BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
ĐẶNG THỊ NGỌC NIN
ỨNG DỤNG MÔ HÌNH ARIMA
TRONG DỰ BÁO LẠM PHÁT VIỆT NAM
Chuyên ngành: Tài chính – Ngân hàng
Mã số : 60.34.20
TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN TRỊ KINH DOANH
Đà Nẵng – Năm 2015
Công trình được hoàn thành tại
ĐẠI HỌC ĐÀ NẴNG
Người hướng dẫn khoa học: TS. ĐINH BẢO NGỌC
Phản biện 1: TS. Đặng Tùng Lâm
Phản biện 2: GS.TS. Dương Thị Bình Minh
Luận văn đã được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp Thạc sĩ Quản trị kinh doanh họp tại Đại Học Đà
Nẵng vào ngày 26 tháng 01 năm 2015.
Có thể tìm hiểu Luận văn tại:
- Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng - Thư viện trường Đại học Kinh tế, Đại học Đà Nẵng
1
MỞ ĐẦU
1. Tính cấp thiết của đề tài Lạm phát thường có tác động tiêu cực đến phát triển kinh tế- xã hội. Tuy nhiên, n ếu nền kinh t ế thích ứng được với sự thay đổi của lạm phát thì có thể hạn chế thiệt hại do lạm phát gây ra cũng như khai thác mặt tích cực của lạm phát trong m ột số trường hợp. Điều này đòi hỏi lạm phát ph ải được dự đoán tr ước. Song, nh ững bi ến động kinh tế trong và ngoài nước sẽ có những ảnh hưởng không nhỏ đến mục tiêu lạm phát từ nay đến năm 2015.
Mục tiêu Kế hoạch Phát tri ển Kinh tế - xã h ội năm 2014 và dự kiến cho năm 2015 của Bộ kế hoạch và Đầu tư là ki ểm soát lạm phát ở mức khoảng 7% năm 2014 và khoảng 5% năm 2015. Theo dự báo của Ernst & Young (2/2014), l ạm phát Vi ệt Nam năm 2014 là 6.5% và n ăm 2015 là 6%. D ựa trên nh ận định nhu c ầu tiêu dùng trong nước giảm, nguồn cung th ực phẩm cao và giá nhiên li ệu toàn cầu ổn định, Ngân hàng Phát tri ển Châu Á (ADB) lại đưa ra kì vọng về lạm phát Việt Nam trong năm 2014 là khoảng 4.5% và năm 2015 là 5.5%. G ần đây nh ất, trong Báo cáo tri ển vọng kinh t ế khu v ực Đông Á Thái Bình D ương, Ngân hàng th ế gi ới (WB) d ự báo l ạm phát Việt Nam là 4.5% năm 2014 và 5% năm 2015. ước những nhận định khác nhau nh ư vậy về lạm phát của Tr Việt Nam năm 2014, 2015, vi ệc xây dựng một mô hình phù h ợp để dự báo lạm phát Việt Nam là một điều cần thiết, nhằm đưa ra con số dự báo độc lập với các dự báo đã dược công bố, hỗ trợ các nhà hoạch định chính sách c ũng như các doanh nghi ệp có căn cứ lập kế hoạch phát triển cùng những giải pháp thích hợp để phòng ngừa và tối thiểu hóa thiệt hại do lạm phát gây ra. Lạm phát có th ể dược dự báo b ằng các mô hình nh ư: Mô hình đường cong Phillips, mô hình lý thuyết tiền tệ truyền thống, mô hình hiệu chỉnh sai số, mô hình Tự hồi quy tích hợp trung bình trượt
2
ậy, đề tài: “Ứng dụng mô hình ARIMA trong dự báo
ệ thống lại cơ sở lý lu ận cơ bản về lạm phát và mô hình
(ARIMA), mô hình Tự hồi quy vecto, … Trong đó, mô hình ARIMA chỉ dùng các giá tr ị trong quá kh ứ của chính biến số cần dự báo nên nó được dùng khá ph ổ biến và tỏ ra hi ệu quả hơn trong vi ệc dự báo ngắn hạn các chuỗi thời gian như tỉ giá, lạm phát, tăng trưởng, … so với các mô hình khác. Do v lạm phát Việt Nam” được lựa chọn để tiến hành nghiên cứu. 2. Mục tiêu nghiên cứu - H ARIMA. ổng quan th ực tiễn lạm phát ở Việt Nam trong giai đoạn - T từ tháng 1/2005 đến tháng 10/2014, để thấy được phần nào quy lu ật diễn bi ến ph ức tạp của lạm phát t ại một nước đang phát tri ển nh ư nước ta.
- Xây d ựng mô hình ARIMA phù h ợp để dự báo l ạm phát Việt Nam trong thời gian tới từ tháng 11/2014 đến tháng 6/2015. Từ đó, đề xuất một số khuyến nghị đối với Chính phủ và Ngân hàng Nhà nước trong điều hành chính sách vĩ mô. 3. Câu hỏi nghiên cứu 4. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: Đề tài tập trung nghiên cứu việc vận dụng mô hình ARIMA xem xét chuỗi chỉ số giá tiêu dùng CPI (chỉ số được sử dụng để phản ánh lạm phát ở Việt Nam) của cả nước được quan sát theo tháng t ừ tháng 1/2005 đến tháng 6/2014 nh ằm dự báo lạm phát Vi ệt Nam từ tháng 7/2014 đến tháng 6/2015. Trong đó, kết quả dự báo các tháng 7, 8, 9 và 10/2014 được so sánh với giá trị thực để đánh giá dự báo.
Phạm vi nghiên cứu: Để xây dựng mô hình ARIMA cho l ạm phát Vi ệt Nam, đề tài chỉ sử dụng các dữ liệu chuỗi thời gian trong quá kh ứ của chỉ số
3
CPI từ tháng 1/2005 đến tháng 6/2014. Trên cơ sở mô hình xây dựng được, nghiên cứu đưa ra dự báo lạm phát Vi ệt Nam trong ng ắn hạn, từ tháng 11/2014 đến tháng 6/2015. Nh ư đã nói ở trên, các tháng 7/2014-10/2014 được dùng để đánh giá dự báo. 5. Phương pháp nghiên cứu: Đề tài v ận dụng ph ương pháp Box-Jenkins xây d ựng mô hình ARIMA dự báo lạm phát với quy trình gồm 4 bước: Nhận dạng mô hình; Ước lượng mô hình; Kiểm tra mô hình và Dự báo. Dữ liệu mẫu được thu thập và tính toán trên c ơ sở nguồn dữ liệu sơ cấp từ Tổng cục Th ống kê Vi ệt Nam kết hợp ph ương pháp nội suy.Công cụ hỗ trợ cho nghiên cứu là phần mềm Excel và Eview. Ngoài ra, các ph ương pháp khác nh ư: ph ương pháp định tính, phân tích thống kê mô tả, tổng hợp, so sánh cũng được sử dụng nhằm làm rõ những vấn đề nghiên cứu. 6. Bố cục của đề tài Chương 1: Cơ sở lý luận về lạm phát và mô hình ARIMA. Chương 2: Thi ết kế nghiên cứu dự báo lạm phát Việt Nam bằng mô
hình ARIMA.
