Đề tài Phân tích sản lượng và doanh thu ngành bưu chính viễn thông (giai đoạn 1995-2011)

LỜI NÓI ĐẦU MỤC LỤC BẢNG PHÂN CÔNG CÔNG VIỆC STT Họ và tên Công việc Ghi chú 1 LƯƠNG ĐÌNH LƯU 2 PHẠM DUY KHÁNH 3 TRẦN QUANG HỢP PHÂN TÍCH BÀI TOÁN – BẢNG SỐ LIỆU Phân tích bài toán Tên đề tài: Phân tích sản lượng và doanh thu ngành bưu chính viễn thông (giai đoạn 1995-2011). Tập dữ liệu mà nhóm 13 nghiên cứu gồm 8 yếu tố với 17 bộ dữ liệu Chúng ta nhận thấy biến phụ thuộc là biến Doanh thu (tỉ đồng). Ở dữ liệu này có 6 biến độc lập là: Bưu phẩm đi có cước, Bưu kiện đi có cước, Thư và điện chuyển tiền, Báo chí phát hành, Điện báo có cước, Điện thoại đường dài. Các biến độc lập này dùng để dự đoán được biến phụ thuộc (Doanh thu). Phương pháp phân tích bài toán Với tập dữ liệu này ta sẽ dùng các phương pháp là hồi quy tuyến tính, phân tích đặc trưng và phân tích chuỗi thời gian. Bảng số liệu Năm Bưu phẩm đi có cước (triệu cái) Bưu kiện đi có cước (nghìn cái) Thư và điện chuyển tiền (nghìn bức) Báo chí phát hành (triệu tờ) Điện báo có cước (triệu tiếng) Điện thoại đường dài (triệu phút) Doanh thu (tỉ đồng) 1995 116.5 162.0 1365.0 223.5 49.6 845.8 4207.4 1996 121.4 230.0 1744.0 238.9 45.9 1179.6 5930.2 1997 124.9 307.0 2408.0 214.8 42.0 1495.5 7255.4 1998 135.0 433.0 3358.0 225.6 35.0 1736.5 9249.5 1999 146.7 962.0 3751.0 239.6 28.2 2037.3 9138.5 2000 155.0 709.0 4412.0 299.1 0.0 2490.7 11000.9 2001 148.1 1080.0 4883.0 286.8 0.0 2730.7 13978.2 2002 162.3 789.9 5625.0 285.4 0.0 3258.3 16822.0 2003 181.6 1080.3 6518.0 307.9 0.0 3904.7 19250.3 2004 191.8 1378.0 7174.0 411.6 0.0 4784.5 25870.4 2005 238.3 1344.0 7723.0 432.3 0.0 4358.2 30831.2 2006 166.7 1297.0 8139.0 404.2 0.0 4410.8 36351.3 2007 234.7 1559.0 8786.0 396.5 0.0 3995.2 42348.7 2008 251.3 1753.0 8664.0 430.7 0.0 4359.2 48915.0 2009 332.9 2402.1 8183.0 577.2 0.0 2458.2 71432.3 2010 342.1 2526.0 9010.0 553.3 0.0 3147.6 82709.3 2011 393.4 2778.6 9460.0 608.6 0.0 2548.2 83091.6 PHÂN TÍCH ĐẶC TRƯNG Phân tích đặc trưng Chúng ta tiến hành phân tích từng thành phần số liệu riêng của từng sản lượng của từng yếu tốvà rút ra các bảng kết quả sau: Chú thích Count: Số lượng mẫu. Average: Số trung bình. Median: Trung vị. Mode: Số trội. Variance: Phương sai. Standard deviation: Độ lệch chuẩn. Coeff. of variation: Hệ số biến thiên. Standard Error: Sai số chuẩn. Minimum: Trị số quan sát bé nhất. Maximum: Trị số quan sát lớn nhất. Range: Độ biến thiên. Skewness: Độ lệch của phân bố. Kurtosis: Độ nhọn của phân bố. Sum: Tổng các trị số quan sát. Làm ví dụ với yếu tố “Bưu phẩm đi có cước”. Để phân tích đặc trưng ta chọn: Analyze > Variable Data > One – Variable Analysis… Đây là bảng phân tích đặc trưng nhận được Cách tính các giá trị trong bảng: Median Med= Xn+12  Variance S2 = 1N'i=1N (Xi- X)2 Standard deviation Sf = S2 = 84.3966 Coeff. of variation Cv = SfX∙100 = 41.6749% Standard error Sx=SfN Range = Maximum – Minimum Skewness = NN-1(N-2)xj-xs3= 1.89988 Kurtosis = n(n+1)n-1n-2(n-3)xj-xs4- 3n-12n-2(n-3) = 0.227539s Kết luận: Nhận xét sơ bộ: