คู่มือการใช้โปรแกรมEviewsเบื้องต้น

47
ที่ Text Labels>> Text for label พิมพ>์ > เครอ่ื งชีท้ างด้านเศรษฐกิจการเกษตร Justification
เลือก Center Position เลือก Above center Text box เลือก Large Frame color เลือก green
จากนนั้ คลิก OK

คลิก tab Name

คู่มอื การใชโ้ ปรแกรม Eviews เบ้ืองต้น สำหรับนกั วจิ ยั

48

ที่ Object Name>> Name to identify object>> graph01 ตอบ OK

3.9 Group เป็น Object ที่ใช้งานสำหรับรวม Series หลายชุดเพื่อใช้งานร่วมกัน

(Multiple Series) คุณสมบัติในการใช้งานเพื่ออ้างถึงแต่ละ Series ถ้ามีการเปลี่ยนแปลงที่ Series ใด ๆ

Group จะเปล่ียนแปลงตามดว้ ย แตถ่ ้า Group เปลย่ี นแปลงใด ๆ จะไม่มีผลกระทบถงึ Series

Create Group ที่ Command >> พิมพ์ group จะได้ Series List พิมพ์ชื่อ Series ที่ต้องการ

ให้เป็นสมาชิกใน Group เช่น >> board (คะแนนการบริหารจัดการของคณะกรรมการกลุ่มผู้ใช้น้ำ),

comm (คะแนนการตดิ ตอ่ สอื่ สาร ประชาสมั พันธ์ของคณะกรรมการ) จากนั้นคลิก OK

คูม่ ือการใช้โปรแกรม Eviews เบ้ืองตน้ สำหรับนักวจิ ยั

49

จะได้ Series board comm มาเป็นสมาชกิ อยู่ใน Group UNTITLED

ที่ Group UNTITLED คลิก Name ตงั้ ชื่อ g1
คลิก OK

ค่มู อื การใชโ้ ปรแกรม Eviews เบื้องต้น สำหรบั นักวจิ ยั

50

ท่ี Group g1 คลกิ ท่ี tab Compare เพือ่ เปรยี บเทยี บข้อมูลทงั้ 2 ชุด

ผลลพั ธ์จากการ Compare

สามารถใชง้ าน Group ในลักษณะของ Xlist เป็นตวั แปรในสมการได้

คู่มอื การใช้โปรแกรม Eviews เบือ้ งตน้ สำหรบั นกั วจิ ยั

51

จะปรากฏ Series ในสมการไดถ้ กู ต้อง

นอกจากนั้น Group ยังมีฟังก์ชัน่ ให้ใช้งานอีกหลากหลาย คลิกที่ tab View จะปรากฏฟังกช์ ัน่ ใช้
งาน ในลกั ษณะ Pull Down Menu ยกตวั อยา่ งเช่น>> Group Members

คู่มอื การใชโ้ ปรแกรม Eviews เบือ้ งต้น สำหรบั นักวจิ ยั

52

ที่ Group Members คลกิ ขวา >> Edit Members…

เพมิ่ หรือลบ Series Members ได้ เชน่ เพม่ิ Series econ social env เสรจ็ แล้วคลกิ OK

จะเหน็ ไดว้ า่ Series econ social env เข้าเป็นสมาชิก Group G1 แล้ว

คมู่ ือการใช้โปรแกรม Eviews เบอ้ื งตน้ สำหรับนกั วจิ ยั

53

3.10 System เปน็ Object ท่ใี ชง้ านในลกั ษณะของกลุ่มสมการท่ีเกี่ยวเนื่องกนั หลาย ๆ

สมการ (Simultaneous Equations) เช่น Weighted Least Squares, Seemingly Unrelated

Regression (SUR), Weighted Two-stage Least Squares, Three-stage Least Squares, Full-

information Maximum Likelihood (FIML), Generalized Method of Moments (GMM), and

Autoregressive Conditional Heteroskedasticity (ARCH) Estimation Techniques. เปน็ ต้น

สาธิตตัวอย่าง Seemingly Unrelated Regression (SUR), เป็นวิธีการประมาณค่าพารามิเตอร์

ในระบบสมการเชิงเส้น โดยพิจารณาจากค่าความคลาดเคลื่อน (Error Term) ตามข้อสมมติฐานที่ว่า

ความคลาดเคลื่อนของสมการใด สมการหนึ่งมีความสัมพันธ์กับค่าความคลาดเคลื่อนของสมการอื่น ๆ

และแมว้ า่ ความสัมพันธร์ ะหว่างตวั แปรความคลาดเคลือ่ นที่มาจากตา่ งสมการจะมีคา่ น้อย การประมาณค่า

ด้วยวิธี SUR ยังคงมีประสิทธิภาพ สำหรับตัวแปรความคลาดเคลื่อนที่มีการแจกแจงแบบปกติ SUR จะมี

ประสิทธภิ าพสูงสุด

สมการคำนวณคา่ พารามเิ ตอร์ด้วยวิธี Seemingly Unrelated Regression (SUR)

จากข้อมูลงานวิชาการ “การบริหารจัดการทรัพยากรน้ำ” ตัวแปรอิสระประกอบด้วย การ
ดำเนินงานกิจกรรมของคณะกรรมการ (board) การติดต่อสื่อสารของคณะกรรมการ (comm) ส่วนตัว
แปรตามคือ ปัจจัยหรือกิจกรรมที่สนับสนุนให้กลุ่มประสบผลสำเร็จ 3 ด้านคือ เศรษฐกิจ (econ) สังคม
ชุมชน (social) และสิง่ แวดลอ้ ม (env) สามารถหาความสัมพนั ธด์ งั นี้

1. econSUR = a1 + b11 board + b21 comm + eecon
2. socialSUR = a2 + b12 board + b22 comm + esocial
3. envSUR = a3 + b13 board + b23 comm + eenv

คูม่ ือการใช้โปรแกรม Eviews เบื้องตน้ สำหรับนักวจิ ัย

54

ท่ี command line ใช้คำสัง่ system sys1 จะได้ Object System ชื่อ sys1

คลกิ ที่ tab Proc>> Define System…

Tab Make System >> Dependent variables ใสต่ วั แปรตาม econ social env
ท่ี Regressors >> ใส่ตวั แปรอิสระ board comm จากน้ันคลิก OK