Chương 3: Kết quả nghiên cứu dự báo lạm phát Việt Nam và một số
khuyến nghị.
7. Ý nghĩa khoa học và thực tiễn của đề tài
4
CHƯƠNG 1 CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT VÀ MÔ HÌNH ARIMA
1.1. CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT
1.1.1. Khái niệm về lạm phát Lạm phát là s ự gia tăng liên tục của mức giá chung hay s ự giảm giá liên t ục sức mua của đồng tiền. Đây là khái ni ệm hiện nay được hầu hết tác giả trong và ngoài nước sử dụng.
Với khái ni ệm này, biểu hiện của lạm phát là giá c ả của hầu hết các hàng hóa trong n ền kinh tế tăng lên một cách đồng thời và liên tục trong m ột kho ảng th ời gian đủ dài để có th ể nh ận rõ xu hướng này. Lạm phát không ph ải là hi ện tượng giá cả của một vài hàng hóa hay nhóm hàng hóa nào đó tăng lên mà là s ự tăng lên của mức giá chung của nền kinh tế. Ngoài ra, việc tăng giá mang tính đột biến hay ngắn hạn không được xem là biểu hiện của lạm phát.
1.1.2. Phân loại lạm phát a. Phân loại lạm phát theo căn cứ định lượng b. Phân loại lạm phát theo căn cứ định tính 1.1.3. Đo lường lạm phát Lạm phát được đo lường bằng chỉ tiêu tỉ lệ lạm phát, thể hiện qua chỉ số giá cả. Chỉ số giá cả là tỉ lệ giữa mức giá cả trung bình ở kỳ tính toán so v ới mức giá c ả trung bình ở kỳ gốc của một nhóm hàng hóa nhất định.
Tỉ lệ lạm phát = [m ức giá cả chung trung bình (t) – m ức giá
cả chung trung bình (t0)] / mức giá cả chung trung bình (t0).
Chỉ số giá tiêu dùng (Consumer Price Index – CPI) được sử
dụng để tính tỉ lệ lạm phát của phần lớn quốc gia trên thế giới.
5
1.1.4. Tác động của lạm phát a. Tác động tiêu cực của lạm phát b. Tác động tích cực của lạm phát
1.2 MỘT SỐ MÔ HÌNH NGHIÊN CỨU VỀ LẠM PHÁT 1.2.1. Một số mô hình lý thuyết về lạm phát đường cong Phillips a. Mô hình
b. Mô hình lạm phát do chi phí đẩy c. Mô hình lạm phát do cầu kéo d. Mô hình lạm phát theo quan điểm kì vọng e. Mô hình lạm phát theo trường phái tiền tệ 1.2.2. Một số mô hình định lượng dự báo lạm phát phổ biến a. Mô hình dự báo chuỗi thời gian b. Mô hình nhân quả c. Mô hình mạng thần kinh (Neural Network)
1.3. CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA
1.3.1. Giới thiệu chuỗi thời gian trong kinh tế a. Định nghĩa và các thành phần của chuỗi thời gian
ần của dữ li ệu chu ỗi th ời gian trong kinh t ế
ỗi thời gian là một dãy các giá tr ị của một đại lượng nào Chu đó được quan sát theo trình t ự thời gian. Ta đặt Yt là giá tr ị quan sát của chuỗi ở thời đoạn (hoặc thời điểm) t, với t =1; 2; 3; …; n. Các thành ph gồm: - Thành ph ần xu thế (Trend component).
- Thành phần mùa (Seasonality). - Thành phần chu kì (Cyclical).
- Thành ph
ần ngẫu nhiên (Irregular). b. Quá trình ngẫu nhiên(Stochastic process) * Định nghĩa quá trình ngẫu nhiên: * Một số quá trình ngẫu nhiên giản đơn:
- Nhi ễu trắng (White noise):
6
ễu trắng là một quá trình ng ẫu nhiên có trung bình b ằng
Nhi 0, phương sai đồng nhất và không tương quan.
được gọi là dừng yếu (dừng theo ngh ĩa rộng) khi
- Bước ngẫu nhiên (Random walk): - Bước ngẫu nhiên với bước nhảy (Random walk with drift): c. Định nghĩa chuỗi thời gian dừng Quá trình ng ẫu nhiên {Y t} được xem là d ừng mạnh (d ừng theo nghĩa hẹp) nếu {Yt} có quy lu ật phân phối xác suất độc lập với thời gian, tức là trung bình và ph ương sai của quá trình không thay đổi theo th ời gian và hi ệp ph ương sai gi ữa hai th ời đoạn ch ỉ ph ụ thuộc vào khoảng cách độ trễ về thời gian giữa các thời đoạn này chứ không ph ụ thu ộc vào th ời điểm th ực tế mà hi ệp ph ương sai được tính. Quá trình thỏa mãn điều kiện (1.8) dưới đây:
)
t
, "= m (1.8)
)
t
, "¥<
YE ( t Y ( t
,
k )(
)
=
g
t
kt -
(cid:236) (cid:239) Var (cid:237) (cid:239) YYCov ( (cid:238)
Chuỗi th ời gian không th ỏa mãn c ả 3 điều ki ện ở (1.8) là chuỗi không dừng. Theo định nghĩa về quá trình dừng, ta thấy nhiễu trắng là chuỗi dừng, bước ngẫu nhiên không có tính dừng.
