Đề tài nghiên cứu - Ứng dụng mô hình VAR/VECM dự báo tình hình lạm phát ở Việt Nam

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 1


ĐẠI HỌC QUỐC GIA TPHCM
ĐẠI HỌC KINH TẾ LUẬT
KHOA KINH TẾ HỌC



ĐỀ TÀI NGHIÊN CỨU
ỨNG DỤNG MÔ HÌNH VAR/VECM DỰ BÁO TÌNH HÌNH
LẠM PHÁT Ở VIỆT NAM
GVHD: Nguyễn Duy Tâm
SVTH : Nhóm 24
1. Trần Thị Minh Trang K104010084
2. Nguyễn Thế Trọng K104010087
3. Nguyễn Trang Anh Tuấn K104010095
TpHCM, ngày 27 tháng 10 năm 2012
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 2

MỤC LỤC
CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH MÔ HÌNH TỰ HỒI QUY
VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM 3
1. Giới thiệu 3
2. Lý do chọn đề tài 3
3. Mục tiêu nghiên cứu 4
4. Đối tượng nghiên cứu 4

5. Phạm vi nghiên cứu 4
CHƯƠNG II: CƠ SỞ LÝ THUYẾT PHÂN TÍCH MÔ HÌNH VAR/VECM 4
1. Cơ sở lý thuyết 4
1.1 Mô hình tự hồi quy vector VAR 4
1.1.1 Khái niệm 4
1.1.2 Một số vấn đề xây dựng mô hình VAR: 5
1.1.3 Phương pháp ước lượng mô hình VAR 5
1.2 Mô hình vector hiệu chỉnh sai số VECM 7
1.2.1 Hồi quy giả mạo 7
1.2.2 Đồng liên kết 7
1.2.3 Mối quan hệ nhân quả Granger 8
1.2.4 Mô hình vector hiệu chỉnh sai số VECM( vector error correction model) 8
CHƯƠNG III: PHƯƠNG PHÁP LẤY DỮ LIỆU. 9
1. Nguồn dữ liệu 9
2. Cách lấy dữ liệu 10
CHƯƠNG 4: KẾT QUẢ PHÂN TÍCH, LỰA CHỌN MÔ HÌNH VÀ DỰ BÁO. 10
1. Mô hình VAR 10
2. Mô hình VECM 17
CHƯƠNG 5: KẾT LUẬN CHUNG 24
1. Kết luận mô hình dự báo 24
2. Đánh giá tình hình lạm phát ở Việt Nam 24
3. Tính khả thi của mô hình VAR và VECM 24
4. Hạn chế của bài báo cáo 24
TÀI LIỆU THAM KHẢO: 25
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 3


CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH MÔ HÌNH TỰ HỒI

QUY VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM
1. Giới thiệu
Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào
cũng chỉ mang chiều hướng nhất định. Các biến số độc lập (biến giải thích) không
phải luôn luôn tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc
lại tác động ngược lên biến độc lập. Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng
qua lại của những biến này cùng một lúc. Chính vì thế mô hình kinh tế lượng mà ta
phải xét đến không phải là mô hình một phương trình mà là mô hình nhiều phương
trình.
Tuy nhiên, để ước lượng được các mô hình này ta phải đảm bảo rằng các phương
trình trong hệ được định dạng, một số biến được coi là nội sinh (biến mà giá trị được
xác định bởi mô hình, là biến ngẫu nhiên) và một số biến khác được coi là ngoại sinh
hay đã xác định trước (ngoại sinh cộng với nội sinh trễ).
Việc định dạng này thường được thực hiện bằng cách giả thiết rằng một số biến
được xác định trước chỉ có mặt trong một số phương trình. Quyết định này thường
mang tính chủ quan và đã bị Chrishtopher Sims chỉ trích. Theo Sims, nếu tồn tại mối
quan hệ đồng thời giữa một số biến thì các biến này phải được xét có vai trò như
nhau, tức là tất cả các biến xét đến đều là biến nội sinh. Dựa trên tinh thần đó mà
Sims đã xây dựng mô hình vector tự hồi quy VAR. Mô hình VECM là một dạng của
mô hình VAR tổng quát, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng
và chứa đựng mối quan hệ đồng kết hợp.
2. Lý do chọn đề tài
Như chúng ta đã biết, mô hình ARIMA chỉ tiến hành phân tích các biến số kinh tế
trên một chuỗi thời gian. Khi chúng ta có nhiều chuỗi thời gian khác nhau và cần phải
xem xét mối quan hệ, tác động qua lại giữa chúng thì mô hình VAR và mô hình
VECM là một sự lựa chọn phù hợp.
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 4

