân cho 1 - alpha mũ k. Đây là nó giảm theo một quy luật cố định. Đây mình biết á là càng xa thì ảnh hưởng càng nhỏ đúng chưa? Thì cái phương pháp sang bằng mũ nó là một cách thức cố định cái tham số này giảm theo một cái quy luật. Quy luật đó là quy luật hàm mũ. Còn ở đây mình giảm cũng thay đổi nhưng mà phụ thuộc vào các cái phi1, phi2 phi3, phi 1 pH phi3 bằng bao nhiêu thì sau khi mình ước lượng mình có giá trị. Ok chưa? Vậy thì hai cái hình thức á mô hình á mô hình này nó cũng giống như là sang mặt mũ thôi nhưng mà sang mặt phủ là mình cố định một cái quy luật của các cái hệ số đúng không? Và cái hệ số đó là giảm theo hàm phũ. Còn ở đây là các cái hệ số mình tự do để mà mình xác định dựa trên cái size số mình tu giỏi nhất.

Ở đây thì có hai mô hình ờ trực quan của AR1 và AR2. Thì với AR1 thì nhận thấy là giá trị của giá trị của hôm nay sẽ ngược chiều với cái giá trị của hôm qua đến 80%. >> Ta ví dụ cho mình thôi. Ở đây thật sự ra là có mô hình muốn hiểu ý nghĩa đó phải hiểu tặng cái cho gì chứ là mình chỉ hình dung đơn giản là sau khi mình ước lượng ra thì mình sẽ có một cái mô hình hồi quy và thay vì chỗ này là các cái biến x nhớ không trong hồi quy của anh chị trong bên trái là y bên đây là x đúng không? Thì bên cái biến độc lập này chính là các cái y trọng quá khứ. Nếu mà hàm a ar bậc 1 thì là 1 trong quá cứ nếu mà ar2 thì là hai trong quá cứ còn các hai số này như thế nào quan ch ví dụ mình xác định nó thông qua phá tình thương bé nhất hay là hay là maximum lú gì đó. Đây là xét mô hình hồi Q ar thấy là khi mà Q = 0 và C = 0 thì nói cách khác thì chuỗi này chỉ còn nhỗ trắng là >> rồi bây giờ nếu mà C = 0 phi bằng 0 thì mô hình trên sẽ còn lại là gì? T >> y bằng >> it b= T chúng đúng không? Tức là IT dao động xung quanh gì? It b= tức là it sẽ là xung quanh trục 0 đúng không? Đúng chưa? >> Rồi trường hợp thứ hai >> trường hợp thứ hai là phi b= 1 và c = 0 thì đây chính là mô hình bước ngẫu nhiên á >> thì mình chọn lại cái gì? Nếu mà đúng thì trường hợp đó thì bằng cái gì? >> Đúng không? Chính là mô hình gì? >> Bước >> bước ngẫu nhiên của mình đây. Rồi tiếp b= 1 và c khác 0. Thì IT là bước ngẫu nhiên với X được không? Với trưởng rồi. >> Còn thứ tư là phi nhỏ hơn 0 và IT dao động quanh giá trị trung bình ạ. Cuối cùng là mô hình tự hồi Q thì trên dữ liệu cần một số dàng buộc tham số. Ví dụ AL1 thì -1 sẽ nhỏ hơn phi và nhỏ hơn 1. >> Rồi sẽ trở lại nè. Thì thầy thầy giải trường hợp thứ nhất cho. Thí dụ trong trường hợp này đúng không? Thì lưu ý á lưu ý trong cái bài toán mà sao bằng mũ á thì những cái trọng số này nó là sao không nó mấy chất? Tổng ch thứ nhất là gì? Mỗi giá trị như vậy nó nằm trong miền tố đến đâu? Từ 0 đến 1 đúng không? Tức là những cái trọng số này nó phải là sao? Nó phải nhỏ hơn trị tuyệt đối của nó. Đó trong trường hợp này nó phải nhỏ hơn 1 đúng không nào? Trừ tuyệt đối nó nhỏ hơn 1 có nghĩa là nó nằm trong 10 lấy cái 1 như là người ta có đây là số dương. Còn ở đây giả sử nha giả sử như cái phi 1 của mình mà nó là 2 đi giả sử tưởng tượng đầu là cái phi bình kết quả là 2. Như vậy thì cái phía sau nó xí trước. It nó sẽ gì? Gấp đôi cái trước rồi YT + 1 nó sẽ sao? >> Gấp đôi cái T. Cứ như vậy nữa thì chính đỏ là cái gì? Nếu mà gặp trường hợp đó thì dữ liệu mình nó đang làm sao? Cái trước nè, cái góc đôi phía trước phía trước chứng tỏ là gì? Ch có trừ không? >> Không đúng không? Như vậy thì ví dụ như trong trường hợp như vậy thì bắt buộc là cái tham số này nó phải sao? Nó có lớn hơn 1 nữa không? Lớn hơn 1 tức là cái dụ liệu mình càng ngày càng rê ra đúng không? Như vậy chính vì cái điều đó cho nên là tiếp theo phải có nói rằng mù cơ bản là phi 1 nó phải giả sử mình có một tham số phi1 thôi thì phi1 nó phải có cái miền giá trị là từ -1 tới 1 đúng không? Rồi tương tự nếu có hai giá trị có thêm các ràng buộc. Như vậy thì các cái ràng buộc này chẳng qua là để giới hạn cho cái chuỗi chúng ta nó phải dừng. Còn nếu mà cái giá trị này vượt quá thì nó không thể nào dùng được. Vậy là em xong về phần mô hình từ thầ tiếp theo đến mô hình trung hình trườ là chậ tiếp theo là phần mô hình trung bình trườ thì mô hình trung hình trường đây là được b được ký hiệu là thì công thức cũng là it bằ ct cộng cho th 1 t - 1 cθ2 -2 và cộng cho đến làq et - q Thì đây là mô mô hình trung bình trượt t biểu diễn như là một số trung bình cộng của một số s số thì thựt tế ta không quan sát các giá trị của t mà nên đây không phải là một cái hành vi như là hình lệ thì đây là các cái mô hình ma1 và ma2 nhớ cái bài toán hồi quy không một cái vấn đề cơ bản là các cái biến độc lập là các anh chị phải có giá trị trước nhớ không trong bài thống hứa là thông tin tiên nghiệm tức là các biến độc mạch là phải nói giá trị Đúng chưa? Thì từ đó mình mới tính ra được cái giá trị của mụ. Như vậy ở đây là lại là cái sai số. Mà muốn có sai số thì chúng ta có phải là phải có y mũ trước không? N không có y mũ y t trừ y mũ mới ra được cái số. Như vậy trong trường hợp này nó không phải là cái cái bài toán hồi quy bình thường mà các anh chị đã học trong thế lượng. Tại vì trong cái thể lượng yêu cầu biến độc lập phải là thông tin nghiệm tức là phải là thông tin hợp trước động là cái mình chưa có trước được.

Thì giữa giữa AR và MA thì có cái sự chuyển đổi đó là mô hình A1 có thể viết thành là MA vô cực thì ở trong đó là ta có bằng là th à bằng phi1 -1 cộng cho t. À sau khi biểu diễn ra thì ta thấy giống như trên màn hình thì với a với phi phải điều kiện là phải lớn hơn -1 và nhỏ hơn 1 và trong đó là phi 1 mũ k phải nhỏ phi k lớ.

Rồi bây giờ ở đây người ta người ta nói là giữa cái mô hình AR đó và cái mô hình M thực chất là nó có thể chuyển đổi qua lại với nhau. Thì ở đây người ta cho mình cái ví dụ là AR1 thì AR1 nhớ là có phải là IT bằng là pi1 it -1 không? Cái mô hình hồi nãy mình biết á không? Rồi bây giờ mình lại tiếp tục nè. Như vậy thì y - 1 lưu ý it - 1 cũng có thể hạ xuống thành it -2 do tính chất gì nhớ không? Tính gì mà không phụ thuộc qua thời điểm h nãy mình đã nói đó. Hồi nãy một yêu cầu hết sức cơ bản là nó không phụ thuộc vào thời điểm nhớ không nhớ đó không tính gì chất gì mới đầu đầu giờ mình mình nói tính gì cái tính gì mình phải bắt buộc yêu cầu nó để nó không phụ thuộc vào thời điểm tức là những cái gì mà ở từ 8:00 đến 9:00 nó cũng giống như 9:00 đến 10:00 đến 11:00 hoặc là ngược lại >> được không từ 10:00 đến 11:00 thì cũng giống như là từ 9:00 đến 10:00 Giống như là 8:00 đến 9:00 này kia vân vân. Tính dừng >> hả? Tính dừng đó nhớ nhớ cái hồi nãy không ý nghĩa của nó đó thì do cái tính dừng như vậy lưu ý nè mình hạ xuống y -1 được đúng chưa? Mà do tính dừng thì mình cũng hoàn toàn có thể hạ từ -1 xuống y -2 đúng chưa nào? Thế công thức nó bằng y -2 thôi lưu ý nha. Như vậy ở đây là do tính dừng mình mới làm được cái điều này chứ nếu không dùng không làm được. Hiểu không? Như vậy thì thế cái y -1 bằng it -2 + t - 1. Tiếp tục vậy được không? -2 hạ xuống thành -3, -3 hạ xuống thành -4. Cứ tiếp tục về vậy rồi hạ tiếp tục ra thì cái này nó sẽ là gì? Phi 1 mũ thí dụ bây giờ mình hạ đến it -3 thì là phi 1 mũ 3. Tiếp tục hạ như vậy k đến y đến cái y tr- k thì mũ chỗ này sẽ là gì? Phi1 mũ k mà phi 1 hồi nãy mình nằm trong miền nào? 1 đến 1 mũ k đủ lớn thì nó sẽ sao? Nó sẽ rất nhỏ đến mức là nó xắp xỉ không đúng chưa? Như vậy khi nó xắp xỉ không thì ta bỏ nó đi ta còn lại gì? Mấy cái sai số thôi mà khi mà còn lại sai số thôi thì chính là mô hình gì? Chính là mô hình gì? Hai gì là hồi quy theo các giá trị y t trong quá khứ ta gọi hồi quy theo các giá trị sai số trong quá khứ chính là mô hình gì? Ma đúng không? Mô hình tên là các giá trị sai trong ok không? Tóm lại nha. Cái ý quan trọng nè, người ta nói là cái mô hình AR thì nó sẽ tương đương với lại mô hình MA. Thì ở đây người ta cho mình một cái ví dụ là AR1 thì người ta sẽ biến đổi cho cái quân phối tục nó sẽ tương đương với lại là MA K với K đủ lớn. Thì ở đây thầy viết tổng quát là ma vô cùng đúng không? Với K đủ lớn. Thí dụ như là thí dụ như cái phi mình là 0.5 5 mà mình mũ 100 lên thì rõ ràng là phải là 0.5 mũ 100 nó xắp xỉ ra bằng 0 không đúng chưa? Thì ở đây ta viết tổng quát cái là ma vô cùng.

Tiếp theo đó là chúng ta chuyển đổi ngược lại thì cũng có thể chuyển ar vô cực sang cái mô hình MQ cần một số ràng một cách thông số. Thì khi mô hình MAQ được gọi thì có thể đảo ngược hay gọi là khả. Rồi sao bây giờ ngược lại nha. Hồi nãy là AR1 chuyển sang là MA thì ar tương đương với ma vô cùng. Được chưa? Cái đó ok không? Rồi bây giờ ngược lại nha. Có phải là cái MA1 này viết bằng epsilon nhân cho cái ε t - 1 không chính là mô hình nãy thôi. Rồi bắt đầu áp dụng nó tử lu tới đây eta - 1 có phải là b của xin lỗi ε t - 1 có phải là b của silon không? T - 1 lùi ε t như 1 kỳ tới đó chưa? Rồi tiếp tục nè. Cái kia cộng thầy biết thành trừ trừ có cái gì khác không? Ý nói là cái công thức trên đây cái này cái này nó tương đương với nhau lắm chưa? Không nhân trừ trừ nhân lại cộng hết rồi sau đó thầy chuyển cái vế 1 trừ trừ ra bên bên tay trái tới đây được chưa? Rồi bây giờ coi thức nè. 1 cộng cho trừ của b cái này chính là một gì? Đ quen không? Cấp số nhân >> một cấp số >> cấp số nhân cấp số nhân cấp số nhân thì tổng của cấp số nhân thì thấy bằng cái gì? >> U1 >> cấp số nhân thì bây giờ mình quan trọng nhất nè. U1 của nó bằng nhiêu đúng không? Giá trị ban đầu nó bằng nhiêu và cái công bội của nó bằng nhiêu? U1 bên đây là bằng bao nhiêu? giá trị ban đầu của mình á là à là 1. Rồi mỗi lần như vậy mình nhân lên bao nhiêu? >> Mình nhân cho cái gì? >> TB >> có phải là >> trừ >> trừ nhân cho B không? Đúng không? Thì công thức chung nó sẽ là cái gì? Công chức bình tổng đó thì nó phải là bằng U1 nè nhân cho mọi trừ cho Q mũ n. N là số lượng giá trị mà chúng ta có chia cho 1 thì Q không đúng không? Công thức tổng quát của số nhân. Ok chưa? Rồi cái này thì bằng gì vô thôi. 1 thì ta nói rồi đúng không? Tiếp tục là 1 - q mũ n rồi tức là gì? 1 trừ cho ta trừ cho trừ đúng không? nhân cho b mũ n rồi trên cho 1 trừ cho trừ t đúng không? Rồi cái này nãy mình nói là th nó nằm trong ngệ đâu bầu điều kiện vậy được không? Như vậy thì mũ n lên nó sẽ sao? >> Nó sẽ rất nhỏ xấp xỉ về 0. Cho nên là cái thành phần bên trên này nó còn cái gì? Nó còn không? Thành phần này còn không? Cái th của n này rất nhỏ nhưng lại nó bằng 0 trên còn lại là bằng 1 thôi đúng không? Rồi ở dưới sẽ là 1 trừ cho trừ delta t chính là cái gì? Chính là cái này của mình n đúng không? Đúng chưa? Như vậy đó tóm lại là cái này nè nguyên cái này nó bằng cái này cái này của mình đúng không? Bằng cái 1 kia đó mình thấy đó đúng không? Như vậy thì thầy thế nguyên cái này vào đây nè. Tức là it b= ok không? Rồi bắt đầu nhân v4 nhân 4 thì có sẽ là it nè. Cái này là nhân luô một cái là -1 nè. Đừ hai cái y -2 về đúng chưa? Rồi sau đó thì thực thôi chuyển vé này qua thì cuối cùng nhìn lại mô hình này sẽ là mô hình gì hả? IT bây giờ còn theo sa số nữa không? Mà theo cái gì? Mà theo các cái trong hóa cứ như vậy đi tên gì? A đúng không nào? Như vậy xuất phát điểm của mình là mol gì? M cuối cùng đổi thành mô hình gì? A chúng ta phải có cái điều kiện này đúng không? Thì trường hợp đó đó cái điều kiện đó gọi là đặc biệt. Điều kiện mà mình có thể chuyển ngược được đúng không? chuyển ngược từ cái mô hình M sang mô hình AR. Như vậy nó tóm lại là gì? Ar có thể chuyển sang M được và ngược lại MA cũng có thể chuyển sang AR được ha. Với một số cái điều kiện được. Cho nên mô hình trung bình trược á thì ta xét mô hình MA1 it bằt t cộng cho theta 1 t - 1. Thì nếu biểu diễn sao số bằng tính của các quan sát trong các thứ thì ta có ε t nó sẽ bằng là tổng sigma của jằ 0 cho đến vô cực à nhân với trừ mũ j à nhân với y tr- j à thì điều kiện ở đây là theta lớn hơn tuyệt đối delta lớn hơn 1 quan sát càng xa ảnh hưởng càng lớn còn nếu mà tuyệt đối delta nhỏ hơn 1 thì quan sát càng gần ảnh hưởng càng lớn à và ở đây nó có sự gà ràng buồn để mà đảo ngược đó là m1 1 của điều kiện là 1 phải lớn hơn -1 nhỏ hơn 1. Còn na á thì nó có hai cái điều kiện. Điều kiện thứ nhất là 2 cũng phải lớn hơn -1 nhỏ hơn 1 và tổng của th 1 + t2 cũng lớn hơn -1 và cũng hiệu của 1 - t2 nhỏ hơn 1. Cái này nãy mình giờ mình cũng biết dụ xong đó phải không? Mình có điều kiện này phải chuyển được lại tương tự bật cao hơn người ta tìm ra được những cái điều kiện cơ bản để mình có thể chuyển được qua lại.