Nhìn vào bảng kết quả ta quan tâm đến các thông số sau: Skewness có giá trị >0 nên tập số liệu có xu hướng lớn hơn giá trị trung bình và đồ thị phân bố có xu hướng “lệch trái” so với giá trị trung bình. Kurtosis có giá trị >0 nên tập số liệu có xu hướng phân bố xung quanh giá trị trung bình (Đồ thị phân bố của tập số liệu này “nhọn hơn phân phối chuẩn”) PHÂN TÍCH HỒI QUY Khái niệm Khái niệm Phân tích hồi quy là tìm quan hệ phụ thuộc của một biến, được gọi là biết phụ thuộc vào một hoặc nhiều biến khác, được gọi là biến độc lập nhằm mục đích ước lượng hoặc tiên đoán giá trị kỳ vọng của biến phụ thuộc khi biết trước giá trị của biến độc lập. Mục đích hồi quy: Ước lượng trung bình biến phụ thuộc trong những điều kiện xác định của biến giải thích. Ước lượng các tham số. Kiểm định về mối quan hệ. Dự báo giá trị biến phụ thuộc khi biến giả thích thay đổi Một số dạng hàm cơ bản trong phân tích hồi qui Dạng hàm tuyến tính: Phương trình: Yi= β1 + β2Xi + ui Ưu điểm: Có tính đơn giản. Mỗ lần X tăng thêm một đơn vị thì Y tăng thêm β2 đơn vị Nhược điểm: Tính đơn giản của hàm tuyến tính,bất kỳ lúc nào tác động của X phụ thuộc vào các giá trị của X hoặc Y, thì dạng hàm tuyến tính không thể là dạng hàm phù hợp. Dạng hàm Bậc hai: Phương trình: Yi= β1 + β2Xi + β3Xi2 + ui Khi X tăng thêm một đơn vị thì Y tăng thêm β2 + 2β3Xi đơn vị. Nếu β3>0, thì khi tăng lên Nếu β3< 0, thì khi X tăng lên tác động bổ sung của X đến Y giảm xuống. Nếu có đường biểu diễn chi phí thì chi phí biên sẽ là MC= β2+ 2β3Q Dạng hàm logarit Phương trình: lnYi= β1 + β2lnXi+ ui Nếu X thay đổi 1% thì Y sẽ thay đổi B2%; đây là tính chất đặc biệt của quan hệ logarit. Các thông số đánh giá Hệ số tương quan R (Coefficient of correlation) Yếu tố nào có R càng lớn thì ảnh hưởng càng nhiều Theo như kết quả kiểm duyệt: R < 0.3 à không tương quan 0.3 < R < 0.7 à có dấu hiệu 0.5 < R < 0.7 à hơi tương quan 0.7 < R < 0.9à tương quan R > 0.9 à rất tương quan Bình phương của hệ số tương quan (R square) Yếu tố nào có R2 càng lớn thì mối quan hệ giữa yếu tố đó và biến y càng chặt chẽ: Trong đó: SSE (Sum of Square Error): SST (Sum of Square Total): Adjusted R –Square: Sai số chuẩn (standard error – với hồi quy đơn là N-2) Hệ số hồi quy B-độ nghiêng B (regression coefficient) Yếu tố nào có B cao thì ảnh hưởng nhiều hơn, tuy nhiên các yếu tố có đơn vị khác nhau (năm, triệu cái, nghìn cái, triệu tờ, triệu tiếng,…) nên không thể so sánh mức ảnh hưởng giữa các yếu tố. Nếu muốn so sánh phải đổi các yếu tố có cùng đơn vị là độ lệch chuẩn, lúc đó ta có hệ số hồi qui chuẩn hóa: Bs= B. 𝑆𝑥/𝑆𝑦 ( Với Sx là độ lệch chuẩn của x tương ứng và Sy là độ lệch chuẩn của y). Hồi quy đơn biến Xét độ nghiêng của đồ thị để xem mô hình có thể chấp nhận Ho hay Ha. Tức là ta phải tính giá trị ttính và so sánh với giá trị tbảng : Nếu ttính> tbảng : chấp nhận Ha và kết luận mô hình đưa ra khá thích hợp với dự báo Ngược lại nếu ttính< tbảng : chấp nhận Ho và kết luận mô hình không có ý nghĩa, không đủ năng lực dự báo. Phần mềm sử dụng là STATGRAPHIC. Để phân tích