คู่มือการใช้โปรแกรมEviewsเบื้องต้น

97
Autocorrelation Function : PACF) เพ่ือหาค่า Autoregressive [AR(p)] และ Moving Average
[MA(q)] ซ่งึ จะเห็นได้ว่า Autocorrelation (rk) ลดลงเขา้ ใกล้ 0 ที่ k=3 ดังนน้ั รปู แบบทเ่ี ป็นไปได้
จำนวน 9 สมการ ดงั น้คี ือ

ar(1) ar(2) ar(3) ma(1) ma(2) ma(3)
ar(1) ar(2) ma(1) ma(2) ma(3)
ar(1) ma(1) ma(2) ma(3)
ma(1) ma(2) ma(3)
ar(1) ar(2) ma(1) ma(2)
ar(1) ma(1) ma(2)
ma(1) ma(2)
ar(1) ma(1)
ma(1)
3. การประมาณค่าแบบจำลอง
การใช้ Script Auto-Regular ที่ tab Proc>> Add-ins>> Auto-Regular

คมู่ อื การใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นักวจิ ยั

98
จะได้ 2 สมการคอื ar(1) ar(2) ar(3) ma(1) ma(2) ma(3) และ ar(1) ma(1) ซ่งึ ผลการประมาณ
คา่ พารามเิ ตอรท์ ้งั 2 แบบจำลองใหค้ า่ สถติ ทิ ่ีใกลเ้ คียงกนั

4. การตรวจสอบ Autocorrelation
ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics…

คู่มอื การใชโ้ ปรแกรม Eviews เบื้องต้น สำหรับนกั วจิ ัย

99
การตรวจสอบความถูกต้องแบบจำลองโดยวิธี Residual Diagnostics Correlogram Q
Statistics หมายถึงการตรวจสอบรูปแบบจำลองว่ามีความเหมาะสมหรือไม่ โดยการพิจารณาจาก
Correlogram Autocorrelation ของกลุ่มตัวอย่าง โดย 2 คอลัมน์แรกใน Correlogram คือค่า ρ และ
2 คอลัมน์หลังคือค่า Q-statistic ที่ Lag k และ p-values ใช้สำหรับทดสอบสมมุติฐานหลัก (H0) ไม่มี
Autocorrelation ซ่งึ ทัง้ 2 สมการ ไดค้ ่า p-values มากกวา่ 0.05 ไม่มีนัยสำคัญทางสถติ ิ ณ ระดับความ
เชือ่ มนั่ 95 % ยอมรบั สมมุติฐานหลกั (H0) แบบจำลองไม่มปี ัญหา Autocorrelation

5. การตรวจสอบ Heteroskedasticity
ที่ tab View>>Residual Diagnostics>>Heteroskedasticity Tests…

คมู่ อื การใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ัย

100

Heteroskedasticity Tests>> ARCH Number of lags = 3 คลกิ OK

Output: ทัง้ 2 สมการไม่มีปัญหา Heteroskedasticity

ค่มู อื การใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรับนักวจิ ยั

101

6. การตรวจสอบการกระจายของค่าความคลาดเคลือ่ น (Normality Test)
ท่ี tab View>>Residual Diagnostics>> Histogram – Normality Test…

Output: ทั้ง 2 สมการค่าความคลาดเคล่ือนมีการกระจายแบบปกติ

คมู่ อื การใช้โปรแกรม Eviews เบ้อื งตน้ สำหรับนกั วจิ ัย

102

7. การพยากรณ์
ท่ี Equation: EQ3_3 คลิกท่ี tab Forecast

Forecast >> Method เลือก Static forecast คลิก OK

คู่มือการใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรบั นกั วจิ ัย

103
Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.050048 (มคี า่ น้อย = ความ
แม่นยำของการพยากรณ์สงู )

เปรียบเทยี บคา่ พยากรณ์ (GPPKKNF1) กบั ค่าจรงิ (GPPKKN)

ค่มู อื การใช้โปรแกรม Eviews เบอ้ื งตน้ สำหรับนกั วจิ ยั

104

Forecast name: gppkknf2 Dynamic forcast (Forecast sample 2562 2564)