คูม่ ือการใช้โปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ยั

55

จะข้นึ Pop up ถามการเปลี่ยนแปลง ตอบ Yes
Set ตวั แปรตามรูปแบบสมการ

ที่ tab Proc>> Estimate…

ที่ System Estimation >> Estimation Method >> Estimation method
เลอื ก Seemingly Unrelated Regression คลิก OK

คูม่ ือการใชโ้ ปรแกรม Eviews เบ้อื งต้น สำหรับนกั วจิ ัย

56

Estimation Sys1 Output

จะเห็นไดว้ ่าค่าสถิติ Determinant residual covariance = 0.006709 มีคา่ นอ้ ย หมายความวา่
ขอ้ มูลเขา้ กนั ได้ดีกับรูปแบบสมการนี้

ค่มู ือการใช้โปรแกรม Eviews เบอ้ื งตน้ สำหรับนกั วจิ ัย

57

ต้องการดคู า่ สถิติ Covariance Residual ท่ี tab View >> Estimation Covariance

Residual Covariance Matrix

คู่มอื การใชโ้ ปรแกรม Eviews เบอ้ื งตน้ สำหรบั นกั วจิ ัย

58
4. Descriptive Statistics

สถิติเชิงพรรณนา คือสถิติที่ใช้เพื่ออธิบาย บรรยาย (Describe) หรือสรุป (Summarize)
คุณลักษณะของกลุ่มข้อมูลที่เป็นตัวเลข (Numerical Data) ที่เก็บรวบรวมมา ไม่สามารถอ้างอิงถึง
ลักษณะประชากรได้ (ยกเว้นมีการเก็บข้อมูลของประชากรทั้งหมด) ตัวอย่างสถิติเชิงพรรณนา เช่น
การแจกแจงความถี่ (Frequencies Distribution) การวัดค่ากลางของข้อมูล (Measures of Central
Tendency) และการวดั การกระจายของข้อมลู (Measure of Dispersion) เปน็ ตน้

4.1 Set up Live Statistics Live Statistics เป็น Option ให้เลือกติดตั้งเพื่อแสดงผลค่าสถิติ
พ้ืนฐานทเ่ี ราต้องการใหแ้ สดงท่ี Task Bar มขี ้นั ตอนการตดิ ตัง้ ดังนี้

1. ทีเ่ มนู Options>> General Options…

2. ที่ General Options >> Spreadsheets>> Live statistics เลือก Statistics Display :
Series, Group ซึ่งเลือกได้ไมเ่ กนิ 6 item คลิก OK

คู่มือการใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรับนกั วจิ ัย

59

3. เปิด Series, Group จะเหน็ รายการสถติ ิแสดงท่ี task bar ดา้ นลา่ ง

4.2 Correlation สหสมั พนั ธ์เป็นการศกึ ษาความสัมพันธ์ระหว่างขอ้ มลู หรือตัวแปรตั้งแต่ 2 ตวั
ขึ้นไป วา่ มีความสัมพันธก์ ันในระดับใด และมคี วามสัมพนั ธใ์ นทศิ ทางใด : ซึ่งจะเป็นประโยชนใ์ นการ
ตัดสนิ ใจใชเ้ ครือ่ งมือใดในการวิเคราะห์ต่อไป

เปิด Group g1 ท่ีเมนู View >> Covariance Analysis…

คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรบั นกั วจิ ยั

60
ท่ี tab Covariance Analysis >> Statistics เลือก Correlation Layout เลือก Single table
คลิก OK

Correlation Output : ซ่ึงจะเหน็ ได้ว่า ตวั แปร board กับ comm, board กับ econ, comm
กบั econ และ econ กบั env มสี หสัมพันธก์ ันสูงอย่พู อสมควร (มากกว่า 0.8)

คู่มอื การใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรับนกั วจิ ัย

61
4.3 One-Way Tabulation การนำเสนอขอ้ มลู ผลการวิจัยดว้ ยตารางการณจ์ ร (Contingency
Table) แบบทางเดียว ทำให้เขา้ ใจง่ายและไมซ่ ับซ้อน
1. เพศ (gender) เพศหญงิ = 0, เพศชาย = 1
เปิด Series gender คลกิ ที่ tab Properties

ที่ tab Properties >> ValueMap ValMap name: พมิ พ์ vlmsex คลกิ OK

ค่มู อื การใชโ้ ปรแกรม Eviews เบ้อื งต้น สำหรบั นักวจิ ัย

62

จากน้ัน คลกิ ที่ tab View>> One-Way Tabulation…

คลิก OK
gender One-Way Tabulation Output

คู่มอื การใชโ้ ปรแกรม Eviews เบอ้ื งตน้ สำหรับนกั วจิ ยั

63
2. อายุ (age) อายนุ ้อยกวา่ 30 ปี = 1, อายุ 30–40 ปี = 2, อายุ 41-50 ปี = 3, อายุ 51–60 ปี
= 4, อายุ 61 ปี ข้ึนไป = 5
การแบ่งช่วงอายุเริ่มต้นที่ 30 ปี ด้วยเหตุผลว่า เกษตรกรที่อยู่ในวัยนี้จะเริ่มต้นจริงจังกับการ
ทำงานเพ่อื สร้างฐานะและความม่ันคงของครอบครัว และคงจะไมค่ อ่ ยเปลยี่ นงานหรืออาชีพ
เปิด Series dummy_age คลิกท่ี tab Properties

ท่ี tab Properties >> ValueMap ValMap name: พิมพ์ vlmage คลกิ OK

คู่มือการใช้โปรแกรม Eviews เบือ้ งต้น สำหรบั นักวจิ ัย

64

จากนน้ั คลกิ ท่ี tab View>> One-Way Tabulation…

คลิก OK
age One-Way Tabulation Output

ค่มู อื การใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรบั นกั วจิ ยั

65

การใช้ Script TB1_age เปดิ Series age ที่ tab Proc>> Add-ins>> TB1_Age

Age Output

คู่มอื การใช้โปรแกรม Eviews เบื้องต้น สำหรบั นักวจิ ยั

66
3. จำนวนปีการศึกษา (edu) การใช้จำนวนปีการศึกษาแทนระดับการศึกษาก็เพื่อให้ไดต้ ัวแปร
ที่เปน็ ข้อมูลต่อเนื่อง สามารถใช้เคร่ืองมือสถิติข้ันสูงวิเคราะห์ได้ อย่างไรก็ดี การนำเสนอข้อมูลในลักษณะ
การจัดกล่มุ ตวั แปร ก็ยงั คงต้องนำเสนอเชน่ เดียวกัน โดยกำหนดให้ จำนวนปกี ารศกึ ษา 0 – 4 ปี = 1, 5 –
9 ปี = 2, 10 – 15 ปี = 3 และ ตง้ั แต่ 16 ปี ขนึ้ ไป = 4
เปิด Series dummy_edu คลิกที่ tab Properties

