Ứng dụng mô hình MIDAS dự báo lạm phát Việt Nam

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

Thêm vào BST

Báo xấu

8
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này tập trung vào việc phân tích và ứng dụng mô hình MIDAS cho dự báo CPI ở Việt Nam, nhằm mở ra một hướng tiếp cận mới và tiềm năng cho việc dự báo các chỉ số kinh tế vĩ mô quan trọng.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng mô hình MIDAS dự báo lạm phát Việt Nam

PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 ỨNG DỤNG MÔ HÌNH MIDAS DỰ BÁO LẠM PHÁT VIỆT NAM Nguyễn Sĩ Thiệu Học viện Chính sách và Phát triển Email: thieuns@apd.edu.vn Tóm tắt: Phân tích và dự báo Chỉ Số Giá Tiêu Dùng (CPI) luôn là một lĩnh vực quan trọng, thu hút sự chú ý không chỉ của giới nghiên cứu mà còn của các nhà hoạch định chính sách trên toàn thế giới. Các nghiên cứu trước đây đã tiếp cận việc dự báo CPI thông qua nhiều phương pháp khác nhau, nhưng thường dựa trên tập dữ liệu cùng tần suất, điều này có thể dẫn đến những sai số trong ước lượng và bỏ qua các yếu tố quan trọng ảnh hưởng đến CPI. Gần đây, việc sử dụng mô hình phân tích dữ liệu tần suất hỗn hợp (MIDAS) trong việc dự báo CPI đã nhận được sự quan tâm đáng kể từ cộng đồng khoa học quốc tế. Tại Việt Nam, việc áp dụng mô hình MIDAS trong dự báo CPI và các chỉ tiêu kinh tế vẫn còn là một lĩnh vực nghiên cứu mới mẻ và chưa có nhiều nghiên cứu. Bài viết này tập trung vào việc phân tích và ứng dụng mô hình MIDAS cho dự báo CPI ở Việt Nam, nhằm mở ra một hướng tiếp cận mới và tiềm năng cho việc dự báo các chỉ số kinh tế vĩ mô quan trọng. Từ khóa: CPI, lạm phát, mô hình MIDAS, tần suất hỗn hợp. 1. Đặt vấn đề Chỉ Số Giá Tiêu Dùng (Consumer Price Index - CPI) là một chỉ báo kinh tế quan trọng, phản ánh mức độ lạm phát và sức mua của người tiêu dùng. Sự biến động của CPI không chỉ ảnh hưởng đến kế hoạch tài chính của các tổ chức, mà còn có tác động trực tiếp đến đời sống hàng ngày của người dân. Trong bối cảnh nền kinh tế toàn cầu ngày càng phức tạp, việc theo dõi và dự báo CPI đã trở thành một yếu tố then chốt trong việc hoạch định chính sách kinh tế, đưa ra các quyết định đầu tư và phát triển nền kinh tế bền vững. CPI không chỉ là một chỉ báo quan trọng về lạm phát mà còn phản ánh sức khỏe kinh tế tổng thể và khả năng mua của người tiêu dùng. Do đó, việc phát triển một mô hình dự báo CPI chính xác và đáng tin cậy là cần thiết và cấp bách, đặc biệt trong bối cảnh biến động kinh tế hiện nay. Bài toán dự báo chỉ số CPI nói riêng và các bài toán dự báo trong kinh tế, tài chính nói chung đã có nhiều nghiên cứu nhưng đến nay vẫn luôn được quan tâm