ผลการพยากรณ์ GPP สาขาเกษตร ณ ราคาประจำปี จังหวัดขอนแก่น ปี 2562 – 2564

คู่มอื การใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นักวจิ ัย

105
ผลการพยากรณ์ GPP สาขาเกษตร ณ ราคาประจำปี จงั หวัดขอนแกน่ ปี 2562 – 2564

คมู่ ือการใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรับนักวจิ ยั

106
5.2 การพยากรณ์ข้อมลู รายไตรมาส
5.2.1 วธิ ีกำลังสองน้อยท่ีสดุ
ขอสาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส จังหวัดขอนแก่น
ปี 2549 – 2561 แบบปริมาณลูกโซ่ (Gross Domestic Product, Chain Volume Measures :
Agriculture) โดยเก็บข้อมูลในช่อื Series gppkknq sheet : Untitled3
Series gppkknq : ผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส แบบปริมาณลูกโซ่
ปี 2549q1 : 2561q4 จังหวัดขอนแกน่ มีข้ันตอนในการพยากรณ์ ดงั นี้
1. ทดสอบ Seasonal Unit Root การทดสอบความนิ่งของอนุกรมเวลาแบบฤดูกาลตามแบบ
ของ HEGY (Nicolas Ronderos, 2015) โดยการทดสอบนยั สำคัญของพารามิเตอรใ์ นสมการต่อไปน้ี

สมมตฐิ าน (Hypothesis) ของการทดสอบ
รายปี คอื H0 : π1 = 0 (has unit root) ใช้การทดสอบ t - test
รายครง่ึ ปี คอื H0 : π2 = 0 (has unit root) ใชก้ ารทดสอบ t - test
รายไตรมาส คือ H0 : π3 π4 = 0 (has unit root) ใช้การทดสอบ F-test
เปิด Series gppkknq ที่ tab Proc>> Add-ins>> Franses

คู่มือการใช้โปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ัย

107
ผลการทดสอบ Seasonal Unit Root (Hegy Test) ข้อมูลรายปี รายครึง่ ปี และรายไตรมาส
ค่าสถิติ t, F น้อยกว่า ค่าวกิ ฤตที่ 0.01 0.05 0.10 อยู่ในเขตยอมรับสมมตฐิ าน ข้อมลู มลี ักษณะไมน่ ่งิ

2. การประมาณคา่ สมการ เริ่มที่ เมนู Quick >>Estimate Equation

ค่มู อื การใช้โปรแกรม Eviews เบ้อื งตน้ สำหรบั นกั วจิ ัย

108

Equation Estimation >> Specification>> gppkknq c gppkknq(-4)
@expand(@quarter, @droplast) Click OK

คลิก Name เพือ่ ตั้งชอ่ื

คู่มอื การใชโ้ ปรแกรม Eviews เบือ้ งต้น สำหรบั นกั วจิ ัย

109
3. การตรวจสอบ Autocorrelation วิธี Breusch-Godfrey serial correlation LM Test:
ที่เมนู View>> Residual Diagnostics>> Serial Correlation LM Test…

Lag Specification >> Lag to include: 4 ตอบ OK
ได้คา่ N*R2 =3.742823 ค่า Prob. Chi-Square(4) = 0.4419 ไม่มนี ยั สำคัญทางสถติ ิที่ระดบั
0.05 ยอมรับ H0 : No serial correlation at up to 4 lags (ไมม่ ีปัญหา Autocorrelation)

คูม่ อื การใช้โปรแกรม Eviews เบ้ืองต้น สำหรบั นักวจิ ยั

110

4. การตรวจสอบ Heteroskedasticity
ท่ีเมนู View >> Residual Diagnostics >> Heteroskedasticity Test…

ที่ Heteroskedasticity Tests >> Specification เลือก Breusch-Pagan-Godfrey ตอบ OK

คู่มอื การใช้โปรแกรม Eviews เบอื้ งต้น สำหรบั นักวจิ ยั

111
ไดค้ ่า N*R2 = 10.42752 Prob. Chi-Square(4) = 0.0338 มนี ยั สำคญั ทางสถติ ิ ปฏเิ สธ H0 :
Homoskedasticity (มปี ญั หา Heteroskedasticity)

