Tìm Hiểu Mô Hình Hồi Quy và Ứng Dụng Trong Dự Báo Dữ Liệu Chuỗi Thời Gian

Tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuỗi thời gian trong đồ án HCMUTE, cung cấp kiến thức và phương pháp hữu ích.

• Tác giả: Nguyễn Xuân Nguyên
• Người hướng dẫn: TS. Nguyễn Thành Sơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Mô Hình Hồi Quy và Ứng Dụng Trong Dự Báo Dữ Liệu Chuỗi Thời Gian
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2020
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. PHẦN 1: MỞ ĐẦU
• 1.1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI
• 1.2. MỤC ĐÍCH CỦA ĐỀ TÀI
• 1.3. CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. KẾT QUẢ ĐẠT ĐƯỢC
• 2. PHẦN 2: NỘI DUNG
• 2. CHƯƠNG 1: TỔNG QUAN VÀ ỨNG DỤNG
• 1.1. MACHINE LEARNING LÀ GÌ?
• 1.2. FORECASTING LÀ GÌ?
• 1.3. MACHINE LEARING ĐƯỢC ỨNG DỤNG VÀO NHỮNG VIỆC GÌ?
• 1.4. CÁC BƯỚC CƠ BẢN ĐỂ TIẾN HÀNH TRONG MỘT DỰ BÁO
• 1.5. DỮ LIỆU VÀ PHƯƠNG PHÁP DÙNG TRONG DỰ BÁO
• 3. CHƯƠNG 2: CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES
• 2.1. CÁC MÔ TÍP CÓ THỂ XUẤT HIỆN
• 2.2. CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES
• 4. CHƯƠNG 3: CÁC CÔNG CỤ SỬ DỤNG CHO VIỆC DỰ ĐOÁN
• 3.1. CÁC PHƯƠNG PHÁP DỰ ĐOÁN ĐƠN GIẢN
• 3.2. CHUYỂN ĐỔI VÀ ĐIỀU CHỈNH (Transformation and adjustment)
• 3.3. BIẾN ĐỔI (Transformation)
• 5. CHƯƠNG 4: MÔ HÌNH HỒI QUY
• 4.1. Hồi quy bội
• 4.2. Mô hình hồi quy theo thời gian
• 6. CHƯƠNG 5: MÔ HÌNH MẠNG NEURON NHÂN TẠO (ANN)
• 5.1. Lịch sử phát triển của neuron nhân tạo
• 5.2. Neuron sinh vật
• 5.3. Mạng neuron nhân tạo
• 7. CHƯƠNG 6: MÔ HÌNH KẾT HỢP HỒI QUY VÀ MẠNG NEURON NHÂN TẠO
• 6.1. Giới thiệu mô hình
• 6.2. Tính sai số toàn phương trung bình (MSE) và trọng số
• 8. CHƯƠNG 7: ĐÁNH GIÁ BẰNG THỰC NGHIỆM
• 7.1. Môi trường thực nghiệm
• 7.2. Các tập dữ liệu dùng trong thực nghiệm
• 7.3. Các trường hợp thực nghiệm
• 7.4. Kết quả thực nghiệm
• 3. PHẦN 3: KẾT LUẬN
• 3.1. KẾT QUẢ ĐẠT ĐƯỢC
• 3.2. ĐÓNG GÓP CỦA ĐỀ TÀI
• 3.4. HƯỚNG PHÁT TRIỂN
• DANH MỤC TÀI LIỆU THAM KHẢO
• KẾ HOẠCH THỰC HIỆN LUẬN VĂN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG

Tóm tắt

I. Mô hình hồi quy tuyến tính và ứng dụng trong dự báo chuỗi thời gian

Phần này tập trung vào mô hình hồi quy tuyến tính, một công cụ mạnh mẽ trong dự báo chuỗi thời gian. Mô hình hồi quy tuyến tính giả định mối quan hệ tuyến tính giữa biến phụ thuộc (yếu tố cần dự báo) và biến độc lập (yếu tố ảnh hưởng). Với dữ liệu chuỗi thời gian, biến độc lập thường bao gồm các giá trị trễ của biến phụ thuộc hoặc các biến ngoại sinh khác. Phân tích chuỗi thời gian là bước quan trọng trước khi xây dựng mô hình. Chuỗi thời gian ổn định (chuỗi thời gian ổn định) sẽ cho kết quả chính xác hơn. Ngược lại, chuỗi thời gian phi ổn định (chuỗi thời gian phi ổn định) cần được xử lý trước khi áp dụng hồi quy. Phương pháp phổ biến là sử dụng phép biến đổi logarit hoặc sai phân. Kiểm định Durbin-Watson giúp đánh giá tính tự tương quan của phần dư, đảm bảo tính độc lập của các quan sát. Kiểm định t-test và Kiểm định F-test xác định ý nghĩa thống kê của các hệ số hồi quy. R-squared đánh giá độ thích hợp của mô hình. Mô hình hồi quy tuyến tính được ứng dụng rộng rãi trong dự báo doanh số, dự báo giá cổ phiếu, và nhiều lĩnh vực khác. Thực nghiệm hồi quy giúp đánh giá hiệu quả mô hình thông qua các chỉ số như RMSE, MAE, và MAPE.

1.1 Mô hình hồi quy đơn và hồi quy bội

Mô hình hồi quy đơn xét mối quan hệ giữa biến phụ thuộc và một biến độc lập. Công thức: y = β0 + β1x + ε. Mô hình hồi quy bội mở rộng mô hình hồi quy đơn bằng cách bao gồm nhiều biến độc lập. Công thức tổng quát: y = β0 + β1x1 + β2x2 + ... + βnxn + ε. Việc lựa chọn biến độc lập dựa trên lý thuyết kinh tế và phân tích tương quan. Kiểm định tương quan giữa các biến giúp xác định mối liên hệ và loại bỏ biến không cần thiết. Mô hình hồi quy bội cho phép dự báo chính xác hơn so với mô hình hồi quy đơn do tính đến nhiều yếu tố ảnh hưởng. Ứng dụng của mô hình hồi quy bội rất đa dạng, bao gồm dự báo kinh tế, dự báo tài chính, và dự báo y tế. Python, R, và MATLAB là các công cụ hữu ích trong việc xây dựng và phân tích mô hình hồi quy. Thư viện scikit-learn và thư viện statsmodels trong Python cung cấp các hàm hỗ trợ mạnh mẽ. Ngoại suy và nội suy là hai kỹ thuật quan trọng trong việc sử dụng mô hình hồi quy để dự báo.

1.2 Ứng dụng thực tiễn và đánh giá mô hình

Ứng dụng hồi quy trong kinh tế tập trung vào dự báo doanh số, dự báo giá cả, và phân tích tác động của các chính sách kinh tế. Trong tài chính, mô hình hồi quy dùng để dự báo giá cổ phiếu, dự báo tỷ giá hối đoái, và đánh giá rủi ro đầu tư. Ứng dụng hồi quy trong y tế bao gồm dự báo số ca mắc bệnh, phân tích yếu tố nguy cơ, và dự đoán hiệu quả điều trị. Đánh giá mô hình hồi quy dựa trên các chỉ số thống kê như RMSE, MAE, MAPE, và R-squared. RMSE (Root Mean Squared Error) đo độ lệch trung bình bình phương căn bậc hai giữa giá trị dự báo và giá trị thực tế. MAE (Mean Absolute Error) đo độ lệch tuyệt đối trung bình. MAPE (Mean Absolute Percentage Error) là sai số phần trăm trung bình tuyệt đối. R-squared cho biết phần trăm phương sai của biến phụ thuộc được giải thích bởi mô hình. Việc lựa chọn mô hình phụ thuộc vào dữ liệu cụ thể và mục tiêu dự báo. Xử lý dữ liệu thiếu là bước quan trọng trong quá trình xây dựng mô hình để đảm bảo độ tin cậy của kết quả.

II. Mô hình hồi quy phi tuyến tính và ứng dụng

Khi mối quan hệ giữa biến phụ thuộc và độc lập không tuyến tính, mô hình hồi quy phi tuyến tính được sử dụng. Mô hình hồi quy đa biến, mô hình hồi quy logistic, và mô hình hồi quy polynomial là những ví dụ điển hình. Mô hình hồi quy đa biến mở rộng mô hình hồi quy tuyến tính bằng cách bao gồm các biến độc lập có bậc cao hơn hoặc các tích của biến độc lập. Mô hình hồi quy logistic dự báo biến phụ thuộc dạng nhị phân (0 hoặc 1). Mô hình hồi quy polynomial sử dụng hàm đa thức để mô tả mối quan hệ phi tuyến tính. Lựa chọn mô hình phụ thuộc vào dữ liệu và mục tiêu nghiên cứu. Kiểm định độ tốt của mô hình vẫn sử dụng các chỉ số như RMSE, MAE, MAPE, và R-squared. Học máy đóng vai trò quan trọng trong việc tìm kiếm mô hình phi tuyến tính tối ưu. Thuật toán tối ưu như gradient descent được sử dụng rộng rãi.

2.1 Mô hình hồi quy polynomial

Mô hình hồi quy polynomial sử dụng đa thức để mô hình hóa mối quan hệ phi tuyến tính giữa biến phụ thuộc và biến độc lập. Cấp của đa thức xác định độ phức tạp của mô hình. Cấp quá cao dẫn đến hiện tượng quá khớp (overfitting), trong khi cấp quá thấp dẫn đến hiện tượng thiếu khớp (underfitting). Kiểm định cross-validation giúp lựa chọn cấp của đa thức phù hợp. Mô hình hồi quy polynomial thường được sử dụng trong các trường hợp dữ liệu có xu hướng phi tuyến rõ rệt. Ưu điểm là khả năng mô tả tốt các mối quan hệ phức tạp. Nhược điểm là dễ bị quá khớp nếu không được điều chỉnh cẩn thận. Các thuật toán như least squares được sử dụng để ước lượng các hệ số của đa thức. Phân tích dư giúp đánh giá chất lượng của mô hình và phát hiện các điểm dữ liệu ngoại lai.

2.2 Mô hình hồi quy logistic và ứng dụng

Mô hình hồi quy logistic được sử dụng để dự báo biến phụ thuộc dạng phân loại (thường là 0 hoặc 1). Mô hình này sử dụng hàm sigmoid để chuyển đổi giá trị dự báo thành xác suất. Hàm sigmoid có dạng S, cho phép mô hình phân loại các quan sát vào các nhóm khác nhau. Mô hình hồi quy logistic ứng dụng rộng rãi trong nhiều lĩnh vực, chẳng hạn như phân loại tín dụng, phân loại hình ảnh, và dự báo sự kiện. Các chỉ số đánh giá mô hình bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và diện tích dưới đường cong ROC (AUC). Thuật toán tối ưu như gradient descent được sử dụng để tìm các tham số tối ưu của mô hình. Xử lý dữ liệu mất cân bằng là một vấn đề quan trọng cần được giải quyết khi áp dụng mô hình hồi quy logistic.