À tiếp theo đó là mô hình Arima không mùa hù. Thì đầu tiên ta xem lại cái mô hình Arima thì ta có mô hình ARMA đó chính là y' T bằng Cộng cho phi 1 + Y' T - 1. Thì tổng cộng cho đến là à phi pi cộng cho y' t - pi à cộng cho 1 + t - 1. Và cộng cộng dầm cho đến là à q nhân cho ε t trừ trừ qộng ε t thì trong trong đó à y' t là của xe phân. Còn các cái ký hiệu B là bậc của tự hồi q, dậc của xe phân còn q trung hình trường. Như vậy ở đây cái mô hình người ta sẽ kết hợp của ba thành phần nha. AR tức là cái tự hồi Q chữ I ở giữa là cho sai phân và cuối cùng là I là indifferent là cho cái sai phân còn ma là cho cái trung bình trược thì đặc trưng ba cái đó bởi ba cái chỉ số là pdq P là cái bậc của tự hồn Q D là cái bậc sai phân tức là mình lấy sai phân một lần hay là hai lần đó thì cái D là bậc sai phân ở đây chưa nói gì đến mùa mụn hết nha là không mùa mụn Rồi cái Q là cái bậc của cái ma có nghĩa là thí dụ ta viết là Arima 2 1 thì điều đó mình biết là mình phải lấy sai phân một lần bậc của tự hồi quy là 2 tức là y và it - 1 -2 có quan hệ với nhau. Và cuối cùng là ma tr có nghĩa là t và ε t - 1 thôi không có l không vậy thì cách viết chung