5. การตรวจสอบการกระจายของคา่ ความคลาดเคลื่อน (Normality Test)
ท่ี tab View>>Residual Diagnostics>> Histogram – Normality Test…

คมู่ อื การใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรบั นักวจิ ยั

112

Output: eq01 คา่ ความคลาดเคล่อื นมีการกระจายแบบปกติ

6. การพยากรณ์ เริม่ ดว้ ยการขยาย Workfile ออกไปอกี 2 ปี (2562 – 2563) ดว้ ยคำส่งั
pagestruct(end=@last+8) *

และแก้ไขปัญหา Heteroskedasticity ดว้ ยวธิ ี Hac (Newey-West)
ท่ี eq01 คลิก Estimate ประมาณคา่ สมการใหม่

คู่มือการใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรบั นกั วจิ ยั

113
ที่ Equation Estimation >>Click Option ที่ Options Covariance method เลือก HAC
(Newey-West) คลิก OK

จะได้คา่ Std. Error และ t-Statistic ท่คี ำนวณข้ึนใหม่ จากนนั้ คลกิ ท่ี tab Forecast

คู่มอื การใชโ้ ปรแกรม Eviews เบือ้ งต้น สำหรบั นกั วจิ ัย

114

Forecast name: gppkknqf, Forecast sample 2549q1 2561q4
Method เลือก Static forecast คลกิ OK

Forecast evaluation คา่ สถติ ิ Theil Inequality Coef. = 0.057122 (มคี ่าน้อย = ความ
แม่นยำของการพยากรณ์สูง)

คู่มือการใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นกั วจิ ยั

115

เปรียบเทยี บคา่ พยากรณ์ (gppkknqf) กบั คา่ จริง (gppkknq)

Dynamic Forcast (Forecast sample 2562q1 : 2563q4) ท่ี Equation: EQ01 คลิกที่ tab
Forecast, Forecast name: gppkknqf2, Forecast sample 2562q1 2563q4 Method Dynamic
forecast คลิก OK

ค่มู อื การใช้โปรแกรม Eviews เบอื้ งตน้ สำหรับนกั วจิ ยั

116

ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแกน่ ปี 2562 – 2563

ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จงั หวดั ขอนแกน่ ปี 2562 – 2563

ค่มู ือการใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ัย

117
5.2.2 วธิ ขี องบอกซ์-เจนคินส์ (Box-Jenkins)
สาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส จังหวัดขอนแก่น
ปี 2549 – 2561 แบบปริมาณลูกโซ่ (Gross Domestic Product, Chain Volume Measures :
Agriculture) โดยเกบ็ ข้อมูลในชื่อ Series gppkknq sheet : Untitled3 มีขน้ั ตอนในการพยากรณ์ ดงั นี้
1. การกำหนดรูปแบบจำลอง
ท่ี tab View >> Correlogram…

เลือก 1st difference Lags to include = 36 คลกิ OK

จะเหน็ ไดว้ า่ รูปแบบ Correlogram ไม่ชดั เจนและไม่สามารถระบรุ ปู แบบของผลต่างลำดับท่ี 1 ได้
: ซ่งึ ในโลกแหง่ ความเป็นจรงิ
เราก็จะพบอยู่เสมอ ๆ

คู่มือการใช้โปรแกรม Eviews เบอ้ื งตน้ สำหรบั นกั วจิ ัย

118
2. การประมาณคา่ แบบจำลอง
การใช้ Script Auto-Seasonal เปิด Series gppkknq ท่ี tab Proc>> Add-ins>> Auto-
Seasonal

จะได้สมการ sma(4)

คมู่ ือการใช้โปรแกรม Eviews เบอ้ื งต้น สำหรับนักวจิ ยั

119

3. การตรวจสอบ Autocorrelation
ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics…

คา่ Prob ท่ีไดน้ ้อยกวา่ 0.05 ปฏิเสธสมมตุ ิฐานหลกั (H0) แบบจำลองมปี ญั หา Autocorrelation