hồi quy đơn biến ta làm như sau: vào Improve à Regression Analysis à One factor à Simple Regression Yếu tố “Bưu phẩm đi có cước” Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -31864.0 4116.35 -7.74084 0.0000 Slope 307.918 18.8445 16.3399 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 1.08054E10 1 1.08054E10 266.99 0.0000 Residual 6.0706E8 15 4.04707E7 Total (Corr.) 1.14124E10 16 Correlation Coefficient = 0.97304 R-squared = 94.6807 percent R-squared (adjusted for d.f.) = 94.3261 percent Standard Error of Est. = 6361.65 Mean absolute error = 3972.39 Durbin-Watson statistic = 2.40009 (P=0.7247) Lag 1 residual autocorrelation = -0.231529 y = -31864 + 307.918*x1 Trong đó: Correlation Coefficient: Hệ số tương quan R-squared: hệ số xác định (bình phương R) Standard Error of Est: độ lệch chuẩn Mean absolute erro: trung bình lỗi Đánh giá yếu tố “Bưu phẩm đi có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng bưu phẩm đi có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.97304 điều đó cho thấy “Bưu phẩm đi có cước” rất tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 94,6807% điều đó khẳng định được rằng yếu tố “Bưu phẩm đi có cước” có khả năng giải thích khoảng 94,6807% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Trước hết xin nói rõ ý nghĩa của giá trị P-value trong phân tích thống kê số liệu: khi nhà nghiên cứu đã nghiên cứu ra một giả thuyết thì ông cũng pải định nghĩa giả thuyết đảo cho nó (null hypothesis) tức là một giả thuyết ngược lại với những gì mình nghiên cứu và tin nó là thật. Ví dụ như theo truyền thống trong y học nếu giá trị xác suất nhỏ hơn 5% nhà nghiên cứu có thể bác bỏ đi giả thuyết đảo còn nếu giá trị xác suất mà lớn 5% thì không có lý do gì để bác bỏ nó hay chưa có bằng chứng đầy đủ dể bác bỏ nó nhưng cũng không có nghĩa là giả thuyết đảo là đúng là sự thật. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Bưu phẩm đi có cước” có ảnh hưởng nhiều đến Doanh thu Đánh giá với độ lệch chuẩn: hầu hết ta mong đợi các giá trị quan sát của y nằm trong khoảng phạm vi 2s của các giá trị y tính toán theo phương pháp bình phương cực tiểu của chúng Ta sẽ kiểm định giả thuyết với giá trị độ dốc B Bác bỏ Ha nếu B = 0 và ngược lại bác bỏ Ho nếu B ≠ 0 (B > 0 hoặc B < 0) Giả định độ tin cậy P = 95% Ta cóttính= 16.3399 So sánhtbảng= Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Bưu phẩm đi có cước) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Bưu kiện đi có cước (nghìn cái)” Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -9231.65 3273.69 -2.81996 0.0129 Slope 32.4815 2.26514 14.3398 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 1.06365E10 1 1.06365E10 205.63 0.0000 Residual 7.75902E8 15 5.17268E7 Total (Corr.) 1.14124E10 16 Correlation Coefficient = 0.965408 R-squared = 93.2013 percent R-squared (adjusted for d.f.) = 92.748 percent Standard Error of Est. = 7192.14 Mean absolute error = 5576.68 Durbin-Watson statistic = 1.16837 (P=0.0163) Lag 1 residual autocorrelation = 0.369967 Đánh giá yếu tố “Bưu kiện