Mô hình VAR xem xét mối quan hệ giữa những chuỗi thời gian khác nhau. Nhìn
chung, đây là mô hình mở rộng cho nhiều chuỗi thời gian của mô hình ARIMA.
Đặc biệt, trong đề tài nghiên cứu này, mô hình VAR và VECM rất thích hợp trong
việc dự báo tình hình lạm phát ở Việt Nam cũng như thế giới nhằm đưa ra những giải
pháp phù hợp.
3. Mục tiêu nghiên cứu
- Các khái niệm trong phân tích mô hình tự hồi quy vector VAR và mô hình vector
hiệu chỉnh sai số VECM.
- Phương pháp xây dựng mô hình VAR và mô hình VECM.
- Lựa chọn khoảng trễ thích hợp.
- So sánh các mô hình và lựa chọn mô hình phù hợp.
- Quy trình thực hiện dự báo bằng 2 phương pháp trên.
- Giải thích ý nghĩa kinh tế của các kết quả dự báo.
4. Đối tượng nghiên cứu
Dự báo tình hình lạm phát ở Việt Nam trong tương lai có sự biến động như thế
nào. Từ đó hoạch định các chiến lược vi mô, vĩ mô, đầu tư trong thời gian tới.
5. Phạm vi nghiên cứu
- Dạng dữ liệu: tất cả dạng dữ liệu.
- Lượng dữ liệu: càng nhiều quan sát càng tốt.
- Độ dài dự báo: trung hạn.
CHƯƠNG II: CƠ SỞ LÝ THUYẾT PHÂN TÍCH MÔ HÌNH VAR/VECM
1. Cơ sở lý thuyết
1.1 Mô hình tự hồi quy vector VAR
1.1.1 Khái niệm
Mô hình VAR là một hệ phương trình đồng thời. trong đó các biến đều là biến nội
sinh. Biến độc lập là các biến nội sinh ở các thời kỳ trễ.
Cấu trúc của một mô hình VAR gồm nhiều phương trình (mô hình hệ phương
trình) và có các trễ của các biến số. Var là mô hình động của một số biến thời gian.
Xét hai chuỗi thời gian Y
1

và Y
2
. Mô hình Var tổng quát đối với Y
1
và Y
2
:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 5

1 1 1 2 1
11
pp
t i t i t i t
Y Y Y U
  

   


1 2 2
2
11
pp
i t i i t i t
t
Y Y Y U



    


Trong mô hình trên, mỗi phương trình đều chứa p trễ của mỗi biến.
Với 2 biến: mô hình có
2
2 p
hệ số góc và 2 hệ số chặn.
Suy ra với k biến mô hình có
2
kp
hệ số góc và k hệ số chặn. Điều này đòi hỏi số
quan sát phải nhiều thì kết quả ước lượng mới có ý nghĩa.
1.1.2 Một số vấn đề xây dựng mô hình VAR:
Ưu điểm:
 Không cần xác định đâu là biến nội sinh hay ngoại sinh.
 Nếu độ dài trễ của các biến trong các phương trình đều giống nhau,
ta có thể dùng phương pháp OLS để ước lượng, không cần dùng tới
các phương pháp ước lượng hệ phương trình.
Hạn chế:
 Mô hình VAR ít phù hợp cho việc dự báo chính sách.
 Tất cả các biến phải dừng, nếu chưa thì phải lấy sai phân để đảm bảo
chuỗi dừng. Khó khăn hơn nữa khi có một hỗn hợp các biến dừng và
không dừng.
 Khó khăn trong việc lựa chọn khoảng trễ thích hợp.
 Do số quan sát là có hạn, nếu tăng độ dài của trễ sẽ làm cho bậc tự
do bị giảm, ảnh hưởng đến chất lượng các ước lượng.
 Trong một số trường hợp, giải thích dấu của các hệ số không phải dễ
dàng. Có thể cùng một biến số nhưng ở các trễ khác nhau lại có biến
khác nhau.

