បញ្ហា (The Problem)៖ ការប្រែប្រួលតម្លៃកសិផលនៅក្នុងប្រទេសប៉េរូ បង្កបញ្ហាប្រឈមដល់សន្តិសុខស្បៀង និងស្ថិរភាពសេដ្ឋកិច្ច ជាពិសេសសម្រាប់ដំណាំសំខាន់ៗដូចជាផ្កាអាទីសូ (Artichoke)។ ការសិក្សានេះវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូការព្យាករណ៍ដើម្បីប៉ាន់ស្មានតម្លៃប្រចាំខែឱ្យកាន់តែមានប្រសិទ្ធភាព។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ទិន្នន័យប្រវត្តិសាស្រ្តពីខែមករា ឆ្នាំ២០២១ ដល់ខែធ្នូ ឆ្នាំ២០២៤ ដើម្បីប្រៀបធៀបគំរូការព្យាករណ៍ចំនួនប្រាំ ដោយប្រើប្រាស់ភាសា Python សម្រាប់ការវិភាគ និងការធ្វើឱ្យប្រសើរនូវប៉ារ៉ាម៉ែត្រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SARIMA (Seasonal ARIMA) គំរូទស្សន៍ទាយ SARIMA (មានរួមបញ្ចូលកត្តារដូវកាល) |
មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកលំនាំរដូវកាលដ៏ស្មុគស្មាញ និងដំណើរការបានល្អបំផុតសម្រាប់ការព្យាករណ៍រយៈពេលមធ្យម។ ទិន្នន័យសំណល់ (Residuals) មានលក្ខណៈជិតស្និទ្ធនឹង White Noise ដែលបញ្ជាក់ពីភាពរឹងមាំនៃគំរូ។ | មានភាពរអាក់រអួលបន្តិចបន្តួចនៅពេលប្រឈមនឹងការប្រែប្រួលភ្លាមៗដែលមិនមែនជារដូវកាល (ឧទាហរណ៍៖ កំហុសខ្ពស់ក្នុងខែមករា)។ តម្រូវឱ្យមានការកំណត់ប៉ារ៉ាម៉ែត្រច្រើន។ | ទទួលបានកំហុសមធ្យមទាបជាងគេបំផុតគឺ ១២,១៦% និងមានភាពត្រឹមត្រូវខ្ពស់ក្នុងខែកុម្ភៈ (កំហុសត្រឹម ៥,៦២%)។ |
| ARIMA គំរូទស្សន៍ទាយ ARIMA (មិនមានកត្តារដូវកាល) |
មានដំណើរការល្អក្នុងការព្យាករណ៍និន្នាការទូទៅនៃស៊េរីពេលវេលា និងមានភាពរឹងមាំនៅពេលដែលទិន្នន័យមិនសូវមានលក្ខណៈរដូវកាលច្បាស់លាស់។ | មិនអាចចាប់យកការប្រែប្រួលតម្លៃដែលបណ្តាលមកពីវដ្តរដូវកាលប្រចាំឆ្នាំបានល្អនោះទេ ដែលនាំឱ្យមានការកើនឡើងកំហុសក្នុងខែបន្ទាប់។ | មានកំហុសមធ្យម ១៤,១៤% ដោយកំហុសក្នុងខែមករាមានត្រឹម ៣,៥០% ប៉ុន្តែកើនឡើងដល់ ២៤,៧៧% ក្នុងខែកុម្ភៈ។ |
| Holt-Winters គំរូ Holt-Winters (វិធីសាស្ត្រ Exponential Smoothing បូករដូវកាល) |
ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យដែលមាននិន្នាការ និងលំនាំរដូវកាលថេរច្បាស់លាស់ (Additive ឬ Multiplicative)។ | ងាយរងគ្រោះ និងផ្តល់លទ្ធផលខុសឆ្ងាយពីការពិត នៅពេលទីផ្សារមានភាពប្រែប្រួលខ្លាំង ឬរដូវកាលមិនប្រក្រតី។ | មានដំណើរការអន់ជាងគេ ដោយមានកំហុសមធ្យម ១៧,៤១% និងកំហុសខ្ពស់ដល់ទៅ ៣២,៩៩% ក្នុងខែកុម្ភៈ។ |
| Naive Method គំរូ Naive (យកតម្លៃចុងក្រោយជាការព្យាករណ៍) |
