47 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Text Labels>> Text for label พิมพ์>> เครื่องชี้ทางด้านเศรษฐกิจการเกษตร Justification เลือก Center Position เลือก Above center Text box เลือก Large Frame color เลือก green จากนั้นคลิก OK คลิก tab Name
48 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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 จะเปลี่ยนแปลงตามด้วย แต่ถ้า Group เปลี่ยนแปลงใด ๆ จะไม่มีผลกระทบถึง Series Create Group ที่ Command >> พิมพ์ group จะได้ Series List พิมพ์ชื่อ Series ที่ต้องการ ให้เป็นสมาชิกใน Group เช่น >> board (คะแนนการบริหารจัดการของคณะกรรมการกลุ่มผู้ใช้น้ำ), comm (คะแนนการติดต่อสื่อสาร ประชาสัมพันธ์ของคณะกรรมการ) จากนั้นคลิก OK
49 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะได้ Series board comm มาเป็นสมาชิกอยู่ใน Group UNTITLED ที่ Group UNTITLED คลิก Name ตั้งชื่อ g1 คลิก OK
50 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Group g1 คลิกที่ tab Compare เพื่อเปรียบเทียบข้อมูลทั้ง 2 ชุด ผลลัพธ์จากการ Compare สามารถใช้งาน Group ในลักษณะของ Xlist เป็นตัวแปรในสมการได้
51 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะปรากฏ Series ในสมการได้ถูกต้อง นอกจากนั้น Group ยังมีฟังก์ชั่นให้ใช้งานอีกหลากหลาย คลิกที่ tab View จะปรากฏฟังก์ชั่นใช้ งาน ในลักษณะ Pull Down Menu ยกตัวอย่างเช่น>> Group Members
52 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Group Members คลิกขวา >> Edit Members… เพิ่มหรือลบ Series Members ได้ เช่นเพิ่ม Series econ social env เสร็จแล้วคลิก OK จะเห็นได้ว่า Series econ social env เข้าเป็นสมาชิก Group G1 แล้ว
53 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 3.10 System เป็น Object ที่ใช้งานในลักษณะของกลุ่มสมการที่เกี่ยวเนื่องกันหลาย ๆ สมการ (Simultaneous Equations) เช่น Weighted Least Squares, Seemingly Unrelated Regression (SUR), Weighted Two-stage Least Squares, Three-stage Least Squares, Fullinformation Maximum Likelihood (FIML), Generalized Method of Moments (GMM), and Autoregressive Conditional Heteroskedasticity (ARCH) Estimation Techniques. เป็นต้น สาธิตตัวอย่าง Seemingly Unrelated Regression (SUR), เป็นวิธีการประมาณค่าพารามิเตอร์ ในระบบสมการเชิงเส้น โดยพิจารณาจากค่าความคลาดเคลื่อน (Error Term) ตามข้อสมมติฐานที่ว่า ความคลาดเคลื่อนของสมการใด สมการหนึ่งมีความสัมพันธ์กับค่าความคลาดเคลื่อนของสมการอื่น ๆ และแม้ว่าความสัมพันธ์ระหว่างตัวแปรความคลาดเคลื่อนที่มาจากต่างสมการจะมีค่าน้อย การประมาณค่า ด้วยวิธี SUR ยังคงมีประสิทธิภาพ สำหรับตัวแปรความคลาดเคลื่อนที่มีการแจกแจงแบบปกติ SUR จะมี ประสิทธิภาพสูงสุด สมการคำนวณค่าพารามิเตอร์ด้วยวิธีSeemingly Unrelated Regression (SUR) จากข้อมูลงานวิชาการ “การบริหารจัดการทรัพยากรน้ำ” ตัวแปรอิสระประกอบด้วย การ ดำเนินงานกิจกรรมของคณะกรรมการ (board) การติดต่อสื่อสารของคณะกรรมการ (comm) ส่วนตัว แปรตามคือ ปัจจัยหรือกิจกรรมที่สนับสนุนให้กลุ่มประสบผลสำเร็จ 3 ด้านคือ เศรษฐกิจ (econ) สังคม ชุมชน (social) และสิ่งแวดล้อม (env) สามารถหาความสัมพันธ์ดังนี้ 1. econSUR = a1 + b11 board + b21 comm + eecon 2. socialSUR = a2 + b12 board + b22 comm + esocial 3. envSUR = a3 + b13 board + b23 comm + eenv
