การเพิ่มความแม่นยำในการพยากรณ์การส่งออกเครื่องปรุงรสของไทยด้วยตัวแบบ SARIMA โดยใช้การค้นหากริดและช่วงคาดการณ์แบบบูตสแทร็ป
Article Sidebar
Main Article Content
บทคัดย่อ
การพยากรณ์การส่งออกเครื่องปรุงรสของประเทศไทยไปยังกลุ่มประเทศอาเซียน+8 และตลาดโลกอย่างแม่นยำมีบทบาทสำคัญต่อการกำหนดกลยุทธ์ทางการค้าอย่างมีประสิทธิภาพ และการบริหารความเสี่ยงทางเศรษฐกิจ งานวิจัยนี้มุ่งเปรียบเทียบแบบจำลอง SARIMA ที่ใช้ในการพยากรณ์การส่งออก โดยอาศัยข้อมูลรายเดือนตั้งแต่ปี พ.ศ. 2556 ถึง พ.ศ. 2567 ทั้งนี้ได้ประเมินประสิทธิภาพของเทคนิคการเลือกแบบจำลอง SARIMA ระหว่างวิธี Grid Search (โดยพิจารณาจากค่า AIC และ BIC) กับการเลือกแบบจำลอง SARIMA อัตโนมัติด้วยฟังก์ชัน auto.arima() ในโปรแกรม R ผลการศึกษาพบว่า แบบจำลอง SARIMA ที่ได้จากการใช้ Grid Search มีความแม่นยำสูงกว่า โดยเฉพาะในการพยากรณ์ระยะสั้น ซึ่งสามารถลดค่าความคลาดเคลื่อนลงได้ประมาณร้อยละ 30 นอกจากนี้ การใช้ Bootstrap Prediction Intervals ยังให้ขอบเขตการพยากรณ์ที่มีความยืดหยุ่นและสมจริงมากกว่าการใช้ขอบเขตการพยากรณ์แบบมาตรฐาน ซึ่งเหมาะสมกับสภาวะตลาดที่มีความผันผวน เมื่อผสานการใช้แบบจำลอง SARIMA ที่เหมาะสมร่วมกับ Bootstrap Prediction Intervals จะช่วยเพิ่มความเชื่อมั่นให้แก่ผู้กำหนดนโยบายและผู้ประกอบการในการวางแผนกลยุทธ์และการตัดสินใจด้านการค้าระหว่างประเทศในบริบทเศรษฐกิจที่ไม่แน่นอน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Adanacıoğlu, H. and Yercan, M. (2012). An analysis of tomato prices at wholesale level in Turkey: An application of SARIMA model. Custos e @gronegócio on line 8(4): 52 - 75.
Box, G.E., Jenkins, G.M., Reinsel, G.C. and Ljung, G.M. (2015). Time series analysis: Forecasting and control. John Wiley and Sons.
Brockwell, P.J. and Davis, R.A. (2002). Introduction to time series and forecasting. 2nd edition. New York: Springer.
Divisekara, R.W., Jayasinghe, G.J.M.S.R. and Kumari, K.W.S.N. (2020). Forecasting the red lentils commodity market price using SARIMA models. SN Business and Economics 1(1): 20. doi: 10.1007/s43546-020-00020-x.
Efron, B. and Tibshirani, R.J. (1994). An introduction to the bootstrap. Chapman and Hall/CRC.Euromonitor International. (2023). Consumer trends in the global food industry. Source: https://www.euromonitor.com. Retrieved date 28 February 2025.
Food Intelligence Center, National Food Institute. (2023). Thailand’s seasoning industry in 2023. Source: https://fic.nfi.or.th/sector-monitor-detail.php?cat=11type=smid=2652. Retrieved date 28 February 2025.
Hyndman, R.J. and Athanasopoulos, G. (2018). Forecasting: Principles and practice. 2nd edition. Melbourne, Australia: OTexts.
Klaharn, K., Ngampak, R., Chudam, Y., Salvador, R., Jainonthee, C. and Punyapornwithaya, V. (2024). Analyzing and forecasting poultry meat production and export volumes in Thailand: a time series approach. Cogent Food & Agriculture 10(1): 2378173. doi: 10.1080/23311932.2024.2378173.
Kumar, S. and Srivistava, A.N. (2012). Bootstrap prediction intervals in non-parametric regression with applications to anomaly detection. In: The 18th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (No. ARC-E-DAA-TN6188), Beijing, China. 9 pp.
Lima, J.F., Pereira, F.C., Gonçalves, A.M. and Costa, M. (2024). Bootstrapping state-space models: Distribution- free estimation in view of prediction and forecasting. Forecasting 6(1): 36 - 54. doi: 10.3390/forecast 6010003.
Luo, C.S., Zhou, L.Y. and Wei, Q. F. (2013). Application of SARIMA model in cucumber price forecast. Applied Mechanics and Materials 373: 1686-1690. doi: 10.4028/www.scientific.net/AMM.373-375.1686.
Makridakis S., Spiliotis E. and Assimakopoulos V. (2018) Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE 13(3): e0194889. doi: 10.1371/journal.pone.0194889.
Ministry of Commerce, Thailand. (2024). Trade statistics system. Source: https://tradereport.moc.go.th/th. Retrieved date 28 February 2025.
Pan, L. and Politis, D.N. (2016). Bootstrap prediction intervals for linear, nonlinear and nonparametric autoregressions. Journal of Statistical Planning and Inference 177: 1 - 27. doi: 10.1016/j.jspi.204.10.003.
Sabu, K.M. and Kumar, T.M. (2020). Predictive analytics in Agriculture: Forecasting prices of Arecanuts in Kerala. Procedia Computer Science 171: 699 - 708. doi: 10.1016/j.procs.2020.04.076
Stine, R.A. (1985). Bootstrap prediction intervals for regression. Journal of the American Statistical Association 80(392): 1026 - 1031. doi: 10.1080/01621459.1985.10478220.
