97 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Autocorrelation Function : PACF) เพื่อหาค่า Autoregressive [AR(p)] และ Moving Average [MA(q)] ซึ่งจะเห็นได้ว่า Autocorrelation (rk) ลดลงเข้าใกล้ 0 ที่ k=3 ดังนั้นรูปแบบที่เป็นไปได้ จำนวน 9 สมการ ดังนี้คือ 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
98 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะได้ 2 สมการคือ ar(1) ar(2) ar(3) ma(1) ma(2) ma(3) และ ar(1) ma(1) ซึ่งผลการประมาณ ค่าพารามิเตอร์ทั้ง 2 แบบจำลองให้ค่าสถิติที่ใกล้เคียงกัน 4. การตรวจสอบ Autocorrelation ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics…
99 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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 ซึ่งทั้ง 2 สมการ ได้ค่า p-values มากกว่า 0.05 ไม่มีนัยสำคัญทางสถิติ ณ ระดับความ เชื่อมั่น 95 % ยอมรับสมมุติฐานหลัก (H0 ) แบบจำลองไม่มีปัญหา Autocorrelation 5. การตรวจสอบ Heteroskedasticity ที่ tab View>>Residual Diagnostics>>Heteroskedasticity Tests…
100 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Heteroskedasticity Tests>> ARCH Number of lags = 3 คลิก OK Output: ทั้ง 2 สมการไม่มีปัญหา Heteroskedasticity
101 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 6. การตรวจสอบการกระจายของค่าความคลาดเคลื่อน (Normality Test) ที่ tab View>>Residual Diagnostics>> Histogram – Normality Test… Output: ทั้ง 2 สมการค่าความคลาดเคลื่อนมีการกระจายแบบปกติ
102 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 7. การพยากรณ์ ที่ Equation: EQ3_3 คลิกที่ tab Forecast Forecast >> Method เลือก Static forecast คลิก OK
103 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.050048 (มีค่าน้อย = ความ แม่นยำของการพยากรณ์สูง) เปรียบเทียบค่าพยากรณ์(GPPKKNF1) กับค่าจริง (GPPKKN)
104 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast name: gppkknf2 Dynamic forcast (Forecast sample 2562 2564) ผลการพยากรณ์ GPP สาขาเกษตร ณ ราคาประจำปี จังหวัดขอนแก่น ปี 2562 – 2564
105 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ GPP สาขาเกษตร ณ ราคาประจำปี จังหวัดขอนแก่น ปี 2562 – 2564
106 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5.2 การพยากรณ์ข้อมูลรายไตรมาส 5.2.1 วิธีกำลังสองน้อยที่สุด ขอสาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2549 – 2561 แบบปริมาณลูกโซ่ (Gross Domestic Product, Chain Volume Measures : Agriculture) โดยเก็บข้อมูลในชื่อ Series gppkknq sheet : Untitled3 Series gppkknq : ผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส แบบปริมาณลูกโซ่ ปี 2549q1 : 2561q4 จังหวัดขอนแก่น มีขั้นตอนในการพยากรณ์ ดังนี้ 1. ทดสอบ Seasonal Unit Root การทดสอบความนิ่งของอนุกรมเวลาแบบฤดูกาลตามแบบ ของ HEGY (Nicolas Ronderos, 2015) โดยการทดสอบนัยสำคัญของพารามิเตอร์ในสมการต่อไปนี้ สมมติฐาน (Hypothesis) ของการทดสอบ รายปี คือ H0 : π1 = 0 (has unit root) ใช้การทดสอบ t - test รายครึ่งปี คือ H0 : π2 = 0 (has unit root) ใช้การทดสอบ t - test รายไตรมาส คือ H0 : π3 π4 = 0 (has unit root) ใช้การทดสอบ F-test เปิด Series gppkknq ที่ tab Proc>> Add-ins>> Franses