III. Mô hình ARIMA SARIMA và các phương pháp dự báo chuỗi thời gian khác

Ngoài mô hình hồi quy, các mô hình khác như ARIMA, SARIMA, Exponential Smoothing, và Prophet cũng được sử dụng rộng rãi trong dự báo chuỗi thời gian. ARIMA (Autoregressive Integrated Moving Average) là một mô hình thống kê phổ biến. SARIMA (Seasonal ARIMA) mở rộng ARIMA để xử lý dữ liệu có tính mùa vụ. Exponential Smoothing là một nhóm phương pháp dự báo dựa trên trọng số mũ cho các giá trị quá khứ. Prophet là một mô hình dự báo được phát triển bởi Facebook, thích hợp cho dữ liệu có xu hướng và mùa vụ rõ rệt. Việc lựa chọn mô hình phụ thuộc vào đặc điểm của dữ liệu và yêu cầu dự báo. Phân tích chuỗi thời gian là bước quan trọng để xác định đặc điểm của dữ liệu như xu hướng, mùa vụ, và tính tự tương quan. Kiểm định ADF và Kiểm định KPSS giúp xác định tính ổn định của chuỗi thời gian. GARCH (Generalized Autoregressive Conditional Heteroskedasticity) được sử dụng để mô hình hóa biến động của chuỗi thời gian. Mô hình AR, mô hình MA, và mô hình ARMA là các mô hình cơ bản trong dự báo chuỗi thời gian. Thư viện forecast trong R cung cấp các hàm hỗ trợ mạnh mẽ cho các mô hình này.

3.1 Mô hình ARIMA và SARIMA

Mô hình ARIMA bao gồm ba thành phần: AR (Autoregressive), I (Integrated), và MA (Moving Average). AR mô tả mối quan hệ giữa giá trị hiện tại và các giá trị quá khứ của chuỗi thời gian. I xử lý tính phi ổn định của chuỗi thời gian bằng cách sử dụng phép sai phân. MA mô tả mối quan hệ giữa giá trị hiện tại và các sai số quá khứ. SARIMA mở rộng ARIMA bằng cách thêm các thành phần mùa vụ. Xác định thứ tự của mô hình ARIMA dựa trên các hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF). Kiểm định AIC và BIC giúp lựa chọn mô hình tốt nhất. Ứng dụng ARIMA và SARIMA rất đa dạng, bao gồm dự báo kinh tế, dự báo thời tiết, và dự báo tài chính. Học máy có thể được kết hợp với ARIMA và SARIMA để cải thiện độ chính xác của dự báo.

3.2 Exponential Smoothing và Prophet

Exponential Smoothing gán trọng số mũ giảm dần cho các giá trị quá khứ. Các phương pháp phổ biến bao gồm đơn giản (Simple Exponential Smoothing), song song (Double Exponential Smoothing), và ba cấp (Triple Exponential Smoothing). Simple Exponential Smoothing phù hợp cho dữ liệu không có xu hướng và mùa vụ. Double Exponential Smoothing xử lý dữ liệu có xu hướng. Triple Exponential Smoothing xử lý dữ liệu có xu hướng và mùa vụ. Prophet là một mô hình dự báo mạnh mẽ được phát triển bởi Facebook. Prophet tự động phát hiện xu hướng và mùa vụ trong dữ liệu. Prophet dễ sử dụng và có khả năng xử lý dữ liệu có nhiều điểm ngoại lai. Prophet thích hợp cho dự báo chuỗi thời gian dài hạn. Ưu điểm là khả năng xử lý dữ liệu có nhiều thiếu sót và điểm ngoại lai. Nhược điểm là cần nhiều dữ liệu để có kết quả tốt.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN VÀ ỨNG DỤNG 1.1 MACHINE LEARNING LÀ GÌ? Machine Learning là một chương trình máy tính, không cần lập trình rõ ràng, học tập từ dữ liệu, lặp lại nhiều lần, có khả năng thích nghi khi tiếp xúc với dữ liệu mới.2 FORECASTING LÀ GÌ? Forecasting là một quá trình đưa ra các số liệu để dự báo cho một vấn đề cần có quyết định trong tương lai.3 MACHINE LEARING ĐƯỢC ỨNG DỤNG VÀO NHỮNG VIỆC GÌ? Hầu hết mọi ngành công nghiệp đang làm việc với hàm lượng lớn dữ liệu đều sử dụng công nghệ Machine Learning. · Các dịch vụ tài chính Ngân hàng và những doanh nghiệp hoạt động trong lĩnh vực tài chính sử dụng công nghệ Machine Learning với 2 mục đích chính: xác định insights trong dữ liệu và ngăn chặn lừa đảo. Insights sẽ biết được các cơ hội đầu tư hoặc thông báo đến nhà đầu tư thời điểm giao dịch hợp lý. Data mining cũng có thể tìm được những khách hàng đang có hồ sơ rủi ro cao hoặc sử dụng giám sát mạng để chỉ rõ những tín hiệu lừa đảo.