คู่มือการใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นกั วจิ ัย

120
4. การตรวจสอบ Heteroskedasticity
ที่ tab View>>Residual Diagnostics>>Heteroskedasticity Tests…>> ARCH Number
of lags = 4 ตอบ OK

ค่า N*R2 =3.601347 Prob. Chi-Square(4) = 0.4626 ยอมรบั สมมติฐาน สมการไม่มปี ญั หา
Heteroskedasticity

คู่มือการใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรับนกั วจิ ยั

121
5. การตรวจสอบการกระจายของค่าความคลาดเคลอื่ น (Normality Test)
ท่ี tab View>>Residual Diagnostics>> Histogram – Normality Test…
คา่ สถติ ิ Jarque-Bera = 0.317484 Probability = 0.853217 ยอมรับสมมติฐาน คา่ ความ
คลาดเคลอ่ื นมกี ารกระจายแบบปกติ

6. การพยากรณ์
เนื่องจาก Model eq0_0_0_4 ค่าความคลาดเคลื่อนมีสหสัมพันธ์ในตัวเอง หรือเกิดปัญหา
Autocorrelation การแก้ไขปัญหาทำได้โดยการลด หรือเพิ่ม integrated (diff 0,2 : เพื่อเปลี่ยนรูปแบบ
สมการใหม)่ แตบ่ างครัง้ การแก้ไขปัญหากอ็ าจเพ่ิมปญั หาใหม่ข้นึ มาอกี กไ็ ด้ การไมแ่ กไ้ ขกเ็ ป็นทางเลือกหนึ่ง
ทคี่ วรพิจารณา ที่ Equation: eq0_0_0_4 คลิก tab Forecast

คู่มือการใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ยั

122
Forecast >> Forecast name: gppkknqf3 Method เลอื ก Static forecast คลิก OK

Forecast evaluation ค่าสถติ ิ Theil Inequality Coef. = 0.114407 (มีคา่ น้อย = ความ
แม่นยำของการพยากรณ์สงู )

คมู่ อื การใชโ้ ปรแกรม Eviews เบอื้ งตน้ สำหรบั นักวจิ ัย

123

เปรียบเทียบค่าพยากรณ์ (GPPKKNQF3) กับคา่ จริง (GPPKKNQ)

Forecast name: gppkknqf4 Method>> Dynamic forcast (Forecast sample 2562q1
2563q4)

คู่มอื การใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ยั

124

ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแกน่ ปี 2562 – 2563

ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จงั หวดั ขอนแกน่ ปี 2562 – 2563

ค่มู ือการใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ัย

125
5.3 การพยากรณ์ข้อมูลรายเดอื น
5.3.1 วธิ ีกำลงั สองน้อยท่ีสดุ
สาธิตโดยใช้ข้อมูลดัชนีผลผลิตสินค้าเกษตรจังหวัดขอนแก่น เป็นข้อมูลรายเดือนตั้งแต่มกราคม
2549 ถงึ ธนั วาคม 2562 โดยเกบ็ ข้อมูลในช่ือ Series production_indm sheet : Untitled4
Series production_indm : ดัชนีผลผลิตสินค้าเกษตร รายเดือน มกราคม 2549 : ธันวาคม
2562 จงั หวัดขอนแกน่ มีขน้ั ตอนในการพยากรณ์ ดังน้ี
1. ทดสอบ Seasonal Unit Root การทดสอบความนิ่งของอนุกรมเวลาแบบฤดูกาลตามแบบ
ของ Franses (Philip Hans Franses) โดยการทดสอบนัยสำคญั ของพารามิเตอร์ในสมการต่อไปนี้

โดยท่ี

สมมติฐาน (Hypothesis) ของการทดสอบ
รายปี คอื H0 : π1 = 0 (has unit root) ใชก้ ารทดสอบ t - test
รายคร่งึ ปี คือ H0 : π2 = 0 (has unit root) ใช้การทดสอบ t - test
รายฤดกู าล คือ H0 : π3 ... π12 = 0 (has unit root) ใชก้ ารทดสอบ F-test