đi có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng bưu phẩm đi có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.965408 điều đó cho thấy “Bưu kiện đi có cước” rất tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 93,2013% điều đó khẳng định được rằng yếu tố “Bưu kiện đi có cước” có khả năng giải thích khoảng 93,2013% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Bưu kiện đi có cước” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 14,3398 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Bưu kiện đi có cước) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Thư và điện chuyển tiền (nghìn bức)” Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -18892.3 8846.12 -2.13566 0.0496 Slope 8.29571 1.3586 6.10609 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 8.13829E9 1 8.13829E9 37.28 0.0000 Residual 3.27415E9 15 2.18277E8 Total (Corr.) 1.14124E10 16 Correlation Coefficient = 0.844457 R-squared = 71.3107 percent R-squared (adjusted for d.f.) = 69.3981 percent Standard Error of Est. = 14774.2 Mean absolute error = 11928.4 Durbin-Watson statistic = 0.278645 (P=0.0000) Lag 1 residual autocorrelation = 0.755119 Đánh giá yếu tố “Thư và điện chuyển tiền” với biến phụ thuộc là “Doanh thu” để xem số thư và điện chuyển tiền ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.844457 điều đó cho thấy “Thư và điện chuyển tiền” tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 71,3107% điều đó khẳng định được rằng yếu tố “Thư và điện chuyển tiền” có khả năng giải thích khoảng 71,3107% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Thư và điện chuyển tiền” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 6,10609 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Thư và điện chuyển tiền) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Báo chí phát hành (triệu tờ)” Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -41489.8 5407.16 -7.67312 0.0000 Slope 199.431 14.1525 14.0915 0.0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 1.06109E10 1 1.06109E10 198.57 0.0000 Residual 8.01543E8 15 5.34362E7 Total (Corr.) 1.14124E10 16 Correlation Coefficient = 0.964244 R-squared = 92.9766 percent R-squared (adjusted for d.f.) = 92.5084 percent Standard Error of Est. = 7310.01 Mean absolute error = 5100.44 Durbin-Watson statistic = 1.23012 (P=0.0238) Lag 1 residual autocorrelation = 0.377733 Đánh giá yếu tố “Báo chí phát hành” với biến phụ thuộc là “Doanh thu” để xem số lượng Báo chí phát hành ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.964244 điều đó cho thấy “Báo chí phát hành” tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 92,9766% điều đó khẳng định được rằng yếu tố “Báo chí phát hành” có khả năng giải thích khoảng 92,9766% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Báo chí phát hành” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 14,0915 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Báo chí phát hành) là khá phù hợp và biến nàycó khả năng giải thích cho biến phụ thuộc là Doanh thu. Điện