Giáo trình Phân Tích Chuỗi Thời Gian và Dự Báo Hiệu Quả (Time Series Analysis and Forecasting)

Tổng quan về giáo trình

Môn học và vị trí trong chương trình đào tạo

Nội dung tài liệu thuộc học phần Phân tích chuỗi thời gian và Dự báo (Time Series Analysis and Forecasting), nằm trong cấu trúc của Chương 3, Phần A (Chapter 3, Part A) của chương trình đào tạo chuyên ngành Thống kê kinh doanh (Business Statistics), Phân tích định lượng trong kinh doanh (Quantitative Methods for Business), Quản trị chuỗi cung ứng (Supply Chain Management) và Khoa học dữ liệu ứng dụng (Applied Data Science). Trong khung chương trình đại học và sau đại học, học phần này đóng vai trò kết nối giữa thống kê mô tả (descriptive statistics) và phân tích dự báo nâng cao (predictive analytics), trang bị cơ sở toán học để xử lý các tập dữ liệu chuỗi thời gian phục vụ ra quyết định quản trị.

Mục tiêu học tập (Learning Outcomes)

Sau khi hoàn thành nội dung học phần, người học đạt được các chuẩn đầu ra cụ thể:

  • Phân loại phương pháp dự báo: Phân biệt bản chất của các phương pháp định tính (Qualitative) và định lượng (Quantitative), bao gồm phương pháp nguyên nhân - kết quả (Causal) và mô hình chuỗi thời gian (Time Series).
  • Nhận diện mô hình dữ liệu: Xác định chính xác 5 dạng mô hình chuỗi thời gian cơ bản: Mô hình nằm ngang (Horizontal Pattern), Mô hình xu hướng (Trend Pattern), Mô hình mùa vụ (Seasonal Pattern), Mô hình kết hợp xu hướng và mùa vụ (Trend and Seasonal Pattern), và Mô hình chu kỳ (Cyclical Pattern).
  • Xây dựng biểu đồ chuỗi thời gian (Time Series Plot): Trực quan hóa mối quan hệ giữa biến thời gian (trục hoành) và giá trị quan sát (trục tung) trên phần mềm bảng tính.
  • Vận dụng các kỹ thuật làm trơn (Smoothing Methods): Triển khai các thuật toán dự báo ngắn hạn bao gồm Phương pháp ngây thơ (Naïve method), Trung bình trượt (Moving Averages - MA), Trung bình trượt có trọng số (Weighted Moving Averages - WMA) và San bằng mũ (Exponential Smoothing).
  • Đánh giá và so sánh độ chính xác dự báo (Forecast Accuracy): Tính toán và phân tích các chỉ số đo lường sai số: Sai số trung bình (Mean Error - ME), Sai số tuyệt đối trung bình (Mean Absolute Error - MAE), Sai số bình phương trung bình (Mean Squared Error - MSE) và Sai số phần trăm tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE).

Cấu trúc và cách tiếp cận

Giáo trình triển khai theo cấu trúc logic 4 giai đoạn:

  1. Nhận diện và trực quan hóa dữ liệu lịch sử bằng biểu đồ (Time Series Plot).
  2. Phân loại cấu trúc biến động (Data Patterns).
  3. Ứng dụng các giải thuật làm trơn định lượng (Smoothing Techniques).
  4. Kiểm định và so sánh sai số dự báo (Accuracy Evaluation).

Cách tiếp cận của tài liệu tập trung vào tính ứng dụng thực tế thông qua các bước xử lý dữ liệu chuẩn hóa trên phần mềm Microsoft Excel.

Điểm đặc sắc của giáo trình

Tài liệu liên kết chặt chẽ giữa lý thuyết định lượng và thực hành số liệu cụ thể. Bộ dữ liệu chuỗi thời gian 10 tuần về doanh số bán thuốc đau đầu nhãn hiệu Comfort tại hiệu thuốc Rosco Drugs được sử dụng xuyên suốt làm bài toán đối chuẩn (benchmark case), cho phép người học so sánh trực tiếp hiệu quả của các mô hình dự báo khác nhau trên cùng một tập quan sát.