54 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ command line ใช้คำสั่ง system sys1 จะได้ Object System ชื่อ sys1 คลิกที่ tab Proc>> Define System… Tab Make System >> Dependent variables ใส่ตัวแปรตาม econ social env ที่ Regressors >> ใส่ตัวแปรอิสระ board comm จากนั้นคลิก OK
55 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะขึ้น Pop up ถามการเปลี่ยนแปลง ตอบ Yes Set ตัวแปรตามรูปแบบสมการ ที่ tab Proc>> Estimate… ที่ System Estimation >> Estimation Method >> Estimation method เลือก Seemingly Unrelated Regression คลิก OK
56 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Estimation Sys1 Output จะเห็นได้ว่าค่าสถิติ Determinant residual covariance = 0.006709 มีค่าน้อย หมายความว่า ข้อมูลเข้ากันได้ดีกับรูปแบบสมการนี้
57 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ต้องการดูค่าสถิติ Covariance Residual ที่ tab View >> Estimation Covariance Residual Covariance Matrix
58 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 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) และการวัดการกระจายของข้อมูล (Measure of Dispersion) เป็นต้น 4.1 Set up Live Statistics Live Statistics เป็น Option ให้เลือกติดตั้งเพื่อแสดงผลค่าสถิติ พื้นฐานที่เราต้องการให้แสดงที่ Task Bar มีขั้นตอนการติดตั้ง ดังนี้ 1. ที่เมนู Options>> General Options… 2. ที่ General Options >> Spreadsheets>> Live statistics เลือก Statistics Display : Series, Group ซึ่งเลือกได้ไม่เกิน 6 item คลิก OK
59 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 3. เปิด Series, Group จะเห็นรายการสถิติแสดงที่ task bar ด้านล่าง 4.2 Correlation สหสัมพันธ์เป็นการศึกษาความสัมพันธ์ระหว่างข้อมูลหรือตัวแปรตั้งแต่ 2 ตัว ขึ้นไป ว่ามีความสัมพันธ์กันในระดับใด และมีความสัมพันธ์ในทิศทางใด : ซึ่งจะเป็นประโยชน์ในการ ตัดสินใจใช้เครื่องมือใดในการวิเคราะห์ต่อไป เปิด Group g1 ที่เมนู View >> Covariance Analysis…
60 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ tab Covariance Analysis >> Statistics เลือก Correlation Layout เลือก Single table คลิก OK Correlation Output : ซึ่งจะเห็นได้ว่า ตัวแปร board กับ comm, board กับ econ, comm กับ econ และ econ กับ env มีสหสัมพันธ์กันสูงอยู่พอสมควร (มากกว่า 0.8)
61 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 4.3 One-Way Tabulation การนำเสนอข้อมูลผลการวิจัยด้วยตารางการณ์จร (Contingency Table) แบบทางเดียว ทำให้เข้าใจง่ายและไม่ซับซ้อน 1. เพศ (gender) เพศหญิง = 0, เพศชาย = 1 เปิด Series gender คลิกที่ tab Properties ที่ tab Properties >> ValueMap ValMap name: พิมพ์ vlmsex คลิก OK
62 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จากนั้น คลิกที่ tab View>> One-Way Tabulation… คลิก OK gender One-Way Tabulation Output
63 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2. อายุ (age) อายุน้อยกว่า 30 ปี = 1, อายุ 30–40 ปี = 2, อายุ 41-50 ปี = 3, อายุ 51–60 ปี = 4, อายุ 61 ปี ขึ้นไป = 5 การแบ่งช่วงอายุเริ่มต้นที่ 30 ปี ด้วยเหตุผลว่า เกษตรกรที่อยู่ในวัยนี้จะเริ่มต้นจริงจังกับการ ทำงานเพื่อสร้างฐานะและความมั่นคงของครอบครัว และคงจะไม่ค่อยเปลี่ยนงานหรืออาชีพ เปิด Series dummy_age คลิกที่ tab Properties ที่ tab Properties >> ValueMap ValMap name: พิมพ์ vlmage คลิก OK
