Page Header

Home > Vol 34, No 1 (2024) > Kanthom

Comparing Nonparametric Regression Methods for Exchange Rate of Thai Baht against the US Dollar and Volume Import of Electricity Data

Boosaraphan Kanthom, Autcha Araveeporn

Abstract


ในการวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของวิธีการถดถอยไม่อิงพารามิเตอร์ 3 วิธี สำหรับข้อมูลอนุกรมเวลา ได้แก่ วิธีเส้นโค้งเรียบ วิธีเส้นโค้งกำลังสามธรรมชาติ และวิธีเส้นโค้งบี โดยพิจารณาประสิทธิภาพของวิธีการถดถอยไม่อิงพารามิเตอร์จากค่าความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำที่สุด ซึ่งวิธีเหล่านี้จะใช้ค่าพารามิเตอร์ปรับให้เรียบเพื่อควบคุมประสิทธิภาพการปรับให้เรียบของเส้นโค้ง โดยวิธีการแบ่งข้อมูลเป็นหลายส่วน และยังมีการกำหนดค่านอตเพื่อให้เส้นโค้งใกล้กับข้อมูลมากที่สุด โดยใช้อัตราการแลกเปลี่ยนสกุลเงินบาทต่อดอลลาร์สหรัฐอเมริกา ตั้งแต่วันที่ 10 พฤศจิกายน 2563 ถึงวันที่ 9 กันยายน 2564 เป็นข้อมูลรายวันจำนวน 200 วัน และปริมาณการนำเข้าไฟฟ้า (กิกะวัตต์ชั่วโมง) ตั้งแต่เดือนพฤษภาคม 2547 ถึงเดือนธันวาคม 2563 เป็นข้อมูลรายเดือนจำนวน 200 เดือน และนำตัวแบบการถดถอยไม่อิงพารามิเตอร์ที่มีประสิทธิภาพไปใช้ในการพยากรณ์ล่วงหน้า โดยมีเกณฑ์ คือค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยต่ำสุด จากผลการประมาณค่าและพยากรณ์ทั้ง 2 ข้อมูล พบว่าค่าความคลาดเคลื่อนกำลังสองเฉลี่ย และค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของวิธีเส้นโค้งกำลังสามธรรมชาติมีค่าต่ำสุด จึงเป็นวิธีที่มีประสิทธิภาพมากที่สุด และเมื่อพิจารณาค่านอตพบว่ายิ่งกำหนดค่านอตมากจะทำให้ค่าความคลาดเคลื่อนกำลังสองมีค่าลดลง นั่นหมายความว่าค่านอตมีผลต่อประสิทธิภาพของวิธีสถิติไม่อิงพารามิเตอร์

This research aims to compare the efficiency of three nonparametric regression methods for time series data, namely smoothing spline, natural cubic spline, and B- spline methods. The efficiency of the nonparametric regression method was determined by the lowest mean squared error. Smoothing parameter selection through cross- validation was conducted to control the smoothing performance of the curves. The number of knots were defined for fitting curves to measured data. We employed daily exchange rate of Thai Baht (THB) to US dollar (USD) from November 10, 2020 to September 9, 2021, for a total of 200 days. We also employed monthly electricity import volume (GWH) from April 2004 to December 2020, 200 months in total. Then, the efficient nonparametric regression model was applied to predict future values using the lowest mean absolute percentage error criterion. As results, the mean square error and mean absolute percentage error of the natural cubic spline method presented the lowest values, making it the most efficient predictive model. For the number of knots, the mean square error decreased as we increased the number of knots. This implied the effects of the number of knots on nonparametric regression performance.


Keywords



[1] T. J. Hastie and R. J. Tibshirani, Generalized Additive Models, Chapman and Hall, London, 1990.

[2] E. A. Nadaraya, “On estimating regression,” Theory of Probability and Its Application, vol. 9, no. 1, pp. 141–142, 1964.

[3] G. S. Watson, “Smooth regression analysis,” Sankhya: The Indian Journal of Statistics, Series A, vol. 26, no. 4, pp. 359–372, 1964.

[4] G. Wahba, Spline Models for Observation Data, SIAM, Philadelphia, Pennsylvania, 1990.

[5] P. H. C. Eilers and B. D. Marx, “Flexible smoothing with b-splines and penalties,” Statistical Science, vol. 11, no. 2, pp. 89–102, 1996.

[6] D. Ruppert, M. P.Wand, and R. J. Carroll, Semiparametric Regression, Cambridge University Press, New York, 2003.

[7] S. J. Kim, K. Koh, S. Boyd, and D. Gorinevsky, “l1 trend filtering,” SIAM Review, vol. 51, no. 2, pp. 339–360, 2009.

[8] P. J. Green and B. W. Silverman, Nonparametric Regression and Generalized Linear Models: A Roughness Penalty Approach, Chapman and Hall, London, 1994.

[9] C. De Boor, A Practical Guide to Splines, Springer, Berlin, 1978.

[10] Bank of Thailand. (2021, Sep.). Exchange Rate. [Online] (in Thai). Available: https://www.bot. or.th

[11] Electricity Generating Authority of Thailand. (2021, Sep.). Import of Electricity. [Online] (in Thai). Available: https://www.egat.co.th

[12] M. Stone, “Cross-validation choice and assessment of statistical predictions,” Journal of the Royal Statistical Society Series B, vol. 36, no. 2, pp. 111–147, 1974.

[13] H. Wu and J. T. Zhang, Nonparametric Regression Methods for Longitudinal Data Analysis, A John Wiley & Sons, INC. Publication, New Jersey, USA, 2006.

[14] A. Elhakeem, R. A. Hughes, K. Tilling, D. L. Cousminer, S. A. Jackowski, T. J. Cole, A. S. F. Kwong, Z. Li, S. F. A. Grant, A. D. G. Baxter-Jones, B. S. Zemel,and D. A. Lawlor, “Using linear and natural cubic splines, SITAR, and latent trajectory models to characterize nonlinear longitudinal growth trajectories in cohort studies,” BMC Medical Research Methodology, vol. 22, no.1, pp. 1–20, 2022.

Full Text: PDF

DOI: 10.14416/j.kmutnb.2023.03.001

ISSN: 2985-2145