Của mô hình ARIMA đặc trưng bởi ba cái tham số là p, d, q. À thì mô hình ARIMA còn có một số các trường hợp như là white noise, là à ba giá trị đều là 0. Còn random walk à thì có 10 à, wit là M010. Ở với accountant với một accountant còn là auto reversion là ARIMA V00 và mua tiền. Bây giờ cái viết tổng quát gì ARIMA nè, thử nè, cách viết này nha. Không không còn cái gì thứ nhất là có bậc tự hồi quy không? >> Không. Không có cái bậc có lấy sai phân gì không? >> Không. Không có gì không có bậc không. Cũng không có vậy cuối cùng còn lại cái gì? It chính bằng cái gì? T thôi đúng không? Thì cái này chính là cái white noise rồi. Đi thử cái nữa nha. Random work. Random work là cái gì? Thứ nhất này có không? Không. Không. Phía sau này có lấy sai phân tức là y' túng không? y' bằng epsilon t đúng không? Y' chính là cái gì? Y trừ cho y t - 1 đúng không? Bằng chính là suy ra là y sẽ bằng là y t - 1 cộng cho t. Chính là mô hình gì? >> Bước độ gì được không? Nè, ví dụ vậy thì chẳng qua người ta muốn nói á là những cái mô hình mà mình đọc phải giờ trước đây tới giờ đó mình có thể biểu hiện tổng quát qua cái ARIMA bởi các cái tham số p, d, q đúng không? White noise biểu diễn được, RW biểu diễn được, RW với hàng số mà các mô hình khác được chưa? Như vậy ARIMA là cái dạng tổng quát cho những cái mô hình mà đơn biến đến bây giờ mình đã học. À tiếp theo đó là biểu diễn cái tổng tự phần tổng tự lùi của mô hình ARIMA. Thì như trên màn hình thì chúng ta thấy cái phần trong ngoặc phía trước đó chính là AR trừ b mũ d. Dây giờ trên còn thứ ba nữa là MAQ thì đó chính là cái phần là 1 cộng cho theta 1b cộng cộng cho q à b mũ q đó chính là MAQ với c b= mi à nhân với 1 trừ cho đến là theta à phi 1 trừ cho đến là p. À ở đây là chúng ta sử dụng hàm à auto ARIMA à để xác định các cái chỉ số p, d và q. Ok. Cái cách cái cách để người ta trình bày một cái mô như vậy mô hình ARIMA đầu tiên là viết dưới dạng ARIMA PDQ được chưa? Đó là một dạng. Cách thứ hai là viết với dạng toán tử luân ha. Viết với dạng toán tử luân. Bây giờ mình thử đi. Ví dụ bây giờ mình có mô hình này. Bây giờ mình viết cái dạng toán tử luân này mình sẽ biết sao? Theo cái dạng của mình này. Như vậy thì xem cái cách viết nè. Đầu tiên nhất mình có cái y cái đã đúng không? Rồi mình có lấy sai phân không? Có không? >> Sai phân bằng 1 mà có đúng không? 1 trừ b thấy chưa? Như vậy chỗ này là 1 trừ b mũ d do mình lấy sai phân bậc 1 thôi thì nó là 1 trừ b t thôi. Rồi tiếp tục nè. Có thành phần AR không? Mà AR bậc mấy? A là 1 m. Vị số đầu tiên là cho n đúng không? Như vậy sẽ là 1 nè trừ cho 1 trừ tiếp cho phi 2 m. Được chưa? Xa quá hả? Tiếp chấm nhắn lại ha. 1 trừ cho 1 trừ cho phi 2. Ok chưa? Rồi tiếp tục nè. Bên vế bên phải thí dụ giờ mình có hàm số C mình để C thôi. Trọng chưa? Có thành phần MA không? Ma bằng mấy? 1 như vậy thì sẽ là 1 cộng cho à tĩ nhiên cuối cùng là được không? A lỡ mình có 1 cộng đây rồi 1 cộng đây rồi biết rồi hiểu không? T nhân qua đây nè. Rồi bây giờ nếu mình muốn triển khai cái này ra, muốn triển khai này ra thành phương trình hồi quy ví dụ vậy thì giờ mình làm sao? Như vậy cách thứ nhất là viết bằng công thức ARIMA cách thứ hai viết bằng toán tử luân được chưa? Rồi cách thứ ba nè khai ra luôn nè. Rồi bây giờ muốn triển khai ra thì mình áp dụng vô thôi. Như vậy chỗ này sẽ bằng cái gì? Có phải là y' t không? Chúc nữa y' t bằng cái gì? Thì mình tính tiếp. Có phải là tí là sai phân 1 phải không? Đúng chưa? Còn nếu mà anh chị muốn viết tường minh ra luôn thì chỗ này có phải là y t trừ y t - 1 không đúng không? Rồi bây giờ 1 trừ cho phi 1 b trừ cho phi 2 bình phương đúng chưa? Rồi viết vế trái hết trước đi nha. Xong cái vế phải xong. Rồi bây giờ muốn ra hồi quy thì phải sao? Phải nhân nó vô thì có phải là có y không nè? Đúng không? Trừ cho phi 1 vô đây là bằng cái gì? Làm nhanh luôn >> làm cái gì? Y gì thấy tên ch không? Y nhân vô đây 10 kỳ là tắt một bước á lẽ là y t nhân cho vô đây thì là sẽ phi 1 y t trừ 1 đúng không? Mà phi 1 y t trừ 1 chính là 1 trừ 1 đúng không? Hiểu chỗ đó không? Tắt cái thôi. Rồi tiếp tục nè. Thấy này như vậy chính là gì? Phi 2 gì? Y t trừ 2. Đó là được cái thành phần thứ nhất. Tiếp tục là phần thứ hai này nhân qua đây trừ cho y t trừ 1 đúng không? Rồi tiếp tục cộng cho cái gì? >> Phi 1 y t trừ 2 đúng không? Tiếp tục cộng cho phi 2 y t trừ 3 đúng chưa? Như vậy được cái vế bên trái không? Rồi tương tự như vậy viết vế phải được không? Tương tự viết vế phải được không? Tương tự vậy bây giờ mình sẽ ở đây chỗ này là chỗ này đây là theta 1 t trừ 1 đúng không? Như vậy chỗ này vế phải sẽ bằng là cộng cho t cộng cho theta 1 t. Đúng chưa? Rồi sau đó nếu mà viết theo dạng thức hồi quy thì các anh chị phải để ghi t ở đây còn lại tất cả những cái này chuyển vế nó ngay dạng thức theo quan phẩm còn ok chưa? Như vậy giờ hiểu lý do tại sao người ta phải dùng toán tử luân chưa? Mình viết bằng cái cắn gọn viết là toán tử luân còn nếu mình viết là toán viết vậy nè thì thấy nó phức tạp đi không mà mới chỉ có đơn giản là hai thôi á còn ví dụ như bậc lớn hơn thì phương trình hồi quy nó dài sọc đúng không cho nên chính vì lý do đó người ta mới phát minh có đề viết bài toán nó đơn giản ok chưa nhưng mà bên trong dĩ nhiên là muốn làm ra muốn tính toán này kia được thì nó cũng cuối cùng phần mềm nó cũng phải chuyển thành cái dạng thức hồi quy thì nó chạy nhưng mà ở đây để mình hiểu đó trình bày đó thì mình sẽ dùng các cái mô hình ví dụ như hoặc là mô hình toán tử luân nó sẽ đơn giản tường minh hơn là mình viết trên mô hình c. Thầy cái vế phải sao là t hay là b >> à à coi >> hả biết cái m này độ rồi >> cái bé nãy này nè một ở ngoài đúng không phải vậy không mình nhân cái này vô đây nè công thức của mình nè phải biết lộ cái B nó nằm ở trong chứ không phải B nằm ngoài ở ngoài. Ok không tốt thì dựa trên cái dữ dữ liệu về tiêu dùng ở Mỹ á mà dựa trên cái file dữ liệu là S DD2 thì ta dùng cái hàm biểu diễn thị đó là auto velog ch cons thì cái trục hình ngang đó là trục Xlap là thể hiện là 5 trục tung là il mà thể hiện đó là tỷ lệ của cái phần trăm thay đổi của quý. Các anh chị còn nhớ cái cái cách để mình lấy một cái cột ra không? US change rồi trong mở ngoặc vuông dấu phẩy trước dấu phẩy là cái gì? Dòng >> dòng sau dấu phẩy ở đây là thực tế data nó sẽ có rất là nhiều cột. Nếu mình lấy một cột thôi thì mình dấu hai dấu nháy xong để tên cột nó vô. Còn nếu mình lấy hai cột làm sao? >> C >> C đúng không? Là bỏ ngoặc tròn là dấu nháy cột F' dấu nháy cột thứ hai vân vân. Có nhiều cột mình nó lấy như thế. Thì khi dùng mô hình ARIMA 01 mùa vụ thì ta dùng hàm fix auto Ariman auto exchange Sion thì ceno phone á thì chúng ta sẽ có một cái kết quả của sigma à 1 mũ 2 là 0,3499 và logwood đó là -164,81 thì AIC là 341.61 61 và BIC là 342.08 là biết là 361. Rồi bây giờ khi ra thì ARIMA nó chỉ cho mình nha. Đối với cái dữ liệu này đó thì thứ nhất là mình có cần lấy sai phân không? >> Không. Bậc của tự hồi quy, bậc của trung bình trượt là 3. Như vậy thì nó đề cho mình cái mô hình mà có tiêu chí BIC tốt nhất nó lựa chọn tiêu chí này nè. Thì cái mô hình đó chính là a 103 ha. Tự động nó tìm ra cho mình. Rồi khi mà ARIMA 103 thì nó sẽ cho mình những cái tham số của tự hồi quy ở đây mình cần mấy tham số tự hồi quy? Tham số chính là cái phi 1 phi 2 đó. Thì ở đây mình cần mấy cái phi? >> Mấy mấy cái phi á phi thôi. Phi chính là cái số tham số tương ứng với cái bậc của tự hồi quy bậc tự hồi mình là mấy? >> Là một thì mình cần một cái phi thôi đúng không? Chính là AR1 này đúng không? Nó tính là cái hệ số này đây. Rồi bậc trung bình trượt bậc mấy? 3 thì mình cần mấy cái bên kia? Ba cái chính là ma1, ma2, ma. Đúng chưa? Rồi cái này cái C này để cái min này chút nữa để mình biết cái hằng số C. Hằng số C thì công thức chờ trước hằng số C thì công thức nó sẽ bằng cái này. M là cái min cái min xuất ra đó ha. cái min trên cái màn hình xuất của R đó nhân cho 1 trừ phi 1. T V có cho mình. Rồi bây giờ từ kết quả đó mình sẽ viết mình sẽ viết ra nè. Rồi nhìn đi IT. Cái thứ nhất là số C mình cứ để C đi chú mình thế vô cái hệ số đầu tiên của mình là của AR1 rồi để lại với màn hình R. 0,5885 thấy không? Chỗ A là 1 được chưa? Rồi hình tiếp theo 0,5 ủa đâu em? >> 885 thì lấy còn là 5,589 đúng không nè? Rồi như vậy thì cái đó là tương ứng với y t trừ 1 được chưa? Quan là nó làm y vậy nè. Nó chuyển qua đây nè. Hiểu không? Phi thế được chưa? Rồi tiếp theo có ba có ba cái ma thì có 3 bậc 3 cho nên là tương ứng với t trừ 1 t trừ 2 t trừ 3 rồi epsilon t trừ 1 là cái gì? Tiếp tục trả lời trước rồi thấy không? 0 -0.3528 đúng chưa? Tiếp tục thứ hai luôn đi là 0,0846 và cuối cùng là 0,1739. Ba cái đó bà tương ứng cho ba cái epsilon chư chưa? Và cuối cùng là cái t mặt nhiên rồi C thì theo công thức nó sẽ bằng là cái min nhân cho 1 trừ cho cái 1 thì cái min hồi nãy nó min lấy đâu trở lại cái màn hình ra là min lấy thôi ha. Rồi vi vế thô. Như vậy thì nói tóm lại nha khi mình có kết quả cách xuất ra trên R thì mình viết được cái mô hình hồi rồi. Nhật thì cái tham số nó ra để viết thành mô hình và Q được. Ok ha. Rồi khi có mô hình hồi quy thì mình có thể dự báo được giá trị it thôi thì dự trên mô hình ARIMA ta dùng mô hình để dự báo thì ta dùng thằng fit for focus để chúng ta hiển thị chuyển đồ theo thời gian thì ở trong đây chúng ta có một số các cái lưu ý với c b= 0 d = 0 thì giá trị dự báo dài hạn tiến về 0 còn c b= 0 d b= 1 giá trị dự báo dài hạn tiến là à một hàm số khác 0. Còn nếu C = 0, D = 2 giá trị nhệ báo giới hạn có dạng là một đường thẳng. Còn nếu C khác 0 và D = 0 giá trị nhệ báo giới hạn tiến về giá trị trung bình của dữ liệu. Nếu C 0 D = 1 giá trị nhân báo giờ hạn có dạng là đường thẳng còn nếu C b= 0 và D = 2 giá trị dự báo dài hạn có dạng là đường xu hướng bậc hai. Ok bây giờ mình thử suy nghĩ một một hai trường hợp nha. Nếu các anh chị giải thích được một hai trường hợp thì sẽ giải thích được các trường hợp còn lại. Bây giờ mình mình chọn ra một cái trường hợp đó mình giải thích trước nha. Ví dụ nha, lấy ví dụ C khác 0 và D = 1. C khác 0 tức là cái đường trung bình nó dao động xung quanh một cái hằng số đúng không? Dao động xung quanh một cái hằng số đúng không nào? Rồi D = 1 tức là mình có lấy sai phân không? Có lấy sai phân. Như vậy thì sao? Lưu ý nè, sau khi mình lấy sai phân thì nó dao động xung quanh một cái hằng số khác không. Nhớ hồi nãy không? Lúc đầu á thầy nói là cái bài toán vận tốc gia tốc á thì cái lấy sai phân tính là cái gì? Vận tốc hay gia tốc? >> Gia tốc. >> Gia tốc đúng không? Và cái gia tốc nó dao động xung quanh một cái hằng số. Điều đó có nghĩa là vận tốc mình thay đổi cái gì? >> Đều đều tức là cái gì? 5 10 15 20 đều tức là cái gì? Tiến tính đó một cái đường thẳng đó. Như vậy thì là C khác 0 D = 1 giá trị dự báo dài hạn có dạng đường thẳng. Ok chưa? Được không? Rồi bây giờ áp dụng cái đó để giải thích trường hợp khó. Trường hợp cuối cùng thử coi nè khó nè. C khác 0 và D = 2. D = 2 tức là mình lấy gì? lấy sai phân >> hai lần mà sai phân hai lần này kết quả nó da vạnh xung quanh một cái hàm số ta lấy ví dụ nha ví dụ cái hàm số c đó ce nó bằng là là 2 đi. Như vậy thì c b= 2 mà lấy sai phân hai lần điều đó có nghĩa là cái gì? Cái gì thay đổi đây? Có phải vận tốc không? Vận tốc lấy sai phân không? Hồi nãy ví dụ của mình bài toán vận tốc lấy sai phân chưa? Vận tốc là chị ban đầu chưa có lấy sai phân. >> Gia tốc là cái lấy sai phân. Rồi cái gia tốc này nè đúng không? Lại lấy sai phân một lần nữa tức là sự thay đổi của gia tốc mà sự thay đổi của gia tốc này bằng một cái hằng số là 2. Điều đó có nghĩa là ví dụ gia tốc ban đầu mình là 5 thì sau giờ thứ hai gia tốc mình sẽ là mấy? Là 7. Sau giờ nữa gia tốc mình sẽ là mấy? là 9 ha. Bây giờ gia tốc mình sẽ là 579. Thì vận tốc mình thí dụ vận tốc bình đầu tiên là 10 km đi thì sau giờ đầu tiên sẽ là mấy? 15. Sau giờ thứ hai sẽ là mấy? 15 cộng cho có phải cộng cho 5 nữa không? Cộng cho 7 đúng không? Như vậy thấy bây giờ nó còn tiếng tính không? >> Nếu mà đúng ra đó thì ta nói chyệ nhanh phải không? Ok. Nà. Bây giờ cái c = 2 tích là mà d = 2. C là khác 0. Nhìn thấy thầy đang giải thích trường hợp cuối cùng đó. Còn cái trường hợp trên nếu các em giải thích được hai cái trường hợp cuối cùng mấy cái trên nó sẽ chà quá đơn giản. Biết cúc một cái phức tạp nhất đúng không nào? Rồi bây giờ c = 2 chứ là c khác 0 bằng 2 = 1 gì đó tiền em cho bằng 1 cũng được không sao hết đúng không nào? Rồi d = 2 thì người ta nói là giá trị dự báo dài hạn có dạng đường xu hướng bậc hai tức là đường công chứ không phải đường thẳng nữa. Ok chưa? Bây giờ mình lý giải tại sao nó là đường công mà không phải đường thẳng. Bây giờ mình coi thử nha. Rồi D = 2 thì bây giờ mình ví dụ bài toán vận tốc đi. Đầu tiên cái gia tốc của mình á gia tốc này có phải là e ph không lấy cái sau trừ phía trước đúng không? Vận tốc mình là 45 km ở giờ thứ hai trước đó mình là 40 km để cái sau trước là 5 km là gia tốc đúng không? Rồi bây giờ y' là gia tốc như vậy thì y'' sẽ là cái gì? Thay đổi của gia tốc đúng không? Thay đổi của gia tốc. Rồi ta lấy ví dụ nha. Ví dụ gia tốc mình là 5 km vận tốc xuất phát mình là 40 km. 40 km vận tốc xuất phát. Đúng chưa? Gia tốc mình là 5 km thay đổi của gia tốc là 1. Rồi bây giờ mình coi nè. Như vậy thì giờ thứ nhất mình là 40 km đúng không? Giờ thứ hai mình là nhiêu? 45 kmh. Giờ thứ năm mình là nhiêu? >> 51 kmh. Giờ thứ tiếp theo >> cộng thêm mấy? Cộng 7 chứ phải cộng 6 đúng không? Là 58. Rồi bây giờ mình biểu diễn 40 45 có phải đường thẳng nữa không? Nếu mà đường thẳng thì nó phải là nhiêu? 40 45 là 50 rồi tới là vân vân đúng không? 50 55 này k vân vân bây giờ nó biến đi không theo dạng đường thẳng nữa đúng không như vậy đường dự báo mình sẽ biểu diễn theo cái dạng đường công ok chưa cái cuối cùng á c mấy cái trên vậy là được rồi đúng không cùng cái tư tưởng đó giải thích cho các cái mô hình dễ dàng. À tiếp theo mô hình ARIMA đó là chúng ta có ACF và PACF. Thì à ACF là cho biết hệ số tương quan giữa y t và y t trừ k với các cái giá trị k khác nhau. Còn PACF là cho biết hệ số tương quan riêng à giữa y t và y t trừ k. Tức là hệ số tương quan giữa y t và y t trừ k. Sau khi loại trừ ảnh hưởng của các trễ của 1, 2 và k-1 thì hệ số tương quan riêng alpha k sẽ bằng hệ số ước lượng là phi k trong cái mô hình AR k. Trong kinh tế lượng các anh chị có học hệ số không? Có phải không? Đắm ý nghĩa đó không? Hệ số tương quan riêng. Thí dụ bây giờ mình có nha trở lại chút xíu nha. Giả dụ bây giờ mình có ba cái biến là Y, X và Z đúng không nào? Bây giờ mình muốn tìm cái hệ số tương quan riêng. Tương quan riêng sorry. Tương quan riêng của Y và X thì mình làm sẵn tức là gọi trừ cái ảnh hưởng của Z ra khỏi Z có thể ảnh hưởng đến Y Z có thể ảnh hưởng đến X. Thì mình muốn tìm cái phần mà tương quan giữa Y với X mà không kể Z. Nếu mà biểu hiện thì nó là gì? Đây mình có Y nè đúng không? Đây mình có X nè. Đây mình có Z nè. Thấy chưa? Thì cái phần mà tương quan riêng giữa y với x mà không kể Z là phần nào tính số nha tính số nha 1 nè 2 nè đúng không rồi ví dụ vậy đi. Thì phần nào 1 chính là cái 1 này nè đúng không? Cái phần mà x với y tương quan với nhau mà loại trừ cái ảnh hưởng của Z. Như vậy thì làm sao mình loại trừ ảnh hưởng của Z? Nếu mình làm bằng Q làm sao? Y >> ờ đúng rồi. Đó Q của Y đúng không? Bằng là A0 cộng A1 Z được không? có được cái mũ đi. Rồi tiếp tục sau Q của X0 cộng cho X1 Z. Đây là gì? Đây là cái phần thay đổi của y giải thích bởi Z. Đây là phần thay đổi của x giải thích bởi Z. Sau đó mình làm cái gì? Từ đây mình tính ra y trừ cho này thầy tạo gọi cái này là y mũ Z đi ha. Cái này là x mũ Z đúng không? Như vậy thì thầy gọi cái y trừ cho y tạm gọi là cái này là y1 đi. Như vậy thì cái này chính là biểu diện cho cái gì? Cái này là giải thích bởi Z trừ nó ra thì còn là gì? Những cái y mà sau khi mình loại trừ cái giải thích của Z ra khỏi mô hình. Tương tự như vậy thì mình sẽ tính được cái x trừ cho y mũ x không xin lỗi xin lỗi x mũ Z là x ban đầu cái này là gì? Cái phần của x loại trừ cái giải thích của Z. Như vậy thì cái này có phải là phần còn lại của riêng y loại trừ Z ra rồi cái này của riêng x loại trừ Z ra. Sau đó mình tính hệ số tương quan này được không? R của Y1 và X1 chính là cái hệ số sau khi mình loại trừ ảnh hưởng của Z. Ok không? Thì tương tự ở đây thì ta nói là loại trừ thay vì loại trừ biến Z thì ta loại trừ những cái y t trừ k ra đúng không nào? Thí dụ ta tính ra y1 ta tính giữa y và y t trừ 1 hệ số riêng có nghĩa là ta loại trừ ảnh hưởng của y -2 y -3 y - k ra khỏi y t và khỏi y t trừ 1 sau ta lấy cái phần còn lại đó ta tính hệ số tương quan được chưa thì cái hàm đó nó gọi là hàm tương quan riêng phần nó gọi là PACF tiếng Anh nó gọi là partial auto correlation. Tiếp theo tức là đối với hàm ACF và PACF nó có giá trị tới hạn của hệ số tương tương quan và từ tương quan riêng à đều là cộng trừ 1.96 chia cho căn bậc n của T. Thì đồ thị ACF dựa trên các à trong A thì biểu diễn qua cái hàm GG ACF US consum consumption thì biểu diễn thêm trên biểu đồ tương tự như bạn đồ thị BCF cũng tương tự như bạn thì ở đây là khi chúng ta lựa chọn mô hình ACF hay là BACF thì có thể à dùng à ACF hoặc là để xác định cái p và q trong các cái mô hình ARMA. P trong trường hợp này à có công thức là ARMA p d 0 và AR0 d q à thì khi dùng mô hình ARMA p d 0 nếu như ACF giảm theo hàm mũ hoặc là hàm sin hoặc là PACF cao tại trễ p thì thấp tại các cái trễ sau của p. Ok. Thế thì khi mình dùng ARMA đó thì có hai cách. Cách thứ nhất là mình dùng auto AR ha tự động nó chạy cho mình tính ra PDQ vân vân. Nhưng mà lưu ý khi auto ARIMA chút nữa mình thấy đó cái thuật toán nó cũng phải thử nhiều tình huống nhiều trường hợp và một dương trị rất là chậm. Thì nếu mà mình phán đoán được các chỉ số PQ á thì mình sẽ chạy ARIMA và mình chỉ định P là bằng bao nhiêu, Q bao nhiêu thì mình sẽ có kết quả nhanh hơn nhiều. Hiểu không? Một cái là để tự cho hệ thống nó mày mò nó tìm ra tự động. Một cái là mình có thể đoán dựa trên cái đồ thị sau đó mình chỉ giới hạn một số cái mô hình thôi thì hệ thống nó sẽ tìm nhanh hơn nhiều. Ví dụ mình nói là chạy cho ARIMA nhưng mà với P = 2 thôi thì lúc đó nó sẽ tìm D với lại Q thôi còn P nó bằng 2 thì ta dùng cái đó để mà tìm các mô hình thôi. Okay chưa? Thì làm sao mình xác định cái PDQ? Thứ nhất nè, xác định cái bậc sai phân thì cái đó dễ rồi. Mình sẽ làm sao cho đến khi nó dừng lại thì giá trị D tương ứng ra bậc sai phân. Thí dụ mình lấy sai phân bậc 1 chưa dừng thì mình tiếp tục lấy sai phân bậc hai. Còn nếu mà mình không á mình dùng cái hàm gì nhớ không? Cái hàm gì hồi nãy nó cho mình biết là bao nhiêu lần mình lấy sai phân hết. Cái hàm đó không? Ok chưa? Hàm enter đó lúc nãy đó. Như vậy có hai cách. Cách cách một là mình lấy sai phân xong rồi mình đi kiểm định tính dừng. Chưa dừng mình lấy sai phân tiếp kiểm định tính dừng nên chưa dừng thì mình thôi. Cách thứ hai là mình dùng cái hàm cái hàm lúc nãy đó thì nó cho mình biết là số lần mình lấy sai phân không ước được chưa? Bằng cách đó thì mình xác định được cái D. Bây giờ còn mình xác định cái P với lại Q như thế nào? Thì P với Q á mình nhìn vào hai cái đồ thị. Trường hợp thứ nhất là xác định P. Thì cái bậc của P là mình nhìn vào PACF hơi kém nhau xíu nha. AR thì nhìn vô PAC. AR nhìn vô PAC cái bậc đó. Còn ngược lại MA thì nhìn vô ACF nhớ nó là vậy thì AR thì mình nhìn vào cái P AF còn cái mình vào cái AC còn cái còn lại thì nhẫn nhanh về không hiểu thí dụ bây giờ mình có nè thử đi ví dụ mà G ý với ba mô hình ARMA 300 và ARMA 003 và ARMA à 303 có đồ thị không có đồ thị không gửi ý cái này nó kết quả à kết quả kết quả này thì sau khi chạy phải có đồ thị chứ đâu rồi ACF đâu nó mới ra được cái này >> vậy không khi chạy nó ra đúng thực không ý thầy nói á là hàm ACF và PACF gợi ý mô hình này thì ý nói cái hàm nó đâu Cái câu đầu tiên thấy không? >> Dạ. >> Hàng ACF và PACF gợi ý mô hình AR3 300 và 303 thì cái ACF ở đâu với lại trước mình đang coi chủ dữ liệu gì chủ dữ liệu gì trong súng SH rồi. Oké rồi nhìn thấy à AR thì dịch vô cái gì trước lại cái nó đi. Đây ACF đây đúng không? ACF nó có mấy cái cao? ACF có ba cái cao. Rồi tiếp tục PACF mấy cái cao? Cũng ba cái cao luôn. Như vậy thì sao? Nếu mà bậc AR nhìn ở đây đúng không? Thì mình nhìn vô PACF mình thấy có mấy cái bậc mấy sẽ phù hợp? >> Bậc 3. Rồi nhìn vô cái ACF mình thấy cũng nhiêu? >> Bậc 3 luôn. Như vậy ha. Khi mình như vậy thì mình sẽ thứ nhất ở đây là có lấy sai phân gì chưa? trên sớm sấy ph chưa chưa. Như vậy thì nếu mà giả sử dùng ARIMA nè. Cái thứ nhất á mình chưa lấy sai phân hiểu không? Mình không lấy sai phân. Ok chưa? Rồi nhìn vô cái PACF mình có là 3 đúng chưa? Thì mình sẽ thử các mô hình sau. Thử tính các mô hình sau. Đầu tiên là 300. Cái thứ hai là AR3 và cái cuối cùng là cả hai luôn. Hiểu không? Tức là mình nhìn vô hai cái đồ thị mình sẽ thử các mô hình. Dĩ nhiên là trên tiêu chí là ACF hay là AICC gì đó ô xin mời trên tiêu chí là AIC hay là AICC gì đó để mình chọn ra cái mô hình tốt nhất. Vậy ở đây là nó chọn mấy mô hình mặt. Ở đây là mình gửi ba mô hình 300, 003 và 303. Rồi bây giờ người ta chạy nè. Mình chạy AR3 order 300. Tức là lúc này hệ thống nó không phải thử nhiều mô hình, nó chạy đúng ra cái mô hình của mình yêu cầu thôi. Hiểu không? Nó khác với auto ARIMA là nó dò nhẩm chút nữa mình thấy các dò nhẩm tính sau nó có cái thuật toán nó dò. Nhưng mà nếu mình chỉ ra như vậy thì nó sẽ chạy rất nhanh là nó chạy đúng cái 300. Rồi các anh chị ra được cái AC không? Tương tự như vậy chuyển qua chạy cho 003 được không? Tương tự như vậy chạy tiếp. Thí dụ bây giờ chạy AC bằng 340 mình lưu lại đúng không? Sau đó mình lại chạy cho 3 với cái order là 003 được không? Em hiểu không? Mình đề hiện ba mô hình thử ba mô hình thôi. Đúng chưa? Nè là mình so sánh A xem cái nào tốt hơn giữ lại rồi sẽ tiếp tục chạy với cái mô hình h là 3 chạy luôn đó. Ừ thích thì chạy luôn. Chạy đi. Sửa lại fit 1 và fit 2, fit 3. Đúng rồi. Chạy luôn thử. Như vậy thì lưu ý là khi mình phán đoán trên đồ thị đó là chỉ gợi ý thôi ha. Mình không thể nhìn cho nó nên mình biết chắc là mô hình nào được. Giả sử có nhiều trễ nhiều mô hình phù hợp thì mình sẽ thử với tất cả các mô hình đó. Sửa đây thôi. Đặt cái đó là 1,23 gì đó chị dễ nhớ đi A300 là mô hình 1.3 là 2 và cuối cùng là 303 là mô hình 3. Rồi 1. Rồi khi chạy 1 xong thì lưu ý ra cái AICC của nó là mấy? 3 mấy? >> 342.626 626 >> 3.42 42 lấy cái AC đi rồi mô hình thứ nhất tiếp tục tức là 300 á

Và chạy mô hình 003. 003 vừa chạy xong.