ค่มู อื การใช้โปรแกรม Eviews เบือ้ งต้น สำหรับนักวจิ ัย

126

เปิด Series production_indm ท่ี tab Proc>> Add-ins>> Franses

ผลการทดสอบ Seasonal Unit Root (Franses Test) ข้อมูลรายปี รายครง่ึ ปี และรายฤดกู าล
ค่าสถิติ t, F นอ้ ยกวา่ ค่าวกิ ฤตท่ี 0.01 0.05 0.10 อยูใ่ นเขตยอมรบั สมมติฐาน ข้อมูลมลี ักษณะไมน่ งิ่

คู่มอื การใชโ้ ปรแกรม Eviews เบ้อื งต้น สำหรับนักวจิ ัย

127

2. การประมาณคา่ สมการ เรม่ิ ท่ี เมนู Quick >>Estimate Equation

Equation Estimation >> Specification>> production_indm c production_indm(-1)
@expand(@month, @droplast) Click OK

คมู่ ือการใชโ้ ปรแกรม Eviews เบ้ืองต้น สำหรบั นักวจิ ยั

128

คลิก Name เพ่อื ตั้งชอ่ื

3. การตรวจสอบ Autocorrelation วิธี Breusch-Godfrey serial correlation LM Test:
ที่เมนู View>> Residual Diagnostics>> Serial Correlation LM Test…

คูม่ อื การใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรับนักวจิ ัย

129

Lag Specification >> Lag to include: 11 ตอบ OK

ได้คา่ N*R2 =18.64582 ค่า Prob. Chi-Square(11) = 0.0678 ไมม่ นี ัยสำคัญทางสถติ ิทรี่ ะดับ
0.05 ยอมรับ H0 : No serial correlation at up to 11 lags (ไม่มีปัญหา Autocorrelation)

4. การตรวจสอบ Heteroskedasticity
ทเ่ี มนู View >> Residual Diagnostics >> Heteroskedasticity Test…

คู่มือการใช้โปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ยั

130
ที่ Heteroskedasticity Tests >> Specification เลอื ก Breusch-Pagan-Godfrey ตอบ OK

ได้คา่ N*R2 = 38.32037 Prob. Chi-Square(12) = 0.0001 มนี ัยสำคญั ทางสถติ ิที่ระดับ 0.01
ปฏเิ สธ H0 : Homoskedasticity (มปี ัญหา Heteroskedasticity)

คูม่ ือการใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรับนกั วจิ ัย

131
การบรรเทาปญั หา Heteroskedasticity ก่อนอน่ื copy eq01 >> eq02 ทเ่ี มนู Object Copy
Objects… ท่ี eq02>> Equation Estimation >>Click Option

ที่ Options Covariance method เลอื ก HAC (Newey-West) จากนน้ั คลกิ OK

คมู่ อื การใชโ้ ปรแกรม Eviews เบ้ืองต้น สำหรับนักวจิ ยั

132

จะได้ค่า Std. Error และ t-Statistic ทค่ี ำนวณขน้ึ ใหม่

5. การพยากรณ์ เริ่มดว้ ยการขยาย Workfile ออกไปอีก 1 ปี (2563) ด้วยคำสงั่
pagestruct(end=@last+12) *

ท่ี Equation: EQ02 คลกิ ที่ tab Forecast

คู่มอื การใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ัย

133
Forecast name: production_indmf, Forecast sample 2549m01 2562m12 Method
Static forecast คลกิ OK

Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.083783 (มคี ่าน้อย = ความ
แม่นยำของการพยากรณ์สงู )

คูม่ ือการใช้โปรแกรม Eviews เบือ้ งตน้ สำหรบั นกั วจิ ัย

134

เปรียบเทยี บค่าพยากรณ์ (production_indmf) กบั คา่ จริง (production_indm)

Forecast name: production_indmf1 Dynamic forcast (Forecast sample 2563m01
2563m12)

