การเปรียบเทียบวิธีการพยากรณ์ระหว่างวิธีบอกซ์ - เจนกินส์ และวิธีการปรับเรียบด้วยเส้นโค้งเลขชี้ กา ลังแบบคูณของวินเทอร์ สาหรับการพยากรณ์มูลค่าการส่งออกถุงมือยาง

Abstract

          วัตถุประสงค์ของการวิจัยครั้งนี้คือ การเปรียบเทียบวิธีการพยากรณ์ 2 วิธี ได้แก่ วิธีบอกซ์-เจนกินส์ และวิธีการปรับ เรียบด้วยเส้นโค้งเลขชี้ กาลังแบบคูณของวินเทอร์ สำหรับการพยากรณ์มูลค่าการส่งออกถุงมือยาง โดยใช้อนุกรมเวลารายเดือน จากเว็บไซต์ของธนาคารแห่งประเทศไทย ตั้งแต่เดือนมกราคม 2538 ถึงเดือนมกราคม 2558 จานวน 241 ค่า ซึ่งข้อมูลถูก แบ่งออกเป็น 2 ชุด ข้อมูลชุดที่ 1 คือ มูลค่าการส่งออกถุงมือยางตั้งแต่เดือนมกราคม 2538 ถึงเดือนมิถุนายน 2557 จานวน 234 ค่า สา หรับการสร้างตัวแบบพยากรณ์ และชุดที่ 2 คือ ข้อมูลตั้งแต่เดือนกรกฎาคม 2557 ถึงเดือนมกราคม 2558 จานวน 7 ค่า สาหรับการคัดเลือกวิธีการพยากรณ์ที่เหมาะสมด้วยเกณฑ์เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และเกณฑ์ รากที่สองของความคลาดเคลื่อนกาลังสองเฉลี่ยที่ต่ำที่สุด ผลการวิจัยพบว่า วิธีการปรับเรียบด้วยเส้นโค้งเลขชี้ กาลังแบบ คูณของวินเทอร์ มีความเหมาะสมกับอนุกรมเวลาชุดนี้มากกว่าวิธีบอกซ์-เจนกินส์ ซึ่งมีตัวแบบพยากรณ์เป็น Yt+m  = (1,851.3946 7.6332m) St เมื่อ m แทนจานวนเดือนที่ต้องการพยากรณ์ไปข้างหน้า โดยมีค่าเริ่มต้น คือ เดือนกรกฎาคม 2557 (m = 1) และ แทนค่าดัชนีฤดูกาล           The purpose of this research was to compare two forecasting methods, Box-Jenkins method and Winters’ multiplicative exponential smoothing method, for predicting the export values of rubber gloves. Time series that used was the monthly data from the website of Bank of Thailand during January, 1995 to January, 2015 (241 values). The data were split into two sets, the first 234 values of rubber gloves from January, 1995 to June, 2014 for constructing the forecasting models and the last 7 values from July, 2014 until January, 2015 for finding the most suitable forecasting method via the criteria of the lowest mean absolute percentage error and root mean squared error. The results showed that, Winters’ multiplicative exponential smoothing method was suitable to this time series than Box-Jenkins method. The forecasting model was Yt+m  = (1,851.3946 7.6332m) St   where m represented the number of months to forecast ahead with the starting value of July 2014 (m = 1) and represented the seasonal index.