ท่ี tab Properties >> ValueMap ValMap name: พมิ พ์ vlmedu คลิก OK

คมู่ ือการใชโ้ ปรแกรม Eviews เบอ้ื งตน้ สำหรบั นกั วจิ ัย

67

จากน้นั คลกิ ท่ี tab View>> One-Way Tabulation…

คลกิ OK
Edu One-Way Tabulation Output

คมู่ อื การใช้โปรแกรม Eviews เบือ้ งต้น สำหรับนกั วจิ ยั

68

การใช้ Script TB2_Edu เปดิ Series edu ท่ี tab Proc>> Add-ins>> TB2_Edu

Edu Output

คู่มอื การใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรับนกั วจิ ยั

69
4.4 N–Way Tabulation การนำเสนอข้อมูลผลการวิจยั ด้วยตารางการณจ์ ร (Contingency
Table) แบบหลายทาง เพื่อนำเสนอรายละเอยี ดข้อมูลเพ่ิมมากขึน้ เช่น เพศหญงิ กบั ช่วงอายตุ า่ ง ๆ เพศ
ชายกับชว่ งอายตุ ่าง ๆ เปน็ ต้น
Crtl Click ที่ Series gender, dummy_age คลิกขวา >> Open as Group

ท่ี Group UNTITLE View>> N-Way Tabulation…

คู่มอื การใชโ้ ปรแกรม Eviews เบอื้ งตน้ สำหรับนักวจิ ยั

70
ที่ Crosstabulation Output เลือก Count, Row% ที่ Layout Table เลือก Show Row
Margins, Show Column Margins, Show Table Margins คลิก OK

คลิก Freeze

คู่มอื การใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรับนกั วจิ ยั

71

จะได้ Table: UNTITLE

4.5 Likert Scale Likert Rating Scales คือมาตรวัดที่ใช้สำหรับให้ผู้ตอบแสดงความ
คิดเห็น โดยมีเกณฑ์การให้คะแนน 5 ระดับ จากข้อความ (แบบสอบถาม) ที่กำหนดให้ผู้ตอบข้อมูลระบุ
คือ มากที่สุด มาก ปานกลาง น้อย และนอ้ ยทส่ี ุด คะแนนจากคำตอบท่ีผใู้ ห้ข้อมูลเลือกตอบนำมาคำนวณ
นำ้ หนกั เฉลย่ี (Weight Mean Score) ดงั น้ี

WMS = 5F1+4F2+3F3+2F4+1F5
N

WMS = คะแนนเฉลี่ยระดบั การตอบคำถาม
F1 = ความถข่ี องผตู้ อบข้อมูลท่ีเลือกตอบว่า มากท่ีสดุ
F2 = ความถ่ขี องผ้ตู อบข้อมูลทีเ่ ลอื กตอบวา่ มาก
F3 = ความถข่ี องผู้ตอบข้อมูลทเี่ ลือกตอบวา่ ปานกลาง
F4 = ความถ่ขี องผู้ตอบข้อมลู ท่ีเลอื กตอบว่า นอ้ ย
F5 = ความถข่ี องผู้ตอบข้อมลู ทเ่ี ลือกตอบว่า น้อยที่สดุ
N = จำนวนของผู้ตอบข้อมูลทัง้ หมด

ค่มู อื การใชโ้ ปรแกรม Eviews เบื้องต้น สำหรับนกั วจิ ัย

72

เกณฑ์การให้คะแนน 5 คะแนน
มากท่สี ุด ได้ 4 คะแนน
มาก ได้ 3 คะแนน
ปานกลาง ได้ 2 คะแนน
น้อย ได้ 1 คะแนน
น้อยท่ีสุด ได้

เกณฑก์ ารแปลความหมาย

คะแนนเฉลี่ย ความหมาย

4.21 – 5.00 มี (ความคิดเหน็ ...) ในระดับมากท่สี ุด

3.41 – 4.20 มี (ความคิดเห็น...) ในระดับมาก

2.61 – 3.40 มี (ความคิดเหน็ ...) ในระดับปานกลาง

1.81 – 2.60 มี (ความคิดเหน็ ...) ในระดบั น้อย

1.00 – 1.80 มี (ความคิดเหน็ ...) ในระดบั น้อยทีส่ ุด

เกณฑใ์ นการกำหนดช่วงคะแนน มวี ิธีคำนวณ ดงั นี้

พสิ ัย = คะแนนมาก - คะแนนน้อย

จำนวนชั้น = 5

ช่วงคะแนนเฉลย่ี = พสิ ัย
จำนวนช้ัน

= 5−1

5

ชว่ งคะแนนเฉลี่ย = 0.8

ค่มู ือการใช้โปรแกรม Eviews เบื้องตน้ สำหรับนกั วจิ ยั

73

Open Series dummy_board Click Properties

ท่ี tab Properties >> ValueMap ValMap name: พิมพ์ vlmboard คลกิ OK
จากนน้ั คลกิ ที่ tab View>> One-Way Tabulation…

ค่มู อื การใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นกั วจิ ัย

74

คลิก OK

Dummy_board One-Way Tabulation Output คลกิ Freeze

จะได้ Table: UNTITLE

คมู่ ือการใชโ้ ปรแกรม Eviews เบือ้ งตน้ สำหรบั นักวจิ ัย

75

การใช้ Script TB3_Scores1-5 เปิด Series board ท่ี tab Proc>> Add-ins>>
TB3_Scores1-5

Board Output

ค่มู ือการใช้โปรแกรม Eviews เบ้ืองตน้ สำหรบั นักวจิ ยั

76

5. Time Series
อนุกรมเวลา หมายถึงข้อมูลหรือค่าสังเกตที่เก็บรวบรวมตามลำดับเวลาที่เกิดขึ้นอย่างต่อเนื่อง

ช่วงเวลาท่ีเกบ็ อาจห่างเท่ากันหรือไม่เท่ากันก็ได้ แต่ส่วนใหญ่จะห่างเท่ากนั ช่วงเวลาอาจเป็นรายวนั ราย
สัปดาห์ รายเดอื น รายไตรมาส หรือรายปี