64 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จากนั้น คลิกที่ tab View>> One-Way Tabulation… คลิก OK age One-Way Tabulation Output
65 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย การใช้ Script TB1_age เปิด Series age ที่ tab Proc>> Add-ins>> TB1_Age Age Output
66 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 3. จำนวนปีการศึกษา (edu) การใช้จำนวนปีการศึกษาแทนระดับการศึกษาก็เพื่อให้ได้ตัวแปร ที่เป็นข้อมูลต่อเนื่อง สามารถใช้เครื่องมือสถิติขั้นสูงวิเคราะห์ได้ อย่างไรก็ดี การนำเสนอข้อมูลในลักษณะ การจัดกลุ่มตัวแปร ก็ยังคงต้องนำเสนอเช่นเดียวกัน โดยกำหนดให้ จำนวนปีการศึกษา 0 – 4 ปี = 1, 5 – 9 ปี = 2, 10 – 15 ปี = 3 และ ตั้งแต่ 16 ปี ขึ้นไป = 4 เปิด Series dummy_edu คลิกที่ tab Properties ที่ tab Properties >> ValueMap ValMap name: พิมพ์ vlmedu คลิก OK
67 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จากนั้น คลิกที่ tab View>> One-Way Tabulation… คลิก OK Edu One-Way Tabulation Output
68 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย การใช้ Script TB2_Edu เปิด Series edu ที่ tab Proc>> Add-ins>> TB2_Edu Edu Output
69 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 4.4 N–Way Tabulation การนำเสนอข้อมูลผลการวิจัยด้วยตารางการณ์จร (Contingency Table) แบบหลายทาง เพื่อนำเสนอรายละเอียดข้อมูลเพิ่มมากขึ้น เช่น เพศหญิงกับช่วงอายุต่าง ๆ เพศ ชายกับช่วงอายุต่าง ๆ เป็นต้น Crtl Click ที่ Series gender, dummy_age คลิกขวา >> Open as Group ที่ Group UNTITLE View>> N-Way Tabulation…
70 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Crosstabulation Output เลือก Count, Row% ที่ Layout Table เลือก Show Row Margins, Show Column Margins, Show Table Margins คลิก OK คลิก Freeze
71 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะได้ Table: UNTITLE 4.5 Likert Scale Likert Rating Scales คือมาตรวัดที่ใช้สำหรับให้ผู้ตอบแสดงความ คิดเห็น โดยมีเกณฑ์การให้คะแนน 5 ระดับ จากข้อความ (แบบสอบถาม) ที่กำหนดให้ผู้ตอบข้อมูลระบุ คือ มากที่สุด มาก ปานกลาง น้อย และน้อยที่สุด คะแนนจากคำตอบที่ผู้ให้ข้อมูลเลือกตอบนำมาคำนวณ น้ำหนักเฉลี่ย (Weight Mean Score) ดังนี้ WMS = 5F1+4F2+3F3+2F4+1F5 N WMS = คะแนนเฉลี่ยระดับการตอบคำถาม F1 = ความถี่ของผู้ตอบข้อมูลที่เลือกตอบว่า มากที่สุด F2 = ความถี่ของผู้ตอบข้อมูลที่เลือกตอบว่า มาก F3 = ความถี่ของผู้ตอบข้อมูลที่เลือกตอบว่า ปานกลาง F4 = ความถี่ของผู้ตอบข้อมูลที่เลือกตอบว่า น้อย F5 = ความถี่ของผู้ตอบข้อมูลที่เลือกตอบว่า น้อยที่สุด N = จำนวนของผู้ตอบข้อมูลทั้งหมด
72 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย เกณฑ์การให้คะแนน มากที่สุด ได้ 5 คะแนน มาก ได้ 4 คะแนน ปานกลาง ได้ 3 คะแนน น้อย ได้ 2 คะแนน น้อยที่สุด ได้ 1 คะแนน เกณฑ์การแปลความหมาย คะแนนเฉลี่ย ความหมาย 4.21 – 5.00 มี (ความคิดเห็น...) ในระดับมากที่สุด 3.41 – 4.20 มี (ความคิดเห็น...) ในระดับมาก 2.61 – 3.40 มี (ความคิดเห็น...) ในระดับปานกลาง 1.81 – 2.60 มี (ความคิดเห็น...) ในระดับน้อย 1.00 – 1.80 มี (ความคิดเห็น...) ในระดับน้อยที่สุด เกณฑ์ในการกำหนดช่วงคะแนน มีวิธีคำนวณ ดังนี้ พิสัย = คะแนนมาก - คะแนนน้อย จำนวนชั้น = 5 ช่วงคะแนนเฉลี่ย = พิสัย จำนวนชั้น = 5−1 5 ช่วงคะแนนเฉลี่ย = 0.8