đặc biệt. Các nhà nghiên cứu thường sử dụng mô hình hình kinh tế lượng như ARIMA, VAR, SVAR, VECM,... để phân tích và dự báo lạm phát. Các mô hình này thường sử dụng các biến giải thích có cùng tần suất (tháng, quý, năm,...), tuy nhiên trong khoảng thời gian giữa hai kỳ của dữ liệu có thể xảy ra các sự kiện kinh tế, chính trị, xã hội có tác động mạnh đến biến số cần dự báo. Mô hình MIDAS (Mixed Data Sampling) được giới thiệu như một giải pháp độc đáo cho việc phân tích và dự báo dữ liệu có tần suất khác nhau. Phương pháp này cho phép sự tích hợp linh hoạt của dữ liệu tần suất cao (như hàng tháng hoặc hàng tuần) vào mô hình dự báo tần suất thấp (như hàng quý) giúp cải thiện độ chính xác và độ nhạy của các dự báo. Trong nghiên cứu này, tác giả hướng đến việc khám phá và thực nghiệm mô hình MIDAS và các biến thể trong bối cảnh dự báo CPI. Mục tiêu đặt ra không chỉ là đánh giá tính hiệu quả của mô hình MIDAS so với các phương pháp truyền thống, mà còn nhằm mở rộng hiểu biết về cách thức các thông tin tần suất cao có thể cải thiện độ chính xác trong dự báo kinh tế vĩ mô. 88
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Qua đó, nghiên cứu góp phần vào lĩnh vực kinh tế lượng, đặc biệt trong việc phân tích và dự báo các chỉ số kinh tế vĩ mô quan trọng. 2. Tổng quan các nghiên cứu về mô hình MIDAS 2.1. Các nghiên cứu ngoài nước Trong dự báo kinh tế, các mô hình như ARIMA, hồi quy tuyến tính, và mô hình Vector AutoRegression (VAR) thường được ứng dụng. Mô hình ARIMA phù hợp cho dữ liệu chuỗi thời gian với việc xác định và loại bỏ các yếu tố mùa vụ hoặc xu hướng. Hồi quy tuyến tính thích hợp cho việc mô hình hóa mối quan hệ giữa biến phụ thuộc và một hoặc nhiều biến độc lập. Còn mô hình VAR được sử dụng để phân tích tương quan và ảnh hưởng lẫn nhau giữa các biến. Những mô hình này giúp phân tích và dự đoán dữ liệu kinh tế, tuy nhiên các mô hình này sử dụng dữ liệu cùng tần suất là phổ biến, trong khi các dữ liệu kinh tế thường được công bố với các tần suất khác nhau và độ trễ công bố cũng không giống nhau. Để khắc phục vấn đề trên, mô hình MIDAS được đề xuất năm 2002 bởi Eric Ghysels, Arthur Sinko và Rossen Valkanov [1]. Trong nghiên cứu này, nhóm tác giả đã giới thiệu mô hình hồi quy MIDAS được thiết kế để xử lý dữ liệu chuỗi thời gian có tần suất mẫu khác nhau, so sánh mô hình này với các mô hình độ trễ phân phối truyền thống, và thảo luận về khả năng ứng dụng rộng rãi của chúng trong kinh tế vĩ mô và tài chính. Nghiên cứu đã chứng minh được ưu điểm tiềm năng của hồi quy MIDAS so với các mô hình thông thường, đặc biệt trong các bối cảnh ứng dụng các dữ liệu tần suất cao