1.1.3 Phương pháp ước lượng mô hình VAR
Bước 1: Xét tính dừng của các biến trong mô hình. Nếu chưa dừng thì dùng
kỹ thuật sai phân để đưa về các chuỗi dừng
Bước 2: Lựa chọn khoảng trễ phù hợp.
*** Các cách xác định khoảng trễ thích hợp:
Cách 1: kiểm định tự tương quan (nhắc lại chương hồi quy).
 Hậu quả của tự tương quan
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 6

 Các ước lượng OLS vẫn là ước lượng tuyến tính, không chệch, nhưng
chúng không phải là ước lượng hiệu quả nữa.
 Phương sai ước lượng được của OLS thường là chệch. Khi tính phương sai
và sai số tiêu chuẩn của các ước lượng OLS thường cho những giá trị thấp
hơn các giá trị thực và do đó làm cho giá trị của t lớn, dẫn đến kết luận sai
khi kiểm định.

2

=RSS/df là ước lượng chệch của
2

và trong một số trường hợp là chệch
về phía dưới.
 Gía trị ước lượng
2
R
có thể không tin cậy khi dùng để thay thế cho giá trị
thực của

2
R

 Phương sai và sai số tiêu chuẩn của các giá trị dự báo không được tin cậy.
 Kiểm định tự tương quan
- Phương pháp đồ thị
Thường dùng đồ thị phần dư theo thời gian, giản đồ tự tương quan, đồ thị
tần suất và đồ thị RESID(-1) và RESID theo thời gian.

- Kiểm định LM của Breusch – Godfrey
Bước 1: Ước lượng phương trình và lưu phần dư
t
u

Bước 2: Ước lượng mô hình hồi quy sau đây với độ trễ p của phần dư
t
u
(thường được xác định dựa vào xem xét PAC trong giản đồ tự tương quan của
phần dư
t
u
)
1
1 2 2 1

t t t p
t R Rt R R p t
u X X u u v



          
(1)
Bước 3: Tính thống kê LM = (n-p)
2
R
từ phương trình hồi quy (1). Thống
kê LM này sẽ theo phân phối
2

với số bậc tự do là p. Nếu (n-p)
2
R
>
2

tra bảng ở
mức ý nghĩa được chọn, ta bác bỏ giả thiết
0
H
và kết luận rằng mô hình có tự
tương quan.
Cách 2: kiểm định tính đồng liên kết.(dành riêng cho mô hình
VECM)
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 7

Theo các tiêu chuẩn Lag, LogL, LR, FPE, AIC, SC, HQ , độ trễ có thể là 0;
2 và 3. Độ trễ càng nhỏ càng tốt vì số quan sát là có hạn nên nếu tăng độ dài của
trễ sẽ làm cho bậc tự do bị giảm, do vậy ảnh hưởng đến chất lượng của ước lượng.