báo có cước (triệutiếng) Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept 39873.6 6465.78 6.16687 0.0000 Slope -794.566 291.723 -2.7237 0.0157 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 3.7765E9 1 3.7765E9 7.42 0.0157 Residual 7.63594E9 15 5.09062E8 Total (Corr.) 1.14124E10 16 Correlation Coefficient = -0.575249 R-squared = 33.0911 percent R-squared (adjusted for d.f.) = 28.6305 percent Standard Error of Est. = 22562.4 Mean absolute error = 16018.1 Durbin-Watson statistic = 0.170905 (P=0.0000) Lag 1 residual autocorrelation = 0.791327 Đánh giá yếu tố “Điện báo có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng Điện báo có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=-0.575249 điều đó cho thấy “Điện báo có cước” không tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 33,0911% điều đó khẳng định được rằng yếu tố “Điện báo có cước” có khả năng giải thích khoảng 33,0911% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Với yếu tố này Pvalue = 0.0157 Giả định độ tin cậy P = 95% Ta cóttính= -2,7237 So sánhtbảng = Ta nhậnthấyttính<tbảng Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Điện báo có cước) là không phù hợp và biến này không có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Điện thoại đường dài (triệu phút)” Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept 8351.48 16592.7 0.503322 0.6220 Slope 7.56734 5.25046 1.44127 0.1701 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 1.3882E9 1 1.3882E9 2.08 0.1701 Residual 1.00242E10 15 6.68282E8 Total (Corr.) 1.14124E10 16 Correlation Coefficient = 0.348768 R-squared = 12.1639 percent R-squared (adjusted for d.f.) = 6.30819 percent Standard Error of Est. = 25851.2 Mean absolute error = 19037.0 Durbin-Watson statistic = 0.162886 (P=0.0000) Lag 1 residual autocorrelation = 0.759609 Đánh giá yếu tố “Điện thoại đường dài” với biến phụ thuộc là “Doanh thu” để xem số lượng Điện thoại đường dài ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.348768 điều đó cho thấy “Điện thoại đường dài” có dấu hiệu tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 12,1639% điều đó khẳng định được rằng yếu tố “Điện thoại đường dài” có khả năng giải thích khoảng 12,1639% sự thay đổi của biến phụ thuộc chính là “Doanh thu”. Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.1701 Giả định độ tin cậy P = 95% Ta cóttính= 1,44127 So sánhtbảng = Ta nhậnthấyttínhtbảng . Hồi quy đa biến Hồi quy đa biến tổng quát. Hàm hồi quy bộ tổng thể(PRF) : Y=a1+a2X2+a3X3+..+akXk+u Trong đó: a1: là hệ số tự do( hệ số chặn) aj : là hệ số hồi qui riêng u : sai số ngẫu nhiên Hàm hồi quy mẫu(SRF): Yi=βi+β2X2i+β3X3i+..