คมู่ ือการใช้โปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ยั

135

ผลการพยากรณ์ ดัชนีผลผลิตสนิ ค้าเกษตร จงั หวดั ขอนแก่น มกราคม - ธันวาคม 2563

ผลการพยากรณ์ ดัชนผี ลผลิตสนิ คา้ เกษตร จงั หวัดขอนแกน่ มกราคม - ธนั วาคม 2563

ค่มู ือการใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ัย

136
5.3.2 วิธีของบอกซ์-เจนคนิ ส์ (Box-Jenkins)
สาธติ โดยใช้ข้อมูลดัชนีผลผลติ สินคา้ เกษตรจังหวดั ขอนแก่น เป็นขอ้ มูลรายเดือนต้งั แตม่ กราคม
2549 ถงึ ธันวาคม 2562 โดยเกบ็ ข้อมลู ในชอ่ื Series production_indm sheet : Untitled4 มี
ขั้นตอนในการพยากรณ์ ดังน้ี
1. การกำหนดรปู แบบจำลอง
ที่ tab View >> Correlogram…

เลือก 1st difference Lags to include = 36 คลิก OK

คูม่ อื การใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรับนักวจิ ัย

137
จะเห็นได้วา่ ค่า rk ลดลงเรว็ เขา้ ใกล้ 0 ท่ี rk=11 รปู แบบ seasonal คือ sma(12) คา่ rkk และ rk
ลดลงเร็วเข้าใกล้ 0 ที่ rkk และ rk =1 รูปแบบ Regular คือ ar(1) ma(1) ดงั นนั้ รูปแบบท่ีเปน็ ไปได้
จำนวน 6 สมการ คือ

ar(1) ma(1) sar(12) sma(12)
ma(1) sar(12) sma(12)
ar(1) ma(1) sma(12)
ma(1) sma(12)
sar(12) sma(12)
sma(12)

คมู่ ือการใช้โปรแกรม Eviews เบอื้ งต้น สำหรบั นกั วจิ ัย

138
2. การประมาณคา่ แบบจำลอง
การใช้ Script Auto-Seasonal เปิด Series production_indm ที่ tab Proc>> Add-ins>>
Auto-Seasonal

จะไดส้ มการ ma(1) sar(12) sma(12)

คู่มอื การใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรับนักวจิ ัย

139

ma(1) sma(12)
sma(12)

คู่มอื การใช้โปรแกรม Eviews เบ้อื งตน้ สำหรับนกั วจิ ัย

140

3. การตรวจสอบ Autocorrelation
ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics…

คา่ Prob ท่ีไดน้ ้อยกวา่ 0.05 ปฏิเสธสมมตุ ิฐานหลกั (H0) แบบจำลองมปี ญั หา Autocorrelation

คู่มือการใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นกั วจิ ัย

141
4. การตรวจสอบ Heteroskedasticity
ที่ tab View>>Residual Diagnostics>>Heteroskedasticity Tests…>> ARCH Number
of lags = 12 ตอบ OK

ค่า N*R2 =5.218891 Prob. Chi-Square(12) = 0.9503 ยอมรับสมมติฐาน สมการไม่มี
ปัญหา Heteroskedasticity

คู่มอื การใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นกั วจิ ัย

142
5. การตรวจสอบการกระจายของค่าความคลาดเคล่ือน (Normality Test)
ท่ี tab View>>Residual Diagnostics>> Histogram – Normality Test…
ค่าสถิติ Jarque-Bera = 620.6521 Probability = 0.00000 ปฏิเสธสมมติฐาน ค่าความ
คลาดเคล่ือนไม่มีการกระจายแบบปกติ

6. การพยากรณ์
ที่ Equation: eq0_1_0_12 คลกิ tab Forecast

คู่มือการใชโ้ ปรแกรม Eviews เบอ้ื งต้น สำหรบั นักวจิ ยั

143
Forecast >> Forecast name: production_if2 Method เลือก Static forecast คลิก OK

Forecast evaluation ค่าสถติ ิ Theil Inequality Coef. = 0.089164 (มีคา่ น้อย = ความ
แม่นยำของการพยากรณ์สูง)

คู่มอื การใชโ้ ปรแกรม Eviews เบอ้ื งตน้ สำหรับนักวจิ ยั

144

เปรยี บเทียบค่าพยากรณ์ production_indmf2 กับคา่ จริง production_indm

Forecast name: production_indmf3 Method>> Dynamic forcast (Forecast sample
2563m01 2563m12)