107 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการทดสอบ Seasonal Unit Root (Hegy Test) ข้อมูลรายปี รายครึ่งปี และรายไตรมาส ค่าสถิติ t, F น้อยกว่า ค่าวิกฤตที่ 0.01 0.05 0.10 อยู่ในเขตยอมรับสมมติฐาน ข้อมูลมีลักษณะไม่นิ่ง 2. การประมาณค่าสมการ เริ่มที่ เมนู Quick >>Estimate Equation
108 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Equation Estimation >> Specification>> gppkknq c gppkknq(-4) @expand(@quarter, @droplast) Click OK คลิก Name เพื่อตั้งชื่อ
109 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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 ได้ค่า N*R2 =3.742823 ค่า Prob. Chi-Square(4) = 0.4419 ไม่มีนัยสำคัญทางสถิติที่ระดับ 0.05 ยอมรับ H0 : No serial correlation at up to 4 lags (ไม่มีปัญหา Autocorrelation)
110 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 4. การตรวจสอบ Heteroskedasticity ที่เมนู View >> Residual Diagnostics >> Heteroskedasticity Test… ที่ Heteroskedasticity Tests >> Specification เลือก Breusch-Pagan-Godfrey ตอบ OK
111 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ได้ค่า N*R2 = 10.42752 Prob. Chi-Square(4) = 0.0338 มีนัยสำคัญทางสถิติ ปฏิเสธ H0 : Homoskedasticity (มีปัญหา Heteroskedasticity) 5. การตรวจสอบการกระจายของค่าความคลาดเคลื่อน (Normality Test) ที่ tab View>>Residual Diagnostics>> Histogram – Normality Test…
112 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Output: eq01 ค่าความคลาดเคลื่อนมีการกระจายแบบปกติ 6. การพยากรณ์เริ่มด้วยการขยาย Workfile ออกไปอีก 2 ปี (2562 – 2563) ด้วยคำสั่ง pagestruct(end=@last+8) * และแก้ไขปัญหา Heteroskedasticity ด้วยวิธี Hac (Newey-West) ที่ eq01 คลิก Estimate ประมาณค่าสมการใหม่
113 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Equation Estimation >>Click Option ที่ Options Covariance method เลือก HAC (Newey-West) คลิก OK จะได้ค่า Std. Error และ t-Statistic ที่คำนวณขึ้นใหม่จากนั้นคลิกที่ tab Forecast
114 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast name: gppkknqf, Forecast sample 2549q1 2561q4 Method เลือก Static forecast คลิก OK Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.057122 (มีค่าน้อย = ความ แม่นยำของการพยากรณ์สูง)
115 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เปรียบเทียบค่าพยากรณ์ (gppkknqf) กับค่าจริง (gppkknq) Dynamic Forcast (Forecast sample 2562q1 : 2563q4) ที่ Equation: EQ01 คลิกที่ tab Forecast, Forecast name: gppkknqf2, Forecast sample 2562q1 2563q4 Method Dynamic forecast คลิก OK
116 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2562 – 2563 ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2562 – 2563
117 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5.2.2 วิธีของบอกซ์-เจนคินส์ (Box-Jenkins) สาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2549 – 2561 แบบปริมาณลูกโซ่ (Gross Domestic Product, Chain Volume Measures : Agriculture) โดยเก็บข้อมูลในชื่อ Series gppkknq sheet : Untitled3 มีขั้นตอนในการพยากรณ์ ดังนี้ 1. การกำหนดรูปแบบจำลอง ที่ tab View >> Correlogram… เลือก 1 st difference Lags to include = 36 คลิก OK จะเห็นได้ว่ารูปแบบ Correlogram ไม่ชัดเจนและไม่สามารถระบุรูปแบบของผลต่างลำดับที่ 1 ได้ : ซึ่งในโลกแห่งความเป็นจริง เราก็จะพบอยู่เสมอ ๆ