+βkXki Trong đó: Yi là ước lượng của giá trị trung bình của Yi đối với biến Xi đã biết βi là ước lượng của βi Hồi quy đa biến với bài toán Multiple Regression - y Dependent variable: y (doanhthu) Independent variables: x1 (buupham di co cuoc) x2 (buukien di co cuoc) x3 (thuvadienchuyentien) x4 (Báo chí phát hành) x5 (dienbao co cuoc) x6 (dienthoaiduongdai) Standard T Parameter Estimate Error Statistic P-Value CONSTANT -30039.9 9112.93 -3.2964 0.0081 x1 2.9149 75.8131 0.0384485 0.9701 x2 7.8266 7.85596 0.996263 0.3426 x3 7.26757 2.6746 2.71725 0.0217 x4 75.6154 40.1981 1.88107 0.0894 x5 244.327 132.18 1.84844 0.0943 x6 -7.88502 3.34897 -2.35446 0.0403 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 1.12103E10 6 1.86838E9 92.44 0.0000 Residual 2.02128E8 10 2.02128E7 Total (Corr.) 1.14124E10 16 R-squared = 98.2289 percent R-squared (adjusted for d.f.) = 97.1662 percent Standard Error of Est. = 4495.87 Mean absolute error = 2514.35 Durbin-Watson statistic = 2.63941 (P=0.7280) Lag 1 residual autocorrelation = -0.368815 y=-30039.9+2.9149*x1+7.8266*x2+7.26757*x3+75.6154*x4+244.327*x5-7.88502*x6 Theo bảng kết quả trên ta có R2= 98,2289% với giá trị này ta có thể đánh mô hình rất thích hợp để lựa chọn. So sánh Ftínhvà Fbảng để kiểm định mô hình chấp nhận Ha hay Ho. Nhìn vào giá trị P-value ở cột bên trên thì ta nhận thấy hầu như không yếu tố nào có giá trị thống kê. Ta nhận thấy trong phân tích hồi quy đơn (riênglẻ) thì hầu hết các yếu tố có ý nghĩa thống kê. Kết luận về mức độ ảnh hưởng của các yếu tố tới doanh thu STT Cácyếutố Β α R R2 P 1 Bưuphẩmđicócước 0,97304 2 Bưukiệnđicócước 0.965408 3 Thưvàđiệnchuyểntiền 0,844457 4 Báo chí phát hành 0,964244 5 Điện báo có cước -0,575249 6 Điện thoại đường dài 0.348768 Trongđó: Β:Hệsốhồi qui α: điểmcắttrêntrụctung R: hệsốtươngquan P: ý nghĩathốngkê Ta cóthểviếtcácphươngtrìnhtuyếntínhđơnsau: Doanhthu= -31864 + 307,918 *(Bưuphẩmđicócước) Doanhthu = -9231,65 + 32,4815*(Bưukiệnđicócước) Doanhthu = -18892,3 + 8,29571 *(Thưvàđiệnchuyểntiền) Doanhthu = -41489,8 + 199,431 *(Báo chí phát hành) Doanhthu = 39873,6–794,566 *(Điện báo có cước) Doanhthu = 8351,48 + 7,56734 *(Điện thoại đường dài) Nhìn vào bảng phân tích đơn biến ta thấy hệ số tương quan R của Bưu phẩm đi có cước cao nhất (0,97304) > Bưu kiện đi có cước (0.965408) > Báo chí phát hành (0,964244) > Thư và điện chuyển tiền (0,844457) > Điện thoại đường dài (0.348768) > Điện báo có cước (-0,575249). Như vậy chỉ có Điện báo có cước là yếu tố hầu như không có ảnh hưởng đến doanh thu. Nếu nhìn trị số p ( P-value) ta thấy hầu hết các yếu tố đều có ý nghĩa thống kê (trừ Điện thoại đường dài và Điện báo có cước). PHÂN TÍCH CHUỖI THỜI GIAN Khái niệm Định nghĩa Chuỗi thời gian là tập hợp các giá trị của một biến ngẫu nhiên được xắp xếp theo thứ tự thời gian. Chuỗi thời gian còn được gọi là dãy số thời gian. Đơn vị thời gian có thể là ngày, tháng, quí, năm. Phân tích chuỗi thời gian có mục đích là làm rõ cấu trúc của chuỗi thời gian (tức là các thành phần của nó) trong sự biến động của bản thân nó. Trên cơ sở đó có thể thấy rõ hơn bản chất cũng như quy luật của hiện tượng thông qua một chỉ tiêu cụ thể, từ đó có thể dự báo ngắn hạn giá trị của chuỗi đó. Phương pháp phân tích chuỗi thời gian có: Phương pháp phân rã Phương pháp Box-Renkins Phương pháp phân rã. Chuỗi số liệu được nghiên cứa tách biệt theo 2 yếu tố: Xu thế số liệu Biến đổi mùa Phân tích xu thế Đây là một