ค่มู อื การใช้โปรแกรม Eviews เบ้ืองต้น สำหรบั นักวจิ ยั

145

ผลการพยากรณ์ ดชั นีผลผลิตสนิ ค้าเกษตร รายเดือน จงั หวัดขอนแกน่ ปี 2563

ผลการพยากรณ์ ดชั นีผลผลิตสนิ ค้าเกษตร รายเดือน จังหวัดขอนแกน่ ปี 2563

คู่มือการใช้โปรแกรม Eviews เบอื้ งต้น สำหรบั นกั วจิ ัย

146

5.4 การพยากรณ์ข้อมูลความถ่ีผสม

การพยากรณ์ข้อมูลอนุกรมเวลาแบบดั้งเดิมจะต้องใช้ตัวแปรที่มีความถี่เท่ากัน ซึ่งอาจจะไม่

สอดคล้องกับรายงานการจัดเก็บข้อมูลที่ส่วนใหญ่มีช่วงเวลาและความถี่ที่แตกต่างกัน เช่นการรายงาน

ข้อมูล GDP เป็นรายไตรมาส ขณะที่การจัดเก็บข้อมูลดัชนีผลผลิต ดัชนีราคาจะเป็นข้อมูลรายเดือน การ

ปฏิบัติที่ผ่านมาคือรวมข้อมูลรายเดือนให้เป็นรายไตรมาส ทำให้เราสูญเสียความถี่หรือช่วงเวลาซึ่งอาจจะ

สะท้อนความจริงไดม้ ากกวา่ และอาจนำไปสู่การพยากรณ์ท่มี ีความแม่นยำน้อยลง

Mixed-Data Sampling (MIDAS) เป็นวิธีการประมาณค่าและการพยากรณ์จากแบบจำลองท่ี

มกี ารใช้ตวั แปรตามที่มีความถ่ีตำ่ กว่าหนึ่งหรือมากกว่าความถี่ของตวั แปรอิสระ โดยใชข้ อ้ มูลท่ีมีความถี่สูง

เปน็ ตวั พยากรณ์หรอื ประมาณคา่ ขอ้ มูลหรือตวั แปรท่มี ีความถีต่ ่ำกวา่

ขอสาธติ แบบจำลองสมการเชงิ เด่ยี วซง่ึ มชี ุดข้อมลู ความถผ่ี สม หรอื Autoregressive Distributed

Lag-MIDAS model (ADL-MIDAS) โดยกำหนดให้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตร

มาส จงั หวัดขอนแก่น ปี 2549q1 – 2561q4 แบบปรมิ าณลกู โซ่ (Gross Domestic Product, Chain

Volume Measures : Agriculture) โดยเกบ็ ขอ้ มลู ในช่ือ Series gppkknq sheet : Untitled3 เป็น

ตัวแปรตามในแบบจำลอง และกำหนดให้ ข้อมูลดัชนีผลผลิตสินค้าเกษตรจังหวัดขอนแกน่ เป็นข้อมูลราย

เดือนต้งั แตม่ กราคม 2549 ถงึ ธันวาคม 2563 โดยเกบ็ ขอ้ มลู ในชอื่ Series production_indmf3 sheet

: Untitled4 เป็นตัวแปรอิสระ โดยมีความถี่เป็นแบบรายเดือน ทั้งนี้หากกำหนดให้ คือ ข้อมูล

ผลติ ภัณฑ์มวลรวมจงั หวัดสาขาเกษตรรายไตรมาสจังหวดั ขอนแก่น และ คือ ดัชนีผลผลิตสินคา้

เกษตร โดยท่ี ค่า Q แสดง ให้เห็นว่าเปน็ ข้อมูลรายไตรมาส และ ค่า M แสดงให้เห็นวา่ เป็นข้อมลู รายเดือน

ดงั นั้น แบบจำลอง ADL-MIDAS สามารถเขียนไดด้ ังน้ี

คมู่ ือการใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรบั นักวจิ ยั