· Chính phủ Các tổ chức chính phủ hoạt động về an ninh cộng đồng hoặc tiện ích xã hội sở hữu rất nhiều nguồn dữ liệu có thể khai thác insights. Ví dụ: khi phân tích dữ liệu cảm biến, chính phủ sẽ tăng mức độ hiệu quả của dịch vụ và tiết kiệm chi phí. Machine Learning còn hỗ trợ phát hiện gian lận và giảm thiểu khả năng trộm cắp danh tính. · Chăm sóc sức khỏe Machine Learning là 1 xu hướng phát triển nhanh chóng trong ngành chăm sóc sức khỏe, nhờ vào sự ra đời của các thiết bị và máy cảm ứng đeo được sử dụng dữ liệu 3 do an để đánh giá tình hình sức khỏe của bệnh nhân trong thời gian thực (real-time).

Công nghệ Machine Learning còn giúp các chuyên gia y tế xác định những xu hướng hoặc tín hiệu để cải thiện khả năng điều trị, chẩn đoán bệnh. · Marketing và sales Dựa trên hành vi mua hàng trước đây, các trang web sử dụng Machine Learning phân tích lịch sử mua hàng, từ đó giới thiệu những vật dụng mà bạn có thể sẽ quan tâm và yêu thích. Khả năng tiếp nhận dữ liệu, phân tích và sử dụng những dữ liệu đó để cá nhân hóa trải nghiệm mua sắm (hoặc thực hiện chiến dịch Marketing) chính là tương tai của ngành bán lẻ. · Dầu khí Tìm kiếm những nguồn nguyên liệu mới.

Phân tích các mỏ dầu dưới đất. Dự đoán tình trạng thất bại của bộ cảm biến lọc dầu. Sắp xếp các kênh phân phối để đạt hiệu quả và tiết kiệm chi phí. Có thể nói, số lượng các trường hợp sử dụng Machine Learning trong ngành công nghiệp này cực kì lớn và vẫn ngày càng mở rộng.

· Vận tải Phân tích dữ liệu để xác định patterns các xu hướng là trọng tâm trong ngành vận tải vì đây là ngành phụ thuộc vào khả năng tận dụng hiệu quả trên mỗi tuyến đường và dự đoán các vấn đề tiềm tàng để gia tăng lợi nhuận. Các chức năng phân tích dữ liệu và modeling của Machine Learning đóng vai trò quan trọng với các doanh nghiệp vận chuyện, vận tải công cộng và các tổ chức vận chuyển khác.4 CÁC BƯỚC CƠ BẢN ĐỂ TIẾN HÀNH TRONG MỘT DỰ BÁO - Xác định vấn đề - Thu thập thông tin - Phân tích dữ liệu - Chọn mô hình 4 do an - Sử dụng và đánh giá mô hình 1.5 DỮ LIỆU VÀ PHƯƠNG PHÁP DÙNG TRONG DỰ BÁO Các phương pháp dự báo thích hợp phụ thuộc phần lớn vào dữ liệu nào có sẵn. Dự báo định lượng(quantitative forecasting) có thể được áp dụng khi hai điều kiện được thỏa mãn: - Có dữ liệu dạng số phù hợp với việc dự đoán. - Có một giả thiết có cơ sở về những mô típ trong quá khứ và vẫn sẽ tiếp tục trong tương lại.