để giải thích các hiện tượng tần suất thấp hơn. Việc nghiên cứu các khía cạnh và ứng dụng của mô hình MIDAS đã được quan tâm, điển hình như nghiên cứu [2] của Monteforte và Moretti năm 2010. Nghiên cứu đã ứng dụng mô hình tần số hỗn hợp để dự báo lạm phát hàng ngày ở khu vực đồng Euro. Nghiên cứu sử dụng các dữ liệu hàng ngày từ thị trường tài chính như dữ liệu cổ phiếu, trái phiếu để ước tính chỉ số lạm phát cơ bản hàng tháng. Việc dự báo được thực hiện bằng phương pháp hồi quy MIDAS, kết quả dự báo được so sánh với mô hình VAR và báo giá hàng ngày của các công cụ phái sinh về lạm phát của đồng Euro và cho thấy hiệu suất dự đoán vượt trội. Nghiên cứu cũng đưa ra bàn luận về cách các yếu tố kinh tế vĩ mô và chính sách tiền tệ ảnh hưởng đến lạm phát, và cách mà mô hình tần suất hỗn hợp có thể giúp các nhà hoạch định chính sách đưa ra quyết định dựa trên thông tin đầy đủ và chính xác hơn. Một nghiên cứu khác về mô hình MIDAS là của nhóm tác giả Jennie Bai, Eric Ghysels và Jonathan H. Wright năm 2013 [3]. Nghiên cứu này khám phá mối quan hệ giữa hồi quy MIDAS và bộ lọc Kalman trong việc dự báo với dữ liệu tần suất hỗn hợp. Nghiên cứu đã chỉ ra sự trùng khớp về mặt kết quả giữa hai phương pháp trong điều kiện lý tưởng. Trong hầu hết các trường hợp, bộ lọc Kalman chính xác hơn một chút, nhưng cũng đòi hỏi tính toán cao hơn nhiều so với hồi quy MIDAS nên thực tế sẽ ít được ứng dụng hơn. Tính ứng dụng của mô hình MIDAS trong dự báo lạm phát đã được thể hiện trong nghiên cứu [4] của Luis Libonatti năm 2018. Nghiên cứu là một thực nghiệm dự báo chỉ số giá hàng ngày dựa trên giá trực tuyến được thu thập trên web thông qua dịch vụ “cào” dữ liệu được cung cấp bởi công ty tư nhân PriceStats kết hợp với công ty nghiên cứu tài chính State Street Global Markets. Chỉ số giá trực tuyến này được sử dụng để dự báo tỷ lệ lạm phát cơ bản hàng tháng ở Argentina. Các loại mô hình hồi quy tần số hỗn hợp được sử dụng đã thể hiện sự gia tăng về hiệu suất dự đoán khi so sánh với các mô hình và công cụ ước tính cơ bản. 89
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 2.2. Các nghiên cứu trong nước Khác với tình hình nghiên cứu sôi động ở ngoài nước, các nghiên cứu trong nước về xây dựng mô hình dự báo trên tập dữ liệu tần suất hỗn hợp trong lĩnh vực kinh tế - tài chính vẫn còn hạn chế. Nhóm nghiên cứu gồm Lê Mai Trang, Hoàng Anh Tuấn, Nguyễn Thị Hiên, Đinh Thị Hà, Trần Kim Anh (2021) đã ứng dụng mô hình MIDAS để dự báo xuất khẩu của Việt Nam [5]. Nghiên cứu đưa ra 3 mô hình MIDAS để dự báo tăng trưởng xuất khẩu của Việt Nam, kết quả cho thấy cả 3 mô hình đều có độ phù hợp cao. Nhóm tác giả