ងាយស្រួលបំផុតក្នុងការប្រើប្រាស់ និងមានភាពត្រឹមត្រូវខ្ពស់ខ្លាំងសម្រាប់ការព្យាករណ៍រយៈពេលខ្លីបំផុត (១ខែខាងមុខ)។ | មិនអាចសម្របខ្លួនទៅនឹងនិន្នាការ ឬរដូវកាលបានឡើយ ដែលធ្វើឱ្យវាមិនអាចប្រើប្រាស់បានសម្រាប់ការព្យាករណ៍រយៈពេលមធ្យម ឬវែង។ | មានកំហុសទាបបំផុតក្នុងខែមករា (០,៥០%) ប៉ុន្តែបរាជ័យទាំងស្រុងក្នុងខែកុម្ភៈ (កំហុស ២៨,៩៤%)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនតម្រូវឱ្យមានធនធានកុំព្យូទ័រ (Hardware) ធំដុំនោះទេ ប៉ុន្តែទាមទារចំណេះដឹងផ្នែកវិភាគស្ថិតិ និងសំណុំទិន្នន័យប្រវត្តិសាស្រ្តពេញលេញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយផ្អែកលើទិន្នន័យតម្លៃផ្កាអាទីសូ (Artichoke) នៅទីក្រុង Lima ប្រទេសប៉េរូ ដែលរងឥទ្ធិពលពីលក្ខខណ្ឌអាកាសធាតុ (ដូចជាគ្រោះរាំងស្ងួត) និងភស្តុភារនៅតំបន់អាមេរិកឡាទីន។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យកសិកម្មមានលក្ខណៈខុសប្លែកគ្នាដោយសារអាកាសធាតុត្រូពិច និងការពឹងផ្អែកលើដំណាំផ្សេងៗ ហេតុនេះការអនុវត្តគំរូទាំងនេះតម្រូវឱ្យប្រើប្រាស់សំណុំទិន្នន័យក្នុងស្រុក និងបញ្ចូលអថេរខាងក្រៅបន្ថែម។
វិធីសាស្រ្តក្នុងឯកសារនេះគឺពិតជាមានអត្ថប្រយោជន៍ និងអាចយកមកអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ប្រព័ន្ធទស្សន៍ទាយតម្លៃកសិកម្មនៅកម្ពុជា។
ការបន្សាំគំរូនេះដោយរួមបញ្ចូលទាំងកត្តាអាកាសធាតុ (បរិមាណទឹកភ្លៀង) និងកត្តាភស្តុភារ នឹងជួយលើកកម្ពស់សន្តិសុខស្បៀង និងស្ថិរភាពប្រាក់ចំណូលរបស់កសិករនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| SARIMA (Seasonal ARIMA) | ជាក្បួនគណិតវិទ្យាសម្រាប់វិភាគ និងទស្សន៍ទាយទិន្នន័យស៊េរីពេលវេលា ដោយគិតបញ្ចូលទាំងនិន្នាការទូទៅនៃការប្រែប្រួល និងវដ្តតាមរដូវកាលយ៉ាងជាក់លាក់ (ឧទាហរណ៍៖ តម្លៃកសិផលឡើងចុះតាមរដូវប្រមូលផលរៀងរាល់ឆ្នាំ)។ | ដូចជាការទស្សន៍ទាយថានឹងមានភ្លៀងធ្លាក់នៅខែសីហាឆ្នាំក្រោយ ដោយផ្អែកលើកំណត់ត្រាថាខែសីហារាល់ឆ្នាំតែងតែមានភ្លៀងធ្លាក់ជានិច្ច។ |
| Stationarity (ភាពថេរនៃទិន្នន័យ) | ជាលក្ខណៈនៃទិន្នន័យស៊េរីពេលវេលាដែលមធ្យមភាគ (Mean) និងរង្វាស់នៃភាពប្រែប្រួល (Variance) របស់វាមិនផ្លាស់ប្តូរទៅតាមពេលវេលា ដែលជាលក្ខខណ្ឌចម្បងចាំបាច់ដើម្បីឱ្យគំរូដូចជា ARIMA អាចធ្វើការព្យាករណ៍បានត្រឹមត្រូវ។ | ដូចជាការជិះកង់លើផ្លូវរាបស្មើ ដែលយើងងាយស្រួលក្នុងការប៉ាន់ស្មានល្បឿន និងគោលដៅ ជាជាងការជិះលើផ្លូវឡើងចុះចំណោតដែលល្បឿនចេះតែប្រែប្រួលមិនឈប់។ |