Nội dung kiến thức cốt lõi

Các chương/chủ đề chính

1. Tổng quan về các phương pháp dự báo (Forecasting Methods)

Tài liệu phân định hệ thống dự báo thành hai nhánh chính:

  • Phương pháp định tính (Qualitative Methods): Dựa trên ý kiến chuyên gia và đánh giá chủ quan khi thiếu dữ liệu lịch sử.
  • Phương pháp định lượng (Quantitative Methods): Gồm phương pháp nhân quả (Causal Models) và mô hình chuỗi thời gian (Time Series Models). Chuỗi thời gian được định nghĩa là một chuỗi các phép đo được thực hiện theo các khoảng thời gian thông thường cố định (mỗi giờ, ngày, tuần, tháng, quý, năm).

2. Các mô hình chuỗi thời gian (Time Series Patterns)

Việc phân tích mô hình dữ liệu lịch sử thông qua biểu đồ chuỗi thời gian (Time Series Plot) là bước đầu tiên để lựa chọn phương pháp dự báo. Các dạng biến động được xác định gồm:

  • Mô hình nằm ngang (Horizontal Pattern): Dữ liệu dao động xung quanh một giá trị trung bình không đổi. Sự thay đổi trong điều kiện kinh doanh có thể chuyển chuỗi sang một cấp độ trung bình mới (level shift).
  • Mô hình xu hướng (Trend Pattern): Dữ liệu dịch chuyển dần dần lên mức cao hơn hoặc xuống mức thấp hơn trong thời gian dài do các yếu tố nhân khẩu học, công nghệ hoặc thị hiếu. Xu hướng có thể mang tính tuyến tính (linear) hoặc phi tuyến (nonlinear).
  • Mô hình mùa vụ (Seasonal Pattern): Biến động lặp lại đỉnh và đáy có tính chu kỳ trong khoảng thời gian không vượt quá một năm (ngày, tuần, tháng, quý).
  • Mô hình kết hợp xu hướng và mùa vụ (Trend & Seasonal Pattern): Chuỗi thời gian chứa đồng thời cả thành phần xu hướng dài hạn và dao động mùa vụ, đòi hỏi kỹ thuật phân tách chuỗi (decomposition).
  • Mô hình chu kỳ (Cyclical Pattern): Biến động luân phiên trên và dưới đường xu hướng kéo dài hơn một năm, thường bắt nguồn từ chu kỳ kinh tế nhiều năm.

3. Đo lường độ chính xác dự báo (Forecast Accuracy)

Độ chính xác được xác định dựa trên sai số dự báo (Forecast Error): $$\text{Forecast Error } (e_t) = Y_t - F_t$$ (Trong đó: $Y_t$ là giá trị thực tế, $F_t$ là giá trị dự báo tại thời kỳ $t$).

Các chỉ số thống kê đo lường độ chính xác gồm:

  • Sai số trung bình (Mean Error - ME): Trung bình cộng các sai số; có hạn chế là sai số âm và dương triệt tiêu lẫn nhau.
  • Sai số tuyệt đối trung bình (Mean Absolute Error - MAE): $$\text{MAE} = \frac{\sum |Y_t - F_t|}{n}$$
  • Sai số bình phương trung bình (Mean Squared Error - MSE): $$\text{MSE} = \frac{\sum (Y_t - F_t)^2}{n}$$
  • Sai số phần trăm tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE): $$\text{MAPE} = \frac{1}{n} \sum \left| \frac{Y_t - F_t}{Y_t} \right| \times 100%$$
  • Phương pháp ngây thơ (Naïve Forecasting Method): Sử dụng giá trị quan sát của kỳ hiện tại làm giá trị dự báo cho kỳ tiếp theo ($F_{t+1} = Y_t$).

4. Kỹ thuật trung bình trượt (Moving Averages - MA)

Phương pháp tính trung bình cộng của $k$ giá trị quan sát gần nhất để dự báo cho thời kỳ tiếp theo: $$F_{t+1} = \frac{Y_t + Y_{t-1} + \dots + Y_{t-k+1}}{k}$$ Mỗi quan sát có trọng số bằng nhau ($1/k$). Khi có dữ liệu mới, quan sát cũ nhất bị loại bỏ. Việc chọn tham số $k$ phụ thuộc vào độ nhạy mong muốn: $k$ nhỏ bám sát biến động nhanh hơn, $k$ lớn làm trơn dao động ngẫu nhiên tốt hơn.