73 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Open Series dummy_board Click Properties ที่ tab Properties >> ValueMap ValMap name: พิมพ์ vlmboard คลิก OK จากนั้น คลิกที่ tab View>> One-Way Tabulation…
74 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย คลิก OK Dummy_board One-Way Tabulation Output คลิก Freeze จะได้ Table: UNTITLE
75 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย การใช้ Script TB3_Scores1-5 เปิด Series board ที่ tab Proc>> Add-ins>> TB3_Scores1-5 Board Output
76 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 5. Time Series อนุกรมเวลา หมายถึงข้อมูลหรือค่าสังเกตที่เก็บรวบรวมตามลำดับเวลาที่เกิดขึ้นอย่างต่อเนื่อง ช่วงเวลาที่เก็บอาจห่างเท่ากันหรือไม่เท่ากันก็ได้ แต่ส่วนใหญ่จะห่างเท่ากัน ช่วงเวลาอาจเป็นรายวัน ราย สัปดาห์ รายเดือน รายไตรมาส หรือรายปี ข้อมูลอนุกรมเวลาประกอบด้วยส่วนประกอบที่สำคัญ 4 อย่างคือ 1. แนวโน้ม (Trend : T) หมายถึงอนุกรมเวลาที่มีการเคลื่อนไหวในระยะยาวจะมีแนวโน้มเพิ่มขึ้น หรือลดลง ซึ่งลักษณะแนวโน้มอาจจะเป็นเส้นตรงหรือเส้นโค้งก็ได้ 2. ความผันแปรตามฤดูกาล (Seasonal Variation : S) หมายถึงอนุกรมเวลาที่เปลี่ยนแปลง เนื่องจากอิทธิพลของฤดูกาล ซึ่งจะเกิดขึ้นซ้ำ ๆ กันในช่วงเวลาเดียวกันของแต่ละปี 3. ความผันแปรตามวัฏจักร (Cyclical Variation : C) หมายถึงอนุกรมเวลาที่มีการเคลื่อนไหวใน ลักษณะซ้ำ ๆ กัน คล้ายกับความผันแปรตามฤดูกาล ต่างกันที่ระยะเวลาการเคลื่อนไหวของข้อมูลจะมี ระยะเวลานานกว่า 1 ปี 4. ความผันแปรอันเนื่องจากเหตุการณ์ผิดปกติ (Irregular Variation : I) หมายถึงอนุกรมเวลา ที่มีการเคลื่อนไหวในรูปแบบที่ไม่แน่นอน ลักษณะของข้อมูลที่เกิดขึ้นจากเหตุการณ์ที่ไม่ได้คาดการณ์ ไว้ล่วงหน้า 5.1 การพยากรณ์ข้อมูลรายปี 5.1.1 วิธีกำลังสองน้อยที่สุด (Ordinaly Least Square Method) เป็นวิธีการวิเคราะห์การ ถดถอยเส้นตรงโดยการทำให้ผลบวกของกำลังสองของส่วนที่เบี่ยงเบนไปจากเส้นถดถอยของค่าสังเกตของ ตัวแปรมีค่าน้อยที่สุด ขอสาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร จังหวัดขอนแก่น ปี 2538 – 2561 ณ ราคาประจำปี (Gross Domestic Product at Current Market Prices : Agriculture) โดยเก็บข้อมูลใน ชื่อ Series gppkkn sheet : Untitled2 Yt = a + bYt-1 + et ใช้คำสั่ง eq01.ls Y c Y(-1) โดยที่ Yt = ตัวแปร y ใดๆ ณ เวลา t a = Constant b = Coefficient et = Residual
77 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Series gppkkn : ผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร ปี2538 : 2561 จังหวัดขอนแก่น มีขั้นตอนในการพยากรณ์ ดังนี้ 1. การประมาณค่าสมการ เริ่มที่ เมนู Quick >>Estimate Equation Equation Estimation >> Specification>> gppkkn c gppkkn(-1) Click OK
78 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย คลิก Name เพื่อตั้งชื่อ 2. การตรวจสอบ Autocorrelation เป็นไปตามข้อสมมติพื้นฐานของวิธีการกำลังสองน้อยที่สุด (OLS) ที่มีข้อสมมติพื้นฐานว่า ตัวคลาดเคลื่อนต้องไม่มีสหสัมพันธ์ระหว่างกัน การทดสอบมีหลายวิธี ซึ่งจะ ให้ผลที่ใกล้เคียงกัน ขอสาธิตวิธี Breusch-Godfrey serial correlation LM Test: ดังนี้ ที่เมนู View>> Residual Diagnostics>> Serial Correlation LM Test… Lag Specification >> Lag to include: 2 ตอบ OK
