Mô hình ARIMA và ứng dụng dự báo lạm phát của Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

52
lượt xem 8
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

“Kiềm chế lạm phát là ưu tiên số một, khi có điều kiện thuận lợi sẽ phấn đấu để đạt mức tăng trưởng cao hơn”. Đó là một trong những kế hoạch của Chính phủ Việt Nam đối với sự phát triển của đất nước. Bài viết đưa ra mô hình ARIMA và ứng dụng để dự báo lạm phát 6 tháng cuối năm 2018 của Việt Nam.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mô hình ARIMA và ứng dụng dự báo lạm phát của Việt Nam

KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN 28. MÔ HÌNH ARIMA VÀ ỨNG DỤNG DỰ BÁO LẠM PHÁT CỦA VIỆT NAM ThS. Vũ Anh Linh Duy Trường Đại học Tài chính - Marketing Tóm tắt “Kiềm chế lạm phát là ưu tiên số một, khi có điều kiện thuận lợi sẽ phấn đấu để đạt mức tăng trưởng cao hơn”. Đó là một trong những kế hoạch của Chính phủ Việt Nam đối với sự phát triển của đất nước. Tuy nhiên, sự tác động của lạm phát có cả tích cực và tiêu cực theo những cách thức khác nhau tùy thuộc vào cấu trúc của nền kinh tế, khả năng thích ứng với sự thay đổi liên tục của lạm phát và mức độ tiên liệu một cách toàn diện về lạm phát. Vì vậy, dự báo lạm phát không chỉ có ý nghĩa trong việc cung cấp các thông tin cho những nhà hoạch định chính sách mà còn đối với cả các nhà kinh doanh trong việc điều chỉnh các chiến lược; và tính ổn định kinh tế vĩ mô có liên quan đến mức độ tương đồng hay khác biệt giữa các dự báo về lạm phát của các nhà kinh doanh và của các nhà hoạch định chính sách. Trong bài tham luận này, tôi xin đưa ra mô hình ARIMA và ứng dụng để dự báo lạm phát 6 tháng cuối năm 2018 của Việt Nam. Từ khóa: Chỉ số giá tiêu dùng (CPI), mô hìnhARIMA, Dự báo. 1. KHÁI QUÁT Lạm phát cao có xu hướng làm thay đổi các cân bằng thực của nền kinh tế làm chệch hướng các nguồn lực khi thực hiện các giao dịch; giảm tín hiệu thông tin về giá tương đối vì vậy dẫn đến tình trạng phân bổ nguồn lực không hiệu quả. Khi lạm phát tăng làm giá trị của tiền giảm khiến chức năng là đơn vị hạch toán của tiền thay đổi, điều này làm cho việc hạch toán chi phí - lợi nhuận của doanh nghiệp trở nên khó 298
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN khăn; tác hại của lạm phát không dự kiến được gia tăng sự bất ổn định, dẫn đến tình trạng tái phân phối của cải một cách tùy tiện (chẳng hạn, khi lạm phát cao hơn so với dự kiến người đi vay được lợi và người cho vay bị thiệt). Vì vậy, dự báo lạm phát không chỉ có ý nghĩa trong việc cung cấp các thông tin đối với những nhà hoạch định chính sách kinh tế vĩ mô mà còn đối với cả các nhà kinh doanh trong việc điều chỉnh các chiến lược kinh doanh. Có nhiều phương pháp tiếp cận trong phân tích và dự báo lạm phát. Mục đích của bài viết này nhằm ứng dụng mô hình ARIMA với phương pháp Box-Jenkins để dự báo lạm phát ở Việt Nam. 2. XÂY DỰNG MÔ HÌNH ARIMA 2.1. Nguồn dữ liệu Số liệu được sử dụng trong mô hình là chuỗi chỉ số lạm phát theo tháng từ tháng 1/1995 đến tháng 6/2018 từ nguồn Tổng cục Thống kê. Ký hiệu chuỗi này là - chuỗi chỉ số CPI (đơn vị: %) ở thời kỳ t. 2.2. Cơ sở lý luận Mô hình sử dụng dữ liệu chuỗi thời gian, xem giá trị trong quá khứ của một biến số cụ thể là một chỉ tiêu tốt phản ánh giá trị trong tương lai của nó, cụ thể, cho Yt là giá trị của biến số tại thời điểm t với Yt = f(Yt-1, Yt-2, ..., Y0, t). Mục đích của phân tích là để thấy rõ một số mối quan hệ giữa các giá trị Yt được quan sát đến nay để cho phép chúng ta dự báo giá trị Yt trong tương lai. Phương pháp này đặc biệt hữu ích cho việc dự báo ngắn hạn. Mô hình tự hồi quy p-AR(p): Trong mô hình tự hồi quy quá trình phụ thuộc vào tổng trọng số của các giá trị quá khứ và số hạng nhiễu ngẫu nhiên. Yt = φ1Yt-1 + φ2Yt-2 + ... + φpYt-p + δ + εt Mô hình trung bình trượt q-MA(q): trong mô hình trung bình trượt, quá trình được mô tả hoàn toàn bằng tổng trọng số của các ngẫu nhiên hiện hành có độ trễ: Yt = μ + εt − θ1εt-1 − θ2εt-2 − ...− θqεt-q Mô hình hồi quy kết hợp trung bình trượt - ARMA(p, q): Yt = φ1Yt-1 + φ2Yt-2 + ... + φpYt-p + δ + εt − θ1εt-1 − θ2εt-2 − ... − θqεt-q 299
