Phương pháp luận của dự báo chuỗi thời gian

Các phương pháp dự báo định lượng được chia thành hai nhóm: các mô hình chuỗi thời gian và các mô hình nhân quả.

Các mô hình dự báo chuỗi thời gian là dự báo giá trị tương lai của một biến nào đó chỉ bằng cách phân tích số liệu quá khứ và hiện tại của chính biến số đó. Giả định chủ yếu là trong tương lai biến số dự báo sẽ giữ nguyên chiều hướng vận động đã xảy ra trong khứ và hiện tại. Chỉ có các chuỗi dữ liệu có tính ổn định thì mới có thể cho ra dự báo đáng tin cậy. Vì thế, như chúng ta sẽ biết, tính "dừng" là một điều kiện quan trọng  nhất trong việc phân tích và dự báo chuỗi thời gian. Cho nên, trước khi xác định mô hình định lượng nào phù hợp với dữ liệu, người làm dự báo cần khảo sát dữ liệu một cách cẩn thận.
Các công cụ phân tích dữ liệu thường sử dụng đối với chuỗi thời gian là vẽ đồ thị theo thời gian, giản đồ tự tương qua, và kiểm định nghiệm đơn vị. Tùy thuộc vào số liệu sẵn có mà ta chọn mô hình dự báo thích hợp nhất thông qua các tiêu chí đánh giá dự báo, nhưng mô hình ARIMA và ARCH/GARCH đang được sử dụng phổ biến, nhất là trong việc dự báo tài chính và các chỉ báo kinh tế vĩ mô.

Ngược lại, các mô hình dự báo nhân quả dựa trên phân tích hồi quy. Chính vì vậy, chúng ta cần có kiến thức nền tảng nhất định về kinh tế lượng và thống kê để dễ dàng tiếp cận và vận dụng các mô hình nhân quả.

Dự báo các giai đoạn quá khứ được gọi là dự báo hậu nghiệm và dự báo các giai đoạn tương lai gọi là dự báo tiền nghiệm.

• Tương ứng với giai đoạn ước lượng Y1,...Yn những giá trị dự báo Y^1 ...Y^n. Những giá trị này được tìm trong mô hình hay trong mẫu dữ liệu khi tiến hành dự báo. Từ những giá trị thực tế và  giá trị dự báo chúng ta có thể xác định sai số dự báo e1,....e,n (với en = Yn - Y^n) cho mô hình (trong giai đoạn ước lượng), từ đó độ chính xác của mô hình có thể đc xác định. Tất cả những giá trị vượt ra ngoài Yn phải là giá trị dự báo. Trong khuôn khổ của đường thời gian, những giá trị dự báo sẽ nằm trong giai đoạn ước lượng. Tất cả những giá trị dự báo hình thành trong giai đoạn dự báo được gọi là dự báo ngoài phạm vi mẫu bởi vì nó xuất hiện sau khi chấm dứt giai đoạn ước lượng.
• Toàn bộ giai đoạn dự báo sẽ được phân chia thành hai bộ phận phân biệt là dự báo hậu nghiệm và dự báo tiền nghiệm.
• Giai đoạn dự báo hậu nghiệm là thời gian từ quan sát đầu tiên sau khi chấm dứt giai đoạn mẫu Y^n+1 tới quan sát mới nhất Y^N. Đặc trưng quan trọng trong giai đoạn này là nhà nghiên cứu đã có giá trị thực tế của đối tượng dự báo Yt. Giai đoạn hậu nghiệm sẽ cung cấp cho nhà nghiên cứu cơ hội đánh giá mức độ chính xác của mô hình dự báo trong giai đoạn này bằng cách sử dụng chênh lệch giữa giá trị thực tế và giá trị dự báo hậu nghiệm. Nếu như độ chính xác của mô hình không thỏa mãn thì lúc đó nhà nghiên cứu sẽ lựa chọn hai giải pháp: tìm kiếm một mô hình thay thế với độ chính xác cao hơn hoặc mở rộng giai đoạn mẫu bao gồm cả những quan sát trong giai đoạn hậu nghiệm đang xét. Nếu nhà nghiên cứu mở rộng giai đoạn ước lượng tới hiện tại thì dự báo trong phạm vi mẫu sẽ hình thành  từ Y^1 .....Y^N. Lúc này giai đoạn dự báo không bao gồm giá trị dự báo hậu nghiệm .
• Giai đoạn dự báo tiền nghiệm là giai đoạn không có giá trị thực tế về đối tượng dự báo (hay bất kỳ những biến số ảnh hưởng khác). Đây chính là dự báo cho tương lai. Chúng ta ký hiệu những dự báo tiền nghiệm là Y^N+1 ......Y^N+K. Bởi vì trong giai đoạn này không có giá trị thực tế của đối tượng dự báo do đó sẽ không xác định được độ chính xác của những dự báo tiền nghiệm.