ขอ้ มลู อนุกรมเวลาประกอบด้วยส่วนประกอบท่ีสำคัญ 4 อยา่ งคือ
1. แนวโน้ม (Trend : T) หมายถึงอนุกรมเวลาท่ีมีการเคล่อื นไหวในระยะยาวจะมีแนวโนม้ เพ่ิมข้ึน
หรือลดลง ซง่ึ ลักษณะแนวโน้มอาจจะเปน็ เสน้ ตรงหรอื เสน้ โค้งก็ได้
2. ความผันแปรตามฤดูกาล (Seasonal Variation : S) หมายถึงอนุกรมเวลาที่เปลี่ยนแปลง
เนอื่ งจากอิทธิพลของฤดกู าล ซึง่ จะเกิดขึน้ ซ้ำ ๆ กนั ในช่วงเวลาเดยี วกันของแต่ละปี
3. ความผนั แปรตามวฏั จักร (Cyclical Variation : C) หมายถงึ อนุกรมเวลาที่มีการเคลื่อนไหวใน
ลักษณะซ้ำ ๆ กัน คล้ายกับความผันแปรตามฤดูกาล ต่างกันที่ระยะเวลาการเคลื่อนไหวของข้อมูลจะมี
ระยะเวลานานกว่า 1 ปี
4. ความผันแปรอันเนื่องจากเหตุการณ์ผิดปกติ (Irregular Variation : I) หมายถึงอนุกรมเวลา
ที่มีการเคลื่อนไหวในรูปแบบที่ไม่แน่นอน ลักษณะของข้อมูลที่เกิดขึ้นจากเหตุการณ์ที่ไม่ได้คาดการณ์
ไวล้ ่วงหนา้
5.1 การพยากรณ์ข้อมลู รายปี
5.1.1 วิธีกำลังสองน้อยที่สุด (Ordinaly Least Square Method) เป็นวิธีการวิเคราะห์การ
ถดถอยเส้นตรงโดยการทำใหผ้ ลบวกของกำลังสองของส่วนท่ีเบ่ยี งเบนไปจากเสน้ ถดถอยของคา่ สังเกตของ
ตัวแปรมคี ่านอ้ ยทสี่ ดุ
ขอสาธิตโดยใชข้ อ้ มูลผลิตภัณฑม์ วลรวมจงั หวัดสาขาเกษตร จังหวัดขอนแกน่ ปี 2538 – 2561 ณ
ราคาประจำปี (Gross Domestic Product at Current Market Prices : Agriculture) โดยเกบ็ ข้อมลู ใน
ชือ่ Series gppkkn sheet : Untitled2

Yt = a + bYt-1 + et ใชค้ ำสง่ั eq01.ls Y c Y(-1)
โดยที่ Yt = ตวั แปร y ใดๆ ณ เวลา t

a = Constant
b = Coefficient
et = Residual

คูม่ ือการใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรบั นักวจิ ยั

77
Series gppkkn : ผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร ปี 2538 : 2561 จังหวัดขอนแก่น
มีขัน้ ตอนในการพยากรณ์ ดังนี้

1. การประมาณคา่ สมการ เริ่มท่ี เมนู Quick >>Estimate Equation

Equation Estimation >> Specification>> gppkkn c gppkkn(-1) Click OK

ค่มู อื การใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรับนกั วจิ ยั

78

คลิก Name เพ่อื ตั้งชื่อ

2. การตรวจสอบ Autocorrelation เปน็ ไปตามขอ้ สมมติพืน้ ฐานของวธิ กี ารกำลังสองน้อยที่สุด
(OLS) ที่มขี ้อสมมตพิ ้นื ฐานวา่ ตัวคลาดเคลือ่ นต้องไมม่ สี หสมั พนั ธร์ ะหว่างกนั การทดสอบมหี ลายวิธี ซง่ึ จะ
ให้ผลท่ีใกล้เคียงกัน ขอสาธิตวธิ ี Breusch-Godfrey serial correlation LM Test: ดังน้ี

ทเ่ี มนู View>> Residual Diagnostics>> Serial Correlation LM Test…

Lag Specification >> Lag to include: 2 ตอบ OK

คู่มอื การใชโ้ ปรแกรม Eviews เบอ้ื งต้น สำหรบั นกั วจิ ัย

79
ได้คา่ N*R2 =2.278468 คา่ Prob. Chi-Square(2) = 0.3201 ไม่มีนยั สำคญั ทางสถิติ ยอมรับ
H0 : No serial correlation at up to 2 lags

3. การตรวจสอบ Heteroskedasticity เป็นไปตามข้อสมมติพื้นฐานของวิธีการกำลังสองน้อย
ทส่ี ุด (OLS) ทมี่ ีขอ้ สมมติพืน้ ฐานว่า ตัวคลาดเคลอ่ื นจะต้องมีความแปรปรวนคงที่

การที่ตัวคลาดเคล่ือนมคี วามแปรปรวนไม่คงที่ หรือเกิดปัญหา Heteroskedasticity จะทำให้ตัว
ประมาณค่าสมั ประสิทธ์ิของสมการถดถอยยงั คงมีคุณสมบตั ิ Unbiased และ Consistency แตจ่ ะสูญเสีย
คุณสมบัติ Efficiency นอกจากนี้การใช้วิธีการ OLS ในการประมาณค่าสัมประสิทธิ์ของสมการถดถอย
เมื่อมีปัญหา Heteroskedasticity ก็จะทำให้ค่าความคลาดเคลื่อนมาตรฐานของตัวประมาณค่า
สัมประสทิ ธ์ิของสมการถดถอยมีค่าแตกต่างไปจากความเป็นจริง สง่ ผลใหค้ า่ t-statistic ที่คำนวณได้ ของ
คา่ สมั ประสิทธ์ิแต่ละตัวไม่น่าเช่ือถือ ทำให้การทดสอบสมมติฐานของค่าสัมประสิทธ์ิในสมการถดถอยขาด
ความน่าเชือ่ ถอื ไปดว้ ย (อัครพงศ์ อ้นั ทอง, 2550)