1.3.2. Một số công cụ cơ bản trong phân tích chu ỗi th ời
gian
a. Toán tử trễ và toán tử sai phân b. Hàm tự tương quan (ACF) c. Hàm tự tương quan riêng phần (PACF) 1.3.3 Tổng quan v ề mô hình t ự hồi quy tích h ợp trung
bình trượt (ARIMA)
Một phương pháp rất phổ biến trong dự báo chu ỗi thời gian là lập mô hình t ự hồi quy tích h ợp trung bình tr ượt. Mô hình t ự hồi
7
quy tích h ợp trung bình tr ượt (Autoregressive Intergrated Moving Average – ARIMA) là mô hình d ự báo chu ỗi th ời gian đơn bi ến được Box, G.E.P., và G.M Jenkins gi ới thiệu vào năm 1976 dựa trên ý tưởng cho rằng, chuỗi thời gian có th ể được gi ải thích bằng cách kết hợp các hành vi hi ện tại và trong quá kh ứ với các y ếu tố ngẫu nhiên (g ọi là nhi ễu) ở hi ện tại và quá kh ứ. Th ực ch ất, ARIMA là tổng hợp của các mô hình: mô hình t ự hồi quy (AR), mô hình tích hợp (I) và mô hình trung bình tr ượt (MA). Chuỗi dữ liệu nghiên cứu bằng mô hình ARIMA phải có tính dừng.
a. Mô hình tự hồi quy (AR) Quá trình chu ỗi tự hồi quy bậc p được kí hi ệu là AR(p) có
phương trình (1.19):
2f Yt-2 + … +
pf Yt-p +
te (1.19)
Yt = m + 1f Yt-1 +
trong đó te là nhiễu trắng.
b. Mô hình trung bình trượt (MA) Quá trình trung bình tr ượt bậc q được kí hi ệu là MA(q) có
2q
te (1.23)
1q 1-te +
2-te + … +
qt -e +
phương trình (1.23): Yt = m +
2q
2f Yt-2 +…+ pf Yt-p + 1q 1-te +
2-te +…
trong đó te là nhiễu trắng.
qt -e + te (1.27)
c. Mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA) Mô hình tự hồi quy bậc p trung bình tr ượt bậc q [kí hi ệu là ARMA (p, q)] là mô hình t ổng hợp từ AR(p) và MA(q) có ph ương trình (1.27) sau: Yt = m + 1f Yt-1+ + qq
trong đó te là nhiễu trắng. ARMA(p, q) có th ể viết lại dưới dạng toán tử trễ ở phương
2f L2 - … -
pf Lp)Yt = m + (1 +
1q L +
2q L2 + …
trình (1.28): (1 – 1f L –
te (1.28)
+ qq Lq)
8
ụng chuỗi ARMA(p, q) cho chuỗi tích hợp bậc d, ta
pf (L)(1 – L)dYt =
qq (L)
te (1.29)
te + m (1.30)
qq (L)
PF (Ls)(1 – L)d (1- Ls)D Yt =
QQ (Ls)
Mô hình ARMA ch ỉ áp dụng để nghiên c ứu các chu ỗi th ời gian dừng. Tuy nhiên trong th ực tế, phần lớn các chu ỗi thời gian là chuỗi không d ừng, ta có th ể lấy sai phân d l ần (1-L) d để bi ến đổi chuỗi Yt thành chuỗi dừng. Khi đó, chuỗi Yt được xem là chu ỗi tích hợp bậc d, kí hiệu là I(d). Áp d được chuỗi tự hồi quy tích hợp trung bình trượt, và mô hình là ARIMA(p, d, q), có dạng như phương trình (1.29) sau:
trong đó te là nhiễu trắng và d là bậc sai phân của Yt . ường hợp chuỗi Yt có yếu tố mùa với chu kì mùa là s th ời Tr đoạn, phương pháp đơn giản nhất để loại bỏ yếu tố mùa trong chu ỗi là lấy sai phân thứ s của chuỗi Yt (hay còn được gọi là sai phân mùa (1-LS)). Áp d ụng chuỗi ARIMA(p, d, q) cho chu ỗi sai phân mùa b ậc D, tự hồi quy mùa b ậc P, trung bình tr ượt mùa bậc Q, ta được mô hình ARIMA(p, d, q)(P, D, Q)s có dạng như phương trình (1.30): pf (L) trong đó te là nhiễu trắng. Hàm tự tương quan và hàm tự tương quan riêng phần của mô
hình ARIMA phức tạp hơn so với mô hình AR và MA.
KẾT LUẬN CHƯƠNG 1
9
CHƯƠNG 2 THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM BẰNG MÔ HÌNH ARIMA
2.1. TỔNG QUAN VỀ LẠM PHÁT VIỆT NAM
2.1.1. Cách thức đo lường lạm phát tại Việt Nam 2.1.2. Tình hình l ạm phát Vi ệt Nam trong giai đoạn từ
năm 2005 đến tháng 10/2014 2.2. CƠ SỞ ĐỀ XUẤT VẬN DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO LẠM PHÁT VIỆT NAM
2.2.1. Sự cần thi ết ph ải áp d ụng mô hình định lượng
trong dự báo lạm phát tại Việt Nam
2.2.2. Ưu điểm của mô hình ARIMA so với các mô hình
khác và sự phù hợp của mô hình ARIMA với thực tiễn Việt Nam 2.2.3. Một số nghiên c ứu th ực nghi ệm về dự báo l ạm
phát bằng mô hình ARIMA
* Nghiên cứu ở nước ngoài: * Nghiên cứu tại Việt Nam:
Nh ư vậy, trước sự cần thiết phải ứng dụng phương pháp định lượng vào dự báo lạm phát tại Việt Nam, với những ưu cùng tính hiệu quả trong dự báo ngắn hạn và sự phù hợp với thực tiễn Việt Nam, mô hình ARIMA là một lựa chọn thích hợp. Bên cạnh đó, các nghiên cứu thực nghiệm trước đây cũng cho th ấy tính ứng dụng cao của phương pháp Box-Jenkins. Do đó, đề tài vẫn sử dụng phương pháp này để lập mô hình và dự báo lạm phát Việt Nam trong 12 tháng tới. 2.3. THI ẾT KẾ NGHIÊN C ỨU DỰ BÁO L ẠM PHÁT VI ỆT NAM BẰNG MÔ HÌNH ARIMA
2.3.1. Phương pháp nghiên cứu Đề tài s ử dụng ph ương pháp Box-Jenkins để xây d ựng mô hình ARIMA dự báo lạm phát Việt Nam. Phương pháp này tiến hành
10
dự báo l ạm phát ch ỉ dựa trên vi ệc xem xét chính chu ỗi giá tr ị lạm phát trong quá khứ. Box – Jenkins (1976) đã đưa ra quy trình dự báo đối với dữ liệu chuỗi thời gian bằng mô hình ARIMA gồm các bước sau: Bước 1: Nhận dạng mô hình; Bước 2: Ước lượng mô hình; Bước 3: Kiểm định mô hình; Bước 4: Dự báo. Nếu mô hình ước lượng được không thỏa mãn các kiểm định ở bước 3 thì ta ph ải tìm mô hình khác b ằng cách quay l ại bước 1. Quá trình này được lặp lại cho đến khi ta ch ọn được mô hình phù hợp nhất để tiến hành dự báo. Dữ liệu được nghiên cứu theo phương pháp Box – Jenkins phải là chuỗi dừng. Do vậy, trước khi nhận dạng mô hình, ta c ần ph ải xem xét d ữ li ệu chu ỗi lạm phát có d ừng hay không và biến đổi thành chuỗi dừng nếu chưa dừng.
