Vector Autoregression (VAR)
การพยากรณ์ด้วยวิธี Vector Autoregression จะใช้การพิจารณาหลายตัวแปรภายใน (several endogenous variables) พร้อม ๆ กัน และแต่ละตัวแปรภายใน (endogenous variable) จะถูกอธิบายโดยค่าความล่าของเวลา (lagged values)หรือค่าในอดีต (past values) ของตัวแปรภายใน (endogenous variable) นั้น ๆ และค่าความล่าของเวลา(lagged values) ของตัวแปรภายในอื่นๆในแบบจำลอง
เตรียมข้อมูลสำหรับนำเข้าโปรแกรม R เป็นข้อมูลผลิตภัณฑ์มวลรวมจังหวัดภาคเกษตร รายไตรมาส (ตัวเลขสมมุติ) ประกอบด้วยสาขาพืช (crops) สาขาปศุสัตว์ (livestock) สาขาประมง (fishing) สาขาป่าไม้ (forestry) และสาขาบริการทางการเกษตร (agri-service) ปี 2546 ไตรมาส 1 – 2562 ไตรมาส 4 จำนวน 68 ไตรมาส ชื่อไฟล์ GPP_Agri.xlsx เก็บไว้ใน Folder Documents
GPP_Agri.xlsx
นำเข้าข้อมูลจากไฟล์ GPP_Agri.xlsx เข้าสู่โปรแกรม R
library(xlsx)
gpp <- read.xlsx("GPP_Agri.xlsx",sheetIndex = 1, header=TRUE,colIndex = 2:6)
head(gpp,12)
แสดงการนำเข้าข้อมูล
สร้าง Data Frame ให้เป็นแบบ Time Series
gpp.ts <- data.frame(gpp)
attach(gpp.ts)
Plot Graph เพื่อดูรูปแบบการเคลื่อนไหวของข้อมูล
gpp.ts <- ts(data = gpp.ts, start = c(2546), freq = 4)
plot.ts(gpp.ts,nc=1,col="darkgreen", yax.flip = TRUE)
trace statistic
ค่าสถิติ trace ที่ r = 0 | 132.70 มากกว่าค่าวิกฤตที่ 5 % (76.07)
ที่ r <= 1 | 70.80 มากกว่าค่าวิกฤตที่ 5 % (53.12)
ที่ r <= 2 | 38.84 มากกว่าค่าวิกฤตที่ 5 % (34.91)
ที่ r <= 3 | 15.22 น้อยกว่าค่าวิกฤตที่ 5 % (19.96)
สรุปได้ว่าตัวแปรที่ทดสอบมีคุณสมบัติร่วมไปด้วยกัน (Cointegration rank = 3) ณ ระดับนัยสำคัญ 0.05
หา Lag Length ที่เหมาะสม
library(vars)
VARselect(gpp.ts[,1:5], lag.max=8,type="const")
Lag Length
เลือก Lag Length ที่เหมาะสมสำหรับ Var Model Lag อันดับที่ 4 ให้ค่าสถิติ Schwarz information criterion (SC) มีค่าต่ำสุด = 180.4807
ประมาณค่า Var
summary(VarModel1 <- VAR(gpp.ts, p = 4, type = "const", season = NULL, exog = NULL))
VAR Estimation Results:
การพยากรณ์ไปข้างหน้าอีก 1 ปี ( 4 ไตรมาส)
show(Fcast <- predict(VarModel1, n.ahead = 4, ci = 0.95))
ผลการพยากรณ์ GPP ภาคเกษตร
ต้องการข้อมูลหรือสคริปต์ไฟล์
share link
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