"À, 03 chạy xong hả?"

"Dạ."

"Rồi, bây giờ đang chạy gì?"

"303."

"Ok, cái này là 03, còn cái này là cái thứ hai là 303. Xin lỗi, bao nhiêu?"

"Cái này là 3, 303. Ok, chứ ba để chạy luôn."

"Ba cái giữa là 303 và cuối cùng là 300."

"Rồi, cuối cùng cộng thế nào là tốt nhất?"

"AC nhỏ nhất là tốt nhất."

"3 được không? Thế là cuối cùng hợp của mình. Ok chưa các anh chị?"

"Thì cái này nó gợi ý cho các anh chị lưu ý nha. Khi mà nhìn trên đồ thị á, mình sẽ có trường hợp là có nhiều cái mô hình viên đúng chưa? Chứ không thể chắc chắn được là mô hình nào trên đồ thị không thể kết luận được chắc chắn là mô hình nào. Thế thì sau khi mình có nhiều mô hình sẽ thử với các mô hình đó. Như vậy lúc này mình chỉ thử ba màn hình thôi, chứ còn không là hệ thống sẽ thử nhiều trường hợp lắm. Chút nữa mình sẽ thấy cách nó làm."

"Tiếp theo đó là chọn cái mol ACF BCF. Thì sau khi sử dụng hàm auto Arima thì không thể tìm ra cái mô hình này do Auto Arima không xét toàn bộ các cái mô hình. Thì muốn cho anima xét toàn bộ các mô hình thì chúng ta phải thay đó tham số step là bằng phone và approve simation là bằng phone. Thì chúng ta có cái hàm là fit B chạy ok nè."

"Cái approximation á, cái autoima do thử nó bày mò cho nên nó sẽ dùng cách tính gần đúng cho nó nhanh. Ờ và do nó làm nhanh như vậy, nhiều khi nó không ra được cái mô hình tối ưu như mình như mà mắt thường. Cho nên muốn mắt đó là toàn bộ các mô hình đ kiểm tra hết thì ép nó cái chữ approximation bằng phone, tức là không có xắp xỉ gì hết, tính chính xác cho tôi, hiểu không? Thì lúc đó nó sẽ rất là chậm, nhưng mà cái đoạn nó sẽ ra sẽ khớp cái mình đang có ha. Lưu ý ha, cái approximation tức là nó sẽ tính xấp xỉ và nó được mô hình gần tốt là nó nhìn. Còn cái approximation mà phone á là bắt nó quét hết tất cả các cái, không có tính xấp xỉ được."

"Sau khi chạy với con thì chúng ta cũng ra cái kết quả là ima 300 ok ha. Như vậy hồi nãy là mình chạy đại khái là mình không để mà form thì nó không ra được cái mô hình 30 của mình. Còn muốn nó ra đúng á, đợi lâu chút xíu á, thì mình gán cái approximation bằng form cho nó làm chính sách là lưu ý khi dữ liệu lớn á, mình gán cái step bằng form với approximation bằng form chạy tiế hư ra ha. Tất à."

"Tiếp theo đó là cái phần liên quan ước lượng và lựa chọn mô hình. Thì sau khi xác định được các cái B dq của mô hình thì bước tiếp theo ta ức luật các cái tham số C ở phi1, phi2, à PP và theta 1, theta 2 là theta Q. Thì khi ta dùng phần mềm R, các trường hợp L của hàm maximum Lood hoặc là thứ ba là chúng ta lựa chọn trên các cái phim phí của AIC hoặc ACCC hoặc là và BC."

"Thì phần tiếp theo trong cái mô hình anima trong R thì bạn Giang sẽ trình bày tiếp theo ạ."

"S Tiếp theo v em có [âm nhạc] ừ."

"Cái nhóm mình là Phan Ngọc Quỳnh Anh phải không?"

"Dạ, Hà Anh Giang và Nguyễn Thị Hà."

"Dạ vâng."

"Ok."

"Dạ."

"Phần tiếp theo là dự báo bằng mô hình Arima. Đầu tiên là dự báo điểm. Thì ở đây mình sẽ có các bước để thực hiện cái việc dự báo điểm trong mô hình ARM."

"Bước thứ nhất á thì ta sẽ viết cái phương trình dưới dạng là nằm bên vế trái. Tất cả các thành phầnh còn lại thì bên vế phải."

"Bước thứ hai thì ta sẽ viết lại cái phương trình bằng cách là thay t bằng t + h."

"Bước ba thì bên cái vế phải đó ta thay các quan sát trong tương lai bằng các giá trị tựu báo. Size số trong tương lai bằng 0, sai số trong quá khứ bằng dương. Và sau đó thì ta bắt đầu với bằng H = 1 và lặp lại với H = 2, = 3 vân vân."

"Còn nhớ cái cách hồi nãy mình viết không? Hồi nãy mà từ cái tối tử lùi á mình viết thành IT xong rồi mình chuyển vế qua hết trừ YT còn lại mình b mình mình bên trái tất cả những cái mình chuyển qua phải nhớ không? Đó thì cái lưu ý là cái này thì mình hiểu thôi nha, chứ mình không có làm bằng tay đâu nha. Không có thời gian đó, mình hiểu cách máy nó làm đó."

"Ở đây thì ta sẽ có là cái mô hình Arima 311 để làm mẫu. Ở cái mô hình này á thì sẽ có cái P là bằng 3 là cái số bậc của phần tự hồ y. D = 1 là số lần sai phanh để mà cái chuỗi đó trở nên dừng. Q bằng 1 là số vậc của cái phần trung bình trược có các hệ số là AR1 là hệ số của giá trị trễ bậc 1. R2, R3 là bậc 2 và bậc 3. M1 là hệ số trung bình trừ bậc 1. Size số chuẩn là SA. Và các thông số đánh giá của mô hình thì ta có là bình phương chính là phương size của size số chuẩn phần chư. LCK, L Hú thì đây là giá trị hàng hợp lý tối đa à và các chỉ số thông tin như là AAC, AACC, BIC thì dùng để lựa chọn vô hình."

"Tiếp theo là cái cách triển khai khi mà mình thực hiện cái chữ báo điểm. Dựa trên cái nội dung m lúc đầu á thì bước một á mình sẽ viết phương trình dưới dạng là it nằm bên vế trái và tất cả các phần còn lại ở bên vế phải thì ta thấy cái phương trình ở trên bảng. Ờ tiếp theo là các cách triển khai ờ đó là mình sẽ triển khai bệnh nhân các đa thức trong các bé trái lại với nhau và sau đó thì mình viết thành một cái phương trình là theo cái thời gian và mình dựa trên cái lý thuyết về toán tử lùi là dùng bit là bằng it - 1, bình y là bằng it -2 vân vân và sau đó thì mình sắp xếp lại để có cái phương trình dưới dạng là ở bên a nhỏ nhỏ thì nằm bên vế trái và tất cả các thành phần còn lại thì bên vế phải."

"Cái này giống như hồi nãy mình chuyển khai nhớ không? Ok ha. Mình làm xong mình chuyển hết tất cả những cái khác chừa lại y bên giấy trái thôi. Thì đây là những cái giá trị giế phải bình tr những giá trị trong quá khứ biết cái đó biết quá khứ mình mới về bán được yên."

"Đây là bước tiếp theo là mình thay cái t là bằng t + 1. T + 1 = 0 và t là bằng phần dư et để ta có thể dự báo cho cái chu kì là t c 1. Và tiếp tục như vậy đối với cái chu kỳ t+ 2 tương tự."

"Ở cái nội dung là dự báo khoảng á thì mô hình Arima giả thiết phần dư không có tự tương quan và có phân khối chuẩn. Nếu các giải thí này không thỏa thì dự báo này có thể sai và cái khoản tiny 95% cho phép của kỳ Giá tiếp theo x mũ là độ lệch chuẩn của phần dương."

"Bây giờ nếu mà giả thiết phân khối chuẩn này không đạt được mình làm gì nhớ không? Nhớ nếu mà các giả thiết này không đạt hoặc là mình không biết ha, mình cũng không cần tính độ lự chuẩn luôn thì mình sẽ làm cái gì? Dùng cái kỹ thuật bữa trước đó thì mình sẽ tiến hành dữ báo điểm mình lặp lại thí dụ như 5000 lần dữ báo điểm mà đúng không? thì nó 5000 cái giá trị sau đó thì mình dùng cái phương pháp cái phương pháp bữa trước đó sắp xếp thứ tự rồi tính phân vị này kia vân còn nhớ tư tưởng đó không thì sau này mình sẽ có những cái cái ví dụ làm arima kết hợp với thì sẽ ra kết quả."

"Ở đây là ta có kết quả tin cậy là y t + 1 là giá trị dự báo tại thời điểm t+ 1 được tính dựa trên cái mô hình arima ờ s mũ là độ lịch chuẩn ước lượng của phần dương và hệ Số 1996 là cái mức phân phân vệ của cái phân phối chuẩn ở cái mức tính cậy là 95%. Và cái khoảng này nó thể hiện rằng là với cái xác suất là 95% á thì giá trị thực tế của it 1 nó sẽ nằm trong khoảng là từ giá trị dự báo của y + 1 trừ cho 1.96 nhân với mũ đến giá trị dự báo của y + 1 + 1.96 nh mũ."

"Tiếp theo về chữ báo khoản dành cho chữ báo khoản nhiều kỳ thì để đơn giản thì ta xét cái mô hình như trên bảng à có nghĩa là khi dự báo nhiều kỳ thì à ta sẽ sử dụng các phương sai dự báo nhiều bước. À phương giữ báo nhiều bước à có công thức là sigma mũ h bìnhương bằng sigma bình phương nhân với 1 cộng với tổng từ y bằ 1 đến h trừ cho 1 của y mũ bình phương với h là bằng 2, 3 vân vân. Công thức thì không cần nhớ nhưng mà nhớ tính chất nè, nếu mà mình dự báo càng thì cái độ chính xác của mình nó càng gì càng khấp. Bây giờ thể hiện bằng cái gì ở đây? Bằng cái size số nó sẽ càng lớn. Bây giờ sai số ban đầu nó là 3 mũ bình phương đúng không? Đúng chưa? Rồi sau đó nó sẽ bằng cái gì? S3 mũ bình phương có phải cộng thêm một cái đám gì nữa phía sau này không?"

"Đúng không?"

"Đám phía sau này phụ thuộc vào H đúng không?"

"Như vậy H tăng lên là cái cái cục phía sau nó sẽ lớn hơn đúng không? Đúng chưa? Như vậy thì chính cái đó nó thể hiện trong cái việc là càng xa thì cái dưỡng máu càng kém chính xác. Và càng kém chính xác tức là cái niềm dữ máu nó càng sao?"

"Càng càng càng rộng."

"Càng rộng ra đúng không? Cho nên là ý nghĩa của nó là các anh chị thấy là dự báo một kỳ thì nó nhỏ, dự báo hai ba kỳ 4 năm kỳ thì nó sẽ le thử trở lại cái đồ thị nãy có cái đồ thị xanh xanh á để sẵn giả ý này lại nè. Thấy không? Nhìn thấy không? Thấy chưa? Th ý nghĩa này không? Cái đường báo điểm ra từ màu xanh này càng về sau càng xa thì càng ra. Là tại vì sao? Tại vì càng xa trong tương lai thì cái độ sai số nó sẽ càng sao?"

"Bây giờ mình viết giá chứng khoán hôm nay đúng không? AC mặc nhiêu đó báo ngày mai tốt hơn hay là mình dị máu 5 ngày sau tốt hơn?"

"Ngày mai tốt hơn đúng không? Nhưng mà ngày mai cái đường mình máu mình nó sẽ hẹp hơn cái khoảng mình nó sẽ xát hơn. Ngày mai xa xíu mốt năm cũng càng về sau càng sai thể hiện cái công thức là cái độ l chư nó càng lớn đúng không mà cái của dự báo đó cái size số của dự báo nó sẽ bằng dự báo điểm tức là cái giá trị xanh xanh ở giữa cộng trừ cộng trừ cho cái gì cho ví dụ như 1.96 6 nhân cái độ l chủ đúng không? Độ l chủng càng lớn tức là cái viề của báo mình sẽ càng cộng ra. Thấy chưa?"

"Ở đây thì ta có là kết quả dự báo trong R bằng hàm forcast cho mô hình Arima mà mình đã ước lượng. Ờ trong cái lệnh R này á thì fix chính là cái mô hình ARA mà mình đã ước lượng trước đó. Ở đây là arena 311. H = 10 là cái số kỳ dự báo phía trước ở đây là 10 tháng do đó là H = 10 level là bằng C 80 95 tức là tính và hiển thị cái khoản bên cạnh ở mức 80% và 95%. có cái kết cái kết quả đầu traồ có là cái point forecast tức là cái giá trị báo điểm trong mỗi kỳ lo80 và hi80 tức là low 80 và 280 là cạnh dưới và cạnh trên của các hoạt tin cy 80% và tương tự cho là 95%. Như vậy thì ta thấy là dựa vào trên cái dữ liệu này thì ta thấy là cái khoảng tin cậy càng mở rộng dần ra khi mà mình các bước dự báo mình tăng và nó phản ánh cái sự bắt định tăng theo cái độ dài của dự báo. Do đó là càng cái cái bước dự báo càng tăng thì nó sẽ càng khó cái cái độ tin cạnh nó càng giảm."

"Bạn dùng từ hay đó, bất định mà càng xa thì càng bất định đúng không? Ok good. Uncertainty."

"À đây là cái kết quả trong dự báo của R bằng hàm forest mà mình kết hợp để mà mình trụt quan hóa bằng auto block. Thì ở đây á à mình sẽ thấy là nó chẳng qua là nó chỉ trực quan hóa lại cái nội dung lúc nãy là mình thấy rõ là à cái dự báo điểm cái đường màu đen á là nó là cái chuỗi dữ liệu lịch sử mà sau khi mình đã điều chỉnh nè. Cái đường xanh đậm ở phía cuối là cái giá trị giữ báo điểm cho cái 10 kỳ kế tiếp. Cái vùng xanh nhạt là cái khoảng tin cậy là 95% nó sẽ rộng hơn và bao quát hơn. Còn cái vùng xanh đặm nó nằm ở bên trong á là cái vùng mà tin cạn 80%. Ok."

"Thì từ đầu đến giờ mình đã bàn cái mô hình AR không có một vụ. Giả sử bây giờ tới đây mình hết không học tiếp mà gặp cái chướ mình đã đủ kiến thức để mình làm rồi đó. Thay vì đi tiếp là Arima bù vụ mà giả sử thích tới đây bà không th học nữa mà gặp chuỗi Arima mà có buồn thì mình làm sao sao nữa đầu tiên nhất mình làm cái gì còn nhớ công cụ ở trước không cụ nào giúp mình tách được từng thành phần ra như vậy thì mình có cái công cụ bữa trước là decompose phân tách chuỗi thời gian ra đúng không mình tách ra được cái thành phần mù vụ và cái thành phần còn lại đúng không tức là seasonal exess đó đúng chưa giờ cho tôi cái chuỗi thời gian sao tôi muốn phát hiện tính mù của bằng đồ thị có có làm nữa không vẽ cái clot này kia vân vân đó thị trồng lên dao này kia vân vân đó thì cuối cùng mình kết luận là nó có mùa vụ mà giả sử mình tới đây mình ngưng thì mình sẽ làm cách nào mình sẽ rút cái chỗ thời gian nó mô mình tách nó ra được chưa tách cái thành phần một mụ ra mình còn lại cái thành phần còn lại thành phần còn lại mình lấy bằng cái hàm là là seasonal adjust đó thấy không thì cái đó là còn lại là thành phần xu hướng và sai số bỏ nguồn bộ bên rồi áp dụng anima này được không sau khi mình gọi phần mù mụ ra mình áp dụng được không."