79 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ได้ค่า N*R2 =2.278468 ค่า Prob. Chi-Square(2) = 0.3201 ไม่มีนัยสำคัญทางสถิติ ยอมรับ H0 : No serial correlation at up to 2 lags 3. การตรวจสอบ Heteroskedasticity เป็นไปตามข้อสมมติพื้นฐานของวิธีการกำลังสองน้อย ที่สุด (OLS) ที่มีข้อสมมติพื้นฐานว่า ตัวคลาดเคลื่อนจะต้องมีความแปรปรวนคงที่ การที่ตัวคลาดเคลื่อนมีความแปรปรวนไม่คงที่ หรือเกิดปัญหา Heteroskedasticity จะทำให้ตัว ประมาณค่าสัมประสิทธิ์ของสมการถดถอยยังคงมีคุณสมบัติ Unbiased และ Consistency แต่จะสูญเสีย คุณสมบัติ Efficiency นอกจากนี้การใช้วิธีการ OLS ในการประมาณค่าสัมประสิทธิ์ของสมการถดถอย เมื่อมีปัญหา Heteroskedasticity ก็จะทำให้ค่าความคลาดเคลื่อนมาตรฐานของตัวประมาณค่า สัมประสิทธิ์ของสมการถดถอยมีค่าแตกต่างไปจากความเป็นจริง ส่งผลให้ค่า t-statistic ที่คำนวณได้ ของ ค่าสัมประสิทธิ์แต่ละตัวไม่น่าเชื่อถือ ทำให้การทดสอบสมมติฐานของค่าสัมประสิทธิ์ในสมการถดถอยขาด ความน่าเชื่อถือไปด้วย (อัครพงศ์ อั้นทอง, 2550) ที่เมนู View >> Residual Diagnostics >> Heteroskedasticity Test…
80 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Heteroskedasticity Tests >> Specification เลือก Breusch-Pagan-Godfrey ตอบ OK ได้ค่า N*R2 = 10.12597 Prob. Chi-Square(1) = 0.0015 มีนัยสำคัญ ปฏิเสธ H0 : Homoskedasticity (เกิดปัญหา Heteroskedasticity)
81 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
82 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย จะได้ค่า Std. Error และ t-Statistic ที่คำนวณขึ้นใหม่ 4. การพยากรณ์เริ่มด้วยการขยาย Workfile ออกไปอีก 3 ปี (2562 – 2564) ด้วยคำสั่ง pagestruct(end=@last+3) *
83 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ที่ Equation: EQ02 คลิกที่ tab Forecast Forecast name: gppkknf, S.E. gppkknse, Forecast sample 2562 2564 คลิก OK
84 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ผลการพยากรณ์ GPP สาขาเกษตร จังหวัดขอนแก่น ปี 2562 - 2564 สร้างค่าประมาณแบบเป็นช่วง ด้วยคำสั่ง genr lower = gppkknf-(1.96*gppkknse), genr upper = gppkknf+(1.96*gppkknse) ใช้ Mouse Click ที่ Series gppkkn gppkknf จากนั้น คลิกขวา Open as Group ที่เมนู View >> Graph… Graph Type เลือก Line & Symbol เลือก Multiple graphs ตอบ OK
85 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ใช้ Mouse Click ที่ Series lower gppkknf gppkkn upper จากนั้น คลิกขวา Open as Group ที่เมนู View >> Graph… Graph Type เลือก Line & Symbol เลือก Single graph ตอบ OK 5.1.2 วิธีของบอกซ์-เจนคินส์ (Box-Jenkins) สมเกียรติ เกตุเอี่ยม (2548) กล่าวถึงการ พยากรณ์อนุกรมเวลาด้วยวิธี บอกซ์/เจนคินส์ ว่าเป็นวิธีการพยากรณ์ที่ยุ่งยากซับซ้อน ต้องใช้เวลาและ ข้อมูลในการคำนวณค่อนข้างมาก แต่มีข้อดีหลายประการ เช่น เป็นวิธีที่มีความแม่นยำของการพยากรณ์ ค่อนข้างสูง ใช้ได้กับข้อมูลที่มีการเคลื่อนไหวทุกประเภท แบ่งข้อมูลอนุกรมเวลาได้เป็น 2 แบบ ดังนี้ (1) อนุกรมเวลาที่เป็นสเตชันนารี (Stationary Time Series) เป็นอนุกรมเวลาที่ค่าสังเกต (Yt ) มี คุณสมบัติคือค่าเฉลี่ย ค่าความแปรปรวน และฟังก์ชั่นส์ความน่าจะเป็น ณ เวลาต่าง ๆ คงที่ กล่าวคือไม่ เปลี่ยนแปลงตามเวลาที่เปลี่ยนไป การกำหนดตัวแบบให้กับอนุกรมเวลาที่เป็นสเตชันนารี จะกำหนดตัว แบบในรูป ARMA (p,q) ซึ่งประกอบไปด้วยตัวแบบ AR (p) (Autoregressive order p) และตัวแบบ MA (q) (Moving Average order q)
