Home | Thẻ: Time series ( trang 5)

Thẻ: Time series

Đồng kết hợp – Cointegration là gì?

Đồng kết hợp Cointegration là gì?

Mô hình vectơ tự hồi quy (VAR) và mô hình vectơ điều chỉnh sai số (VEC) là 2 mô hình thay thế nhau trong việc ước lượng các dữ liệu thời gian. Mô hình VEC là một trường hợp đặc biệt của mô hình VAR trong trường hợp các biến sai phân có mối quan hệ đồng kết hợp - ...

Đọc tiếp »

Mô hình VAR

Mô hình vecto tự hồi quy VAR

Các cách tiếp cận theo phương pháp Box-Jenkins và mô hình VAR (Mô hình vectơ tự hồi quy) trong dự báo kinh tế là các phương pháp thay thế cho các mô hình đơn phương trình và phương trình đồng thời truyền thống. Bài viết này sẽ trình bày phần lý thuyết tổng quan về mô hình VAR, cũng như ...

Đọc tiếp »

Ước lượng mô hình ARIMA thời vụ trên Stata

Ước lượng mô hình ARIMA thời vụ trên Stata

Mô hình ARIMA thời vụ được ước lượng tương tự mô hình ARIMA thông thường. Phân tích mô hình ARIMA thời vụ theo phương pháp Box - Jenkins được thực hiện qua 4 bước là nhận dạng, ước lượng, chẩn đoán và dự báo. Bài viết này sẽ minh họa các bước tiến hành phân tích mô hình ARIMA thời ...

Đọc tiếp »

Mô hình ARIMA thời vụ

Mô hình ARIMA có xét đến yếu tố thời vụ

Trong các bài viết trước tôi tập trung vào các dữ liệu thời gian, cũng như cách ước lượng mô hình ARIMA không có yếu tố thời vụ. Tuy nhiên, mô hình ARIMA cũng phù hợp đối với các dữ liệu có tính thời vụ. Một mô hình ARIMA thời vụ sẽ bổ sung thêm yếu tố thời vụ (P,D,Q)m ...

Đọc tiếp »

Ước lượng mô hình ARIMA – Stata

Quy trình phân tích mô hình ARIMA theo phương pháp Box-Jenkins

Phân tích mô hình chuỗi thời gian theo phương pháp Box - Jenkins (mô hình ARIMA) được thực hiện qua 4 bước là nhận dạng, ước lượng, chẩn đoán và dự báo. Bài viết này sẽ minh họa các bước tiến hành phân tích mô hình ARIMA tổng quát theo phương pháp Box - Jenkins trên phần mềm Stata. Để ...

Đọc tiếp »

Ước lượng mô hình ARIMA

Hồi quy mô hình ARIMA bằng ước lượng hợp lí cực đại MLE (Maximum Likelihood Estimation)

1. Giới thiệu về phương pháp ước lượng mô hình ARIMA Khi mô hình ARIMA đã được nhận dạng, nghĩa là đã xác được các thông số p, d, q bước tiếp theo là chúng ta ước lượng các tham số c, (phi_1,dots,phi_p) và (theta_1,dots,theta_q). Mô hình ARIMA (p,d,q) sẽ được phân tích thông qua ước lượng hợp lý cực ...

Đọc tiếp »

Xác định p, q của mô hình ARIMA

Biểu đồ ACF - PACF trong xác định p, q

Sau khi xác định giá trị d của chuỗi sai phân dừng trong mô hình ARIMA (p,d,q), tiếp đến, chúng ta xác định hai thông số p và q thông qua biểu đồ ACF và PACF. Biểu đồ ACF thích hợp trong việc xác định độ trễ q của mô hình MA(q). Biểu đồ PACF phù hợp hơn trong việc ...

Đọc tiếp »

Mô hình ARIMA

Mô hình ARIMA(p,d,q)

Một phương pháp rất phổ biến trong việc lập mô hình chuỗi thời gian là phương pháp trung bình trượt kết hợp tự hồi quy (autoregressive integrated moving average), còn gọi là mô hình ARIMA. Mô hình ARIMA được xây dựng dựa theo phương pháp luận Box-Jenkins. Trọng tâm của phương pháp dự báo này không phải là xây dựng ...

Đọc tiếp »

Hệ số tự tương quan ACF – PACF

Hệ số tự tương quan ACF vs PACF

Kiểm định hệ số tự tương quan là một phương pháp phổ biến để kiểm định tính dừng của một chuỗi dữ liệu. Cùng với kỹ thuật lấy sai phân hoặc kiểm định nghiệm đơn vị, một chuỗi thời gian dừng còn được xác định qua phân tích hệ số tự tương quan ACF hay tự tương quan riêng PACF. Quá ...

Đọc tiếp »