a. Xem xét tính dừng của chuỗi dữ liệu Để nh ận bi ết tính d ừng của một chu ỗi th ời gian, đề tài s ử dụng đồng th ời đồ th ị của chu ỗi th ời gian, bi ểu đồ hàm t ự tương quan mẫu (SAC) và kiểm định nghiệm đơn vị của Dickey-Fuller.
b. Nhận dạng mô hình
ận dạng mô hình ARIMA là tìm các giá trị thích hợp cho các
ố lần lấy sai phân thông th ường và D là s ố lần lấy sai
ệc xác định các giá tr ị p, q, P, Q d ựa vào đặc điểm của
ếu SAC và SPAC
Nh tham số không mùa: p, d, q và các tham số mùa (nếu có): P, D, Q. d là s phân mùa để biến đổi chuỗi trở thành chuỗi dừng. Vi hàm SAC và hàm SPAC. ếu SAC giảm đột ngột, hàm SAC không có ý nghĩa thống kê - N kể từ bậc k và hàm SPAC giảm dần thì chọn mô hình MA(q), với q ≥ k. - N ếu SPAC giảm đột ngột, hàm SPAC không có ý nghĩa thống kê kể từ bậc k và hàm SAC giảm dần thì chọn mô hình AR(p), với p ≥ k. - N đều gi ảm dần thì ch ọn mô hình ARMA(p, q).
Việc khảo sát trên SAC và SPAC t ại các độ trễ là bội số của
11
độ dài mùa S s ẽ giúp kết luận các giá tr ị P, Q phù h ợp cho mô hình. Nói cách khác, với chuỗi lạm phát quan sát theo tháng, ta cần nghiên cứu đồng thời chiều hướng của SAC và SPAC c ủa chu ỗi dữ liệu ở những độ trễ nhỏ hơn 12 (không mùa) c ũng như ở những độ trễ 12, 24, 36 và 48 (mùa).
c. Ước lượng mô hình Bước tiếp theo, đề tài sử dụng phương pháp ước lượng bình của mô hình
phương tối thi ểu để ước lượng các tham s ố qf, ARIMA nhận dạng được.
d. Kiểm định mô hình - Kiểm định phần dư là nhiễu trắng: Phương pháp tốt nhất để kiểm định sự phù hợp của mô hình là kiểm tra phần dư của mô hình có phải là nhiễu trắng không (Bruce and Richard). N ếu ph ần dư là nhi ễu tr ắng thì ch ấp nh ận mô hình. Trong trường hợp ngược lại, đề tài ph ải tiến hành lại từ bước nhận dạng mô hình. Các ki ểm định được sử dụng là kiểm định Ljung-Box (LB) với trị thống kê Q, hoặc kiểm định LM.
- Kiểm định các hệ số của mô hình phải khác 0: Khi phần dư là nhi ễu trắng thì ta có th ể sử dụng kiểm định Student với th ống kê t để xem xét các tham s ố trong mô hình có ý nghĩa thống kê hay không.
- Kiểm tra hiện tượng thừa biến trong mô hình: Đề tài s ử dụng ma tr ận tự tương quan cho các tham s ố ước
lượng để kiểm tra có tồn tại hiện tượng thừa tham số hay không.
Sau tất cả các kiểm định trên, nếu tồn tại nhiều hơn một mô hình
đúng, ta sẽ lựa chọn mô hình có các tiêu chuẩn thông tin AIC, SIC, RMSE cực tiểu. Trong trường hợp 3 tiêu chuẩn trên không đồng thời cực tiểu, mô hình có AIC nhỏ nhất sẽ được lựa chọn (TS. Nguyễn Thống, 2000).
- Kiểm định tính ổn định cấu trúc của mô hình: Đề tài s ử dụng ki ểm định Chow với tr ị thống kê F để xem
12
liệu có sự thay đổi về mặt cấu trúc của mô hình gi ữa các giai đoạn khác nhau của chuỗi dữ liệu lạm phát (do thay đổi chính sách ho ặc cú sốc kinh tế) hay không.
)
)
(cid:217) tY <
(cid:217) tY + k
( tes (2.11)
Nếu có s ự thay đổi cấu trúc gi ữa các th ời kì, đề tài sẽ thực hiện dự báo theo 2 h ướng, dự báo mô hình ban đầu và dự báo mô hình kể từ điểm gãy cuối cùng. Từ đó, ta so sánh và đưa ra nhận định mô hình nào là mô hình phù hợp nhất để dự báo lạm phát Việt Nam.
e. Dự báo Bước cuối cùng, dựa vào mô hình ARIMA xây d ựng được, đề tài ti ến hành xác định giá tr ị dự báo điểm và kho ảng tin cậy của dự báo cho chu ỗi lạm phát bằng phần mềm Eviews với độ tin cậy là 95% và k=1.96 như sau: (cid:217) tY Dự báo điểm: (cid:217) tY -k ( tes < Khoảng tin cậy: 2.3.2. Phương pháp thu thập và xử lí số liệu Đề tài ti ến hành nghiên cứu dự báo lạm phát Việt Nam theo phương pháp Box-Jenkins. Theo đó, lạm phát Việt Nam được dự báo dựa trên vi ệc nghiên cứu động thái của chính chu ỗi lạm phát trong quá khứ. Việt Nam sử dụng chỉ số giá tiêu dùng CPI để phản ánh lạm phát. Bên cạnh đó, mô hình ARIMA đòi hỏi chuỗi thời gian phải có ít nhất 50 quan sát, đặc biệt đối với các chuỗi thời gian có thành phần mùa thì chu ỗi dữ liệu phải được quan sát t ừ 3 đến 10 năm. Do vậy, dữ liệu phục vụ cho đề tài là chuỗi số liệu CPI được lấy theo tháng từ tháng 1/2005 đến tháng 6/2014 sau khi đã xử lí s ơ bộ. Số li ệu CPI được thu thập từ Tổng cục thống kê Việt Nam. Để đảm bảo tính nhất quán của dữ li ệu đầu vào cho mô hình, CPI t ừ tháng 1/2005 đến tháng 10/2009 được đưa về giá trị có cùng năm gốc tính toán gần đây nhất của các tháng còn lại là năm 2009 bằng phương pháp nội suy. KẾT LUẬN CHƯƠNG 2
13
CHƯƠNG 3 KẾT QUẢ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM VÀ MỘT SỐ KHUYẾN NGHỊ
3.1. THỐNG KÊ MÔ TẢ DỮ LIỆU
Mẫu thống kê trong nghiên cứu này gồm 114 quan sát (Bảng 1-Phụ lục 2), là các giá trị CPI theo tháng (đã được đưa về giá trị tính toán so với năm gốc chung là n ăm 2009) từ tháng 1/2005 đến tháng 6/2014, bốn tháng còn lại là tháng 7, 8, 9, 10/2014 được sử dụng để đánh giá dự báo. Chu ỗi CPI có tính xu th ế và có d ấu hi ệu của tính mùa thể hiện qua đồ thị của chuỗi CPI ở hình 3.1.