Bước 3: Kiểm định tính dừng của phần dư để so sánh mức độ phù hợp của
các mô hình.
Bước 4: So sánh và lựa chọn mô hình phù hợp nhất.
1.2 Mô hình vector hiệu chỉnh sai số VECM
Một số khái niệm liên quan tới mô hình VECM như hồi quy giả mạo, đồng liên
kết và mô hình hiệu chỉnh sai số ECM.
1.2.1 Hồi quy giả mạo
Khi hồi quy với các chuỗi thời gian, kết quả hồi quy có thể là giả mạo vì các
chuỗi này có cùng xu thế. Điều này thường xảy ra trong kinh tế. Ước lượng của các
hệ số hồi quy không phải chỉ chịu ảnh hưởng của biến độc lập lên biến phụ thuộc
mà còn bao hàm xu thế.
Việc hồi quy các biến không dừng có thể dẫn đến hồi quy giả mạo. Khi đó các
tiêu chuẩn t và F không sử dụng được. Theo Granger và Newbold, dấu hiệu hồi quy
giả mạo:
R
2
>d.
Khắc phục hồi quy giả mạo: đưa thêm biến xu thế vào mô hình.(chỉ chấp nhận
biến xu thế phi ngẫu nhiên).
1.2.2 Đồng liên kết
Engle và Granger (1987) cho rằng nếu kết hợp tuyến tính của các chuỗi thời
gian không dừng có thể là một chuỗi dừng và các chuỗi thời gian không dừng đó
được cho là đồng liên kết. Kết hợp tuyến tính dừng được gọi là phương trình đồng
liên kết và được giải thích như mối quan hệ cân bằng dài hạn giữa các biến. Nghĩa
là, nếu phần dư trong mô hình hồi quy giữa các chuỗi thời gian không dừng là một
chuỗi dừng, thì kết quả hồi quy là thực và thể hiện mối quan hệ cân bằng dài hạn
giữa các biến trong mô hình.
Nếu như mô hình là đồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả
mạo, khi đó các kiểm định dựa trên tiêu chuẩn t và F vẫn có ý nghĩa. Có nhiều
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 8

phương pháp kiểm định mối quan hệ đồng liên kết: kiểm định Engle- Granger,
kiểm định CRDW…và theo phương pháp Var của Johansen.
1.2.3 Mối quan hệ nhân quả Granger
Kiểm định mối quan hệ nhân quả giữa hai chuỗi thời gian X và Y, ta có
phương trình:
Y
t
= α
0
+ α
1
Y
t-1
+ … + α
1
Y
t-1
+ β
1
X
t-1
+ … + β
1
X
t-1
+ ε
t

(1)

X
t
= α
0
+ α
1
X
t-1
+ … + α
1
X
t-1
+ β
1
Y
t-1
+ … + β
1
Y
t-1
+ ε
t
(2)

Kiểm tra các biến trễ của X có giải thích cho Y vả các biến trễ của Y có tác
động lên X hay không, ta kiểm định giả thiết sau :
H
0

: β
1
= β
2
= … = β
l
= 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định
Wald. Nếu giá trị F tính toán lớn hơn giá trị F phê phán ở mức ý nghĩa xác định,
bác bỏ H
0
. Có 4 khả năng:
Nếu các biến trễ của X tác động lên Y, nhưng các biến trễ của Y không tác
động lên X: Nhân quả Granger một chiều X sang Y.
Nếu các biến trễ của Y tác động lên X, nhưng các biến trễ của X không tác
động lên Y: Nhân quả Granger một chiều Y sang X.
Nếu các biến trễ của X tác động lên Y và các biến trễ của Y tác động lên X:
Nhân quả Granger hai chiều giữa X và Y.
Nếu các biến trễ của X không tác động lên Y và các biến trễ của Y không
tác động lên X: không có nhân quả Granger giữa X và Y.

1.2.4 Mô hình vector hiệu chỉnh sai số VECM( vector error correction model)

Yêu cầu đặt ra khi hồi quy mô hình với các biến là chuỗi thời gian là các
chuỗi này phải dừng. Nếu chuỗi chưa dừng thì ta dùng kĩ thuật sai phân đến khi có
được chuỗi dừng. Tuy nhiên, khi hồi quy giá trị sau khi đã sai phân, ta có thể bỏ
sót những thông tin dài hạn trong mối quan hệ giữa các biến. chính vì vậy, ta phải
thêm phần dư E. Với mô hình 2 biến Y
1
và Y

2:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 9

1 1 2 2 3 1t t t
Y Y E
   

     

Số hạng
31t
E


là phần mất cân bằng. mô hình trên được gọi là mô hình hiệu
chỉnh sai số ECM. Đó là mô hình ước lượng sự phụ thuộc của mức thay đổi của
Y
1
vào mức thay đổi của Y
2
và mức mất cân bằng ở thời kỳ trước.
** Mô hình vector hiệu chỉnh sai số có dạng:
1 1 1 1 1

t t t p t p t
X X X X U
    
          

Trong đó
∆X
t
là một vector của n biến khác nhau.