cũng đưa ra nhận định với cùng các biến độc lập, dữ liệu được lấy ở tần suất cao hơn, mô hình MIDAS sẽ cho kết quả dự báo tốt hơn. Mô hình MIDAS có hiệu quả cao đối với dự báo trong ngắn hạn đồng thời các biến tài chính tần số cao có thể được sử dụng để dự báo tăng trưởng xuất khẩu của Việt Nam. Cũng ở một nghiên cứu khác của nhóm tác giả này vào năm 2022 [6], đã dự báo tăng trưởng xuất khẩu của Việt Nam bằng sử dụng mô hình MIDAS và mô hình véc tơ tự hồi quy tần suất hỗn hợp MF-VAR và mô hình MIDAS. Kết quả thực nghiệm cho thấy rằng mô hình MIDAS cho kết quả dự báo tốt hơn so với mô hình MF-VAR. 3. Mô hình và dữ liệu 3.1. Mô hình MIDAS áp dụng cho dự báo CPI Theo cách tiếp cận mô hình MIDAS tiêu chuẩn, các biến có tần suất cao hơn được sử dụng làm biến biến giải thích, việc sử dụng đa thức phân phối trễ giúp giảm số lượng tham số và đối phó với các vấn đề trong việc xác định thứ tự trễ. [5] Cấu trúc tổng quát của mô hình MIDAS cơ bản có dạng: 𝑚 𝐻 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + 𝑓({𝐹 𝑡/𝑆 }, 𝜃, 𝜆) + 𝑢 𝑡 (1) 𝑖=1 ở đây 𝑦 𝑡 là biến phụ thuộc được lấy mẫu ở tần suất thấp tại thời điểm t; 𝑥 𝑖,𝑡 là các biến 𝐻 giải thích có cùng tần suất với biến phụ thuộc 𝑦 𝑡 ; {𝐹 𝑡/𝑠 } là tập các nhân tố được chiết xuất từ tập lớn các biến giải thích được lấy mẫu ở một tần suất nào đó cao hơn với tỷ lệ tần suất cao là 𝑃 𝑟𝑖 S; 𝜓(𝐿) = 1 − ∑ 𝑗=1 𝑏 𝑗 𝐿 𝑗 ; 𝛽 𝑖 (𝐿) = ∑ 𝑗=0 𝛽 𝑖 𝑗 𝐿 𝑗 ; f là hàm mô tả tác động của dữ liệu tần suất cao hơn trong hồi quy tần suất thấp; b = (𝑏 𝑘 ), 𝛽 𝑖 = (𝛽 𝑖 𝑗 ) , 𝜃, và 𝜆 là các véc tơ tham số cần được ước lượng. Bên cạnh mô hình MIDAS cơ bản, một số biến thể của mô hình này cũng được phát triển như U-MIDAS, STEP-MIDAS, ADL-MIDAS, EAW-MIDAS. a. Mô hình MIDAS không bị hạn chế (U-MIDAS) Nếu ta chỉ muốn bao gồm mỗi thành phần tần suất cao hơn làm biến giải thích trong hồi quy tần suất thấp thì mô hình (1) có thể được đưa về dạng sau: 𝑚 𝑘−1 𝐻 𝑇 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑ 𝐹(𝑡−𝜏)/𝑆 𝜃 𝜏 + 𝑢 𝑡 (2) 𝑖=1 𝜏=0 𝐻 𝑇 ở đây, 𝐹(𝑡−𝜏)/𝑆 là τ giai đoạn tần suất cao trước t (được gọi là trễ tần suất cao thứ τ tại thời điểm t). Mỗi 𝜃 𝜏 riêng biệt được liên kết với mỗi nhân tố trễ tần suất cao của S. Số lượng hệ số 𝜃 𝜏 có thể lớn hơn S. Trong trường hợp các hệ số này không bị ràng buộc, thì mô hình (2) 90