"Được rồi, khi ra kết quả mình có mù mụ hồi nãy đó mình ghẹp vô được không."

"Nếu mình tách ra theo mô hình cộng thì mình cộng lại, tách ra theo mô hình dân thì mình dân lại đúng chưa? Thì mình cũng có còn nếu mình thích thì nghiên cứu tiếp ok chưa bạn hiểu cách làm."

"Đối với cái Arima mược vụ thì cái cấu trúc của mô hình ARMA mù vụ như sau đó là Arima B DQ B DQ M. Trong đó B D Q chính là các thành phần của không mùa vụ, B D Q là thành phần của mùa vụ và M là số quan sát trong 1 năm hoặc là trong chu kỳ của mùa vụ. Ví dụ giả Giả sử như là chu kỳ một bộ của năm thì ta sẽ có là m = 12 nếu mà mình tính theo tháng và nó sẽ là bằng 4 nếu mà mình tính theo quý. Và cuối cùng thì ta sẽ có cái ví dụ cho mô hình Ari 11114 viết ở dưới dạng toán tử lùi."

"Rồi bây giờ thầy thầy tử trường hợp thứ hai phức tạp chút xíu chà có tử lùi ha. Cái này nó có nó có một cái điều mình lưu ý. Giả sử như bây giờ cái bậc một nhìn nhìn cái công thức có tử lùi lại mà đang có trên slide trước đi rồi xong rồi thầy mở rộng ra chút xíu đâ là ch rồi nhìn đây ở đây ta viết cho là chỉ số một bộ là 4 tức là dữ liệu gì."

"Quý."

"Quý ok thứ nhất có sai phân bù mụ không."

"Có."

"X phân một phân một lần có sai phân cấp một không."

"Cũng một lần luôn."

"Ok. Như vậy thì để viết nè, đầu tiên ta phải viết, sau đó ta lấy sai phân mùa bụn trước không? Như vậy cái này tương đương với lại là it có phải là trừ cho y -4 không? Đúng không? Đây chính là sản phân bù n rồi cái này chính là cái gì? Sa phân bù xong rồi sa phân gì? Sa phân bậng 1. Như vậy gì ạ? Lưu ý nè, mình tính mình áp dụng nó là áp dụng từ trái từ n ra ngoài từ trái qua cái nổi từ phải qua đầu tiên là sa một bộ trước sau này sa cấp một ok chưa như vậy là được là hai cái sai phân rồi thành phần bên tay trái của y này là chỉ cho ar một bộ có không ar bộ có không rồi rụ thì là 1 trừ cho cái pi lớn B4 B4 số ha thành phân bình thường 1 trừ cho phi 1 B điều gì xảy ra nếu chỗ này không phải là 1 mà là 2 nha thì mình thử mở rộng lên nha nếu mà là 2 thì chỗ này sẽ là gì cái kia vẫn vẫn giống như vậy ha y nè rồi 1 trừ cho b m 4 rồi Rồi 1 trừ cho b là bình thường đúng không? Nhưng mà chỗ này sẽ là 1 trừ cho sin phi lớn hơn 1 b mũ 4 ha. Tiếp tục nè. Lú ý nè. Trừ cho lớn 2 b mũ 8 hai lần kỳ 10 nhớ không? 4 tức là 1 nhân cho m. M là chu kì 1 mũ. Còn nếu mà hai chu kì mù vụ chỗ này lưu ý nha. Vậy ở đây là 1 là 1 lần 4 là một chu kỳ mù mũ. 2 là 2 lần 4 hai chu kỳ mũ. Như vậy 3 sẽ là cái gì? Là 3 nhân cho 4 là phải là 12 đúng không? Lưu ý nha. Như vậy thì chỗ này sẽ là là bằng 2 thì chỗ này sẽ là 1 lần 4, 2 lần 4. Ok chưa? Rồi chỗ này ở phía trước thì bình thường trước trở lại là 1 trừ cho cổng 1. Tương tự như vậy bên tay phải được không? Bên tay phải nếu mà chỗ này không phải là 1 mà là 2 mà là 2 thì sẽ là cái gì? Ở đây trước này nói rồi. Phía sau này sẽ là gì? 1 cộng cho 1 à beta 1 cộng cho."

"bet 2b8."

"B8. Ok không? Như vậy lưu ý nha. Trong cái thành phần mù mụ đó thì 1 hay là 2 tức là hai lần của cái mũ. Ok chưa? chứ không phải là 1 2 3 m lớn giống như bình thường."

"Đối với nội dung về ACF và PACF thì ở đây á thành phần mùa vụ của R và MA dựa trên các trễ mùa vụ của ACF và PCA. Thì khi phân tích cái chuỗi thời gian thì để xác định các bậc của cái thành phần AR là tự hồi quy và MA là trung bình trường. Thì ta thường dựa vào hai cái hàm là ACF là hàm tự tương quan và PAC là hàm tự tương quan riêng phần. Ờ với cái chuỗi mà có ngồn vụ thì các đặc điểm quan sát ở ICF và PC thì thường sẽ lặp lại các trẻ đúng với cái bàn với cái chu kỳ của mù vụ. Ví dụ là với 12 thì với dữ liệu tháng và bốn với dữ liệu quý."

"Nội dung thứ hai đó là ARIMA 001 và có chu kỳ 12 sẽ có là ICF cho thấy có sự có tự tươ mư cao ở trễ 12 và thấp ở các trễ khác. BCF thì cho thấy có sự suy giảm theo hàng ngũ tại các trễ mua vụ. Ví dụ như dữ liệu là tại trẻ 12, 24, 36."

"Hồi nãy á là mình nhìn chỗ bắt đầu nhớ không? Chỗ đầu tiên á cái bậc không có phục vụ á là mình bắt đầu P với Q đó là mình nhìn chỗ mấy cái quạt gẹp mạch bắt đầu đầu tiên thứ nhất thứ hai thứ ba k vân vân của ACF với PACF đúng không? Còn thành phần mù vụ á thí dụ tùy theo chu kỳ mù vụ nếu mà cái chu kì mù vụ là quý thì mình nhìn ở chỗ những cái thanh nó thay vì bắt đầu là 1 2 3 đúng không? Thì mình nhìn ở những chỗ bắt đầu là 4 8 12 ha mọi số của một vụ á. Còn nếu dữ liệu là tháng thì mình nhìn ở chỗ 12, 24, 36, 48. Ok chưa? Tức là cái thành phần bình thường á thì mình nhìn vào cái chỗ là bắt đầu 1 2 3 4 để mình xác định. Còn cái thành phần mùa vụ á thì mình đền ở những cái chỗ mà chu kỳ một vụ thí dụ như quý thì là 4 tháng 12 còn tháng là 12 248 gì đó vân vân."

"Đối với ARMA 00100 với chu kỳ một vụ là 12 thì ACF sẽ cho thấy có suy giảm theo hàm bũ tại các trễ mùa vụ. Ví dụ dữ liệu là tại trễ 12, 24, 36 PACF thì cho thấy sự tự tương quan cao ở trễ 12 và thấp ở các trễ khác."

"À đây là mực biểu đồ minh họa về số liệu thương mại ở châu Âu từ năm 1996 đến năm 2011. Về dữ liệu là về cái chỉ số bán lẻ. Ở đây mình dùng cái lut [âm nhạc] block để mà trực quan hóa ờ dữ liệu này autop này nó sẽ vẽ ra cái chuỗi thời gian của cái dữ liệu à er detail và cái nhãn elab là nó sẽ là cái nhãn cho cái trục tung vàl year là nhãn cho trục hoàng là năm trục tung sẽ là cái detail index là là chỉ số bán lẻ. Và dựa vào cái bệ độ này thì ta có cái nhận xét là ờ từ năm 1996 đến năm 2001 thì chỉ số bán lẻ tăng đều là khoảng tầng 89 lên 96. ờ từ năm 2002 đến năm 2007 thì cái cái xu hướng này tiếp tục tăng mạnh và nó đạt đỉnh ở năm a giai đoạn năm 2007 đến năm 2008. Từ năm 2008 đến năm 2009 thì có sự sục giảm rõ rét hơn. Và từ năm 2010 đến năm 2011 thì nó có cái sự phục hồi như vậy yếu ớt và nó vẫn là dao động thấp xung quanh 96."

"Tiếp theo là biểu đồ để mô tả cho cái đồ thị về mùa vụ. Nhớ biểu đồ hả các anh chị? Tức là mình làm gì? Seasonal tức là mình cắt từng năm mình trồng lên với nhau. Hiểu không? Năm thứ nhất một đồ thị, năm thứ hai một đồ thị. Mỗi năm như vậy là một đồ thị. Thì nếu mà các cái đồ thị nó biến thê theo cái hình giống nhau ví dụ như quý bề cao chẳng hạn thì nó cho mình biết là có thể có tính phù trong dữ liệu của mình. Ở đây thì trục tung là thể hiện các chỉ số bán lẻ. Trục hoành là các quý trong năm, quý một, quý hai, quý ba, quý bà các đường mà có cái màu khác nhau á là nó thể hiện theo từng năm từ năm 1996 đến năm 2011. Mỗi đường đó sẽ mô tả cái sự biến động theo mùa vụ trong cùng một năm. Có cần giải thích nó không thầy?"

"Vậ nhiều đây thích rồi."

"Dạ."

"Ok."

"Đấm cái đồ thị các anh chị mình có mấy cái đồ thị để phát hiện một cụ nhóm nè. Thứ nhất là cái này gì nữa."

"Hả?"

"Cái mạ nhện. Đúng rồi. Cái này với tham số bằng true mà. Còn cái đồ thị nữa."

"Cắt."

"Hả?"

"Cắt."

"Cắt ra hả?"

"Cắt tháng à rồi. Ok. Rồi. Subser flot thấy không? Rồi tiếp tục còn một cái đồ thị nữa. Còn th nữa mình nhìn trên cái sơ đồ phân tán cả cái đóng cái đó mình tìm cái chỗ mà quý là 4 8 12 còn ờ còn tháng là 12 24 này kia vân vân hết th không đồ thị gì cái đồ thị mình vẽ nhiều cái sơ đồ phân tán xong mình nhìn trên sơ đồ phân tán tại những cái móc mà dữ liệu quý thì mình nhìn tại cái móc 4 8 12 đồ thị trễ nh đồ thị trễ Lắ là bị trễ mình mình để một đống cái đồ này vậy nè theo cái mảng vậy nè đúng chưa? Rồi mình nhìn những chỗ này nè thấy quen không? [âm nhạc] Lắ ở trong cái bài bình đồ bài các phương pháp đồ thị mở ra lắ block hả như nó là vậy đồ thị thời gian rồi đồ thị trễ đó chứ thấy không phải tiếp tục mà luôn đồ thị trễ tiếp tục luôn ok tới rồi đó thế giờ thấy đị trẻ thấy chưa rồi các chị Chị nhìn ở slide số 58 đến 60 60 58 đến 60 của cái bài các phương pháp đồ thị á thấy không?"

"Rồi thì nếu mà mình nhìn ở dữ liệu quý thì mình nhìn ở những chỗ này vậy là là tốt nè đúng không? le vậy là không có hình mẫu và những cái hình mẫu tập trung xung quanh đường thẳng á chứ rõ là nó có tương quan cao thì nó tập trung nếu nó tập trung theo mô là là 4 8 12 16 vân vân á thì cho biết dữ liệu quý ha điều đó có nghĩa là gì quý b cao thì quý 4 năm trước nó cũng cũng có tương quan cao thì nó mới có cái giá trị tương quan tốt tính tốt đúng không ok chưa rồi tiếp tục."

"Đối với việc lấy sang phân vù vụ Ở trong R thì chúng ta dùng các hàm là dip dip l bằng 4 có nghĩa là mình lấy sang phă nguồn bộ với độ trễ là 4. Ừ ở đây thì à nó sẽ được sử dụng là chu kỳ bộc vụ là m = 4 và sau đó thì chúng ta trực quan hóa bằng ggs display. Lúc đó thì nó sẽ hiển thị đồng thời ba cái biểu đồ. Biểu đồ thứ nhất là cái chuỗi sâu sai phân. Biểu đồ thứ hai là ACF tự tương quan. Và biểu đồ thứ ba là BF tự tương quan riêng phần."

"Ok. Thì nếu mà mình dữ liệu quý thì mình lấy là different lắ 4 ha. Tức là xe phân bồ bụ. Còn nếu dữ liệu tháng thì mình là lấy lắ mình là 12 vân vân. Rồi mình vẽ đồ thị lên. Rồi khi mình xem thì mình xem chỗ nào? Nếu mình muốn coi cái mật hồi quy cho một vụ thì mình xem những chỗ nào? Dữ liệu mình đang dữ liệu quý thì mình xem những chỗ nào?"

"B."

"4 nè 8 nè 8 có này thôi. Dừng bốn có nè đúng không? Như vậy thì nó gợi ý chúng ta là có thể có bậc thôi mùa vụ đúng không? có là cái chỉ số 1 mũ P = 1 và Q = 1 thì mình cũng thử mô hình là 1 và 001 và cuối cùng là 101 đúng không? Nếu mà mình không có lấy xe phân còn ở đây mình có lấy sa phân không? Có như vậy đầu tiên nhất á chỗ thành phần mù vụ nha mình sẽ viết như vậy 1 đâ hiểu không tức là chỉ số vùng bụng mình đồng ý nè là 4 nè có lấy xe hơn một lần nè rồi nhìn ở đây nếu mà 4 có cao thì mình có là mô hình thứ nhất mình đề nghị nè mô hình thứ hai mình đề nghị nè và mô hình thứ ba mình đề nghị cho thành phần mù mộ nha. Hình dĩ như kết hợp tới thằng phần không ngụ trước đó nữa. Cái này là lấy gì đây."

"Lấy xe phân bậc một hả?"

"Ừ. Lấy xe phân lấy xe phân vồ vụ xong rồi mới tiếp tục là lấy sai phân bậc bậc một đúng không? Ok. Xong rồi đưa nó vào cái kiểu định."

"Dạ."

"Ờ ở đây ở trong lệnh AR á đầu tiên là mình sẽ lấy xe phă vụ với lắ bằng 4 tức là mình lấy cái chu kỳ bốn à sau đó thì mình sẽ tiếp tục lấy xe phă bình thường là viết ở trong đó không có giá trị gì hết và sau đó thì mình hiển thị tương tự như trên."

"Dạ."

"Rồi đọc thử kết quả này dừng chưa? Các anh chị đọc lại thì hiện cái đọc dựa trên gì các anh chị? 0.07 rồi cái critical 5% mình."

là nhiêu?

Ok thì mình sao?

Dạ cái này thì có nó lớn nó là 0.0793.

Ủa sao được ta? Không à, ở đây á mình sẽ có cái kiểm định là K kiểm định KPSS với cái giả thuyết là H0 á là chuỗi là dừng và giả thuyết H1 là chuỗi không dừng thì nó sẽ ra cái giá trị là kiểm định Test là 0.0793 thì cái này nó lớn hơn 0.05. 05 do đó là mình không có bắt bỏ H0 do đó là chuỗi này dừng.

Không phải, ok để xem lại như bài đúng cái này nha. Dựa trên đây đó thì cái này là test statistic là 0,0793.

Vậy thì nó sẽ bé hơn 0.347. 3.

Tức là mình reject H0. H0 là chuỗi dừng. H.

Lớn hơn chuỗi dừng thì không có.

Đúng rồi, viết lại nha. Cái này là KVSS nè, đúng không? Thì H0 là chuỗi dừng. Rồi nếu mà cái test statistic mà nhỏ hơn critical mình không reject. Rồi. Giờ mình tự xem cái test statistic mình là bao nhiêu? 0 phẩy.

0.

0,9. Lưu ý cái này không phải lưu ý nè, cái này là test statistic chứ không phải là p value. Lưu ý nha, ghi nhỏ lên đây nè. Test statistic. Như vậy thì mình so sánh là so sánh với critical value nha. Còn trường hợp mà mình có pi value thì mình mới so sánh với lại là 5% 7%. Phân biệt được cái đó không? Ok. Ok.