5. Kỹ thuật trung bình trượt có trọng số (Weighted Moving Averages - WMA)

Gán các trọng số khác nhau cho từng quan sát lịch sử, trong đó quan sát gần nhất thường có trọng số lớn nhất. Điều kiện bắt buộc: $$\sum_{i=1}^{k} w_i = 1$$ (Ví dụ mô hình 3WMA: trọng số $0.5$ cho $Y_t$, $0.3$ cho $Y_{t-1}$, $0.2$ cho $Y_{t-2}$).

6. Kỹ thuật san bằng mũ (Exponential Smoothing)

Là trường hợp đặc biệt của trung bình trượt có trọng số với toàn bộ các quan sát trong quá khứ, trọng số giảm dần theo hàm số mũ: $$F_{t+1} = \alpha Y_t + (1 - \alpha)F_t$$ Có thể viết lại dưới dạng điều chỉnh sai số: $$F_{t+1} = F_t + \alpha(Y_t - F_t)$$ (Trong đó: $\alpha$ là hằng số làm trơn với $0 < \alpha < 1$; khởi tạo tính toán tại $F_2 = Y_1$).

Kiến thức nền tảng được xây dựng

  • Lý thuyết lọc nhiễu thống kê (Statistical Noise Filtering): Nguyên lý làm trơn các biến động ngẫu nhiên để trích xuất tín hiệu trung bình ổn định của chuỗi dữ liệu.
  • Cơ chế phản hồi sai số (Error-Feedback Adjustment): Mô hình san bằng mũ cập nhật dự báo mới dựa trên dự báo cũ cộng với một tỷ lệ điều chỉnh $\alpha$ nhân với sai số dự báo của kỳ gần nhất.
  • Hệ thống đánh giá đa tiêu chuẩn: Nguyên lý sử dụng MAE để đo độ lệch tuyệt đối, MSE để phạt nặng các sai số lớn, và MAPE để chuẩn hóa sai số theo tỷ lệ phần trăm độc lập với đơn vị đo lường.

Kỹ năng phát triển

  • Kỹ năng kỹ thuật (Technical Skills):
    • Thiết lập đồ thị phân tán nối điểm (Scatter with Straight Lines and Markers) trên Excel.
    • Cấu hình công cụ tự động Data Analysis -> Moving Average trong Microsoft Excel (khai báo Input Range, Interval, Output Range, Chart Output).
  • Kỹ năng phân tích (Analytical Skills):
    • Đọc hiểu và phân loại các dạng dao động dữ liệu từ đồ thị.
    • Phân tích độ nhạy của dự báo khi thay đổi tham số $k$ trong MA hoặc hệ số $\alpha$ trong san bằng mũ.
  • Kỹ năng thực hành (Practical Competencies):
    • Xây dựng bảng tính theo dõi sai số dự báo theo từng giai đoạn thời gian.
    • Tổng hợp và so sánh hiệu năng các mô hình để đưa ra lựa chọn dự báo tối ưu.

Phương pháp giảng dạy và học tập

Phương pháp tiếp cận sư phạm (Pedagogical Approach)

Giáo trình sử dụng phương pháp giảng dạy tích hợp lý thuyết - thực hành (Hands-on Data-Driven Learning). Quy trình giảng dạy đi từ giải thích trực quan mô hình dữ liệu, diễn giải công thức toán học, đến thực hành thao tác trên phần mềm và đối chiếu kết quả.

Bài tập và tình huống thực nghiệm (Case Studies)

Tài liệu sử dụng tập dữ liệu 10 tuần về doanh số bán sản phẩm Comfort headache tonic tại hệ thống Rosco Drugs:

Tuần ($t$) Doanh số ($Y_t$ - Chai) Tuần ($t$) Doanh số ($Y_t$ - Chai)
1 110 6 120
2 115 7 130
3 125 8 115
4 120 9 110
5 125 10 130

Học viên sử dụng tập dữ liệu này để thực hiện:

  • Dự báo theo phương pháp Naïve ($F_2 = 110, F_3 = 115, \dots, F_{10} = 110$).
  • Dự báo trung bình trượt 3 kỳ MA(3) ($F_4 = (110 + 115 + 125)/3 = 116.33$).
  • Dự báo san bằng mũ với $\alpha = 0.1$ và $\alpha = 0.8$.