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 được gọi là mô hình MIDAS không hạn chế (viết tắt là U-MIDAS). b. Mô hình MIDAS trọng số STEP (mô hình STEP-MIDAS) Trong mô hình STEP-MIDAS, các hệ số trên dữ liệu tần suất cao bị hạn chế bằng cách sử dụng hàm STEP. Cụ thể, mô hình này có nguồn gốc từ mô hình (2) và có dạng như sau: 𝑚 𝑘−1 𝐻 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑(𝐹(𝑡−𝜏)/𝑆 ) 𝑇 𝜑 𝜏 + 𝑢 𝑡 (3) 𝑖=1 𝜏=0 ở đây, k là số trễ tần suất cao (𝑘 ≤ 𝑆); 𝛿 là độ dài STEP; 𝜑 𝜏 = 𝜃 𝑖 , i = int(𝜏/𝛿). c. Mô hình MIDAS trọng số Almon đa thức (mô hình ADL-MIDAS) Đối với tần suất cao đến k, hệ số hồi quy của các thành phần tần suất cao trong mô hình (1.36) được mô hình hóa dưới dạng đa thức bậc p trong tham số MIDAS là 𝜃 và mô hình hồi quy MIDAS có dạng như sau: 𝑚 𝑘−1 𝑝 𝐻 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑(𝐹(𝑡−𝜏)/𝑆 ) 𝑇 (∑ 𝜏 𝑗 𝜃𝑗 ) + 𝑢 𝑡 (4) 𝑖=1 𝜏=0 𝑗=0 trong đó p là bậc đa thức Almon, và độ trễ lớn nhất k được chọn có thể nhỏ hơn hoặc lớn hơn S. Khi đó, số lượng hệ số được ước lượng phụ thuộc vào bậc đa thức chứ không phải số lượng trễ tần suất cao, gọi là mô hình MIDAS trọng số Almon đa thức. Sau khi sắp xếp lại, mô hình (4) có dạng: 𝑚 𝑝 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑ 𝑍 𝑖,𝑡 𝑇 𝜃 𝑖 + 𝑢 𝑡 (5) 𝑖=1 𝑖=0 𝑘−1 𝑖 𝐻 trong đó, 𝑍 𝑖,𝑡 = ∑ 𝜏=0 𝜏 𝐹(𝑡−𝜏)/𝑆 d. Mô hình MIDAS trọng số Almon mũ (mô hình EAW-MIDAS) Mô hình EAW-MIDAS là mô hình MIDAS trễ phân bố không đa thức. Mô hình này sử dụng trọng số mũ và đa thức trễ bậc 2. Cụ thể, mô hình này có dạng: 𝑚 𝑘−1 𝐻 exp(𝜏𝜃1 + 𝜏 2 𝜃2 ) 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑(𝐹(𝑡−𝜏)/𝑆 ) 𝑇 ( 𝑘 ) + 𝑢𝑡 (6) ∑ 𝑗=0 exp(𝑗𝜃1 + 𝑗 2 𝜃2 ) 𝑖=1 𝜏=0 Mô hình (6) được viết lại như sau: 𝑚 𝑘 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + ∑ 𝑍 𝜏,𝑡 𝑇 + 𝑢 𝑡 (7) 𝑖=1 𝜏=0 exp (𝜏𝜃1 +𝜏2 𝜃2 ) 𝐻 𝑍 𝜏,𝑡 = (∑ 𝑘 2 ) 𝐹(𝑡−𝜏)/𝑠 𝑗=0 exp (𝑗𝜃1 +𝑗 𝜃2 ) trong đó, k là số lượng trễ được chọn; hàm trọng số mũ và đa thức trễ phụ thuộc vào hai hệ số MIDAS 𝜃1 vả 𝜃2 . Trong mô hình (4), nếu ta chỉ cần thêm tổng trọng số bằng nhau (hoặc trung bình các trọng số) của dữ liệu tần suất cao của biến giải thích trong hồi quy tần suất thấp, thì mô hình này có dạng: 91
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 𝑚 𝑆−1 𝐻 𝜓(𝐿)𝑦 𝑡 = ∑ 𝛽 𝑖 (𝐿)𝑥 𝑖,𝑡 + (∑ 𝐹(𝑡−𝜏)/𝑆 ) 𝑇 𝜆 + 𝑢 𝑡 (8) 𝑖=1 𝜏=0 Véc tơ tham số 𝜆 được liên kết với một biến giải thích và mô hình (1.30) gần giống như mô hình được xác định bởi công thức (5). Mô hình này được gọi là mô hình tổng hợp trọng số bằng nhau. Mô hình MIDAS làm việc được với các dữ liệu có tần suất hỗn hợp, giảm số lượng tham số giúp đơn giản hơn cho mô hình hồi quy. Các kết quả nghiên cứu đã công bố cho thấy mô hình MIDAS thường hiệu quả cho dự báo ngắn hạn. 3.2. Dữ liệu thực nghiệm Tập dữ liệu được thu thập và sử dụng để xây dựng mô hình dự báo lạm phát của Việt Nam bao gồm các yếu tố tác động đến CPI. Số liệu được sử dụng là các dữ liệu theo chuỗi thời gian từ quý I/2014 đến quý IV/2019 được thu thập và tính toán từ nguồn số liệu Tổng cục Thống kê, Ngân hàng Nhà nước,… các tổ chức quốc tế (IMF, FRED, World Bank, Markiteconomics…) và cơ sở dữ liệu của FiinPro, Cophieu68. Lý do để tác giả lựa chọn giai đoạn này vì tính sẵn có của dữ liệu và trong thời điểm này không có quá nhiều các biến cố tác động mạnh đến nền kinh tế như dịch bệnh Covid-19. Các biến sử dụng trong mô hình gồm 12 biến được mô tả trong Bảng 1. Bảng 1: Các biến số sử dụng STT Biến số Đơn Ký Tần Nguồn dữ liệu vị hiệu suất 1 Chỉ số giá tiêu dùng % CPI Quý Tổng cục thống kê 2 Giá dầu thế giới % POIL Tháng FRED 3 Cung tiền M2 % M2 Tháng Ngân hàng nhà nước 4 Đầu tư trực tiếp nước ngoài % fdi Tháng Fiinpro 5 Chỉ số nhà quản trị mua hàng % pmi Tháng Markiteconomics 6 Kim ngạch nhập khẩu của nền % nk Tháng Fiinpro kinh tế 7 Kim ngạch xuất khẩu của nền % xk Tháng Fiinpro kinh tế 8 Chỉ số tiêu thụ trong lĩnh vực sản % tt Tháng Tổng cục thống kê suất và chế biến 9 Dịch vụ tiêu dùng và bán lẻ hàng % bl Tháng Fiinpro hóa 10 Chỉ số giá vàng % goldi Tháng FRED 11 Giá đồng thế giới % pcopp Tháng FRED 12 Chỉ số chứng khoán Việt Nam % vnindex Tháng Cophieu68 Trong nghiên cứu này, nhóm tác giả dự báo chỉ số CPI của Việt Nam hàng quý bằng mô hình MIDAS cơ bản với toán tử trễ Almon với 3 mô hình trong đó các biến độc lập được lựa chọn theo tần suất tháng. Các phân tích được thực hiện trên phần mềm Eviews 12. Dữ liệu 92
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 giai đoạn 2014 đến 2018 dùng để ước lượng các tham số trong các mô hình hồi quy và đưa ra dự báo cho năm 2019. 4. Kết quả dự báo CPI Việt Nam 4.1. Kiểm định tính dừng Kiểm định tính dừng là bước quan trọng để loại bỏ hiện tượng hồi quy giả mại khi thực hiện ước lượng mô hình. Kết quả kiểm định Dickey-Fuller mở rộng (ADF) cho thấy các biến giải thích và biến phụ thuộc đều dừng (còn được gọi là dừng sai phân bậc 0), riêng các biến xk, goldi, pcopp, M2 và POIL dừng sai phân bậc 1. Do đó mô hình có thể sử dụng các biến để ước lượng. Bảng 2: Kết quả kiểm định tính dừng STT Biến Xác suất bác bỏ 1 CPI 0.0000 2 POIL 0.0106 3 M2 0.0003 4 fdi 0.0001 5 pmi 0.0039 6 nk 0.0000 7 xk 0.0000 8 tt 0.0000 9 bl 0.0001 10 goldi 0.0000 11 pcopp 0.0000 12 vnindex 0.0000 Nguồn: Tính toán của nhóm nghiên cứu 4.2. Dự báo CPI bằng mô hình MIDAS Mô hình MIDAS có rất nhiều biến thể khác nhau, trong nghiên cứu này thực nghiệm 4 mô hình được xem xét như sau: - Mô hình MIDAS_01: sử dụng mô hình MIDAS không bị hạn chế (U-MIDAS), mô hình này được áp dụng do sự khác biệt nhỏ của tần suất mẫu (chỉ có 2 tần suất là tháng và quý). Dữ liệu sử dụng trong mô hình này gồm 1 biến tần suất quý và 5 biến độc lập