ที่เมนู View >> Residual Diagnostics >> Heteroskedasticity Test…

คูม่ อื การใชโ้ ปรแกรม Eviews เบือ้ งต้น สำหรบั นักวจิ ัย

80
ท่ี Heteroskedasticity Tests >> Specification เลือก Breusch-Pagan-Godfrey ตอบ OK

ได้คา่ N*R2 = 10.12597 Prob. Chi-Square(1) = 0.0015 มนี ัยสำคญั ปฏิเสธ H0 :
Homoskedasticity (เกิดปัญหา Heteroskedasticity)

ค่มู อื การใช้โปรแกรม Eviews เบ้อื งตน้ สำหรับนกั วจิ ยั

81
การบรรเทาปัญหา Heteroskedasticity กอ่ นอ่ืน copy eq01 >> eq02 ทเ่ี มนู Object Copy
Objects… ท่ี eq02>> Equation Estimation >>Click Option

ท่ี Options Covariance method เลือก HAC (Newey-West) จากนน้ั คลกิ OK

คมู่ ือการใชโ้ ปรแกรม Eviews เบื้องตน้ สำหรบั นกั วจิ ยั

82

จะได้ค่า Std. Error และ t-Statistic ท่ีคำนวณขน้ึ ใหม่

4. การพยากรณ์ เริม่ ดว้ ยการขยาย Workfile ออกไปอีก 3 ปี (2562 – 2564) ดว้ ยคำส่งั
pagestruct(end=@last+3) *

คู่มอื การใชโ้ ปรแกรม Eviews เบ้อื งตน้ สำหรบั นักวจิ ัย

83

ที่ Equation: EQ02 คลิกที่ tab Forecast

Forecast name: gppkknf, S.E. gppkknse, Forecast sample 2562 2564 คลกิ OK

คูม่ ือการใชโ้ ปรแกรม Eviews เบอ้ื งตน้ สำหรับนกั วจิ ัย

84

ผลการพยากรณ์ GPP สาขาเกษตร จังหวดั ขอนแก่น ปี 2562 - 2564

สรา้ งค่าประมาณแบบเป็นช่วง ดว้ ยคำสงั่ genr lower = gppkknf-(1.96*gppkknse), genr
upper = gppkknf+(1.96*gppkknse)

ใช้ Mouse Click ที่ Series gppkkn gppkknf จากนั้น คลิกขวา Open as Group ทเ่ี มนู View
>> Graph… Graph Type เลอื ก Line & Symbol เลอื ก Multiple graphs ตอบ OK

คมู่ อื การใชโ้ ปรแกรม Eviews เบอื้ งต้น สำหรบั นักวจิ ยั

85
ใช้ Mouse Click ท่ี Series lower gppkknf gppkkn upper จากนั้น คลิกขวา Open as
Group ที่เมนู View >> Graph… Graph Type เลอื ก Line & Symbol เลอื ก Single graph ตอบ OK

5.1.2 วิธีของบอกซ์-เจนคินส์ (Box-Jenkins) สมเกียรติ เกตุเอี่ยม (2548) กล่าวถึงการ
พยากรณ์อนุกรมเวลาด้วยวิธี บอกซ์/เจนคินส์ ว่าเป็นวิธีการพยากรณ์ที่ยุ่งยากซับซ้อน ต้องใช้เวลาและ
ข้อมูลในการคำนวณค่อนข้างมาก แต่มีข้อดีหลายประการ เช่น เป็นวิธีที่มีความแม่นยำของการพยากรณ์
ค่อนข้างสงู ใชไ้ ดก้ บั ขอ้ มลู ท่มี กี ารเคลื่อนไหวทุกประเภท

แบง่ ข้อมูลอนุกรมเวลาไดเ้ ป็น 2 แบบ ดงั นี้
(1) อนกุ รมเวลาทเี่ ปน็ สเตชันนารี (Stationary Time Series) เปน็ อนกุ รมเวลาทค่ี ่าสังเกต (Yt) มี
คุณสมบัติคือค่าเฉลี่ย ค่าความแปรปรวน และฟังก์ชั่นส์ความน่าจะเป็น ณ เวลาต่าง ๆ คงที่ กล่าวคือไม่
เปลี่ยนแปลงตามเวลาที่เปลี่ยนไป การกำหนดตัวแบบให้กับอนุกรมเวลาที่เป็นสเตชันนารี จะกำหนดตัว
แบบในรูป ARMA (p,q) ซ่ึงประกอบไปดว้ ยตัวแบบ AR (p) (Autoregressive order p) และตวั แบบ MA
(q) (Moving Average order q)

คมู่ ือการใช้โปรแกรม Eviews เบ้อื งตน้ สำหรบั นกั วจิ ยั

86

(2) อนุกรมเวลาทไี่ ม่เป็นสเตชนั นารี (Nonstationary Time Series) เป็นอนกุ รมเวลาท่คี า่ สังเกต
(Yt) มีคุณสมบัติทางสถิติไม่คงที่ คือเปลี่ยนไปตามเวลาที่เปลี่ยนแปลง อนุกรมเวลาที่ไม่เป็นสเตชันนารี
จะตอ้ งแปลงใหเ้ ปน็ อนุกรมเวลาใหม่ที่มคี ณุ สมบัตสิ เตชันนารีกอ่ นจึงจะใช้ตวั แบบ ARMA (p, q) ตอ่ ไป

วิธกี ารพยากรณ์ มีข้ันตอนดังนี้
1) หารูปแบบที่เหมาะสม รูปแบบที่กำหนดให้อนุกรมเวลาเป็นรูปแบบของ ARIMA (p,d,q)
(Integrated Autoregressive – Moving Average order p and q) เป็นการรวมรูปแบบ AR(p) และ
รปู แบบ MA(q) เข้าด้วยกนั ส่วนอันดบั ของ d คือจำนวนคร้ังทีห่ าผลตา่ ง (integrated) (จารกึ สงิ หปรีชา,
2554)
รูปแบบ AR(p) , MA(q) และ ARMA (p,q) กำหนดได้ดงั น้ี

AR(p) ; Yt = θ0 + φt Yt-1+…+ φp Yt-p+εt
MA(q) ; Yt = θ0 +εt- θt εt-1-…- θq εt-q
ARMA(p,q) ; Yt = θ0 + φt Yt-1+…+ φt Yt-p+εt- θt εt-1-…- θq εt-q