Hầu hết các vấn đề dự đoán định lượng sử dụng dữ liệu chuỗi thời gian (được thu thập tại các khoảng thời gian đều đặn theo thời gian) hoặc dữ liệu cắt ngang (được thu thập tại một thời điểm duy nhất). Nếu không có dữ liệu khả dụng hoặc nếu dữ liệu khả dụng không liên quan đến dự báo thì phải sử dụng phương pháp dự báo định tính(qualitative forecasting). 5 do an Chương 2: CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES 2.1 CÁC MÔ TÍP CÓ THỂ XUẤT HIỆN · Xu hướng (Trend) Dùng để miêu tả trường hợp trong dữ liệu xuất hiện hiện tượng giá trị tăng hoặc giảm trong thời gian dài. [1] Hình 1 Biểu đồ lượng bia sản xuất hàng tháng tại Úc (1956-1990) · Mùa (Seasonal) Dùng cho trường hợp các yếu tố dự đoán bị tác động bởi những yếu tố mang tính mùa vụ, thời vụ (ngày trong tuần, tuần trong tháng, hay tháng trong năm) Hình 2 Biểu đồ dự đoán lượng bia sản xuất hàng tháng tại Úc 6 do an · Tuần hoàn (Cyclic) Khi một mô típ thể hiện một sự tăng và giảm có lặp lại nhưng không phụ thuộc vào những yếu tố mùa vụ.

Yếu tố tác động chủ yếu ở đây là chu kỳ phát triển của doanh nghiệp hay kinh tế. Hình 3 Biểu đồ giá chứng khoán của công ty IBM 2.2 CÁC CÁCH THỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES · Biểu đồ đường (Line Plot) Thể hiện các giá trị quan sát theo thời gian, các điểm quan sát được nối lại với nhau tạo thành một đường. Hình 4 Biểu đồ dự đoán lượng bia sản xuất hàng tháng tại Úc 7 do an · Scatter Plot Biểu đồ thể hiện các quan sát dưới dạng điểm. Từ đó, nhận ra được mối quan hệ tuyến tính giữa yếu tố quan sát và các yếu tố khác.

Hình 5 Biểu đồ tương quan giữa lượng điện tiêu thụ so với nhiệt độ hàng ngày · Lag Plot Tương tự như Scatter Plot, thể hiện sự tương quan giữa yếu tố dự đoán và các yếu tố khác.Autocorrelation PlotCho biết tương quan tuyến tính của các Lag. Hình 6 Biểu đồ tương quan lượng điện tiêu thụ giữa ngày hiện tại so với trước đó 2 ngày 8 do an · Autocorrelation Plot Cho biết tương quan tuyến tính của các Lag. Hình 7 Biểu đồ tương quan lượng điện tiêu thụ của ngày hiện tại so với những ngày trước đó 9 do an Chương 3: CÁC CÔNG CỤ SỬ DỤNG CHO VIỆC DỰ ĐOÁN 3. CÁC PHƯƠNG PHÁP DỰ ĐOÁN ĐƠN GIẢN · Phương pháp trung bình Ý tưởng của phương pháp trung bình là tất cả những giá trị trong tương lai bằng trung bình (mean) của tất cả các giá trị được quan sát trong quá khứ.

+ | ⋯ / Hình 8 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp trung bình · Phương pháp Naïve Phương pháp Naive giả định rằng giá trị dự đoán trong tương lai bằng giá trị quan sát được của ngày cuối cùng. + | 10 do an Hình 9 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Naïve · Phương pháp Seasonal Naïve Tương tự như Naïve, nhưng thay vì sử dụng giá trị quan sát của này cuối cùng, thì giá trị trong tương lai sẽ bằng giá trị quan sát được của ngày cuối trong mùa tương ứng. + | + − + Hình 10 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Seasonal Naïve 11 do an · Phương pháp Drift Ý tưởng chính của phương pháp Drift ta có thể dự đoán sự tăng hoặc giảm của giá trị trong tương theo thời gian bằng cách dựa vào tập hợp những giá trị trung bình của thay đổi đã xuất hiện trong quá khứ. + | ℎ 1 Hình 11 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc dùng phương pháp Drift 3.