Kết quả kiểm định Jarque-Bera ở bảng 3.2 với mức ý ngh ĩa 5% cho thấy chuỗi CPI không tuân theo phân ph ối chuẩn. Các chỉ số thống kê mô tả ở bảng 3.1 cũng chứng tỏ chuỗi CPI luôn bi ến động và có xu hướng lệch phải. 3.2. KẾT QUẢ NGHIÊN CỨU
3.2.1. Kiểm định tính dừng của chuỗi dữ liệu
ỗi CPI có tính xu th ế, nên nhìn nh ận một cách trực quan Chu thì chuỗi CPI không dừng. Biểu đồ tự tương quan của CPI ở hình 3.2 và kiểm định ADF ở bảng 3.3 ở mức ý nghĩa 5% cho kết luận chuỗi CPI không dừng. Để giảm tính xu th ế, trước hết chuỗi CPI được lấy logarith (kí hiệu là logCPI). Chu ỗi logCPI không d ừng thể hiện qua bi ểu đồ tự tương quan của logCPI ở hình 1 (ph ụ lục 1) và ki ểm định ADF ở bảng 3.4. Để có chu ỗi dừng, ta lấy sai phân b ậc 1 của logCPI được chuỗi d_log CPI có đồ thị ở Hình 3.3 dưới đây:
.04
.03
.02
.01
.00
-.01
05
06
07
08
09
10
11
12
13
D_LOGCPI
14
Hình 3.3: Đồ thị chuỗi d_logCPI
Ta có thể thấy qua Hình 3.3, chu ỗi d_logCPI biến động theo thời gian, nh ưng giá tr ị trung bình c ủa chu ỗi d_logCPI không thay đổi theo thời gian và chuỗi có phương sai giới hạn. Đây là những đặc trưng của một chuỗi dừng, nên chuỗi d_logCPI có thể là chuỗi dừng.
Hình 3.4: Giản đồ tương quan của chuỗi d_logCPI Sự giảm nhanh về giá tr ị 0 sau 3 độ trễ đầu tiên của SAC ở Hình 3.4 cùng ki ểm định APF cho th ấy chu ỗi d_logCPI là chu ỗi dừng. Vậy, mô hình sẽ được ước lượng với sai phân bậc 1 của chuỗi logCPI là chuỗi d_logCPI.
3.2.2. Nhận dạng mô hình
Hình 3.4 cho th ấy SPAC có đỉnh cao ở độ trễ 1, có ý ngh ĩa thống kê và sau đó gi ảm đột ngột về 0, kết hợp với SAC gi ảm dần
15
nhanh theo dạng hàm mũ giảm, ta có th ể kết luận tạm thời là chu ỗi d_logCPI tuân theo mô hình tự hồi quy bậc p=1. Bi ểu đồ SAC ở Hình 3.4 cũng cho thấy có đỉnh cao ở độ trễ 36, trong khi ta đã bi ết chu ỗi d_logCPI là chu ỗi th ời gian quan sát theo tháng, cùng với đồ thị Hình 3.3 đã trình bày nên yếu tố mùa chu kì 12 tháng có th ể tồn tại trong mô hình. Điều này gợi ý rằng thành phần MA mùa cần được xem xét trong mô hình v ới các bậc Q = {1; 2; 3}. Tương tự, SPAC cũng tồn tại những đỉnh cao tại độ trễ 13; 25. Do đó, thành phần AR mùa bậc P = {1; 2} cũng được nhận dạng thử. Nh ư vậy, mô hình nhận dạng có thể phù hợp cho chuỗi logCPI là mô hình tự hồi quy tích hợp trung bình trượt có tính mùa ARIMA(p, d, q)(P, D, Q) s với các d ạng th ử nghi ệm: ARIMA(1; 1; 0)(1; 0; 1) 12, ARIMA(1; 1; 0)(2; 0; 1)12, ARIMA(1; 1; 0)(1; 0; 2)12, ARIMA(1; 1; 0)(2; 0; 2)12, ARIMA(1; 1; 0)(1; 0; 3)12, ARIMA(1; 1; 0)(2; 0; 3)12. 3.2.3. Ước lượng và kiểm định mô hình
ước lượng các mô hình ARIMA đã nhận dạng thử bằng
Ta phương pháp ước lượng bình phương tối thiểu.
Từ các kết quả ước lượng ở bảng 3 đến bảng 8 (ph ụ lục 2), qua kiểm định Fisher, cả 6 mô hình được nhận dạng đều có ý ngh ĩa thống kê với mức ý nghĩa 5%. Bên cạnh đó, hệ số R2 điều chỉnh của 6 mô hình đều lớn hơn 50%, chứng tỏ mô hình có độ phù hợp tương đối với dữ liệu.
So sánh các thông số phổ biến của mô hình được tổng hợp ở 12 có R 2 điều chỉnh lớn Bảng 3.5, mô hình ARIMA(1; 1; 0)(2; 0; 3) nhất và các giá trị AIC, SIC, RMSE nhỏ nhất nên đây là mô hình phù hợp với logCPI nhất.