แบบจำลอง ARMA (p, q) ประกอบดว้ ย 3 ส่วน คอื
1.1) การถดถอยด้วยตนเอง (Autoregressive; AR:p)
1.2) การมีอนั ดบั (Integrated; I:d)
1.3) การเคลื่อนท่ขี องความคลาดเคลือ่ น (Moving Average; MA:q)

รูปแบบทัว่ ไปของ ARIMA สามารถเขยี นเป็นความสมั พันธ์ได้ดังน้ี
ARIMA (p,d,q) ; Δd Yt = θ0 + φt Yt-1+…+ φp Yt-p+ θ1εt-1-…- θq εt-q

การกำหนดรูปแบบที่เหมาะสมให้กับอนุกรมเวลาใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบออโต
(Autocorrelation Function :ACF) และค่าสัมประสิทธิ์สหสัมพันธ์บางส่วนแบบออโต (Partial
Autocorrelation Function :PACF)

สำหรับอนุกรมเวลาที่มลี ักษณะเป็น Stationary จะมีคุณสมบัติ 3 ประการคือ
1 มีค่าเฉลี่ยคงทีท่ ุกช่วงเวลา : E(Yt) = μ = E(Yt+m)
2 ความแปรปรวนคงทีใ่ นทุกช่วงเวลา : Var (Yt) = Var (Yt+m) = σ2Y
3. ความแปรปรวนร่วมของตวั มันเอง (Auto Covariance) จะคงท่ีในทุกค่าของ t ท่ีมี lag เทา่ กัน
: Cov (Yt , Yt-m) = Cov(Yh , Yh-s) โดยที่ m = s

คู่มือการใชโ้ ปรแกรม Eviews เบอื้ งตน้ สำหรบั นักวจิ ยั

87

แตถ่ ้าอนุกรมเวลามลี ักษณะเปน็ Nonstationary ต้องแปลงอนุกรมเวลาใหเ้ ป็นอนุกรมเวลา

ใหม่ที่ Stationary ด้วยวิธกี ารต่าง ๆ ดงั นี้

วธิ ที ่ี 1 การหาผลตา่ งปกติ (Regular Difference) ถา้ อนุกรมเวลาไดร้ บั อิทธิพลของแนวโน้ม

จะต้องปรับให้เปน็ อนกุ รมเวลาใหมท่ ่ีไม่มแี นวโน้ม

โดย Zt = Δd Yt โดยที่ d = ลำดับของการหาผลต่างปกติ เชน่

เม่อื d = 1 Zt = Δ1Yt = Yt – Yt-1

เม่อื d = 2 Zt = Δ2 Yt =Δ (Yt-Yt-1) = ΔYt-ΔYt-1 = (Yt – Yt-1)- (Yt-1-Yt-2)

= Yt – 2Yt-1 + Yt-2

เม่ือรปู แบบของ Box and Jenkins อยู่ในรูปแบบ Backward Shift Operator ซง่ึ กำหนด

สญั ลกั ษณ์เปน็ “B” กำหนดให้ BYt = Yt-1 และ BdYt = Yt-d ดังนัน้

ΔYt = Yt – Yt-1

ΔYt = Yt – BYt

ΔYt = (1 – B) Yt
วธิ ที ี่ 2 การหาผลตา่ งฤดกู าล (Seasonal Differenc) ถา้ อนุกรมเวลาไดร้ ับอทิ ธพิ ลของ

ฤดูกาล จะต้องปรับอนกุ รมเวลาใหม่ให้เปน็ อนุกรมเวลาท่ีไมม่ ฤี ดูกาล

โดย Zt = ΔdTYt = (1 – BT)d Yt โดยท่ี d = ลำดบั ของการหาผลต่างฤดูกาล
T = จำนวนฤดูกาลตอ่ ปี

เมื่อ d=1 และ T=12 Zt = Δ112 Yt = (1 – B12)Yt = Yt – B12Yt = Yt – Yt-12
วิธีที่ 3 การหาผลต่างปกตแิ ละผลต่างฤดูกาล กรณีท่ีอนุกรมเวลาได้รับอิทธพิ ลจากแนวโน้ม

และฤดูกาล จะปรบั อนุกรมเวลาโดยการหาผลต่างปกติและผลต่างฤดูกาลควบคกู่ ันไป

โดย Zt=ΔdΔDTYt = (1 – B)d(1 – BT)DYt โดยที่ d= ลำดับของการหาผลต่างปกติ
D= ลำดับของการหาผลต่างฤดูกาล และ T= จำนวนฤดูกาลต่อปี

เม่อื d = 1 D = 1 และ T=12

Zt=ΔΔ12Yt = (1 – B)(1 – B12)Yt = Yt – Yt-1 – Yt -12 + Yt-13

วธิ ีที่ 4 การหา Natural Logarithm เม่อื อนุกรมเวลามคี ่าความแปรปรวนไม่คงที่
โดย Zt = ln (Yt)

คูม่ อื การใชโ้ ปรแกรม Eviews เบือ้ งต้น สำหรับนกั วจิ ยั

88
2) การพยากรณ์
การพยากรณ์ด้วยวิธี Box and Jenkins ใช้กับอนุกรมเวลาที่มีลักษณะเป็น Stationary ไม่มี
อิทธิพลของฤดกู าลและแนวโน้ม ซง่ึ สามารถทำตามขน้ั ตอนดงั นี้
ขั้นท่ี 1 การกำหนดรปู แบบ (Identification)
การกำหนดรูปแบบจำลอง ARIMA (p,d,q) โดยการพิจารณาคอเรลโลแกรม Autocorrelation
Function (ACF) และ Partial Autocorrelation Function (PACF) เพ่ือให้สามารถระบไุ ด้ว่าแบบจำลอง
ควรจะมี Autoregressive (p) เท่าใด และ Moving average (q) เท่าใด โดยเลือกสร้างแบบจำลองท่ี
หลากหลายเพ่ือหาแบบจำลองทีเ่ หมาะสมที่สดุ ให้กับอนุกรมเวลาโดยพจิ ารณาเปรียบเทยี บจาก คอเรลโล
แกรมของคา่ rk และ rkk ของอนุกรมเวลา
การพิจารณาค่าสถิติเพื่อประกอบการตัดสินใจเช่น Root Mean Squared Error (RMSE)
ค่ า Theil’s inequality Coefficient ค่ า Adjusted R2 ค่ า Akaike Info Criterion (AIC) แ ล ะ ค่ า
Schwarz Criterion (SC) โดยมีรูปแบบดงั นี้ (Eviews 11 User Guide II , 2019)
ก. ค่า Root Mean Squared Error (RMSE)
RMSE คือ การวัดค่าความแตกต่างระหว่างค่าจริง และค่าที่ประมาณได้จากแบบจำลองหาก
RMSE มีค่าน้อย แสดงว่าแบบจำลองสามารถประมาณ ค่าประมาณได้ใกล้เคียงกับคา่ จริง ดังนั้นหากค่าน้ี
มีค่าเทา่ กันศูนยแ์ ล้วจะหมายความว่าไม่เกิดความคลาดเคลื่อนในแบบจำลองน้เี ลย RMSE คำนวณได้ดังนี้

