รายงานการศึกษาค่าคาดการณ์อัตราการว่างงานของประเทศไทย

42 เมื่อ คือ จำนวนช่วงเวลาที่ข้อมูลอยู่ห่างกัน K (จำนวน lag ) N คือ จำนวนค่าสังเกตทั้งหมดของค่าอนุกรมเวลา d คือ อันดับของผลต่างของอนุกรม คือ ค่าอัตสหสัมพันธ์ที่ lag j ข้อดีของ ARIMA ▪ เป็นโมเดลที่เข้าใจได้ง่าย ใช้กันอย่างแพร่หลาย ▪ เป็นโมเดลที่สามารถอธิบายผลลัพธ์ได้ ▪ เป็นโมเดลที่ยืดหยุ่น สามารถใช้ได้กับข้อมูลอนุกรมเวลาที่หลากหลาย ▪ เป็นโมเดลที่สามารถใช้ได้กับข้อมูลขนาดเล็ก ▪ เป็นโมเดลที่สามารถใช้ได้กับข้อมูลที่ขาดหาย ( missing value ) ข้อจำกัดของ ARIMA ▪ หากมีข้อมูลที่มีความผิดปกติ เช่น เพิ่มขึ้นหรือลดลงอย่างรวดเร็วซึ่งส่งผลต่อค่ากลางของ ตัวแปร model จะไม่สามารถพยากรณ์ได้อย่างแม่นยำ ▪ ไม่สามารถใช้ได้ดีกับตัวแปรที่มีความสัมพันธ์ไม่เป็นเส้นตรงกับตัวมันเองในอดีต ( nonlinear dependencies ) ▪ ไม่สามารถใช้ได้ดีในชุดข้อมูลที่มีค่าผิดปกติ ( outliers ) หรือค่าที่สูงหรือต่ำว่าค่าอื่น ๆ ใน ชุดข้อมูลอย่างมาก ( extreme value ) ▪ ไม่สามารถใช้ได้ดีกับข้อมูลที่ทำให้ข้อมูลมีลักษณะสุ่มด้วยวิธีการอื่น นอกเหนือจากการ differencing 5) แนวทางการประยุกต์ใช้ ARIMA Model ARIMA Model เหมาะสำหรับการพยากรณ์ข้อมูลที่มีความสัมพันธ์กับตัวมันเองในอดีต แต่มี จุดอ่อนที่ใช้เฉพาะข้อมูลในอดีตเท่านั้น มิได้ใช้ตัวแปรอื่น ๆ ที่อาจส่งผลต่อตัวแปรตามในแบบจำลอง ได้ แต่เนื่องจากงานศึกษาการพยากรณ์อัตราการว่างงานจำนวนหนึ่งพบว่าตัวแปรทางเศรษฐกิจอื่น ๆ อาจส่งผลต่ออัตราการว่างงานได้ ดังนั้นจึงควรจะผนวกตัวแปรดังกล่าวเข้าไปในแบบจำลอง เพื่อช่วย ในการพยากรณ์ให้มีความแม่นยำมากขึ้น ด้วยเหตุนี้จึงได้ขยายแบบจำลอง ARIMA โดยเพิ่มตัวแปร อธิบายภายนอก (X) เข้าไป หรือเรียกว่าแบบจำลอง ARIMAX ( Auto Regressive (AR) Integrated (I) Moving Average (MA) with Exogenous Variables (X) ) ARIMAX เป็นแบบจำลองการทำนายที่นิยมในสถิติและการวิเคราะห์ข้อมูลเวลาจริง ( time series analysis) ที่นำเสนอความสามารถในการผนวกรวมข้อมูลเสริม ( exogenous variables) เข้า กับโมเดล ARIMA (AutoRegressive Integrated Moving Average) เพื่อเพิ่มประสิทธิภาพในการ ทำนาย โดยทั่วไปแล้ว ARIMA นั้นมีการใช้ข้อมูลเวลาที่มีความสัมพันธ์กันแบบนัยสำคัญ ( significant autocorrelation) ในขณะที่ ARIMAX มีความสามารถในการรวมข้อมูลเสริมที่มีผลต่อตัวแปรตามที่ ต้องการทำนาย