86 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย (2) อนุกรมเวลาที่ไม่เป็นสเตชันนารี (Nonstationary Time Series) เป็นอนุกรมเวลาที่ค่าสังเกต (Yt ) มีคุณสมบัติทางสถิติไม่คงที่ คือเปลี่ยนไปตามเวลาที่เปลี่ยนแปลง อนุกรมเวลาที่ไม่เป็นสเตชันนารี จะต้องแปลงให้เป็นอนุกรมเวลาใหม่ที่มีคุณสมบัติสเตชันนารีก่อนจึงจะใช้ตัวแบบ ARMA (p, q) ต่อไป วิธีการพยากรณ์ มีขั้นตอนดังนี้ 1) หารูปแบบที่เหมาะสม รูปแบบที่กำหนดให้อนุกรมเวลาเป็นรูปแบบของ ARIMA (p,d,q) (Integrated Autoregressive – Moving Average order p and q) เป็นการรวมรูปแบบ AR(p) และ รูปแบบ MA(q) เข้าด้วยกัน ส่วนอันดับของ d คือจำนวนครั้งที่หาผลต่าง (integrated) (จารึก สิงหปรีชา, 2554) รูปแบบ AR(p) , MA(q) และ ARMA (p,q) กำหนดได้ดังนี้ 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) ประกอบด้วย 3 ส่วน คือ 1.1) การถดถอยด้วยตนเอง (Autoregressive; AR:p) 1.2) การมีอันดับ (Integrated; I:d) 1.3) การเคลื่อนที่ของความคลาดเคลื่อน (Moving Average; MA:q) รูปแบบทั่วไปของ ARIMA สามารถเขียนเป็นความสัมพันธ์ได้ดังนี้ ARIMA (p,d,q) ; Δ d Yt = θ0 + φt Yt-1+…+ φp Yt-p+ θ1εt-1 -…- θq εt-q การกำหนดรูปแบบที่เหมาะสมให้กับอนุกรมเวลาใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบออโต (Autocorrelation Function :ACF) และค่าสัมประสิทธิ์สหสัมพันธ์บางส่วนแบบออโต (Partial Autocorrelation Function :PACF) สำหรับอนุกรมเวลาที่มีลักษณะเป็น Stationary จะมีคุณสมบัติ 3 ประการคือ 1 มีค่าเฉลี่ยคงที่ทุกช่วงเวลา : E(Yt ) = μ = E(Yt+m) 2 ความแปรปรวนคงที่ในทุกช่วงเวลา : Var (Yt ) = Var (Yt+m) = σ 2 Y 3. ความแปรปรวนร่วมของตัวมันเอง (Auto Covariance) จะคงที่ในทุกค่าของ t ที่มี lag เท่ากัน : Cov (Yt , Yt-m) = Cov(Yh , Yh-s ) โดยที่ m = s
87 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย แต่ถ้าอนุกรมเวลามีลักษณะเป็น Nonstationary ต้องแปลงอนุกรมเวลาให้เป็นอนุกรมเวลา ใหม่ที่ Stationary ด้วยวิธีการต่าง ๆ ดังนี้ วิธีที่ 1 การหาผลต่างปกติ (Regular Difference) ถ้าอนุกรมเวลาได้รับอิทธิพลของแนวโน้ม จะต้องปรับให้เป็นอนุกรมเวลาใหม่ที่ไม่มีแนวโน้ม โดย Zt = Δ d Yt โดยที่ d = ลำดับของการหาผลต่างปกติ เช่น เมื่อ d = 1 Zt = Δ 1 Yt = Yt – Yt-1 เมื่อ d = 2 Zt = Δ 2 Yt =Δ (Yt -Yt-1 ) = ΔYt -ΔYt-1 = (Yt – Yt-1 )- (Yt-1 -Yt-2 ) = Yt – 2Yt-1 + Yt-2 เมื่อรูปแบบของ Box and Jenkins อยู่ในรูปแบบ Backward Shift Operator ซึ่งกำหนด สัญลักษณ์เป็น “B” กำหนดให้BYt = Yt-1 และ B d Yt = Yt-d ดังนั้น ΔYt = Yt – Yt-1 ΔYt = Yt – BYt ΔYt = (1 – B) Yt วิธีที่ 2 การหาผลต่างฤดูกาล (Seasonal Differenc) ถ้าอนุกรมเวลาได้รับอิทธิพลของ ฤดูกาล จะต้องปรับอนุกรมเวลาใหม่ให้เป็นอนุกรมเวลาที่ไม่มีฤดูกาล โดย Zt = Δ d TYt = (1 – B T ) d Yt โดยที่ d = ลำดับของการหาผลต่างฤดูกาล T = จำนวนฤดูกาลต่อปี เมื่อ d=1 และ T=12 Zt = Δ 1 12 Yt = (1 – B 12)Yt = Yt – B 12Yt = Yt – Yt-12 วิธีที่ 3 การหาผลต่างปกติและผลต่างฤดูกาล กรณีที่อนุกรมเวลาได้รับอิทธิพลจากแนวโน้ม และฤดูกาล จะปรับอนุกรมเวลาโดยการหาผลต่างปกติและผลต่างฤดูกาลควบคู่กันไป โดย Zt=Δ dΔ D TYt = (1 – B)d (1 – B T ) D Yt โดยที่ d= ลำดับของการหาผลต่างปกติ D= ลำดับของการหาผลต่างฤดูกาล และ T= จำนวนฤดูกาลต่อปี เมื่อ d = 1 D = 1 และ T=12 Zt=ΔΔ12Yt = (1 – B)(1 – B 12)Yt = Yt – Yt-1 – Yt -12 + Yt-13 วิธีที่ 4 การหา Natural Logarithm เมื่ออนุกรมเวลามีค่าความแปรปรวนไม่คงที่ โดย Zt = ln (Yt )