Thực hành thao tác phần mềm (Practical Exercises)

Giáo trình hướng dẫn quy trình 4 bước thực hiện trên Microsoft Excel:

  • Vẽ biểu đồ chuỗi thời gian:
    1. Chọn vùng dữ liệu A2:B11.
    2. Chọn thẻ Insert trên thanh công cụ Ribbon.
    3. Trong nhóm Charts, chọn Insert Scatter (X,Y).
    4. Chọn kiểu biểu đồ Scatter with Straight Lines and Markers.
  • Sử dụng công cụ Moving Average trong Excel:
    1. Chọn thẻ Data trên Ribbon.
    2. Chọn Data Analysis trong nhóm Analysis.
    3. Chọn công cụ Moving Average, nhấn OK.
    4. Khai báo: Input Range: B2:B11; Interval: 3; Output Range: D3; tích chọn Chart Output.

Phương pháp kiểm tra và đánh giá (Assessment Methods)

  • Đánh giá định lượng qua bảng sai số: Kiểm tra khả năng lập bảng tính sai số gồm các cột: Thời kỳ, Giá trị thực tế ($Y_t$), Giá trị dự báo ($F_t$), Sai số ($e_t$), Sai số tuyệt đối ($|e_t|$), Sai số bình phương ($e_t^2$), và Sai số phần trăm tuyệt đối ($APE_t$).
  • Đánh giá quyết định mô hình: Yêu cầu học viên so sánh chỉ số $\text{MAPE}$ của các mô hình (ví dụ: mô hình MA(3) đạt kết quả tối ưu hơn phương pháp Naïve và san bằng mũ với $\alpha = 0.1$).

Hướng dẫn tự học (Self-Study Guidelines)

Người học cần tự lập lại toàn bộ bảng tính trên Excel mà không sử dụng công cụ tự động, sau đó đối chiếu kết quả với công cụ Data Analysis để hiểu rõ cơ chế tính toán bên trong của các thuật toán.

Điểm nổi bật và cập nhật

Quy trình phân tích chuẩn hóa

Giáo trình phân định rõ ranh giới áp dụng của từng phương pháp:

  • Nhóm phương pháp làm trơn (Naïve, MA, WMA, San bằng mũ) được xác định cụ thể chỉ phù hợp với chuỗi thời gian có mô hình nằm ngang (Horizontal Pattern) và phục vụ cho dự báo tầm ngắn.
  • Các chuỗi có xu hướng (Trend) hoặc mùa vụ (Seasonal) được định hướng sử dụng các phương pháp phức tạp hơn như kỹ thuật phân tách chuỗi thời gian (Time Series Decomposition).
  • Các biến động chu kỳ (Cyclical) gắn với chu kỳ kinh tế được chỉ rõ là rất khó hoặc bất khả thi để dự báo chính xác và nằm ngoài phạm vi giải quyết của chương.

Tích hợp công cụ tin học quản lý

Tài liệu loại bỏ các bước tính toán thủ công phức tạp không cần thiết bằng cách tích hợp trực tiếp quy trình thao tác trên Microsoft Excel, phản ánh đúng môi trường làm việc thực tế tại các doanh nghiệp.

Minh họa tính toán chi tiết

Tài liệu cung cấp kết quả tính toán chi tiết từng bước cho từng chỉ số sai số:

  • Đối với phương pháp Naïve: Tính toán sai số chi tiết từ tuần 2 đến tuần 10, đưa ra giá trị tổng sai số tuyệt đối là $80$ và giá trị $\text{MAE} = 80/9 \approx 8.89$ (hoặc $\text{MAPE} \approx 8.26%$).
  • Đối với mô hình trung bình trượt 3 kỳ MA(3): Giá trị tổng sai số phần trăm là $53.32%$, chia cho 7 kỳ dự báo ($n=7$), chứng minh mô hình MA(3) mang lại độ chính xác cao hơn so với phương pháp Naïve.
  • Đối với mô hình san bằng mũ: So sánh hiệu quả trực tiếp giữa hai mức hằng số làm trơn $\alpha = 0.1$ và $\alpha = 0.8$.