16
Mô hình AIC SIC RMSE Bảng 3.5: Các thông số thống kê của các mô hình R2 hiệu chỉnh
ARIMA(1; 1; 0)(1; 0; 1)12 0.631391 -7.53960 -7.43539 0.00538 ARIMA(1; 1; 0)(2; 0; 1)12 0.657757 -7.53964 -7.39888 0.00527 ARIMA(1; 1; 0)(1; 0; 2)12 0.627511 -7.51960 -7.38934 0.00536 ARIMA(1; 1; 0)(2; 0; 2)12 0.709460 -7.69282 -7.52391 0.00483 ARIMA(1; 1; 0)(1; 0; 3)12 0.724342 -7.81123 -7.65492 0.00459 ARIMA(1; 1; 0)(2; 0; 3)12 0.767785 -7.90640 -7.70930 0.00429
Ta ki ểm tra độ phù hợp của mô hình ARIMA(1; 1; 0)(2; 0;
3)12 qua các kiểm định sau:
* Kiểm định phần dư có phải là nhiễu trắng hay không.
Hình 3.5: Giản đồ tương quan của chuỗi phần dư mô hình ARIMA(1; 1; 0)(2; 0; 3)12.
Trên bi ểu đồ tự tương quan của chu ỗi ph ần dư ở Hình 3.5, gần như tất cả p-value của trị thống kê Q đều lớn hơn 0.05 ở mức ý nghĩa 5%, nên ta chấp nhận giả thiết H0 về kiểm định đồng thời tất cả hệ số tự tương quan bằng giá tr ị 0 của kiểm định LB. Hơn nữa, kết quả ki ểm định Breusch-Godfrey LM và ki ểm định ARCH LM ở bảng 3.7 ở mức ý nghĩa 5% đều có giá trị p-value > 0.05 cho phép ta
17
chấp nhận giả thiết H0 ở cả hai ki ểm định này. Do đó, phần dư của mô hình là nhiễu trắng.
* Kiểm định các hệ số của mô hình:
Ph ần dư của mô hình là nhi ễu tr ắng nên ta có th ể sử dụng kiểm định Student với thống kê t để kiểm định ý nghĩa thống kê của các biến trong mô hình.
Dựa vào kết qu ả ước lượng mô hình ARIMA(1; 1; 0)(2; 0;
3)12, ở bảng 3.6 kiểm định t chỉ ra biến SMA(12) và SMA(36) không có ý nghĩa thống kê trong mô hình với mức ý nghĩa 5%.
Ta tiến hành ước lượng lại mô hình sau khi l ần lượt loại bỏ các biến SMA(12), SMA(36) ở bảng 3.8 và b ảng 3.9, rồi kiểm định lại độ phù hợp của các mô hình m ới bằng các ki ểm định LB, ki ểm định LM. Cu ối cùng, mô hình phù h ợp tìm được là ARIMA(1; 1; 0)(2; 0; 2) 12 nhưng không có bi ến SMA(12) có k ết quả ước lượng ở bảng 3.9, k ết qu ả ki ểm định LM ở bảng 3.10 và bi ểu đồ tự tương quan ở hình 3 (phụ lục 1). Bảng 3.10: Kết quả Kiểm định ARCH LM và kiểm định Breush- Godfrey LM của mô hình ARIMA(1; 1; 0)(2; 0; 2)12 đã bỏ biến SMA(12)
Kiểm định ARCH LM Breush-Godfrey LM Statistics 0.000132 0.273937 P-value 0.990861 0.761082
* Kiểm định hiện tượng thừa tham số:
24-te
ận tương quan ở bảng 3.11 của các ước lượng tham số Ma tr của dữ liệu d_logCPI cho ra kết quả rất nhỏ. Do đó, hiện tượng thừa tham số không tồn tại trong mô hình đã lựa chọn. ư vậy, sau tất cả các kiểm định, mô hình phù hợp nhất cho Nh chuỗi logCPI là: ARIMA(1; 1; 0)(2; 0; 2)12 đã loại bỏ biến SMA(12). d_logCPIt = 0.001659 + 0.769721 d_logCPIt-1 +0.197787 d_logCPIt- 12 + 0.452955d_logCPIt-24 – 0.880079 + te (3.1)
18
3.2.4. Kiểm định tính ổn định cấu trúc của mô hình: Trong giai đoạn 2005-2010, tăng trưởng cung tiền M2 và tăng trưởng tín dụng của Việt Nam là khá cao. Trước tình hình lạm phát quý I/2011 ở mức cao (bình quân hơn 2%/tháng), ngày 24/2/2011, Chính phủ ban hành Nghị quyết số 11/NQ-CP về những giải pháp chủ yếu tập trung kiềm chế lạm phát, ổn định kinh tế vĩ mô, bảo đảm an sinh xã hội. Và ngày 1/3/2011, chỉ thị 01/CT-NHNN triển khai thực hiện Nghị quyết 11 mới ra đời. Đông thời, Ngân hàng Nhà nước đã bơm tiền ra thị trường bằng các kênh chính thức và sau đó bằng các biện pháp nghiệp vụ đã thu tiền về nhanh, làm cho cung tiền danh nghĩa thì lớn, nhưng tiền (nhất là tiền mặt) thực sự tham gia lưu thông thì ít hơn. Những động thái này đã làm thay đổi chiều hướng diễn biến của lạm phát trong thời gian tiếp theo. Tuy nhiên, theo nhiều nghiên cứu thực nghiệm, như nghiên cứu “Nghiên cứu lạm phát tại Vi ệt Nam theo ph ương pháp SVAR” của PGS. TS. Nguyễn Thị Liên Hoa (2013), phản ứng của CPI trước các cú sốc trong chính sách tiền tệ rất mạnh nhưng CPI không phản ứng ngay lập tức mà trễ khoảng 6 tháng và tác động này là dai dẳng. Như vậy, phải sau 6 tháng kể từ lúc triển khai thực hiện, tức là đến tháng 9/2011 thì những thay đổi trong chính sách trên mới chính thức phát huy hiệu quả.
Do vậy, đề tài ti ến hành ki ểm định mô hình v ừa xây d ựng được ở ph ần trên có thay đổi cấu trúc qua 2 th ời kì sau hay không bằng kiểm định Chow:
- Thời kì 1: 01/2005-08/2011. - Thời kì 2: 09/2011-06/2014.