có tần suất tháng. - Mô hình MIDAS_02: sử dụng mô hình MIDAS trọng số STEP (STEP-MIDAS. Dữ liệu sử dụng trong mô hình này gồm 1 biến tần suất quý và 6 biến độc lập có tần suất tháng. - Mô hình MIDAS_03: sử dụng mô hình MIDAS trọng số Almon đa thức (ADL-MIDAS), mô hình này áp dụng trễ phân phối đa thức bậc 3. Dữ liệu sử dụng trong mô hình này gồm 1 biến tần suất quý và 6 biến độc lập có tần suất tháng. - Mô hình MIDAS_04: sử dụng phương pháp ước lượng MIDAS-GETS, phương pháp 93
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 này sử dụng thuật toán chọn lọc biến để lựa chọn những biến tần suất cao nào sẽ được bao gồm trong mô hình hồi quy, điều này giúp giảm số lượng biến sử dụng trong mô hình. Căn cứ đặc trưng của mô hình MIDAS, việc dự báo CPI quý tiếp theo dựa trên số liệu của quý trước đó và so sánh kết quả với số liệu thực tế được công bố. Để có thể so sánh giữa các mô hình MIDAS trên, nghiên cứu đã tiến hành dự báo CPI quý I/2019 và 4 quý của năm 2019. Kết quả dự báo CPI của Việt Nam theo quý được trình bày ở Hình 1 và Hình 2. Hình 1. Kết quả dự báo CPI quý I năm 2019 Nguồn: Tính toán của nhóm nghiên cứu Kết quả từ Hình 1 và Hình 2 chỉ ra rằng, khi so sánh với chuỗi dữ liệu thực tế, các mô hình MIDAS đều có độ phù hợp cao khi dự đoán chính xác xu hướng biến động của CPI. Khoảng dao động của 4 đường dự báo là nhỏ so với giá trị thực tế. Trong hình 1, các mô hình MIDAS_03 và MIDAS_04 cho kết quả dự báo rất tương đồng, còn mô hình MIDAS_02 xu hướng chưa được thể hiện chính xác. Còn ở hình 2, mô hình MIDAS_01 và MIDAS_03 cho kết quả dự báo tương đồng. Điều này thể hiện ở việc các đường thực tế trên hình khá giống nhau. Hình 2. Kết quả dự báo CPI 4 quý năm 2019 Nguồn: Tính toán của nhóm nghiên cứu Việc đánh giá sai số dự báo của các mô hình được đưa ra ở Bảng 3 theo các tiêu chuẩn thống kê RMSE, MAE, MAPE. Bảng 3 cho thấy các mô hình đều có sai số ở mức chấp nhận 94
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 được. Trong 4 mô hình thì mô hình MIDAS với trọng số Almon đa thức và mô hình MIDAS không hạn chế đưa ra dự báo tốt hơn về CPI của Việt Nam. Các mô hình khác đều có sai số ở phạm vi cho phép và đều có thể được sử dụng tốt cho việc dự báo. Phương pháp MIDAS-GETS được đưa vào Eviews 12 là một biến thể mới và cũng đã thể hiện được khả năng trong việc dự báo. Bảng 3: Kết quả sai số của các mô hình dự báo Mô hình RMSE MAE MAPE Theil IC Mô hình MIDAS_01 (U-MIDAS) 0.003 0.002 10.65 0.058 Mô hình MIDAS_02 (STEP-MIDAS) 0.011 0.009 33.36 0.206 Mô hình MIDAS_03 (ADL-MIDAS) 0.003 0.003 9.71 0.045 Mô hình MIDAS_04 (MIDAS-GETS) 0.006 0.005 21.44 0.106 Nguồn: Tính