**Một số vấn đề khi xây dựng mô hình VECM:
Đặc điểm cơ bản của mô hình này là xem xét tác động của các cú shock của
biến này lên biến khác, đặc biệt là trong kinh tế.
Bước 1: Lấy logarit của chuỗi dữ liệu để chuỗi ổn định hơn.
Bước 2: Kiểm định tính dừng đối với chuỗi dữ liệu. lựa chọn khoảng trễ
thích hợp.
Bước 3: kiểm định mối quan hệ nhân quả Granger để xem xét mối quan hệ
giữa các biến trong mô hình.
H
0
:
Nếu tất cả các giá trị F tính toán lớn hơn các giá trị F phê phán tương ứng ở
mức ý nghĩa 5%, tức là các biến đều có mối quan hệ với nhau.
 bác bỏ H
0
(giả thiết phần Null Hypothesis).
Bước 4: xét tính đồng liên kết giữa các biến. Ta kiểm định dựa trên các
biến chưa lấy sai phân.
Bước 5: sau khi tiến hành các kiểm định liên quan, nếu các chuỗi là không
dừng và có mối quan hệ đồng liên kết, ta sử dụng mô hình VECM để ước
lượng.

CHƯƠNG III: PHƯƠNG PHÁP LẤY DỮ LIỆU.
1. Nguồn dữ liệu
Nguồn dữ liệu thu thập thuộc loại dữ liệu thứ cấp, được lấy từ nhiều tổ chức uy tín
như: IFS (tổ chức thống kê tài chính quốc tế thuộc IMF), www.eia.gov.
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 10

2. Cách lấy dữ liệu
Bộ dữ liệu được lấy trong “du lieu VAR VECM.xls” từ quý I/2000 đến quý
IV/2010 .
CHƯƠNG 4: KẾT QUẢ PHÂN TÍCH, LỰA CHỌN MÔ HÌNH VÀ DỰ BÁO.

Dữ liệu mô hình thu thập cho thấy tình hình lạm phát ở Việt Nam thông qua các biến:
Đối với mô hình VAR: CPI(chỉ số giá tiêu dùng Việt Nam) và OIL(chỉ số giá dầu thế
giới).
Đối với mô hình VECM: CPI(chỉ số giá tiêu dùng Việt Nam) , OIL(chỉ số giá dầu thế
giới) và IR(dự trữ ngoại hối được tính bằng triệu USD).

Dữ liệu trích từ file “du lieu VAR VECM.xls”


1. Mô hình VAR
Bước 1: Kiểm tra tính dừng của 2 biến OIL và CPI
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 11


Biến CPI không dừng vì giá trị độ lớn t-Statistic < test critical values ở

các mức ý nghĩa 1%, 5%, 10%.
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 12


Biến OIL cũng không dừng








Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 13

Để có được chuỗi dừng, ta tiến hành lấy sai phân bậc 1 của 2 biến:

Sau khi lấy sai phân, chuỗi CPI dừng.







Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 14

















Sau khi lấy sai phân, chuỗi OIL dừng.







Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 15

Bước 2: Ta tiến hành chạy mô hình var











Nhập khoảng trễ: Lag intervals for Endogenous: 1 2 4 4











Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 16

Cho ra kết quả ước lượng như
sau:




















Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 17



Bước 3: Kiểm định tính dừng của phần dư:
Ta sử dụng biểu đồ:

Kết luận: phần dư này dừng và mô hình đáng tin cậy.
2. Mô hình VECM
Bước 1:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 18

Để đảm bảo tính ổn định cho 2 biến, ta tiến hành lấy logarit.

Kết quả khi lấy logarit:









Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 19



Cũng như ước lượng bất kì một mô hình với dữ liệu là chuỗi thời gian, việc
trước tiên ta sẽ kiểm định tính dừng đối với các chuỗi dữ liệu này.
Bước 2:
Kiểm định mối quan hệ nhân quả Granger :
Sau khi nhận được các chuỗi dừng, ta tiến hành kiểm định mối quan hệ nhân quả
Granger để xem xét mối quan hệ giữa các biến trong mô hình.