Đối tượng sử dụng giáo trình

Phân loại người học theo chương trình đào tạo

  • Sinh viên bậc đại học: Sinh viên năm 2 và năm 3 thuộc các khối ngành Kinh tế, Quản trị Kinh doanh, Marketing, Tài chính - Ngân hàng, Quản trị Chuỗi cung ứng, và Hệ thống Thông tin Quản lý.
  • Học viên sau đại học: Học viên chương trình Thạc sĩ Quản trị Kinh doanh (MBA) hoặc Thạc sĩ Phân tích Kinh doanh (Master of Business Analytics) cần củng cố kiến thức nền tảng về phân tích định lượng.

Kiến thức tiên quyết (Prerequisites)

Để tiếp thu hiệu quả nội dung bài giảng, người học cần trang bị trước:

  • Kiến thức Thống kê cơ bản: Các đại lượng trung bình cộng, phương sai, độ lệch chuẩn.
  • Kỹ năng tin học văn phòng: Sử dụng cơ bản bảng tính Microsoft Excel (nhập liệu, lập công thức toán học cơ bản, cố định ô tham chiếu).

Ứng dụng đối với giảng viên và nghiên cứu

  • Giảng viên: Sử dụng tài liệu làm khung bài giảng chuẩn cho các buổi học lý thuyết kết hợp thực hành phòng máy vi tính.
  • Chuyên viên phân tích và dự báo (Forecasting Practitioners): Tài liệu là tài liệu tham khảo kỹ thuật để xây dựng các mô hình dự báo nhu cầu nguyên vật liệu, doanh số bán lẻ định kỳ trong doanh nghiệp.

Câu hỏi thường gặp

1. Giáo trình này phù hợp với đối tượng nào?

Giáo trình được thiết kế cho sinh viên đại học, học viên cao học khối ngành kinh tế - quản trị và các chuyên viên phân tích dữ liệu cần nắm vững các kỹ thuật dự báo định lượng cơ bản trong ngắn hạn.

2. Người học cần chuẩn bị kiến thức nền nào trước khi học?

Người học cần hoàn thành học phần Thống kê ứng dụng cơ bản (hiểu các khái niệm giá trị trung bình, sai số) và có kỹ năng thao tác cơ bản trên Microsoft Excel.

3. Sự khác biệt cốt lõi giữa Moving Averages và Exponential Smoothing là gì?

  • Phương pháp Moving Averages chỉ tính trung bình của một số lượng cố định $k$ quan sát gần nhất và gán trọng số bằng nhau cho các quan sát này ($1/k$).
  • Phương pháp Exponential Smoothing sử dụng trung bình có trọng số của toàn bộ các quan sát trong quá khứ, trong đó trọng số giảm dần theo cấp số nhân đối với các dữ liệu càng xa thời điểm hiện tại.

4. Làm thế nào để tự học và thực hành hiệu quả nội dung này?

Người học nên nhập dữ liệu ví dụ Rosco Drugs vào Excel, tự thiết lập bảng tính thủ công các cột sai số ($e_t, |e_t|, e_t^2, APE_t$) cho từng phương pháp (Naïve, MA, Exponential Smoothing), sau đó sử dụng công cụ Data Analysis -> Moving Average để kiểm tra chéo kết quả.

5. Có tài liệu và công cụ bổ trợ nào đi kèm với giáo trình?

Tài liệu đi kèm các file dữ liệu mẫu dạng bảng tính Excel (.xlsx) chứa dữ liệu doanh số Rosco Drugs và các mẫu biểu tính toán sai số định dạng sẵn.

Kết luận

Nội dung Chapter 3, Part A: Time Series Analysis and Forecasting cung cấp hệ thống kiến thức chuẩn tắc về phân tích chuỗi thời gian mô hình nằm ngang và các phương pháp làm trơn dự báo ngắn hạn. Thông qua việc phân loại rõ ràng 5 dạng mô hình dữ liệu, hướng dẫn chi tiết các công thức toán học (Naïve, MA, WMA, San bằng mũ) và các chỉ số sai số (ME, MAE, MSE, MAPE), tài liệu thiết lập nền tảng phân tích định lượng vững chắc.

Lộ trình học tập khuyến nghị bắt đầu từ việc trực quan hóa đồ thị (Time Series Plot), nhận diện tính chất biến động, áp dụng giải thuật làm trơn phù hợp, và kết thúc bằng việc kiểm định định lượng để lựa chọn mô hình dự báo tối ưu.