118 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2. การประมาณค่าแบบจำลอง การใช้ Script Auto-Seasonal เปิด Series gppkknq ที่ tab Proc>> Add-ins>> AutoSeasonal จะได้สมการ sma(4)
119 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 3. การตรวจสอบ Autocorrelation ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics… ค่า Prob ที่ได้น้อยกว่า 0.05 ปฏิเสธสมมุติฐานหลัก (H0 ) แบบจำลองมีปัญหา Autocorrelation
120 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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 ยอมรับสมมติฐาน สมการไม่มีปัญหา Heteroskedasticity
121 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5. การตรวจสอบการกระจายของค่าความคลาดเคลื่อน (Normality Test) ที่ tab View>>Residual Diagnostics>> Histogram – Normality Test… ค่าสถิติ Jarque-Bera = 0.317484 Probability = 0.853217 ยอมรับสมมติฐาน ค่าความ คลาดเคลื่อนมีการกระจายแบบปกติ 6. การพยากรณ์ เนื่องจาก Model eq0_0_0_4 ค่าความคลาดเคลื่อนมีสหสัมพันธ์ในตัวเอง หรือเกิดปัญหา Autocorrelation การแก้ไขปัญหาทำได้โดยการลด หรือเพิ่ม integrated (diff 0,2 : เพื่อเปลี่ยนรูปแบบ สมการใหม่) แต่บางครั้งการแก้ไขปัญหาก็อาจเพิ่มปัญหาใหม่ขึ้นมาอีกก็ได้ การไม่แก้ไขก็เป็นทางเลือกหนึ่ง ที่ควรพิจารณา ที่ Equation: eq0_0_0_4 คลิก tab Forecast
122 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast >> Forecast name: gppkknqf3 Method เลือก Static forecast คลิก OK Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.114407 (มีค่าน้อย = ความ แม่นยำของการพยากรณ์สูง)
123 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เปรียบเทียบค่าพยากรณ์(GPPKKNQF3) กับค่าจริง (GPPKKNQ) Forecast name: gppkknqf4 Method>> Dynamic forcast (Forecast sample 2562q1 2563q4)
124 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2562 – 2563 ผลการพยากรณ์ GPP สาขาเกษตร รายไตรมาส จังหวัดขอนแก่น ปี 2562 – 2563
125 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5.3 การพยากรณ์ข้อมูลรายเดือน 5.3.1 วิธีกำลังสองน้อยที่สุด สาธิตโดยใช้ข้อมูลดัชนีผลผลิตสินค้าเกษตรจังหวัดขอนแก่น เป็นข้อมูลรายเดือนตั้งแต่มกราคม 2549 ถึง ธันวาคม 2562 โดยเก็บข้อมูลในชื่อ Series production_indm sheet : Untitled4 Series production_indm : ดัชนีผลผลิตสินค้าเกษตร รายเดือน มกราคม 2549 : ธันวาคม 2562 จังหวัดขอนแก่น มีขั้นตอนในการพยากรณ์ ดังนี้ 1. ทดสอบ Seasonal Unit Root การทดสอบความนิ่งของอนุกรมเวลาแบบฤดูกาลตามแบบ ของ Franses (Philip Hans Franses) โดยการทดสอบนัยสำคัญของพารามิเตอร์ในสมการต่อไปนี้ โดยที่ สมมติฐาน (Hypothesis) ของการทดสอบ รายปี คือ H0 : π1 = 0 (has unit root) ใช้การทดสอบ t - test รายครึ่งปี คือ H0 : π2 = 0 (has unit root) ใช้การทดสอบ t - test รายฤดูกาล คือ H0 : π3 ... π12 = 0 (has unit root) ใช้การทดสอบ F-test
126 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เปิด Series production_indm ที่ tab Proc>> Add-ins>> Franses ผลการทดสอบ Seasonal Unit Root (Franses Test) ข้อมูลรายปี รายครึ่งปี และรายฤดูกาล ค่าสถิติ t, F น้อยกว่า ค่าวิกฤตที่ 0.01 0.05 0.10 อยู่ในเขตยอมรับสมมติฐาน ข้อมูลมีลักษณะไม่นิ่ง
127 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2. การประมาณค่าสมการ เริ่มที่ เมนู Quick >>Estimate Equation Equation Estimation >> Specification>> production_indm c production_indm(-1) @expand(@month, @droplast) Click OK