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN 2.2.1. Kiểm định tính dừng của chuỗi quan sát Điều trước tiên cần phải lưu ý là hầu hết các chuỗi thời gian đều không dừng, và các thành phần AR và MA của mô hình ARIMA chỉ liên quan đến các chuỗi thời gian dừng. Quy trình ngẫu nhiên của Yt được xem là dừng nếu trung bình và phương sai của quá trình không thay đổi theo thời gian và giá đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách độ trễ về thời gian giữa các thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính. Do đó, để nhận diện mô hình ARIMA, chúng ta phải thực hiện như sau: Kiểm định tính dừng: Có ba cách để nhận biết tính dừng của một chuỗi thời gian là dựa vào trên đồ thị của chuỗi thời gian, đồ thị của hàm tự tương quan mẫu hay kiểm định Dickey-Fuller. Nếu chuỗi Yt không dừng, ta có thể lấy sai phân bậc 1. Khi đó chuỗi sai phân bậc 1 (Wt) có thể dừng. Sai phân bậc 1: Wt = Yt-Yt-1 Nếu chuỗi sai phân bậc 1 (Wt) không dừng, ta có thể lấy sai phân bậc 2. Khi đó, chuỗi sai phân bậc 2 có thể dừng. Sai phân bậc 2: Vt=Wt-Wt-1 2.2.2. Nhận dạng mô hình Nhận dạng mô hình ARMA(p,d,q) là tìm các giá trị thích hợp của p, d, q. Với d là bậc sai phân của chuỗi thời gian được khảo sát, p là bậc tự hồi quy và q là bậc trung bình trượt. 2.2.3. Ước lượng các tham số của mô hình Các hệ số φ và δ mô hình ARIMA được xác định bằng phương pháp ước lượng thích hợp cực đại. Sau đó, chúng ta kiểm định φ và δ bằng thống kê t. Ước lượng sai số bình phương trung bình của phần dư. 2.2.4. Kiểm định mô hình Sau khi ước lượng các tham số của một mô hình ARIMA được nhận dạng thử, chúng ta cần phải kiểm định để kiểm nghiệm rằng mô hình là thích hợp. Các cách thức để thực hiện điều này: Kiểm tra phần dư et có phải là nhiễu trắng không. Nếu et là nhiễu trắng thì chấp nhận mô hình, trong trường hợp ngược lại chúng ta phải tiến hành lại từ đầu. Các kiểm định có thể sử dụng là kiểm định BP (Box-Priere) hoặc kiểm định Ljung-box với trị thống kê Q, hoặc kiểm định LM. 300
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Nếu tồn tại nhiều hơn một mô hình đúng, mô hình có AIC (Akaike Information Criterion) nhỏ nhất sẽ được lựa chọn. 2.2.5. Dự báo bằng mô hình ARIMA Một trong số các lý do về tính phổ biến của phương pháp lập mô hình ARIMA là thành công của nó trong dự báo. Trong một số trường hợp, dự báo thu được từ phương pháp này có tính tin cậy cao hơn so với các dự báo thu được từ các phương pháp lập mô hình kinh tế lượng truyền thống khác. Dựa vào mô hình ARIMA ước lượng được, tiến hành dự báo như sau: 2.2.6. Mô hình ARIMA cho CPI Hình 1: Đồ thị chuỗi CPI từ tháng 1 năm 1995 đến tháng 6 năm 2018 104 103 102 101 100 99 98 96 98 00 02 04 06 08 10 12 14 16 18 Trước tiên, sử dụng tiêu chuẩn ADF (augmented Dickey-Fuller) để kiểm định tính dừng của chuỗi, kết quả ở Bảng 1 cho thấy chuỗi này không có nghiệm đơn vị, hay đây là chuỗi dừng, do đó mô hình ARIMA sẽ có dạng ARMA(p,q). 301
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Bảng 1: Kiểm định nghiệm đơn vị cho CPIt Null Hypothesis: CPI has a unit root Exogenous: Constant, Linear Trend Lag Length: 4 (Fixed) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5,737949 0,0000 Test critical values: 1% level -3,991534 5% level -3,426132 10% level -3,136266 *MacKinnon (1996) one-sided p-values. Để xác định p và q của mô hình chúng ta dựa trên lược đồ tương quan của chuỗi (Bảng 2). Dựa vào các giá trị SACF và SPACF các giá trị của p có thể là 1, 12, 13, 25 và q có thể là 1, 2, hoặc 12. Hình 2: Lược đồ tương quan chuỗi CPIt 302