Ví dụ như đường tối đồ thị này ha. Ví dụ mình test là một phía đúng chưa? Thì mình cho cái alpha này thí dụ như là 0,05%. Thì chỗ này là 1 - alpha bằng là 0.95. Đúng chưa nào? Rồi thì cái pi value á thì mình sẽ so sánh với lại alpha này. Thấy chưa? Còn cái chỗ này nè, cái alpha là cái miền này, cái diện tích của cái phân phối này thì nó là xác suất. Còn chiếu cái điểm này tương ứng xuống đó, cái chỗ này ví dụ như là T alpha đúng chưa? Thì cái T alpha này gọi là critical value. Critical value là cái giá trị. Còn alpha với pi á là cái xác suất. Xác suất là tính là cái diện tích của cái miền. Còn giá trị là chiếu cái cái tương ứng đó xuống trục hoành thì mình có giá trị. Thì ở dưới đây đó khi có đó mình sẽ so sánh với lại cái test ha. Hai cái này hai cái phương pháp này là có kết quả giống yên nhau tại vì nó là hai mặt của cùng phố. có được diện tích mình sinh ra được cái điểm không có được diện tích cho diện tích là 1 không phải là 5% là 10% thì được điểm này không có cái điểm này thì mình được diện tích không như vậy thì hai cái này là cái gọi là true size of the same point hai mặt của cùng một cái lòng xong mà kết quả nó giống nhau nhưng mà dùng cái nào thì so sánh với chính cái đó p value thì so sánh với alpha dùng test statistic thì so sánh với critical.

Rồi ở đây ở đây mình có gì.

Em đọc lại là ở đây là có cái ngưỡng tới hạn á là 10% 5% 2.5% 1% và cái chỉ số test statistic á nó là 0.0793 là nó nhỏ hơn tất cả các ngưỡng này. Do đó là mình sẽ không bắt bỏ H0 nên là cái chuỗi này có tính dừng.

Ok chưa? Hiểu chưa? Như vậy thì giả thiết mình H0 là dừng mà cái tích mình lớn hơn thì mình bỏ còn nhỏ hơn thì mình không mắt bỏ. Cho nên là giả thiết là chuỗi dừng mà mình không phát bỏ thì ok đúng không nào? Thắm chưa?

Tiếp theo là ví dụ cho cái việc chọn mô hình. Thì ở đây mình có nội dung hai nội dung như sau. Thứ nhất á ACF mà cao ở trễ 1 và 4 nó sẽ gửi ý cho ta cái thành phần là MA101 vụ và MA1 mù vụ. Và mô hình đề nghị là Arima 011011 chu kỳ 4.

Có thể thử thêm mô hình là là 111 như mình có đây cũng được nha. Thử the mô hình là cả ba kết hợp là 1 1 tương tự chừa trên PC thì ta cũng có thể đề nghị có mô hình là Ariba 110 và 110 chu kỳ 4.

Đối với việc mà mình xét về cái mô hình Arima 0110114 á thì mình trong R mình dùng cái lệnh là à ước lượng mô hình Arima là Arima là cái lệnh là ước lượng mô hình trong đó là C01 á thì có nghĩa là P = 0, D = 1, P = 0, D = 1 và Q = 1 chính là cái MA mà không vụ. Seasonal C01 á tức là P bằng 0, D = 1 và Q = 1 với lại N = 4. Đây là mùi vụ với chu kì quý 4. Resol là cái phần dư từ mô hình và mình sẽ mô phỏng bằng GGTGS display thì sẽ hiển thị ba đồ thị giống như là những cái nội trung trên.

Ở đây là mình đầu tiên mình lấy cái chuỗi là Eurotel nè. Mình sẽ làm cái gì? Mình chạy cái mô hình Arima có mô không? Mình thấy rõ này nó có hai cái chỗ để mình chỉ nè. Cái thành phần thứ nhất á, thành phần không vụ á là chỗ order bằng, còn thành phần vụ á là seasonal bằng. Như vậy khi mình biết như vậy có nghĩa là mình đang chạy cái mô hình gì? Nếu mà theo mô hình thì mình là gì? Thứ nhất là bậc là 0 1 và phía sau là gì? 01 40 1 và 4 - 11 là 4. Đó mình đang chạy cái mô hình này đúng chưa? Còn nếu giả sử nha giả sử mình muốn chạy thêm mô hình này nữa thì mình thay chỗ nào? Giả sử mình muốn chạy thêm cái mô hình là 11 nữa thì mình thay chỗ nào cái chỗ seasonal ha. Seal là chỉ chỗ thành phần được chưa? Ok chưa?

Rồi mình chạy xong rồi mình làm cái gì? Mình chạy xong rồi mình làm cái gì? Mình có xất kết quả ra không hay là mình làm cái gì? Mình lấy cái gì?

Mình lấy phần dư xong rồi mình hiển thị. Thì lưu ý đồ thị đây là đồ thị của cái phần dư ha. Để mình kiểm tra xem. Lưu ý là cái phần dư cuối cùng ra đó nó cũng phải thỏa mãn những cái tính chất của phần dư giống như các mô hình bên Đức mình nói nha. Nhớ không? Phần dư ra thì nó cũng phải có dao động xung quanh không? Nó cũng phải không còn bị tan, nó cũng phải thỏa mãn phân phối xấp xỉ, phân phối chủ chân vân nh không cái phần dư đây là mô hình hộ quy thôi. Cho nên phần dư đáp ứng đầy đầy đủ các tiêu chí như bữa trước mình mình xét nha. Ok chưa? Như vậy thì ở đây mình nhìn vô th cái hàm này mình không cần đưa cái chỉ số vụ vô đưa cái chỉ số mùa vụ không chỉ số mùa vụ là nó dựa trên cái dữ liệu mình frequency đó mình khai báo rồi ví dụ dữ liệu quý là mình khai báo frequency bằng 4 dữ liệu tháng mình khai báo requ bằng 12 thì chỉ số mù vụ nó lấy theo cái requ của mình đã có trong cái data rồi ha thử nè thử thì các em lấy cái cái chuỗi chữ liệu đó theo Đó rồi hỏi ha recy của nó bằng cái gì? Requency frequency mình cho vô cái data đó thì nó sẽ ra frequency euro euro retil ở đây phải không? Hả? Ờ nó lấy ra rồi. Ok chưa? Mình phải chị rồi.

Nếu mà nhìn vô đây phần dư mình ok chưa? Thứ nhất là phần dư dao động xung quanh không? Không có. Thứ hai là đột dồ thị của phần dư. Có cái nào vượt quá không?

Có một cái có nói được gì không?

Không.

Không nói được gì hết á. Như vậy trường hợp này là mình đang ở ngưng mình phải đi kiểm định thì mình coi tiếp cái đồ thị coi tiếp cái kiểm định còn nhớ kiểm định không mình có dư rồi thì mình giờ dùng cái kiểm định thương móc á không check resal mình chạy đi bây giờ mình chạy cái hàm là check resal dĩ nhiên là muốn check resal thì nó chạy cái mô hình này gán nó vào cái mô hình thích gì đó thích một fix ha fix anima gì đó xong mình check resal đó thì mình sẽ có kết quả ok tiếp luôn coi có ờ.

Cái sau cái phía sau.

Ok. Ok. Rồi thôi giờ tiếp đi.

Đối với việc kiểm tra phần dư thì ta có cái lệnh trên R như sau. Trong này thì những cái lệnh Arima là để ước lượng cái mô hình ở trong đây thì mô hình là 013011 và cái test resistor này là kiểm tra cái phần dương và nó cũng sẽ hiển thị ba cái biểu đồ.

Đồ thị này thì còn tự tương quan không các bạn? Còn dư có được còn thự t quan không? Hình dư này là ok nè. Có bò t quan này đúng không nè? Thích luôn. Đây H0 H0 của cái Z là không có tự tương quen và bây giờ P value mình là 0,97 thì kết luận sẽ.

Cái này P value 0,97 là nó lớn hơn so với là các mức 5% ý nghĩa 5% do đó là mình sẽ không bắt bỏ giải thuyết H0. Ok. Không phát bỏ. Dạ.

Do đó là cái phần dư này là không tự tương quan.

À nếu nói rõ hơn thì đối với cái kiển định này á cái giả thuyết H0 là không có tự tương quan trong phần dương và giả thuyết H1 là có tự tương quan trong phần dương. Rồi tiếp tục. Như vậy thì mô hình này ok dùng để chị báo được đúng không?

Mô hình là anh sẽ kéo xuống thì bây giờ cái đường thẳng mà đẩy lên đẩy xuống thì nó ra thí tắt thôi. Hiểu không? Nếu mà các anh chị tách hồi nãy đó tuổi trị liệu ban đầu mà mình tách bù bộ ra xong mình làm sao rồi cộng mù vụ vô thì kết quả ra yên nhật. Khi mình tách bù bộ ra thì sẽ ra đường xu hướng thôi đúng không? Thì nó là một cái đường thẳng. Còn sau khi mình ghép cái mùa bộ vô thì quý bố ví dụ nó nó lên cao thì nó sẽ đẩy cái đường thẳng nó lên đúng không? quý hai nó xuống thấp thì nó kéo cái đường thẳng nó xuống những đường thích sắc giống như mình cho nên là ở đây một cái đường để báo nó ra hình thức chắc tiếp theo thì ta dùng cái hàm autory arima trong error để mình chọn cái mô hình Arima mà tối ưu nhất [âm nhạc] ở đây thì cái hàm autoimer sẽ tự động dò tìm các mô hình mà nó sẽ cho các chỉ số AIC là tốt nhất. ta sẽ thấy trên cái kết quả đó là ờ MA1, MA2 và MA3 là ba hệ số trong bình trường không vồ vụ. SMA1 tức là hệ số trong bình trường một bộ vụ và SE là size số chuẩn của từng hệ số. Về việc đánh giá mô hình thì ta có thể sử dụng là sigma bình phương tức là phương size của phần dương. Nếu mà nó càng nhỏ thì càng tốt. À lúc lúc thì giá trị đây là giá trị à hàm block khả hợp lý. AIC, ACC và BIC. Đây là các chỉ tiêu để so sánh các mô hình và lựa chọn mô hình tối ưu. Giá trị càng thấp thì sẽ là mô hình sẽ cho cái mô hình tốt. Và ta thấy rõ là Arima Auto Arima nó đã tự lựa chọn luôn cái mô hình là Arima 013011 với chu kỳ vốn. nó trùng khớp với các cái mức các cái kết quả nãy giờ ta lại làm bằng các công việc à bằng các việc mà mình dùng cái thủ công là ICF BACF và mình so sánh với AIC.

Ví dụ hai nè. Ok.

Dạ. À đây là biểu đồ mô phỏng về số liệu thuốc à H02. Ở đây là mình có dùng cái hàm logarit đầu tiên á. Lý do mình thấy nó độ n thấy không? Thì mình thử lấy động lọc có cái giảm đồ biến thiên đúng không? Ở đây thì mình tạo cái chuỗi loog từ cái dữ liệu H02 và mục đích của nó là để mình ổn định cái độ biến thiên. Và sau đó thì mình dùng cái CB để mà mình kết hợp à ghép hai cái chuỗi này thành một thành một cái bảng có hai cột. Đó là cột một cột thứ nhất á là nó là dữ liệu gốc là H02 và cột thứ hai đó là dữ liệu mà mình đã logarit là sau lắm. À sau đó thì mình sẽ vẽ các biểu đồ riêng biệt. Đối với việc lấy xay phân mù vộ thì à trong cái công thức R á cái việc lấy sang phă vồ vụ mình sẽ dùng là l bằng 12. Ở đây mình ờ sử dụng chu kỳ là 12 tháng cho xă phục vụ. Mục đích của nó là để mình loại bỏ cái thành phần một vụ lặp lại hàng năm và sau đó thì mình trực quan hóa ta sẽ có được ba cái biểu đồ như trên bảng là biểu đồ sau S ph, biểu đồ ACF và biểu đồ BCF.

Ok. Giờ mình thấy có một vấn đề nè. Khi mình nhìn vô các cái đồ thị á thiết nha thì nhìn vô PACF để mình xác định cái bậc của AR là dễ rồi. Như vậy AR mình có thể xét cái mô hình bậc 3 đúng không? Tức là P = 3. Dễ rồi. Nhưng nếu mình nhìn vô cái PACF á cái bậc của Q á trường hợp này quá nhiều quá lớn không có ý nghĩa. Hiểu không? Hiếm có trường hợp nào mà tới 1 2 3 4 5 6 7 8 9 năm trước đây hay chín kỳ trước đây hiếm có lắm. Cho nên trường hợp này á mình chỉ nên xét một cái mô hình là AR thôi và mình xem cái này như là nó giảm giảm nhanh không chứ mình không có xét cái mô hình chính hiểu không? Cái mô hình mà mình xây dựng mô hình nó phải có ý nghĩa. Thí dụ như mình là dư đề mình là năm đi. Dư đề mình là cái gì đi năm hay tháng? Tháng. Tháng. Tháng thì mình phải xem coi là cái cái chuỗi dữ liệu nè nó có khả năng nó phụ thuộc vào những cái số liệu cách đây 9 tháng hoặc 10 tháng không. Nếu mà thí dụ bây giờ tôi nói đơn giản nha, thí dụ giờ nói đơn giản là lượng mưa đi trung bình hàng tháng ở thành phố Hồ Chí Minh thì tháng 12 nó có phụ thuộc vào cách đây 9 tháng không. Khi mà mình không có ý nghĩa kinh tế hoặc là không có cái giải thuyết của các nghiên cứu trước đây nó hỗ trợ của mình thì mình không nên đề nghĩa những cái bài toán những cái những cái cái mô hình đó. Hiểu chưa? Như vậy thì không phải lúc nào con máy móc nhìn con thấy cái chín bạch là đưa vô tầng chí 10 cái thì đưa vô 10 được chưa mà phải có cái giả thiết thế hoặc là có những cái nghiên cứu trước đây nó hỗ trợ cho cái quyết định của mình chứ không phải chỉ đơn thường là nhìn dữ liệu đề nghị một cái mô hình mà nó quá đối đắm ok các anh chị lưu ý ha.

Đối với việc chọn mô hình thì cao ở trễ 12 và 24 nhưng không cao tại các trễ mùa vụ nó gửi cho ta về cái thành phần mù vụ R2 còn PC cao tại trễ 1 2 3 thì gợi ý cái thành phần không vụ R3.

Cả hai cái mô hình người ta không đều không đều không đưa chỉ số của Q vô nè thấy không đúng không trở lại cái cái đồ thị phía trước Q tức là mình nhìn vô cái này đúng không đúng chưa nhìn vô cái A cái đồ thị ACF để mình quyết định cái bậc khyên ACF đóng Nó dài như vậy thì mình không có xét những cái mô hình này nó không có ý gì. Ok chưa? Chứ không phải máy bóc đưa vô cái cái P bằng 9 10 ha hoặc là PP = 20 gì đó là không có ý nghĩa.

Tiếp đó thì ACF lại không có dấu hiệu rõ ràng là một mô hình đơn giản. Do đó ta sẽ chọn cái mô hình ARIMA 30021012 là xuất phát. Đối với nội dung chọn mô hình thì ở đây ta có cái bản so sánh các mô hình Arima dựa trên các tiêu chí thống kê là AIC. Ta nhận thấy là tất cả các mô hình này đều có D = 0, tức là không có sai phân thường. D lớn hơn bằng 1 là có xe phân vù vụ bậc 1 và chu kỳ vộc vụ là 12. À kết quả AIC của các mô AICC của các mô hình này thì ta sẽ thấy mô hình Arima 301012 có AICC là bằng âm 485.5 là thấp nhất trong các mô hình do đó nó sẽ là được lựa chọn là mô hình tốt nhất.