128 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย คลิก Name เพื่อตั้งชื่อ 3. การตรวจสอบ Autocorrelation วิธี Breusch-Godfrey serial correlation LM Test: ที่เมนู View>> Residual Diagnostics>> Serial Correlation LM Test…
129 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Lag Specification >> Lag to include: 11 ตอบ OK ได้ค่า N*R2 =18.64582 ค่า Prob. Chi-Square(11) = 0.0678 ไม่มีนัยสำคัญทางสถิติที่ระดับ 0.05 ยอมรับ H0 : No serial correlation at up to 11 lags (ไม่มีปัญหา Autocorrelation) 4. การตรวจสอบ Heteroskedasticity ที่เมนู View >> Residual Diagnostics >> Heteroskedasticity Test…
130 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Heteroskedasticity Tests >> Specification เลือก Breusch-Pagan-Godfrey ตอบ OK ได้ค่า N*R2 = 38.32037 Prob. Chi-Square(12) = 0.0001 มีนัยสำคัญทางสถิติที่ระดับ 0.01 ปฏิเสธ H0 : Homoskedasticity (มีปัญหา Heteroskedasticity)
131 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย การบรรเทาปัญหา Heteroskedasticity ก่อนอื่น copy eq01 >> eq02 ที่เมนู Object Copy Objects… ที่ eq02>> Equation Estimation >>Click Option ที่ Options Covariance method เลือก HAC (Newey-West) จากนั้นคลิก OK
132 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะได้ค่า Std. Error และ t-Statistic ที่คำนวณขึ้นใหม่ 5. การพยากรณ์เริ่มด้วยการขยาย Workfile ออกไปอีก 1 ปี (2563) ด้วยคำสั่ง pagestruct(end=@last+12) * ที่ Equation: EQ02 คลิกที่ tab Forecast
133 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast name: production_indmf, Forecast sample 2549m01 2562m12 Method Static forecast คลิก OK Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.083783 (มีค่าน้อย = ความ แม่นยำของการพยากรณ์สูง)
134 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เปรียบเทียบค่าพยากรณ์(production_indmf) กับค่าจริง (production_indm) Forecast name: production_indmf1 Dynamic forcast (Forecast sample 2563m01 2563m12)
135 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ ดัชนีผลผลิตสินค้าเกษตร จังหวัดขอนแก่น มกราคม - ธันวาคม 2563 ผลการพยากรณ์ ดัชนีผลผลิตสินค้าเกษตร จังหวัดขอนแก่น มกราคม - ธันวาคม 2563
136 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5.3.2 วิธีของบอกซ์-เจนคินส์ (Box-Jenkins) สาธิตโดยใช้ข้อมูลดัชนีผลผลิตสินค้าเกษตรจังหวัดขอนแก่น เป็นข้อมูลรายเดือนตั้งแต่มกราคม 2549 ถึง ธันวาคม 2562 โดยเก็บข้อมูลในชื่อ Series production_indm sheet : Untitled4 มี ขั้นตอนในการพยากรณ์ ดังนี้ 1. การกำหนดรูปแบบจำลอง ที่ tab View >> Correlogram… เลือก 1 st difference Lags to include = 36 คลิก OK
137 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะเห็นได้ว่าค่า rk ลดลงเร็วเข้าใกล้ 0 ที่ rk=11 รูปแบบ seasonal คือ sma(12) ค่า rkk และ rk ลดลงเร็วเข้าใกล้ 0 ที่ rkk และ rk =1 รูปแบบ Regular คือ ar(1) ma(1) ดังนั้น รูปแบบที่เป็นไปได้ 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)
138 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2. การประมาณค่าแบบจำลอง การใช้ Script Auto-Seasonal เปิด Series production_indm ที่ tab Proc>> Add-ins>> Auto-Seasonal จะได้สมการ ma(1) sar(12) sma(12)
139 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ma(1) sma(12) sma(12)