CHUYỂN ĐỔI VÀ ĐIỀU CHỈNH (Transformation and Adjustment) Điều chỉnh (Adjustment) · Điều chỉnh lịch (Calendar Adjustment) Một số seasonal data bị ảnh hưởng bởi những yếu tố mang tính “lịch” (thứ trong tuần, tháng trong năm, số ngày trong tháng. Ta có thể làm cho dữ liệu đơn giản hơn bằng cách tách những yếu tố mang tính lịch ra khỏi dữ liệu trước khi train. Ví dụ: Với bộ dữ liệu sản lượng bia chúng ta đang dùng, việc sản lượng bia một tháng nhiều hơn tháng khác có thể đơn giản là do tháng đó có nhiều ngày hơn. Vậy ta có thể tính toán lại số liệu bằng trung bình sản lượng tháng (tổng sản lượng / số ngày) để loại bỏ sự khác biệt này.

12 do an Hình 12 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc trước khi Adjustment · Điều chỉnh phổ biến (Popular Adjustment) Một số dữ liệu sẽ bị ảnh hưởng bởi yếu tố dân số. Cũng như những dữ liệu dự đoán bị ảnh hưởng bởi yếu tố “lịch” ta có thể adjust những dữ liệu bị ảnh hưởng bởi dân số bằng cách tính lại giá trị theo dõi trên đầu người để làm dữ liệu đơn giản dữ liệu hơn. · Điều chỉnh lạm phát (Inflation Adjustment) Một số dữ liệu khác lại bị ảnh hưởng bởi tỷ lệ lạm phát. Đối với những dữ liệu dạng như vậy ta thường chuyển đổi dữ liệu về giá trị tiền tệ trong một năm cụ thể nào đó.

BIẾN ĐỔI (Transformation) Biến đổi toán học (Mathematical Transformation) · Chuyển đổi nhật ký (Log Transformation) Log Transformation thường được sử dụng vì việc thay đổi trên chuỗi giá trị log liên quan đến sự thay đổi trên chuỗi giá trị thực log 13 do an Hình 13 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc sau khi dùng Log Transformation · Chuyển đổi năng lượng (Power Transformation) Là một trong những lựa chọn thay thế cho Log Transformation. Các công thức thường được sử dụng là Square Roots Transformation và Cube Roots Transformation. · Biến đổi Box-cox (Box-cox Transformation) Là một sự kết hợp giữa Log và Power Transformation. log ế 0 1 l ℎ là một siêu tham số, cho phép ta điều chỉnh kết quả transformation.

Ta có thể điều chỉnh cho đến khi thấy dữ liệu đã đơn giản và dễ dàng cho việc dự đoán có hiệu quả. 14 do an Hình 14 Biểu đồ dự đoán sản lượng sản xuất bia tại Úc trước khi dùng Log Transformation 15 do an Chương 4: MÔ HÌNH HỒI QUY 4. Mô hình hồi tổng thể 4. Mô hình hồi quy tổng thể Mô hình hồi quy tổng thể (PRM – Population Regression Model): Là phương trình biểu diễn mối quan hệ giữa một biến phụ thuộc (Y) với một biến độc lập (X) xác định trên toàn bộ tổng thể có dạng như sau [2] ⋅ Trong mô hình hồi quy tổng thể có 3 thành phần: Biến số, Hệ số, Sai số.

- Thành phần thứ nhất: Biến số, bao gồm biến phụ thuộc và biến độc lập. · Biến phụ thuộc: là biến số mà ta đang quan tâm đến giá trị của nó, thường ký hiệu là Y và nằm ở vế trái của phương trình.