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Để lựa chọn được mô hình phù hợp nhất chúng ta tiến hành hồi quy theo phương pháp OLS cho các mô hình với các cặp (p, q). Qua ước lượng thực nghiệm thì mô hình được chúng ta lựa chọn có p = 1, 12 và q = 12 (các mô hình khác hoặc là có các hệ số hồi quy thu được từ ước lượng không có ý nghĩa thống kê hoặc là phần dư thu được không phải là nhiếu trắng). Kết quả ước lượng được thể hiện ở Bảng 2. Bảng 2: Kết quả ước lượng bằng phương pháp OLS Dependent Variable: CPI Method: Least Squares Date: 05/22/20 Time: 21:46 Sample (adjusted): 1996M02 2018M06 Included observations: 269 after adjustments Convergence achieved after 25 iterations MA Backcast: 1995M02 1996M01 Variable Coefficient Std. Error t-Statistic Prob. C 100,6920 0,264675 380,4366 0,0000 AR(1) 0,708534 0,043720 16,20631 0,0000 AR(12) 0,935024 0,010093 92,64081 0,0000 MA(12) -0,949002 0,016307 -58,19520 0,0000 R-squared 0,662861 Mean dependent var 100,5082 Adjusted R-squared 0,657753 S,D, dependent var 0,823312 S.E. of regression 0,481653 Akaike info criterion 1,395229 Sum squared resid 61,24538 Schwarz criterion 1,462045 Log likelihood -182,6583 Hannan-Quinn criter, 1,422062 F-statistic 129,7649 Durbin-Watson stat 2,039598 Prob(F-statistic) 0,000000 303
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Theo Bảng 6. Các mô hình ARIMA có thể: ARIMA(1,0,12) và ARIMA(12,0,12) Bảng 3: Kết quả các thông số kiểm định ARIMA(1,0,12) ARIMA(12,0,12) AIC 1,937319 2,068941 SIC 1,976163 2,108923 Log-likelihood -269,1934 -276,3070 RMSE 0,630681 0,673290 MAE 0,448324 0,467732 Theil U 0,004049 0,003050 Từ bảng kết quả các thông số, ta thấy các thông số của mô hình ARIMA(1,0,12) tốt hơn, nên ta dùng mô hình này để dự báo. Kiểm tra tính dừng trên phần dư của mô hình, ta có: Bảng 4: Kết quả kiểm định tính dừng trên phần dư Null Hypothesis: RESID01 has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=15) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -17,50455 0,0000 Test critical values: 1% level -3,453567 5% level -2,871656 10% level -2,572233 *MacKinnon (1996) one-sided p-values. 304
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Hình 3: Bảng kết quả tự tương quan phần dư Ta thấy mô hình ARIMA(1,0,12) thỏa tính dừng và tự tương quan nên ta tiến hành dự báo bằng mô hình trên. Hình 4: Bảng kết quả dự báo CPI 6 tháng cuối năm 2018 305
KỶ YẾU HỘI THẢO KHOA HỌC ĐÀO TẠO NGÀNH TOÁN KINH TẾ TRONG BỐI CẢNH HIỆN NAY VÀ CÁC VẤN ĐỀ LIÊN QUAN Bảng 5. Kết quả dự báo CPI từ tháng 7 đến tháng 12 năm 2018 Tháng 7 Tháng 8 Tháng 9 Tháng 10 Tháng 11 Tháng 12 100,6 100,8 100,6 100,5 100,4 100,4 3. KẾT LUẬN Nghiên cứu về CPI và những ứng dụng của CPI trong kinh tế giúp những nhà quản lý kinh tế đưa ra những chính sách kinh tế vĩ mô của một quốc gia, giúp cho người tiêu dùng có căn cứ để có chính sách chi tiêu hợp lý cho gia đình. Biến động của CPI đều ảnh hưởng đến nền kinh tế quốc dân nên các nhà quản lý cần phải đưa ra chính sách điều chỉnh CPI nhằm kiểm soát tốt lạm phát. Bài viết đã nghiên cứu khả năng ứng dụng của mô hình ARIMA vào việc dự báo lạm phát nhằm tìm ra mô hình tốt nhất cho việc dự báo lạm phát tại Việt Nam. Kết quả nghiên cứu cho thấy, mô hình ARIMA(1,0,12) cho kết quả dự báo lạm phát tốt trong các mô hình được nghiên cứu ở trên và kết quả dự báo chấp nhận được./. TÀI LIỆU THAM KHẢO 1. Nguyễn Quang Dong (2006), Kinh tế lượng, NXB Khoa học và Kỹ thuật, Hà Nội. 2. Nguyễn Thống (2000), Kinh Tế Lượng Ứng Dụng, NXB Đại học Quốc gia Tp. Hồ Chí Minh, tr.238-278. 3. Phùng Thanh Bình, Hướng dẫn sử dụng Eview trong phân thích dữ liệu và hồi quy. 4. Đặng Hùng Thắng (1999), Thống kê và ứng dụng, NXB Giáo dục. 5. www.gso.gov.vn 6. Box & Jenkins (1970), Time series analysis: Forecasting and control, San Francisco: Holden-Day. 7. Gujarati (2004), Basic Econometrics. McGraw−Hill. 8. Khashei & Bijari (2011), A novel hybridization of artificial neural networks and ARIMA. 306