| Akaike Information Criterion (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Akaike ឬ AIC) | ជារង្វាស់មួយសម្រាប់វាយតម្លៃគុណភាពនៃគំរូស្ថិតិ។ តម្លៃ AIC កាន់តែទាប មានន័យថាគំរូនោះមានតុល្យភាពល្អប្រសើរបំផុតរវាងភាពសាមញ្ញ និងភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ ដោយមិនមានភាពស្មុគស្មាញហួសហេតុពេក (Overfitting)។ | ដូចជាការជ្រើសរើសទិញទូរស័ព្ទដៃ ដែលអ្នកចង់បានទូរស័ព្ទដែលដំណើរការល្អបំផុត ប៉ុន្តែមានតម្លៃធូរថ្លៃបំផុត (ចំណាយតិច ទទួលបានផលច្រើន)។ |
| Residuals (ទិន្នន័យសំណល់) | ជាភាពខុសគ្នារវាងតម្លៃពិតប្រាកដដែលបានកើតឡើង និងតម្លៃដែលគំរូបានទស្សន៍ទាយទុក។ ការវិភាគសំណល់នេះជួយឱ្យអ្នកស្រាវជ្រាវដឹងថា តើគំរូបានចាប់យកព័ត៌មាន និងលំនាំសំខាន់ៗពីទិន្នន័យអស់ហើយឬនៅ។ | ដូចជាប្រាក់អាប់នៅពេលដែលយើងទិញអីវ៉ាន់។ ប្រសិនបើប្រាក់អាប់មានចំនួនខុសពីការរំពឹងទុកខ្លាំង មានន័យថាយើងប្រហែលជាគិតលុយខុសហើយ។ |
| White noise (សំឡេងស ឬ ទិន្នន័យឥតលំនាំ) | ក្នុងវិស័យស្ថិតិ វាសំដៅលើទិន្នន័យចៃដន្យដែលគ្មានលំនាំ គ្មាននិន្នាការ និងមិនអាចទស្សន៍ទាយបានទាល់តែសោះ។ គំរូព្យាករណ៍ដ៏ល្អមួយ ត្រូវតែបន្សល់ទុកតែទិន្នន័យសំណល់ (Residuals) ដែលមានលក្ខណៈជា White Noise ប៉ុណ្ណោះ។ | ដូចជាសំឡេងតុកតាក់ៗនៅលើទូរទស្សន៍ដែលអត់មានប៉ុស្តិ៍ វាគ្រាន់តែជារលកសញ្ញាចៃដន្យដែលមិនមានអត្ថន័យអ្វីដែលអាចឱ្យយើងកត់សម្គាល់បានឡើយ។ |
| Grid search (វិធីសាស្ត្រស្វែងរកប៉ារ៉ាម៉ែត្រដោយស្វ័យប្រវត្តិ) | ជាដំណើរការសរសេរកូដដើម្បីសាកល្បងរាល់បន្សំប៉ារ៉ាម៉ែត្រទាំងអស់ដោយស្វ័យប្រវត្តិ ដើម្បីស្វែងរកការកំណត់មួយដែលធ្វើឱ្យគំរូទស្សន៍ទាយ (ដូចជា SARIMA) មានដំណើរការល្អបំផុត និងមានកំហុសតិចបំផុត។ | ដូចជាការសាកល្បងចាក់សោលេខកូដវ៉ាលី ដោយបង្វិលសាកលេខម្ដងមួយៗ (០-៩) រហូតដល់រកឃើញលេខកូដត្រឹមត្រូវដែលអាចបើកវ៉ាលីបាន។ |
| Exogenous variables (អថេរខាងក្រៅ) | ជាកត្តាខាងក្រៅដែលអាចជះឥទ្ធិពលយ៉ាងខ្លាំងដល់លទ្ធផលនៃការព្យាករណ៍ ប៉ុន្តែមិនមែនជាផ្នែកនៃទិន្នន័យប្រវត្តិសាស្រ្តចម្បង ឧទាហរណ៍ដូចជា បរិមាណទឹកភ្លៀង គ្រោះរាំងស្ងួត ឬគោលនយោបាយរដ្ឋាភិបាលជាដើម។ | បើយើងទស្សន៍ទាយពិន្ទុប្រឡងដោយផ្អែកលើម៉ោងរៀន នោះអាការៈឈឺក្បាលភ្លាមៗនៅថ្ងៃប្រឡង គឺជា "អថេរខាងក្រៅ" ដែលធ្វើឱ្យពិន្ទុធ្លាក់ចុះខុសពីការរំពឹងទុក។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