toán của nhóm nghiên cứu Kết quả thực nghiệm là minh chứng cho việc tích hợp dữ liệu tần suất cao giúp cải thiện độ chính xác của mô hình, đồng thời thể hiện hướng đi đúng đắn khi sử dụng mô hình tần suất hỗn hợp MIDAS trong dự báo các chỉ số kinh tế vĩ mô. 5. Kết luận Nghiên cứu này đã áp dụng mô hình MIDAS trong dự báo chỉ số giá tiêu dùng CPI của Việt Nam dựa trên các dữ liệu kinh tế từ năm 2014 đến 2019. Kết quả thực nghiệm trong nghiên cứu đã chứng minh việc sử dụng các biến ở tần suất cao hơn trong mô hình MIDAS giúp mang lại kết quả dự báo chính xác hơn. Điều này phù hợp với các phát hiện của nghiên cứu trước đây, khẳng định hiệu quả của mô hình MIDAS đặc biệt là đối với các dự báo ngắn hạn. Ngoài ra, kết quả nghiên cứu cũng trình bày về một số biến thể của mô hình MIDAS và đánh giá khả năng dự báo của các biến thể này. Các mô hình phân tích dữ liệu tần suất hỗn hợp như MIDAS đang dần trở nên phổ biến và được ứng dụng rộng rãi trong lĩnh vực kinh tế và tài chính, đặc biệt là trong việc dự báo các chỉ tiêu kinh tế vĩ mô. Tuy nhiên, tại Việt Nam, việc nghiên cứu và sử dụng các mô hình này ở Việt Nam vẫn còn ít, vì vậy việc áp dụng mô hình MIDAS trong việc dự báo các chỉ số kinh tế vĩ mô của Việt Nam đang là một hướng nghiên cứu mới và tiềm năng. Việc dự báo chính xác các chỉ tiêu kinh tế vĩ mô trong ngắn hạn sẽ đóng vai trò quan trọng trong việc hỗ trợ quyết định chính sách và định hình chiến lược phát triển kinh tế quốc gia. 95
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO [1]. Ghysels E; Santa-Clara P; Valkanov R, (2002), “The MIDAS Touch: Mixed Data Sampling Regression Models.”, Working paper, UNC and UCLA. [2]. Libero Monteforte; Gianluca Moretti (2010), “Real time forecasts of inflation: the role of financial variables”, Working Paper, Series 81, LUISS. [3]. Bai J; Ghysels E; Wright J, (2013), “State Space Models and MIDAS Regressions.”, Econometric Reviews, 32(7), pp. 779–813 [4]. Luis Libonatti, (2018), “MIDAS Modeling for Core Inflation Forecasting”, IDB Working Paper, No. IDB-WP-897 [5]. Lê Mai Trang; Hoàng Anh Tuấn; Nguyễn Thị Hiên; Đinh Thị Hà; Trần Kim Anh, (2021), “Ứng dụng mô hình MIDAS để dự báo tăng trưởng xuất khẩu của Việt Nam”, Tạp chí ngân hàng online, doi: https://tapchinganhang.gov.vn/ung-dung-mo-hinh-midas-de-du-bao- tang-truong-xuat-khau-cua-viet-nam.htm [6]. Lê Mai Trang; Hoàng Anh Tuấn; Nguyễn Thị Hiên; Đinh Thị Hà; Trần Kim Anh, (2022), “Ứng dụng mô hình dữ liệu tần suất hỗn hợp dự báo tăng trưởng kinh tế Việt Nam”, Tạp chí Kinh tế và Phát triển, No. 302, pp. 2–12, doi: https://js.ktpt.edu.vn/index.php/jed/article/view/578 96