คมู่ ือการใช้โปรแกรม Eviews เบอื้ งตน้ สำหรับนกั วจิ ยั

89
ข. คา่ Theil’s Inequality Coefficient
ค่า Theil’s Inequality Coefficient มีท่ีมาคล้าย ๆ กบั คา่ RMSE แตค่ ่า Theil’s Inequality
Coefficient นั้นจะมคี ่าอยู่ระหว่าง 0 ถงึ 1 ถ้ามีค่าเทา่ กับศนู ย์ แสดงไดว้ ่าคา่ ทีไ่ ดจ้ ากการประมาณเท่ากับ
ค่าจริงของทุก ๆ เวลา t และแบบจำลองที่ประมาณได้นั้นเป็นแบบจำลองที่ดี แต่ในทางตรงกันข้ามถ้าค่า
Theil’s Inequality Coefficient มคี ่าเทา่ กบั หนงึ่ แสดงว่าแบบจำลองนนั้ เป็นแบบจำลองทีไ่ ม่ดที ี่สุด

Theil’s Inequality Coefficient =

โดยกำหนด ŷt = คา่ ประมาณจากแบบจำลอง
yt = คา่ ที่แท้จรงิ
T = จำนวนคาบระยะเวลา T+1, T+2, T+3,….T+h

ค. คา่ Adjusted R2
Adjusted R2 คือ การพิจารณาว่าตัวแปรอิสระสามารถที่จะอธิบายถึงการเปลี่ยนแปลงของ
ตัวแปรตามได้มากน้อยเพียงใด ถ้าหากค่า Adjusted R2 มีค่าเท่ากับ 1 แสดงว่า ตัวแปรอิสระสามารถ
อธิบายตัวแปรตามได้ทั้งหมด แต่ถ้าหาก Adjusted R2 มีค่าเท่ากับ 0 หมายความว่าตัวแปร อิสระไม่
สามารถอธิบายตัวแปรตามได้เลย ซึ่งค่า Adjusted R2 นี้เป็นค่าสถิติที่เกิดจากการประยุกต์มาจากค่า R2
ซึ่งถ้ามีการเพิ่มตัวแปรอิสระเข้าไปในสมการมากขึ้นก็จะทำให้ค่า R Square สูงขึ้น ดังนั้น จึงมีการเพิ่ม
ระดับความเป็นอิสระในสมการ ซึ่งเรียกว่า Adjusted R2 โดยสามารถพิจารณาความสมั พันธ์ของ R2 และ
Adjusted R2 ไดด้ ังสมการ

คู่มอื การใช้โปรแกรม Eviews เบอ้ื งต้น สำหรบั นักวจิ ยั

90

ง. คา่ Akaike Information Criterion (AIC)
ค่า AIC เป็นค่าสถิติที่มีการประยุกต์คล้ายกับค่า Adjusted R2 แต่มีการถ่วงน้ำหนักมากกว่า
Adjusted R2 และใช้ Natural logarithm (ln) ดังนั้นถ้าค่า AIC น้อยจึงหมายถึงแบบจำลองสามารถเป็น
ตัวแทนข้อมูลจริงได้ดี และยงั สามารถนำค่า AIC ไปใช้ในการหาค่าย้อนหลงั (Lag Length) ทีเ่ หมาะสมได้

จ. ค่า Schwarz Criterion (SC)
ค่า SC เป็นเกณฑ์ทใี่ ช้ในการเลอื กแบบจำลอง เหมือนค่า AIC คือ ถ้าคา่ SC นอ้ ย ก็หมายถงึ
แบบจำลองสามารถเป็นตัวแทนข้อมลู จรงิ ได้ดี

SC = -2L/T + ( k Log T ) / T
โดยกำหนดให้ T = จำนวนคาบเวลาที่ใช้ในการประมาณแบบจำลอง
ข้ันท่ี 2 การประมาณค่าพารามเิ ตอร์ของแบบจำลองทีเ่ หมาะสม (Estimation)
การประมาณค่า คือการประมาณค่าสัมประสิทธิ์ที่มาจากรูปแบบการถดถอยในตัวเอง และ
รูปแบบการเคลื่อนที่ของค่าความคลาดเคลื่อน โดยทั่วไปจะใช้วิธีกำลังสองน้อยที่สุด (Ordinary Least
Squares)
ขัน้ ที่ 3 การวเิ คราะหค์ วามถกู ต้อง (Diagnostic Checking)
การวิเคราะห์ความถูกต้อง หมายถึงการตรวจสอบรูปแบบจำลองว่ามีความเหมาะสมหรือไม่ โดย
การพิจารณาจาก Correlogram Autocorrelations ของกลุ่มตัวอย่าง โดย 2 คอลัมน์ใน Correlogram
คือค่า Q และ ρ และ 2 คอลัมน์หลังคือ ค่า Q-statistic ที่ Lag k และ p-values ใช้สำหรับทดสอบ
สมมตุ ิฐานหลัก (H0) ทวี่ ่าไมม่ ี Autocorrelation
ถ้าข้อมูลไม่ได้มาจากผลของ ARIMA Q จะมีการกระจายแบบ Chi-square โดยมี Degree of
freedom เท่ากับจำนวนของ Autocorrelation แต่ถ้าชุดข้อมูลมีค่าความคลาดเคลื่อนจากผลของ