Ok. Vậy nhìn ở đây cái cách là các anh chị thấy gì? Nhìn trên cái đồ thị đó không phải lúc nào cũng chính xác 100% có nghĩa là nó cho mình một cái đó mình quyết định ha. Vậ nhiều khi dựa trên tư chí đó có thể cho mình là một mô hình phù hợp hai mô hình 1 3 4 5 thậm chí đây là 2 4 6 7 cái trường hợp có thể phù hợp. Thì trường hợp đó đó mình sẽ chạy tất cả những cái mô hình ứng viên này. Sau đó thì mình tính toán các cái chỉ số để so sánh và cuối cùng mình chọn lại cái mô hình tố chất. Thấy chưa? Như vậy thì lưu ý các phương pháp mà nhìn định vẽ đó nó chỉ giúp mình giới hạn số lượng mô hình mình kiểm tra thôi chứ không giúp mình quyết định cái mô hình nào là mô hình cuối cùng. Hiểu chưa? Hai vì mình kiểm tra mông lưu thì bây giờ ít ra mình kiểm tra bảy cái này thôi hoặc là kiểm tra trong ba bốn cái này thôi. Rồi sau đó mình dựa trên tiêu chí nào đó mình quyết định dụ AC thì mình sẽ lựa ra cái mô hình phù hợp nhất. Ok chưa?

Tiếp theo là mình sẽ lựa chọn mô hình Arima 301012 với chu kỳ 12 và mình ước lượng nó. Thì à đối mình sử dụng các lệnh ở trong R để ước lượng. Và ở đây là mình có cái điểm lưu ý là lamda bằng 0. Tức là mình áp dụng cái hàm post code để mà mình chuyển đổi lamda là mình làm block transform nó để ổn định cái phương size mà trước khi ước lượng.

À ở đây để cho mình thêm cái ý các bạn là ví dụ như mình thấy cái dữ liệu mình có cái độ biến thiên nó thay đổi thì mình có hai cách làm. Cách làm thứ nhất là các anh chị lấy nóc gán vô một biến nào đó xong chạy tiếp. Cách làm thứ hai là ngay trong cái hàm aima đó khai báo cái tham số lamda bằng 0. Thì lưu ý đó khi mà nó thấy cái chữ lda bằng 0 thì nó hiểu là sẽ sử dụng box code transform. B code transform với bằng 0 chính là hàm block. Thì lúc này nó sẽ lấy hàm block nó chuyển đổi xong cái dự bán này kia vân vân một bút mình sẽ trả ngược kết quả động của mình luôn. Hiểu chưa? Còn lúc nãy nếu mà tự mình lấy LCK á thì ra kết quả thì đó là kết quả dự báo của hàm LCK mình muốn có ban đầu thì mình phải lấy ngược lại. Ok chưa? Như vậy để tiện á thông thường ta sử dụng luôn cái cái B ngay trong cái hàm luôn.

Tiếp tục là mình sẽ kiểm tra các bằng dư của cái mô hình Aran 301012 à bằng cái lệnh là check ridal với lại là lắ là bằng 36. Tức là hàm sẽ chạy cái kiểm định này với 36 trễ. Và sau đó thì mình sẽ trực văn hóa nó là bằng ba cái đồ thị là đồ thị phần dư, của phần dư và biểu đồ histogram của phần dư. Ở đây thì ta thấy là cái histor của phần dư nó có cái dạng cần chống chuẩn thì nó đang đối xứng qua không và cái đường công chuẩn màu đỏ thì nó khá là là đẹp. [âm nhạc] Điều này nó cũng có thể là đưa cho chúng ta là khẳng định thêm cái cái giải định là à sai số của Arima này là phân bối chuẩn. Muốn chắc không có chưởng hay không thì có thể dùng kiểm định hay nhớ kiểm định con spin nh định không ở trong cái bài hò đó có kiểm định con spin ha để mình dùng kiểm định cho có chỗ hay không hoặc là ch cũng được nhiều.

Tiếp theo thì ta dùng cái kiểm định l post để kiểm tra cái phần dư của mô hình này ở đây ta có các chỉ số là bằng 50.712 DS tức là bậc tự do bằng 30 và P value là bằng 0.01 cách số bậc trễ dùng là 36 và mức bậc tự do của mô hình là 6. À đối với kiểm định này thì à H0 á là giả thuyết là phần dư có không có tự tương quan và ta có kết quả là B value bằng 0.01 bé hơn 0.05. Do đó là mình sẽ bắt bỏ cái giải thuyết H0 và mình có thể đưa ra là hàm ở phần chư này là có tự tương quan.

Ok. Bây giờ trở lại nè. Khi mà mình đối với bài toán dự báo á, khi mà mình gặp trường hợp vi phạm giả thiết thì không có nghĩa là mình không dùng cái mô hình dệt báo được mà nhiều khi có những trường hợp vi phạm giả thiết mình phải xem trường vi phạm nó là giá trị nhỏ hay giá trị lớn và sau đó mình quyết định. Như vậy giả sử nha đến đây mình gặp vậy mình thấy là value vậy là mình reject tức là nó còn có tự thương quen. Thế thì bây giờ mình đi xem coi có hai lựa chọn. Một là đi tìm mô hình khác đúng không? Mà mô hình khác không còn nữa thì không dùng anima, dùng sơ bằng mũ hay dùng gì đó những cái phương hồi quy gì đó đại khác những cái phương phong pháp khác mà không dựa trên cái không cần định cho phần dư giống như ta đang làm. Cách nữa là làm bằng cách chạy cái trp chứ không dùng được các cái phương pháp mà thì phải tin cậy dựa trên phân khối xác suất được ha. Sau khi các cách khác mà mình không dùng mình quyết định cuối cùng á mình xem thử coi là cái r này đồng ý là vi phạm đó nhưng mà cái mức độ vi phạm nó là nhiều hay là ít bằng cách là xem cái giá trị R nó là lớn hay là nhỏ. Đúng chưa? Bây giờ mình trở lại nè. Mọi người phải biết cái giá trị là lớn hay nhỏ. Trở lại cái đồ thị lúc nãy nè. Mình thấy nó có tự tương que một số cái đúng chưa? Nhưng mà giá trị tự tương quan nó cao hay thấp? Đây ch đây chính là hệ số tương quan của y trừ it tr- k nè. Mình thấy ở đây là cái gì? 0 phẩy cỡ 0,11 ở đó đúng không? 0,1312 gì đó. Các cái hệ số tự tư quan này đồng ý là có đúng không? Nhưng mà sao.

Rất là bé rất là nhỏ đúng chưa? Như vậy thì mình có thể biết là tôi quyết định dùng để mà hiểu vấn đề không? Lưu ý nha mình không thể lờ đi được có hai cách một cách là trường hợp gặp trường hợp này mình lờ đi luôn cách thứ hai là mình nhận biết nó và mình quyết định dùng nó hiểu chưa? Thì trong nghiên cứu á không phải là cái vi phạm giả thiết là mình gọi mình vi phạm giả thiết nhưng mà mình đánh giá cái sự vi phạm đó ở giá trị nỏ thì mình quyết định mình dùng nó vẫn ok chứ nếu không các em bỏ qua cái bước này không nhận xét gì hết mặt nhiên xem như ok dùng thì khi người ta phát hiện ra là sẽ lủ ha còn nếu mà mình đã biết mình nhận đánh giá nó mình chấp nhận dùng nó thì hiểu này không như vậy thì không phải máy móc lúc nào là vi phạm giả thiết phân phối chuẩn cũng vậy khiến lắm trong dữ liệu thực tế á đi kiểm định cái phân khối chuẩn khó khi nào mà đạt hiểu không khó khi nào mà thực tế có lý tưởng như thế này như là số liệu mới được tin chỉnh ở đây để mình lên bài các bạn vì ý là nhìn cái đồ thị sắp sĩ mà có chuẩn tức là có khả năng nó đối xứng ha gần gần với cái đường thì mình lại có thể nhìn hoặc là như trường hợp này người ta thấy rõ Rõ ràng mình rect tức là nó có tự tương quan nhưng mà hệ số tự quan nhỏ thì mình vẫn có thể biết được. Nhưng mà mình phải nói tôi kiểm định và biết là có từ quen nhưng mà sau đó tôi đánh giá thấy cái hệ sốt quan bé cho nên tôi quyết định có thể dùng bài thống này đi báo và cuối cùng là mình sẽ đi đánh giá dựa trên cái dữ liệu mà mình test á dữ liệu mình chừa lại á để xem mô hình mình có phù hợp không. Ok chưa?

Trong việc so sánh và lựa chọn mô hình thì ta có thể so sánh mô hình dựa trên cái tiêu chí là RMSE. Ờ cái RMSI là thể hiện các sai số dự báo trung bình là bình phương căn bậc ha thì giá trị ngày càng nhỏ thì cái mô hình nó càng phù hợp trong dự báo. Ở đây thì kết quả ta sẽ có là cái mô hình Arima 301012 nó có RMSI là 0.06 06 là nhỏ nhất trong các mô hình. Do đó thì nó sẽ là mô hình phù hợp nhất.

Ta sẽ quan trọng nè. Trong thực tế ta dùng mô hình tốt nhất có thể tìm thấy. Hiểu không? Tức là mình thử với những mô hình này tôi thấy vậy là mô hình tôi ok đó và tôi dùng mặc dù nó không đáp ứng tất cả các kiể. Hiểu chưa? Nhưng mình phải kiểm định để mình biết và mình quyết định chứ không thể mình bỏ kiểm định được. Đúng chưa? Mình kiểm định ra mình thấy nó vi phạm thì mình xem cái sự vi phạm nó là nhiều hết. Còn nếu nó không vi phạm thì tốt quá. Ok chưa? Nhưng không có nghĩa là cứ vi phạm và loại bỏ vi phạm và đắm ý này quan trọng khi làm thực tế các bạn nhá. Tức là trong cái bài viết hay là trong cái table của mình phải phải nêu rõ ha. Mình thấy trường hợp đó mình nêu rõ chứ đừng có mong má chỉnh sửa số liệu này kia cho nó đẹp. Thực tế trong nghiên cứu người ta vẫn cho cái việc đó.

Tiếp đến là ta dự báo mô hình Arima 301012 với cái lệnh tương tự tương tự gì.

Tương tự như các lệ nào của.

Ok.

Ở trên.

Bây giờ mình lấy gì mình lấy cái file H02 rồi mình đưa vào thì mình có đầu tiên là mình làm cái gì có lấy lock không.

Không nhưng mà ở đây nè đút vô cái hàm như vậy nó có lấy lock cho mình không.

Có lấy l bằng 0 là nó có lấy lock đó rồi mình có thành phần Arima bình thường là 301. Thành phần Arima mùa vụ. Vậy là mình có lấy sai phân mù vụ không? Arima 012 tức là có sai phân vồ mụ đúng không? Rồi sau đó lấy kết quả đó đưa vô cái hàm forecast và cuối cùng ra.

Tiếp theo là mô hình và ETS. Còn nhớ mô hình ETS không chị? Mô hình không gian trạng thái nhớ không? Mô hình ATS thì mình có ba cái ba cái thành phần á. E là sai số, T là trend và S là seasonal. Thì mình xác định bởi ba cái thành phần là E TS nó có ba cái tam số Z zz không đúng không? Cái Z thứ nhất là M hay là A hay gì đó nhớ cái đó không? Ok ha. Thì ở đây người ta sẽ có một số cái tương đương có nghĩa là cái mô hình ETS và mô hình anima trong một số trường hợp đó là tương đương thì tương đương khi nào thì đây một số cái trường hợp đây.

Xét về cái mối quan hệ tương đương giữa mô hình ETS và ARIMA thì ta có cái bảng ánh xạ như trên bảng ví dụ như là ETS ANN là tương tương đương với Arima 011 thì ở đây là mô hình ICS S có thành phần sai số nhân A, không có xu hướng n và không có một bộ n. Tương tự với các mô hình dưới. Thành phần sai số thành phần sai số cộng a làd size số cộng không có xu hướng không có mùa bụng ha. Mô hình đầu tiên á an là tức là sai số theo mô hình cộng ha. Rồi n là không có xu hướng, n thứ hai là không có.

Ở đây thì ta cần lưu ý là cái tiêu chuẩn AICC hữu ích khi mà mình lựa chọn cái mô hình cùng loại. Ví dụ mô hình trong

Các nhóm mô hình Arima hay chọn mô hình trong các nhóm ETS. Tuy nhiên, mình không được dùng AICC để so sánh giữa mô hình ARIMA và ITS. Ok. Lưu ý nè. Các chỉ số BIC, AIC, AC CC này kia vân vân đó thì mình chỉ dùng để so sánh trong cùng lớp mô hình. Tại vì sao? Tại vì nó vừa có kết hợp sai số, vừa có kết hợp số tham số này kia vân vân. Cho nên là chỉ cùng lớp mô hình thì mình phải xét được những yếu tố đó.

Còn khi mình gặp những cái mô hình mà khác lớp, khác lớp, thí dụ muốn so sánh Arima với lại ETS thì cuối cùng cái chung nhất là sai số bình phương. Hiểu chưa? Có nghĩa là mình chạy mình ra resist, mình bình phương lên tính trung bình ra. Tương tự mô hình thứ hai mình cũng bình phương tính trung bình ra là mình so sánh hai cái đó. Hai cái lớp mô hình khác nhau thì cái tham số này k nó khác nhau là chuyện hiển nhiên. Mình không thể nói mô hình này có ba tham số và mô hình khác. Cái tham số nó khác đi mình không thể so sánh số lượng được. Trong cái anima thì mình so sánh được. Trong cùng lớp sao bằng mũ thì mình so sánh được nhưng mà không thể lấy một cái sao mũ và so sánh với ama dựa trên tiêu trí được. Ok không? Thì lúc đó mình chỉ trở về cái góc nhất chung nhất là cái sai số bình phương thôi.

Tiếp theo thì ta sẽ à so sánh với lại auto và cho dữ liệu không mùa vụ. Thì ở đây á đầu tiên là ta sẽ có tạo một cái hàm là FTS để mà mình dự báo cho ETS. Ờ X là cái chuỗi thời gian và H là cái số bướng số bước dự báo. Sau đó thì ta sẽ tạo cái hàm Farima để dự báo cho Arima. À trong đó X và H cũng tương tự. Và sau đó thì mình sẽ chọn cái dữ liệu. Ở đây thì mình chọn cái dữ liệu à lấy dữ liệu là năm 1990 trở đi và mình sẽ lư vào cái viết air. Và >> mình nhớ cái h này không các anh chị? >> Dạ >> đó nhớ không? Vậy làm gì theo kiểm tra theo cái gì? >> Chuỗi thời gian >> cuốn chiếu đó đúng không? Cuốn chiếu đó chứ không phải là làm theo phân biệt là tập tết hay tập trên. Sau đó sau đó thì mình sẽ tính cái x số dự báo theo TSTV. E1 á là xe số dự báo một bước trước cho cái hàm IT. I2 là xe số dự báo một bước trước là H+1 á cho cái hàm arriva. Và cuối cùng là mình tính MSI. Và kết quả là ta có MSI của ETS là 7.8 8 và MSP của Arima là 9.6. Khi so sánh thì ta có là MSI của ETS sẽ bé hơn của Arima. Do đó là cái mô hình của ETS sẽ chính xác hơn, dự báo chính xác hơn.

>> Vậy các anh chị thấy cái cách người ta làm không? Tức là một lớp là mô hình ETS. Bây giờ mình so sánh với AR thì trong khi mình chạy ETS nó có ra AIC đúng không? Mình chạy AR mình cũng ra AI nhưng mà không có bóc hai cái AIC nó so lại với nhau được để mà kết luận. Mà muốn so sánh được thì mình trở về cái e bình phương thấy không? Cuối cùng nó tính ra sai số e bình phương rồi cuối cùng là lấy trung bình của cái e bình phương đó. Hai cái đó thì so sánh được với nhau.