88 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2) การพยากรณ์ การพยากรณ์ด้วยวิธี Box and Jenkins ใช้กับอนุกรมเวลาที่มีลักษณะเป็น Stationary ไม่มี อิทธิพลของฤดูกาลและแนวโน้ม ซึ่งสามารถทำตามขั้นตอนดังนี้ ขั้นที่ 1 การกำหนดรูปแบบ (Identification) การกำหนดรูปแบบจำลอง ARIMA (p,d,q) โดยการพิจารณาคอเรลโลแกรม Autocorrelation Function (ACF) และ Partial Autocorrelation Function (PACF) เพื่อให้สามารถระบุได้ว่าแบบจำลอง ควรจะมี Autoregressive (p) เท่าใด และ Moving average (q) เท่าใด โดยเลือกสร้างแบบจำลองที่ หลากหลายเพื่อหาแบบจำลองที่เหมาะสมที่สุด ให้กับอนุกรมเวลาโดยพิจารณาเปรียบเทียบจาก คอเรลโล แกรมของค่า rk และ rkk ของอนุกรมเวลา การพิจารณาค่าสถิติเพื่อประกอบการตัดสินใจเช่น Root Mean Squared Error (RMSE) ค่า Theil’s inequality Coefficient ค่า Adjusted R2 ค่า Akaike Info Criterion (AIC) และ ค่า Schwarz Criterion (SC) โดยมีรูปแบบดังนี้ (Eviews 11 User Guide II , 2019) ก. ค่า Root Mean Squared Error (RMSE) RMSE คือ การวัดค่าความแตกต่างระหว่างค่าจริง และค่าที่ประมาณได้จากแบบจำลองหาก RMSE มีค่าน้อย แสดงว่าแบบจำลองสามารถประมาณ ค่าประมาณได้ใกล้เคียงกับค่าจริง ดังนั้นหากค่านี้ มีค่าเท่ากันศูนย์แล้วจะหมายความว่าไม่เกิดความคลาดเคลื่อนในแบบจำลองนี้เลย RMSE คำนวณได้ดังนี้
89 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ข. ค่า Theil’s Inequality Coefficient ค่า Theil’s Inequality Coefficient มีที่มาคล้าย ๆ กับค่า RMSE แต่ค่า Theil’s Inequality Coefficient นั้นจะมีค่าอยู่ระหว่าง 0 ถึง 1 ถ้ามีค่าเท่ากับศูนย์แสดงได้ว่าค่าที่ได้จากการประมาณเท่ากับ ค่าจริงของทุก ๆ เวลา t และแบบจำลองที่ประมาณได้นั้นเป็นแบบจำลองที่ดี แต่ในทางตรงกันข้ามถ้าค่า Theil’s Inequality Coefficient มีค่าเท่ากับหนึ่ง แสดงว่าแบบจำลองนั้นเป็นแบบจำลองที่ไม่ดีที่สุด Theil’s Inequality Coefficient = โดยกำหนด ŷt = ค่าประมาณจากแบบจำลอง yt = ค่าที่แท้จริง T = จำนวนคาบระยะเวลา T+1, T+2, T+3,….T+h ค. ค่า 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 R 2 ซึ่งถ้ามีการเพิ่มตัวแปรอิสระเข้าไปในสมการมากขึ้นก็จะทำให้ค่า R Square สูงขึ้น ดังนั้น จึงมีการเพิ่ม ระดับความเป็นอิสระในสมการ ซึ่งเรียกว่า Adjusted R2 โดยสามารถพิจารณาความสัมพันธ์ของ R 2 และ Adjusted R2 ได้ดังสมการ
90 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ง. ค่า Akaike Information Criterion (AIC) ค่า AIC เป็นค่าสถิติที่มีการประยุกต์คล้ายกับค่า Adjusted R2 แต่มีการถ่วงน้ำหนักมากกว่า Adjusted R2 และใช้Natural logarithm (ln) ดังนั้นถ้าค่า AIC น้อยจึงหมายถึงแบบจำลองสามารถเป็น ตัวแทนข้อมูลจริงได้ดี และยังสามารถนำค่า AIC ไปใช้ในการหาค่าย้อนหลัง (Lag Length) ที่เหมาะสมได้ จ. ค่า Schwarz Criterion (SC) ค่า SC เป็นเกณฑ์ที่ใช้ในการเลือกแบบจำลอง เหมือนค่า AIC คือ ถ้าค่า SC น้อย ก็หมายถึง แบบจำลองสามารถเป็นตัวแทนข้อมูลจริงได้ดี SC = -2L/T + ( k Log T ) / T โดยกำหนดให้T = จำนวนคาบเวลาที่ใช้ในการประมาณแบบจำลอง ขั้นที่ 2 การประมาณค่าพารามิเตอร์ของแบบจำลองที่เหมาะสม (Estimation) การประมาณค่า คือการประมาณค่าสัมประสิทธิ์ที่มาจากรูปแบบการถดถอยในตัวเอง และ รูปแบบการเคลื่อนที่ของค่าความคลาดเคลื่อน โดยทั่วไปจะใช้วิธีกำลังสองน้อยที่สุด (Ordinary Least Squares) ขั้นที่ 3 การวิเคราะห์ความถูกต้อง (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 สมมุติฐานหลัก (H0 ) ที่ว่าไม่มี Autocorrelation ถ้าข้อมูลไม่ได้มาจากผลของ ARIMA Q จะมีการกระจายแบบ Chi-square โดยมี Degree of freedom เท่ากับจำนวนของ Autocorrelation แต่ถ้าชุดข้อมูลมีค่าความคลาดเคลื่อนจากผลของ