phân tích liên quan đến chuỗi nhiều năm, do đó ta sẽ sử dụng số liệu hàng năm để phân tích. Một cách tổng quát ta cần phải có một chuỗi dài. Phương pháp đánh giá yếu tố xu thế phổ biến là phương pháp bình phương tối thiểu. Đấy là phương pháp cho phép xác định được đường cong (thẳng) hoặc mặt phẳng biểu thị xu thế số liêu, giới thiệu “tốt nhất” số liệu trong quá khứ Trong trường hợp cá biệt khi nhận thấy xu thế của biến khảo sát trong thời gian dài là tuyến tính, phương trình sẽ xác định bởi: Y=a + bt Trong đó: t:biểu thị thời gian(năm) a, b: chỉ các thông số được xác định đường thẳng tính được từ phương pháp bình phương tối tiểu Gọi là khoảng cách thẳng đứng từ điểm quan sát (ti ,Yi )đến đường thẳng cần xác định .Ta cần định nghĩa hàm mục tiêu D= Đây là một hàm hai biến a và b, để cho D cực trị (với ý nghĩa vật lý của bài toán ta biết đó là cực tiểu) ta phải có: ∂D∂a=0∂D∂b=0 Từ đó: i2yi-(a+bti)=0 i2yi-(a+bti)=0 Giải hệ trên ta có b=itiyi-N.t.yiti2-N.t2 a=yi-bti t=i=1NtiN=t1+..+tNN N: Số quan trắc. Trong trường hợp xu thế không phải tuyến tính ta có thể xét đến dạng đường cong hàm mũ y=abt hoặc dạng parabol y=a+bt+ct2. Các tham số a,b,c vẫn xác định dựa vào khái niệm bình phương tối thiểu mà ta vừa nghiên cứu. + Các thông số a, b, c xác định bằng phương pháp bình phương tối thiểu. Đánh giá sự biến đổi theo mùa Để nhận biết ảnh hưởng của thành phần mùa lên chuỗi thời gian khảo sát ta dùng thông số gọi là chỉ số mùa Nếu số liệu theotháng, ta có 12 tháng giá trị is. Nếu số liệu theo quý ,ta có 12 giá trị is. Nếu giá trị tính theo 6 tháng ,ta có 2 giá trị is. Tính chỉ số mùa Từ số liệu quan trắc chỉ số mùa được tính từ is,t như sau: is,t=[giá trị quan trắc]/[giá trị cho bởi y=[a+bt]t Có bao nhiêu số liệu quan trắc có bấy nhiêu is,t và giá trị is,t thay đổi quanh giá trị 1 Từ các giá trị đại biểu is,t , các giá trị đại biểu is được tính bằng giá trị trung bình của các tháng (quý) tương ứng : Theo tháng is,k=1Nis,t=kN với k=1,12 Theo quý is,k=1Nis,t=kN với k=1,4 Với N (số tháng, quý…) có trong chuỗi số liệu phân tích Giá trị chỉ số mùa hiệu chỉnh Ta phải có: Hiệu chỉnh Chuỗi CVS(loại bỏ ảnh hưởng mùa trong chuỗi giá trị quan sát) Sự hiệu chỉnh mùa này cho phép chúng ta muốn so sánh kết quả của các tháng khác nhau trog một mùa nhằm để biết nếu có sự tăng hay giảm đã xảy ra so với giá trị bình thường .Giá trị hiệu chỉnh mùa sẽ được tính như sau: chuỗi CVS k=1, 12 (số liệu tháng) hay 1, 4 (số liệu quý) Dự báo với mô hình phân rã Giá trị dự báo tại thời điểm t của biến nghiên cứu được xác định như sau: : giá trị cho bởi đường xu thế K: ứng với tháng (mùa) tại thời điểm t Dự báo những năm tiếp theo của bài toán Tiến hành dự báo 2 năm tiếp theo của yếu tố “Bưu phẩm đi có cước”. Để dự báo ta chọn Forecast> User-Specified Model KẾT LUẬN TÀI LIỆU THAM KHẢO Nhập môn lý thuyết xác suất và thống kê toán Hướng dẩn sử dụng StatGraphics – Võ tấn thành (Đại học cần thơ) Phân tích chuỗi thời gian – TS. Nguyễn Thông. Bài giảng Phương pháp định lượng trong quản lý – TS. Phạm Cảnh Duy Website