>> À và cuối cùng là đây là cái trực văn hóa cho các việc dự báo Ich. Đối với việc so sánh Auto Rem và ITS cho dữ liệu một vụ thì ta có thể sử dụng là khách hàng ement là so sánh chất lượng dự báo giữa hai cái lớp mô hình khác nhau và đối với cái Arima thì mình sẽ chọn tự động là AOR Arima còn đối với ETS thì mình sẽ dùng ETS ở trong Có >> đ anh chị cách này nó khác hồi nãy là chỗ nào? Hồi nãy là mình dùng cái TSCV đúng không? Là mình có phân tập tế cái tập trên không? Không chạy từ đoạn cuối còn cái đây nó đang là hướng về mình đổ n mà để tập trên tập tép tức là mình phải dùng cái hàm gì nhớ không? Không dùng tscv thì dùng cái gì? Có hai cái thôi. CV tức là làm chiếu. Còn nếu mình chia tập trên với tập test thì mình dùng cái gì? Accuracy accuracy nhớ không? Accuracy tức là apply ra nguyên tập test cho mình kết quả của nó accuracy ha. Ở đây thì ta có lấy 25 dữ liệu để mình làm cái tập trend và không tập tết. Tập tết là lấy lấy a lấy cái từ hai ý quý 1 2008 đâ sao? >> Dạ. >> Ok. Chạy >> đây là kết quả của Arima. Dạ. Rồi >> rồi >> có gì kéo qua luôn. >> Rồi ok kiểm định kết thương đi. >> Thế phần kiểm định phần dơ cũng tương tự như cái nội dung trên >> rồi. >> Rồi tiếp luôn tức là ta chạy xong ta chạy xong người ta mới bóc cái gì trở lại ok cái số người ta thấy đây người ta mới dùng cái accuracy thấy không? Thấy không? chạy cái hàm accuracing thì accuracing á mình có thể có nhiều lựa chọn một nha một là mình đưa toàn bộ cái tập dữ liệu vô thì nó sẽ cho ra cho mình cả trend là cái test luôn độ chính xác của tập trend và tập test. Nhắc lại khi mình chạy cái hàm á mình đưa nguyên cái tập dữ liệu từ đầu đến cuối vô luôn thì nó sẽ cho mình cái các cái chỉ số cho cả tren và tép luôn như chị này nè. Mình thấy trending set là bao nhiêu test set là bao nhiêu không? Còn nếu mà mình muốn là chỉ kiểm tra trên tầm test thôi thì mình chỉ đưa vô khúc sau thôi. Hồi nãy nhớ mình nguyên cái tập dữ liệu mình tách ra 2 phút hai phần nhớ không? Thì nếu mà mình đưa nguyên cái tập dữ liệu chưa tách gì hết á thì nó sẽ hiểu. Tại vì lúc nãy mình xây mô hình lấy khúc đầu thì nó hiểu cái khúc còn lại là khúc thì nó sẽ ra cho mình là hai cái dòng chỉ số. Chỉ số bên trên là training set và cái dòng ở dưới là set cho phần còn lại đúng rồi tự cho còn lại trong bây giờ dữ liệu mình là có nè từ 1 đến 10 1 8 9 10 đúng không bây giờ nãy mình lấy từ 1 đến 8 mình xây mô hình đúng không mình đút vô để mình cái mô hình rồi khi mình chạy mình có nhiều lựa chọn thứ nhất đưa cả tập này vô luôn Thì do hồi nãy á mình dùng từ 1 đến 8 á mình xây mô hình thì nó biết từ 1 đến 8 là trending set dữ liệu còn lại nó tự cho là test set. Ok chưa? Rồi còn nếu cái thứ hai mình không muốn cái này tại vì cái này mình đã dùng rồi mình thì mình đút vô cái tập là test set thôi thì nó chỉ ra cái chỉ số ở dưới cho mình th có cái theo reset ở trên không? Nó tính luôn cho cả cái cũ lẫn cái mới mà cái cũ thì nhiều khi mình không quan tâm thì mình quan tâm cho test thôi. Ok không? Còn cái này là ta lấy hết. Thì bây giờ mình quan tâm trên cái dòng nào? Mình quan tâm trên cái trending set ha cái test set cái nào tốt hơn trend tức là mình phù hợp với dữ liệu cũ còn test là dữ liệu mình kiểm tra. Thì cái nào nó sẽ quan trọng hơn? Nó sẽ có những nghịch lý thí dụ nha mình sẽ dựa trên là cái size số bình phương nè. Căn của số trung bình bình phương. Tức là mình lấy sai số bình phương lên tổng lại lấy trung bình xong rồi lấy căn ra r² r. Rồi bây giờ mình thấy cái này sao trên tập trend thì cái model ở dưới này so sánh như thế nào với model ở trên? >> Model ở trên là cái gì nhỉ? Ari >> dưới là cái gì? >> Một cái là anima đúng không? Ở trên là Arima hay là ở dưới là AR? >> Ở trên là ETS, ở dưới là Arima. >> Ok. Ở trên là ETS nha. Rồi. >> Ủa ở trên là AR. >> Ok. Ok. Đó lại cái này là AR đúng không? >> Dạ đúng rồi. >> Cái này rồi bây giờ mình xem nè. Nếu mà dựa trên RMSE trending set thì ETS là 102 cái kia là 1001. Vậy cái trên tốt hơn đúng không? dựa tên cái trending set rồi nhưng mà trên test set 1839 cái này 1996 cái nào nhỏ mà tốt như vậy cái nào tốt hơn >> dưới lúc này sao >> lượng >> cách lượng mình dựa trên cái gì >> cái nó phù thuộc vào cái trang nó quick hơn nhưng mà apply và trong biểu liệu test thì nó kém hơn thì nếu mà mà mình là người làm báo thì mình giả sử có hai cái này thôi mình sẽ chọn cái này test chọn cái test cái test ở cái trên cái test >> test thì dưới cái test là mình thích >> cái test đúng không là cái dữ liệu mình kiểm tra thì thông thường á khi mình nhập như vậy á mình có hai lựa chọn thứ nhất là nếu cái sự trên lợ của cái tập trên không nhiều và cái sự trên lợ của cái tập tép nó quá lớn hiểu không tập trên nó sai số đó đồng ý là cái cái trên nó tốt hơn cái dưới và tốt một ít thôi trong khi trên nó tép á thì cái dưới nó tốt hơn cái trên rất là nhiều thì mình có thể điện luận và quyết định chọn dựa trên cái đập tết. Cách thứ hai là một là dùng TSCV chạy lại từ đầu để kiểm tra. Cái CSV nó sẽ kiểm tra toàn diện hơn chứ không phải chỉ có 1 phút. Hai là thay đổi cái tỷ lệ thay vì là mình dùng là 80 20 thì mình tăng lên là 85 15 70 thay đổi hợp trên test để xem kết quả mình nó có ổn định như thế không. Ok chưa? Như vậy thì cái cái điều đó nó nó tóm lại đến thời điểm này như vậy mình có ba cái lựa chọn. Lựa chọn thứ nhất là mình bị ngộn mình dựa trên cái nào đó nếu cái sự chên lệch nó không quá nhiều. Cách thứ hai là mình đổi cái TSCV để mình chạy thay vì mình dùng. Cách thứ ba là mình thay đổi cái tỷ lệ F với set chạy lại để xem kết quả nó như thế nào. Nhưng mà trên trường hợp này thì người ta biện luận người ta sẽ dựa trên tập test trước. Đơn giản nè đúng không? Cuối cùng đi dựa trên kết quả thì ta sẽ có ETS là có các chỉ số nhỏ hơn Arima do đó sẽ là dự báo chính xác hơn.

>> Ta lấy phía dưới đúng không? >> Dạ đúng rồi. Cho mở x >> ừ >> có cần phải [âm nhạc] ví dụ trong bốn cái chỉ số đó nó có ý nghĩa giống nhau hay có sự khác nhau nào tắt biệt. Ok cái nha. RMS là pin square tức là gì? Lấy sai số bình phương lên xong rồi lấy trung bình ra kết quả thì lấy căn đúng chưa? Còn cái này là min absolute error là lấy sai số xong rồi lấy truyền tuyệt đối xong rồi lấy trung bình. Cái này là mean absolute percentage error ha tức là lấy phần trăm. Còn cái này là min absolute square error tức là lấy phần trăm của cái phần tuyệt đối lấy phần trăm của cái phần bình phương. Rồi bây giờ nè nếu ở trên mô hình ở trên thầy lấy ví dụ đơn giản thô nha. Ở trên mô hình trên các em cũng chạy dữ liệu về th nhập nhưng mà các em đưa cái đơn vị đó là đồng đúng không? Ví dụ triệu đồng là biết là 1 ở mô hình thứ hai các em cũng dữ liệu đó nhưng mà thấy cái triệu đồng đơn vị nó dài dòng quá phải biết là đơn DVT là triệu đồng các em data mình em sẽ chia hết cho 1 triệu nó thành ra 1 triệu là 1 2 triệu là con số 2 th nói cho các hiểu kịp không thế thì lúc đó ở trên á mình lỡ chạy là đơn vị là đồng rồi ở dưới mình đơn vậ giảng lại mình số 1 số 2 DVT của mình là 1 triệu đồng thì lúc Lúc đó mình còn so sánh cái này được nữa không? Cùng cái số liệu thôi nhưng mà ở trên mình chạy đơn vị đồng, ở dưới mình chạy đơn vị chịu đồng thì mình dùng cái này được không? Mình dùng cái này được không? Mình dùng cái này được không? Ok. Mày hiểu được cái gì nữa n đúng không? Như vậy thì tùy theo cái việc mình dùng sử dụng. Còn bây giờ mình đồng hết thì mình so sánh được không? Mình so sánh cái mã xe này được không? Rồi bây giờ nè giả sử không có thay đổi đơn vị tính như vậy là có nếu thay đổi đơn vị tính mình phải dùng cái này hoặc là cái này chứ không dùng cái góc được đúng không giả sử không có đơn vị tính thì cái bình phương và cái trị tuyệt đối đó nó có kết quả luôn luôn giống nhau hay là khác nhau gợi ý nè giả sử nha cái sai lệch nó là 1 với lại là 4 ha thì trị tuyệt tối cộng lại nó sẽ là 5 nhưng mà bình phương nên cộng lại nó sẽ là bao nhiêu? >> À ok như vậy thì những cái giá trị mà đợt ở xa đó khi mình bình phương lên thì nó được sao gọi là gì? Exact lên tức là nó thổi phòng lên tức là những cái size lệch lớn á nó sẽ bị thổi phòng lên và nó làm ảnh hưởng đến kết quả rất là nhiều. Ok chưa? Như vậy thì nếu mà cái dữ liệu mình có những cái quan sát mà có cái size số nó lớn đó ha thì mình sẽ có cái kết quả dựa trên cái bình phương và cái trị tuyệt trối khác nhau nhiều. Còn nếu mà cái sai số mình đều với nhau thì bình phương nó tuyệt đối cho đến gần cần giống nhau. Hiểu ch không thử nè. Bây giờ thầy có hai cái dữ liệu. Một cái là cũng là sai đệ hết nha. Lấy sai số ra đó. 1 nè 1 nè và 2 ha. Rồi à 3í dụ mình có nhảy sai số như vậy đi. Rồi cái thứ hai là 1 nè -5 20 và à và 1. Đúng chưa? Bây giờ thử tính bằng trệ tuyệt đối và bình phương trung bình của cái trên này. Cũng cái này nha. Nhưng mà đầu tiên là mình tính là lấy tuyệt đối xong rồi lấy trung bình. Cái thứ hai là bình phương lên xong rồi lấy trung bình mà ở dưới này trị tuyệt đối lấy trung bình ở dưới này bình phương lên là lấy trung bình mình sẽ thấy ở chên cái này chên lập so với giữa trung bình bình phương và trung bình tệ tố hai cái nó trên lập với nhau trên cọc trên này và cọc dưới này >> cái cái cái bình phương nó sẽ lớn hơn >> hả cái trên đó bình phương với trị tuyệt đối nó xem xê với nhau đúng không >> bình phương lên dĩ nhân lấy căn ra thì tuyệt đối xong trung bình lại thì hai cái đó nó sinh x với nhau đúng không? Cái dưới thì sao? >> Nó lệch. >> Cái dưới nó lệch nhiều là tại vì sao? Là tại vì cho mình có những cái giá trị quan sát nó cách xa nhau giá trị nó rất là lớn. Ok chưa? Như vậy thì nó tóm lại nha. Tóm lại khi mình quan sát cái size số mình mình nhìn thấy trên đồ thị đây. Nhìn trên đây mình biết sai số mình lập nhă lớn hơn không? Không nhìn trên đồ thị nè mình biết cái size số mình thay đổi nhiều không? Biết không biết được đoán được không? Đoán được >> không đoán được đúng không? Nếu mà sai số mình đều đều với nhau thì sao? >> Đề đ nhau thì mình cái bình thường không mình mới làm được. >> Còn nếu mà sai số mình quá lớn thì lúc đó là sao? >> Đối tuyệt đối >> tùy mình à không phải đối đâu. Bây giờ nếu mà mình người cực đoan nói chung là sai lầm là nghiêm ngặc. Hiểu vấn đề này đó không? Sai lầm là nghiêm ngặt. Tức là những cái sai sót á mình đánh giá cái trọng số nó rất là lớn thì lúc đó mình sẽ chọn phá đường phương. Còn nếu mà mình coi cái sai lầm nhiều hay là cái sai lầm ít nó cũng như nhau, xem xem như nhau, sai lệch nhiều hay sai lệ tích á thì lúc đó mình sẽ chọn trị tốt. Hiểu không? Thế là bây giờ vậy thí dụ như tôi dự báo lần thứ nhất tôi xi là một đơn vị, lần thứ hai tôi sai một đơn vị nhưng mà lần thứ ba tôi xây 10 đơn vị đúng không? So với cái kia thì cái trường hợp này mình đánh giá cái một lần sai á >> nó nặng nè là hai lần đúng hai thằng đức thì lúc đó mình sẽ chọn cái phương pháp hiểu không? Tức là mình đánh giá cái việc mà anh sai lớn á là không phải nữa. Dư bán mà sai nhiều là rất là quan trọng. Dạ. >> Hiểu không? So với cái cái dự báo và thế thì lúc đó mình sẽ dùng cái phương pháp định phương. Ok chưa? Thí dụ gì ta? Thí dụ như a dự báo lượng thuốc mê cho một bệnh nhân ha. Thì bán được thốc mê mình tiên trong một cái bệnh nhân. Ok thì cái đó sao chế cố càng nhiều tốt hả? >> Sao thì lúc đó sao phương pháp gì phải dùng cái phương pháp phương đúng không? Đánh giá rất là cao cho cái việc mà nhiều báo sai đúng không? Tức là việc nhiều bite nó ảnh hưởng đến cái chung rất là lớn ảnh hưởng đến cái hệ số chung á rất là lớn thì lúc đó mình dùng chung pháp chung cái chân còn nhẹ nó đi thì dùng cái phương pháp thì ok chưa câu hỏi hay gá tất cả những cái phương pháp cái này kia không phải ngẫu nhiên mà người ta đưa cho các anh chị nhiều cái chỉ số hiểu không nếu mà giống như nhau á thì người người ta đưa ra một cái tuyệt đối một bình phương thôi là hết rồi. Nhưng mà thật sự các anh chị thấy rất là nhiều chị số đúng không? Tương tự như vậy AIC, AICC rồi BIC mỗi cái nó có một cái khác nhau tùy theo hoàn cảnh chứ không phải là mỗi cái đó đều có kết quả giống nhau ha. Nhưng mà tùy theo tình huống, tùy theo cái mục đích mà mình dùng cái phương pháp.

>> Thường thì trong nghiên cứu là mình bị vận bằng cái chỉ số này. C thường theo thầy thì nhiều m giải thích á. Giờ tóm lại tùy theo cái bài toán của mình, tùy theo cái ý nghĩa của bài toán của mình. Đối với bài toán của mình á là cái dự báo sai lệch đó có kết quả nghiêm trọng không? >> Mấy cái bài kinh doanh thường là mấy cái bài dữ liệu >> bài kinh doanh này thông thường dựa trên phá bình phương à bình phương thôi. Bình phương là cái hay sử dụng. >> Em đang ghép ý >> hả? >> Dạ không em >> nhưng mà hiểu được ý chung không? Em hiểu được rồi. >> Dạ. Cuối cùng là mình sẽ trực quan hóa các chều báo ITS và Arima. >> Hết rồi thầy. >> Hết rồi hả? Ok. Rồi cảm ơn nhớ. >> Cần summary là không khỏi khỏi. Ok ha. Rồi bữa bữa sau á mình sẽ học buồn cũng khu giờ là ngày thứ sáu ha. Ừ vậ đi ha bài giờ trở lại từ đầu là đi qua nó phải ý nói là mở đầu ra là cái cái kia mới nhiều nữa tại vì quen nó đâu có nhiều đó cái thứ Đây là mở