91 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ARIMA จำนวน Degree of freedom จะต้องปรับจำนวน Autocorrelation ให้น้อยกว่าจำนวน AR และ MA ค่า Q-statistic มักจะถูกใช้เพื่อดูว่าชุดของข้อมูลจะ white noise หรือไม่ อย่างไรก็ตามยังคงมี ปัญหาในทางปฏิบัติในการเลือกจำนวน Lag ถ้า Lag น้อยไปการทดสอบอาจจะไม่แสดงให้เห็นได้อย่าง ชัดเจน และถ้า Lag ใหญ่เกินไป การทดสอบอาจจะไม่มีผลเพราะสหสัมพันธ์ต่าง ๆ ไม่แสดงความสัมพันธ์ ซึ่งกันและกัน สมการ Q-statistic มีรูปแบบดังนี้ (Eviews 11 User Guide II, 2019) ขั้นที่ 4 การพยากรณ์(Forecasting) เมื่อได้แบบจำลองที่เหมาะสมภายหลังการวิเคราะห์ความถูกต้องแล้ว ก็สามารถนำแบบจำลอง ดังกล่าวมาใช้พยากรณ์ซึ่งจะทำได้ทั้งพยากรณ์แบบจุด (point Forecasting) และการพยากรณ์แบบช่วง (Interval Forecast) แต่เนื่องจากการใช้แบบจำลองพยากรณ์ข้อมูลไปข้างหน้านั้นจะต้องเป็นแบบจำลอง ที่ให้ค่าประมาณที่แม่นยำที่สุด ดังนั้นการพยากรณ์จึงต้องมีการทดสอบแบบจำลอง 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) โดยพิจารณาค่าสถิติทั้ง 3 ค่าที่มีค่าต่ำสุด เมื่อเลือกรูปแบบจำลองที่ดีที่สุดได้แล้ว จึงนำแบบจำลองนั้นมาทำการพยากรณ์แบบ Exante Forecast ซึ่งเป็นการพยากรณ์ข้อมูลไปข้างหน้า ดังรูป
92 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย ขอสาธิตโดยใช้ข้อมูลผลิตภัณฑ์มวลรวมจังหวัดสาขาเกษตร จังหวัดขอนแก่น ปี 2538 – 2561 ณ ราคาประจำปี (Gross Domestic Product at Current Market Prices : Agriculture) โดยเก็บข้อมูลใน ชื่อ Series gppkkn sheet : Untitled2 โดยมีขั้นตอนดังนี้ 1. ทดสอบ Unit Root การทดสอบความนิ่งของข้อมูล พิจารณาว่าข้อมูลอนุกรมเวลามีลักษณะ นิ่งหรือไม่ โดยการทดสอบความนิ่งตามแบบ Augmented Dickey-Fuller เป็นการทดสอบว่าข้อมูลนั้นมี ค่าเฉลี่ย ค่าความแปรปรวน และค่าความแปรปรวนร่วมของตัวมันเองคงที่หรือไม่ โดยตั้งสมมติฐาน (Hypothesis) ของการทดสอบคือ H0 = α = 1 และมีสมการที่ต้องการทดสอบ 3 สมการ (at Level) ดังนี้ เปิด Series gppkkn ที่ tab View>> Unit Root Tests>> Standard Unit Root Tests…
93 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Test for unit root in>> Level Include in test equation>> Intercept User specified>> 1 คลิก OK ผลการทดสอบ at Level >>Intercept ข้อมูลมีลักษณะไม่นิ่ง
94 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย Trend and intercept ผลการทดสอบ at Level >>Trend and intercept ข้อมูลมีลักษณะไม่นิ่ง
95 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย None ผลการทดสอบ at Level >>None ข้อมูลมีลักษณะไม่นิ่ง 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 เวลาจะมีลักษณะนิ่ง (Stationary)
96 คู่มือการใช้โปรแกรม Eviews เบื้องต้น สำหรับนักวิจัย 2. การกำหนดรูปแบบจำลอง ที่ tab View >> Correlogram… เลือก 1 st difference Lags to include = 12 คลิก OK พิจารณารูปแบบ Correlogram ของผลต่างลำดับที่ 1 โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบ ออโต (Autocorrelation Function : ACF) และค่าสัมประสิทธิ์สหสัมพันธ์บางส่วนแบบออโต (Partial