Bảng 3.12: Kết quả kiểm định Chow cho mô hình ARIMA(1; 1; 0)(2; 0; 2)12 đã loại bỏ biến SMA(12)
Kiểm định F-statistic P-value
Kiểm định Chow 14.62295 0.000
Qua kết quả của kiểm định Chow ở bảng 3.12, ta thấy mô hình
19
có sự thay đổi cấu trúc qua các thời kì. Như vậy, sự thay đổi trong chính sách của Chính phủ đã tạo nên sự khác biệt trong vận động của chuỗi CPI. Tuy nhiên, trong khoảng thời gian, từ tháng 9/2011 đến tháng 6/2014, số lượng quan sát của CPI chỉ có 22 quan sát. Trong khi đó, mô hình ARIMA yêu cầu chuỗi thời gian phải có ít nh ất 50 quan sát, đặc biệt đối với các chuỗi thời gian có thành phần mùa như chuỗi CPI đang xem xét thì chuỗi dữ liệu phải được quan sát từ 3 đến 10 năm. Do đó, ta không đủ điều kiện để xây dựng mô hình ARIMA cho chuỗi CPI trong thời kì 9/2011-6/2014. Vậy nên, đề tài vẫn sẽ sử dụng mô hình ban đầu là ARIMA(1; 1; 0)(2; 0; 2)12 đã loại bỏ biến SMA(12) cho chuỗi logCPI để dự báo lạm phát Việt Nam trong 12 tháng tới.
3.2.5. Đánh giá dự báo
.04
.03
.02
.02
.01
.00
.01
-.01
.00
-.01
-.02
2007
2008
2009
2010
2011
2012
2013
Residual
Actual
Fitted
Mô hình ARIMA tìm được để dự báo lạm phát Vi ệt Nam là ARIMA(1; 1; 0) (2; 0; 2)12 đã loại bỏ biến SMA(12). Đề tài tiến hành dự báo trong mẫu để kiểm tra mức độ chính xác của dự báo từ mô hình. Trong quá trình xây dựng mô hình, dữ liệu CPI đã được chuyển thành log(CPI) trước khi lấy sai phân bậc 1. Trong Eview, log là logarith cơ số tự nhiên e. Do đó, từ kết quả dự báo cho d_logCPI, ta chuyển dữ liệu về lại logCPI, rồi đưa về giá trị CPI qua công thức: CPI = elogCPI. Hình 3.6 cho ta thấy kết quả dự báo trong mẫu cho đồ thị chuỗi dự báo bám sát đồ thị gốc.
Hình 3.6: Kết quả dự báo trong mẫu
Ngoài ra, theo số liệu thống kê ở Bảng 3.13, CPI thực của các tháng
20
7, 8, 9, 10/2014 do Tổng cục Thống kê Việt Nam công bố xấp xỉ với giá trị dự báo điểm với các sai số dự báo nhỏ hơn 0.32%. Các giá trị thực tế của CPI đều nằm trong khoảng tin cậy của dự báo với độ tin cậy 95%.
Bảng 3.13: Kết quả dự báo CPI các tháng 7/2014 - 10/2014.
ĐVT: %
Tháng Khoảng tin cậy Sai số dự báo
7/2014 8/2014 9/2014 10/2014 CPI dự báo (năm gốc 2009) 158.44 159.05 159.56 159.88 CPI thực (năm gốc 2009) 158.22 158.57 159.20 159.38 157.08 – 159.82 156.33 – 161.83 155.48 - 163.75 154.45 – 165.50 0.139 0.303 0.226 0.314
ư vậy, kết quả dự báo từ mô hình ARIMA(1; 1; 0)(2; 0; 2)12 đã Nh loại bỏ biến SMA(12) cho chuỗi logCPI có độ tin cậy tương đối cao. Ta có thể áp dụng mô hình để dự báo lạm phát Việt Nam cho các tháng tới. 3.2.6. Kết quả dự báo lạm phát Việt Nam Bảng 3.14 tóm t ắt kết qu ả dự báo l ạm phát Vi ệt Nam các
tháng từ tháng 11/2014 đến tháng 6/2015.
Bảng 3.14: Kết quả dự báo lạm phát hàng tháng từ tháng 11/2014 đến tháng 6/2015
Tháng CPI (so với năm gốc 2009) Giới hạn dưới Giới hạn trên
11/2014 12/2014 01/2015 02/2015 03/2015 04/2015 05/2015 06/2015 160.14 160.61 161.23 162.02 162.16 161.92 162.16 162.39 153.37 167.21 152.50 169.15 151.77 171.28 151.21 173.62 150.03 175.27 148.52 176.53 147.46 178.32 146.40 180.13 Tốc độ tăng CPI so với tháng 12 năm trước 2.85 3.15 0.39 0.88 0.97 0.82 0.97 1.11 ĐVT: % Tốc độ tăng CPI so với tháng trước 0.16 0.29 0.39 0.49 0.09 -0.15 0.15 0.14
21
Kết quả dự báo từ nghiên cứu tuy thấp hơn so với các dự báo do các t ổ chức quốc tế và trong n ước thực hi ện nhưng kết qu ả này phù hợp với nhận định lạm phát năm 2014 không v ượt quá 4% c ủa UBGSTCQG và phù hợp với diễn biến của lạm phát trong th ời gian gần đây cũng như tình hình kinh tế trong nước và thế giới trong thời gian tới. Theo dự báo của Cơ quan Năng lượng Quốc tế (IEA)(2014), giá dầu mỏ thế giới vẫn sẽ giữ xu hướng giảm sang đến năm 2015. Theo tính toán của ANZ (2014), tác động gộp của giảm 10% giá dầu trong 4 quý liên ti ếp có th ể giúp lạm phát gi ảm 2.6-2.7%. Ngoài ra, lạm phát năm 2014 và 2015 s ẽ ti ếp tục ổn định còn do các y ếu tố: tổng cầu trong nước thấp; giá cả hàng hóa thế giới cũng được dự báo ổn định trong năm 2015; xu ất khẩu tăng, cán cân th ương mại thặng dư, tỉ giá ổn định.
Tuy nhiên, trong giai đoạn hi ện nay, n ền kinh t ế có nhi ều biến động có th ể tác động đến lạm phát, nên vi ệc dự báo l ạm phát trong các tháng t ới sẽ tồn tại những sai số nhất định. Song, kết quả nghiên cứu này c ũng cung c ấp thông tin h ữu ích cho các nhà làm ệc xây d ựng kế chính sách c ũng nh ư các nhà kinh doanh trong vi hoạch phát tri ển cùng nh ững giải pháp thích h ợp để phòng ng ừa và tối thiểu hóa thiệt hại do lạm phát gây ra. 3.3. MỘT SỐ KHUYẾN NGHỊ
3.3.1. Khuy ến ngh ị trong vi ệc sử dụng kết qu ả nghiên
cứu và mô hình dự báo
Thứ nhất, mặc dù dự báo hậu nghiệm cho khoảng tin cậy của dự báo ch ứa giá tr ị thực của CPI. Nh ưng càng dự báo về sau, sai s ố dự báo càng t ăng. Do đó, mô hình d ự báo nên được sử dụng trong ngắn hạn, còn dự báo trong dài hạn, mô hình chỉ mang tính chất tham khảo trong các quyết định của nhà làm chính sách, nhà kinh doanh và người tiêu dùng.