คมู่ อื การใชโ้ ปรแกรม Eviews เบอื้ งตน้ สำหรับนกั วจิ ยั

91
ARIMA จำนวน Degree of freedom จะตอ้ งปรบั จำนวน Autocorrelation ให้น้อยกว่าจำนวน AR และ
MA

ค่า Q-statistic มักจะถูกใช้เพื่อดูว่าชุดของข้อมูลจะ white noise หรือไม่ อย่างไรก็ตามยังคงมี
ปัญหาในทางปฏิบัติในการเลือกจำนวน Lag ถ้า Lag น้อยไปการทดสอบอาจจะไม่แสดงให้เห็นได้อย่าง
ชัดเจน และถ้า Lag ใหญ่เกนิ ไป การทดสอบอาจจะไม่มผี ลเพราะสหสัมพันธ์ตา่ ง ๆ ไมแ่ สดงความสัมพันธ์
ซงึ่ กันและกัน สมการ Q-statistic มีรูปแบบดงั นี้ (Eviews 11 User Guide II, 2019)

ขน้ั ที่ 4 การพยากรณ์ (Forecasting)
เมื่อได้แบบจำลองที่เหมาะสมภายหลังการวิเคราะห์ความถูกต้องแล้ว ก็สามารถนำแบบจำลอง
ดังกล่าวมาใช้พยากรณ์ ซึ่งจะทำได้ทั้งพยากรณ์แบบจุด (point Forecasting) และการพยากรณ์แบบช่วง
(Interval Forecast) แตเ่ นอื่ งจากการใช้แบบจำลองพยากรณ์ข้อมลู ไปข้างหน้าน้ันจะต้องเป็นแบบจำลอง
ทใี่ หค้ ่าประมาณที่แม่นยำทสี่ ดุ ดังน้นั การพยากรณ์จึงต้องมกี ารทดสอบแบบจำลอง โดยแบ่งการพยากรณ์
ออกเป็น 3 ช่วง คือช่วง Historical Forecast อันเป็นการพยากรณ์ตั้งแต่อดีตจนถึงช่วงเวลาที่พิจารณา
(T0 – Tn-k) การพยากรณ์ช่วง Ex-post forecast คือการพยากรณ์โดยตัดข้อมูลออกมาส่วนหนึ่ง แล้วทำ
การพยากรณ์เปรียบเทียบกับข้อมูลจริง โดยพิจารณาค่า Root Mean Squared Error (RMSE) และ
Theil Inequality Coefficient และค่า Akaike Information Criterion (AIC) โดยพิจารณาค่าสถิติท้ัง
3 ค่าท่ีมีคา่ ตำ่ สดุ เม่อื เลอื กรปู แบบจำลองท่ดี ีทีส่ ุดได้แล้ว จงึ นำแบบจำลองน้นั มาทำการพยากรณ์แบบ Ex-
ante Forecast ซึ่งเป็นการพยากรณข์ ้อมูลไปข้างหน้า ดังรูป

คู่มอื การใช้โปรแกรม Eviews เบอื้ งตน้ สำหรบั นักวจิ ัย

92
ขอสาธิตโดยใชข้ ้อมูลผลติ ภณั ฑ์มวลรวมจงั หวัดสาขาเกษตร จังหวดั ขอนแกน่ ปี 2538 – 2561 ณ
ราคาประจำปี (Gross Domestic Product at Current Market Prices : Agriculture) โดยเกบ็ ขอ้ มูลใน
ช่อื Series gppkkn sheet : Untitled2 โดยมขี ้นั ตอนดังนี้
1. ทดสอบ Unit Root การทดสอบความนิ่งของข้อมูล พิจารณาวา่ ขอ้ มลู อนุกรมเวลามีลักษณะ
นิ่งหรอื ไม่ โดยการทดสอบความนิ่งตามแบบ Augmented Dickey-Fuller เป็นการทดสอบวา่ ข้อมลู นน้ั มี
ค่าเฉลี่ย คา่ ความแปรปรวน และค่าความแปรปรวนรว่ มของตัวมนั เองคงทห่ี รือไม่
โดยตง้ั สมมติฐาน (Hypothesis) ของการทดสอบคือ

H0 = α = 1
และมสี มการที่ต้องการทดสอบ 3 สมการ (at Level) ดังน้ี

เปิด Series gppkkn ท่ี tab View>> Unit Root Tests>> Standard Unit Root Tests…

คมู่ อื การใช้โปรแกรม Eviews เบอื้ งต้น สำหรบั นักวจิ ยั

93
Test for unit root in>> Level Include in test equation>> Intercept User specified>>
1 คลิก OK

ผลการทดสอบ at Level >>Intercept ข้อมูลมลี ักษณะไม่น่งิ

ค่มู ือการใช้โปรแกรม Eviews เบอ้ื งตน้ สำหรับนักวจิ ยั

94

Trend and intercept

ผลการทดสอบ at Level >>Trend and intercept ขอ้ มูลมีลักษณะไมน่ ง่ิ

คมู่ ือการใชโ้ ปรแกรม Eviews เบื้องต้น สำหรับนักวจิ ัย

95
None

ผลการทดสอบ at Level >>None ข้อมลู มีลักษณะไมน่ ่ิง

การทดสอบ unit root ตามวิธีแบบ Augmented Dickey-Fuller โดยการเปรียบเทียบกับ
ค่าสถิติ ADF กับค่า MacKinnon Critical Value ที่ระดับนัยสำคัญ 1% ถ้าค่า ADF (หรือ t-statistic)
มีค่ามากกว่า MacKinnon Critical Value จะเป็นการยอมรับสมมติฐานว่าง หมายความว่าข้อมูล
มีลักษณะไม่นิ่ง (Nonstationary) ซึ่งแก้ไขด้วยการทำ differencing ลำดับต่าง ๆ จนกว่าข้อมูลอนุกรม
เวลาจะมลี กั ษณะนิง่ (Stationary)

คมู่ ือการใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรบั นกั วจิ ัย

96

2. การกำหนดรปู แบบจำลอง
ที่ tab View >> Correlogram…

เลือก 1st difference Lags to include = 12 คลิก OK

พิจารณารูปแบบ Correlogram ของผลต่างลำดับที่ 1 โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบ
ออโต (Autocorrelation Function : ACF) และค่าสัมประสิทธิ์สหสัมพันธ์บางส่วนแบบออโต (Partial

คู่มือการใชโ้ ปรแกรม Eviews เบ้ืองตน้ สำหรบั นักวจิ ัย