140 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 3. การตรวจสอบ Autocorrelation ที่ tab View>> Residual Diagnostics>> Correlogram – Q-statistics… ค่า Prob ที่ได้น้อยกว่า 0.05 ปฏิเสธสมมุติฐานหลัก (H0 ) แบบจำลองมีปัญหา Autocorrelation
141 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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
142 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5. การตรวจสอบการกระจายของค่าความคลาดเคลื่อน (Normality Test) ที่ tab View>>Residual Diagnostics>> Histogram – Normality Test… ค่าสถิติ Jarque-Bera = 620.6521 Probability = 0.00000 ปฏิเสธสมมติฐาน ค่าความ คลาดเคลื่อนไม่มีการกระจายแบบปกติ 6. การพยากรณ์ ที่ Equation: eq0_1_0_12 คลิก tab Forecast
143 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Forecast >> Forecast name: production_if2 Method เลือก Static forecast คลิก OK Forecast evaluation ค่าสถิติ Theil Inequality Coef. = 0.089164 (มีค่าน้อย = ความ แม่นยำของการพยากรณ์สูง)
144 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เปรียบเทียบค่าพยากรณ์production_indmf2 กับค่าจริง production_indm Forecast name: production_indmf3 Method>> Dynamic forcast (Forecast sample 2563m01 2563m12)
145 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ ดัชนีผลผลิตสินค้าเกษตร รายเดือน จังหวัดขอนแก่น ปี 2563 ผลการพยากรณ์ ดัชนีผลผลิตสินค้าเกษตร รายเดือน จังหวัดขอนแก่น ปี 2563
146 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5.4 การพยากรณ์ข้อมูลความถี่ผสม การพยากรณ์ข้อมูลอนุกรมเวลาแบบดั้งเดิมจะต้องใช้ตัวแปรที่มีความถี่เท่ากัน ซึ่งอาจจะไม่ สอดคล้องกับรายงานการจัดเก็บข้อมูลที่ส่วนใหญ่มีช่วงเวลาและความถี่ที่แตกต่างกัน เช่นการรายงาน ข้อมูล GDP เป็นรายไตรมาส ขณะที่การจัดเก็บข้อมูลดัชนีผลผลิต ดัชนีราคาจะเป็นข้อมูลรายเดือน การ ปฏิบัติที่ผ่านมาคือรวมข้อมูลรายเดือนให้เป็นรายไตรมาส ทำให้เราสูญเสียความถี่หรือช่วงเวลาซึ่งอาจจะ สะท้อนความจริงได้มากกว่า และอาจนำไปสู่การพยากรณ์ที่มีความแม่นยำน้อยลง Mixed-Data Sampling (MIDAS) เป็นวิธีการประมาณค่าและการพยากรณ์จากแบบจำลองที่ มีการใช้ตัวแปรตามที่มีความถี่ต่ำกว่าหนึ่งหรือมากกว่าความถี่ของตัวแปรอิสระ โดยใช้ข้อมูลที่มีความถี่สูง เป็นตัวพยากรณ์หรือประมาณค่าข้อมูลหรือตัวแปรที่มีความถี่ต่ำกว่า ขอสาธิตแบบจำลองสมการเชิงเดี่ยวซึ่งมีชุดข้อมูลความถี่ผสม หรือAutoregressive Distributed Lag-MIDAS model (ADL-MIDAS) โดยกำหนดให้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร รายไตร มาส จังหวัดขอนแก่น ปี 2549q1 – 2561q4 แบบปริมาณลูกโซ่ (Gross Domestic Product, Chain Volume Measures : Agriculture) โดยเก็บข้อมูลในชื่อ Series gppkknq sheet : Untitled3 เป็น ตัวแปรตามในแบบจำลอง และกำหนดให้ข้อมูลดัชนีผลผลิตสินค้าเกษตรจังหวัดขอนแก่น เป็นข้อมูลราย เดือนตั้งแต่มกราคม 2549 ถึง ธันวาคม 2563 โดยเก็บข้อมูลในชื่อ Series production_indmf3 sheet : Untitled4 เป็นตัวแปรอิสระ โดยมีความถี่เป็นแบบรายเดือน ทั้งนี้หากกำหนดให้ คือ ข้อมูล ผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตรรายไตรมาสจังหวัดขอนแก่น และ คือ ดัชนีผลผลิตสินค้า เกษตร โดยที่ ค่า Q แสดง ให้เห็นว่าเป็นข้อมูลรายไตรมาส และ ค่า M แสดงให้เห็นว่าเป็นข้อมูลรายเดือน ดังนั้น แบบจำลอง ADL-MIDAS สามารถเขียนได้ดังนี้