22
Thứ hai, khi sử dụng phương trình để dự báo một thời đoạn tiếp theo Y t+1, chúng ta t ăng những chỉ số lên một, từ đầu đến cuối tương ứng. Sau một lúc, nh ững giá tr ị d_logCPI trong ph ương trình (3.1) sẽ là những giá trị dự báo chứ không phải là những giá trị thực trong quá khứ. Vì vậy, các giá tr ị thực tế của CPI cần phải được cập nhật liên tục để cải thiện độ tin cậy của các giá trị dự báo.
Thứ ba, kết quả ki ểm định Chow đã cho th ấy, mô hình d ự báo có s ự thay đổi cấu trúc qua hai th ời kì v ới điểm gãy là tháng 9/2011. Do h ạn ch ế về dữ li ệu trong th ời kì t ừ tháng 9/2011 đến nay, nên đề tài v ẫn ti ếp tục sử dụng mô hình d ự báo đã xây d ựng ban đầu. Tuy nhiên, trong t ương lai, khi chuỗi dữ liệu CPI có độ dài tương đối, mô hình ARIMA cho l ạm phát Vi ệt Nam nên được xây dựng dựa trên chuỗi dữ liệu CPI được quan sát t ừ tháng 9/2011 đến thời điểm nghiên c ứu để ph ản ánh đúng nh ất di ễn bi ến lạm phát trong thời gian tới.
ĩa hơn về mặt chính sách, mô hình
Thứ tư, dự báo l ạm phát là công vi ệc không dễ dàng. Lạm phát ph ụ thu ộc vào nhi ều yếu tố, trong đó có nh ững yếu tố rất khó xác định ho ặc có bi ến động th ường xuyên nh ư: mức cung ti ền, lãi suất, tâm lí ng ười tiêu dùng, … Do đó, để có được kết qu ả dự báo chính xác h ơn và có ý ngh ARIMA nên được sử dụng kết hợp với mô hình t ự hồi quy vecto (Vector Autoregression model – VAR) để phân tích mối liên hệ giữa các nhân tố với lạm phát như: cung tiền, tỉ giá, giá xăng dầu, giá gạo, giá từ khu v ực nước ngoài, kì v ọng của ng ười dân, …, sau đó đo lường ảnh hưởng của các cú sốc đến sự bất định của lạm phát thông qua công cụ ARCH/GARCH. Thứ năm, năm 2015, kinh t ế Việt Nam sẽ hội nhập sâu hơn vào kinh t ế khu v ực do đó xu h ướng lạm phát c ủa Vi ệt Nam s ẽ không chỉ phụ thuộc vào nội tại kinh tế Việt Nam mà ch ắc chắn sẽ tăng gi ảm theo bi ến động của kinh t ế của khu vực. Chỉ số lòng tin
23
người tiêu dùng (CCI) là ch ỉ số có tính d ẫn hướng cho CPI do giá tăng hay giảm phụ thuộc rất nhiều vào hành vi và niềm tin của người tiêu dùng. Lòng tin tiêu dùng l ại phụ thuộc vào vi ệc giá cả tăng như thế nào. Nếu giá tăng từ từ thì lòng tin người tiêu dùng cũng sẽ được củng cố. Do vậy, để biết xu hướng lạm phát tại Việt Nam trong th ời gian tới, ngoài kết quả dự báo từ mô hình ARIMA, ta c ũng nên theo dõi Chỉ số lòng tin tiêu dùng c ủa các nước ASEAN vì l ạm phát của Việt Nam sẽ phụ thuộc nhiều hơn vào nền kinh tế khu vực.
3.3.2. Quan điểm chính sách và m ục tiêu l ạm phát c ủa
Việt Nam năm 2015
3.3.3. Một số khuyến nghị về chính sách
Mô hình nghiên c ứu đưa ra dự báo lạm phát Vi ệt Nam năm 2014 là 3.15% và 6 tháng đầu năm 2015 là 1.11%. Như vậy, nếu diễn biến của CPI tương tự như dự báo từ mô hình, thì việc kiểm soát lạm phát dưới mức 7% n ăm 2014 là ch ắc chắn thực hiện được và ki ểm soát lạm phát khoảng 5% năm 2015 là điều không khó. Từ phân tích trên, đề tài nh ận thấy nếu CPI trong các tháng tới tăng thấp như kết quả dự báo của mô hình s ẽ là điều đáng mừng và là tín hi ệu tốt để triển khai các chính sách, gi ải pháp hỗ trợ, tháo gỡ khó khăn cho các doanh nghi ệp, kích cầu nền kinh tế và thúc đẩy tăng trưởng kinh tế trong th ời gian tới. Tuy nhiên, nền kinh tế trong nước và th ế giới luôn có nh ững biến động không lường, do đó, các giải pháp nhằm tăng trưởng kinh tế vẫn nên được thực hiện đồng bộ và đồng thời với các giải pháp kiểm soát lạm phát.
KẾT LUẬN CHƯƠNG 3
24
KẾT LUẬN
Kiềm chế lạm phát luôn là mục tiêu hàng đầu của chính phủ ta nhằm ổn định nền kinh tế vĩ mô. Tỉ lệ lạm phát cao sẽ kéo theo sản xuất kinh doanh không hi ệu qu ả, gây bất ổn trong n ền kinh t ế, đời sống người dân khó kh ăn. Do vậy, việc dự báo được xu hướng của chỉ số giá tiêu dùng, t ừ đó phản ánh lạm phát là rất cần thiết và có ý nghĩa cho các chính sách kinh tế vĩ mô cũng như vi mô.
Như đã trình bày, tình hình lạm phát của một nền kinh tế phụ thuộc vào rất nhiều yếu tố và sẽ có nhiều diễn biến bất ngờ trong tình hình kinh tế nhiều biến động hiện nay. Và mô hình ARIMA đang xét chỉ thực sự có ý ngh ĩa khi chu ỗi thời gian là t ương đối ổn định. Dù vậy, mô hình c ũng đã cung cấp được một xu hướng biến đổi tương đối hợp lý c ủa lạm phát qua các tháng trong n ăm để ph ục vụ cho công tác dự báo.
Luận văn này được th ực hi ện với mong mu ốn tìm hi ểu rõ hơn về mô hình d ự báo ARIMA, v ề tổng quan tình hình l ạm phát Việt Nam, đồng thời áp dụng mô hình ARIMA cho vi ệc dự báo lạm phát ở Việt Nam trong thời gian tới.