Cho ra kết quả:





Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 20

Bước 3: Kiểm tra các
đồng liên kết:
Tiếp theo ta sẽ xem
xét tính đồng liên kết
giữa các biến trong
mô hình. Riêng phần
kiểm định tính đồng
liên kết thì ta sẽ kiểm
định dựa trên các
chuỗi chưa lấy sai
phân.

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 21




Bước 4: Tiến hành ước lượng bằng mô hình VECM :
Sau khi đã tiến hành các kiểm định liên quan thì ta nhận thấy đây là các
chuỗi không dừng và có mối quan hệ đồng liên kết, do đó phần tiếp theo ta sẽ sử
dụng mô hình VECM để ước lượng.

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 22



KẾT QUẢ VECM:

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 23



Bước 5:
Sau khi đã ước lượng mô hình thì ta tiếp tục kiểm định sự phù hợp của mô hình
bằng cách kiểm định phần dư tương tự như mô hình Var. Hoặc đơn giản hơn ta có
thể xem các đồ thị phần dư của dưới đây để xem xét tính dừng.

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 24

Nhìn đồ thị, ta thấy các giá trị dao động xung quanh giá trị 0, do đó phần dư của
mô hình này dừng. chứng tỏ mô hình đưa ra phù hợp với chuỗi dữ liệu.
Nếu muốn xem xét sự tác động của biến này lên biến kia khi có một cú sốc xảy ra,
ta dùng hàm phản ứng đẩy.



CHƯƠNG 5: KẾT LUẬN CHUNG
1. Kết luận mô hình dự báo
Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào cũng chỉ
mang chiều hướng nhất định. Các biến số độc lập (biến giải thích) không phải luôn luôn
tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc lại tác động
ngược lên biến độc lập. Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng qua lại của những
biến này cùng một lúc. Chính vì thế mô hình kinh tế lượng mà ta phải xét đến không
phải là mô hình một phương trình mà là mô hình nhiều phương trình. Mô hình ARIMA
chỉ tiến hành phân tích trên một chuỗi thời gian. Khi có nhiều chuỗi thời gian thì mô
hình VAR/VECM là một sự phù hợp.
2. Đánh giá tình hình lạm phát ở Việt Nam
Lạm phát hiện nay đang gây ra mối lo ngại lớn cho các cấp hoạch định chính sách, các
doanh nghiệp và cho người dân. Do đó, tìm hiểu nguyên nhân và định lượng các yếu tố
tác động bằng ứng dụng mô hình VAR/VECM là một công cụ hữu hiệu nhằm dự báo,
tìm ra biện pháp kiểm soát lạm phát, góp phần vào ổn định tình hình kinh tế xã hội và
các vấn đề cấp thiết.
3. Tính khả thi của mô hình VAR và VECM
Mô hình VAR/VECM có tính ứng dụng cao trong việc phân tích và dự báo các chỉ số
kinh tế có độ nhạy cao như lạm phát, lãi suất, giá vàng, giá dầu thế giới, giá khí, và giá

cả các mặt hàng cụ thể trên thị trường Việt Nam và thế giới trên nhiều chuỗi thời gian.
4. Hạn chế của bài báo cáo
Trong suốt quá trình thực hiện đề tài báo cáo, mặc dù nhóm đã rất cố gắng hoàn thành bài
viết này một cách hoàn thiện nhất, nhưng vẫn không tránh khỏi những hạn chế:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 25

- Do phương pháp thực hiện dự báo trong chương này khác với những chương trước đó
nên việc đọc tài liệu, tìm kiếm thông tin gặp rất rất nhiều khó khăn…
- Do kiến thức còn hạn chế và chưa đủ kinh nghiệm nên nhóm còn mắc những sai lầm
không tránh khỏi, như việc phân tích và đánh giá mô hình, cách nhìn nhận vấn đề,…

TÀI LIỆU THAM KHẢO:
1. Tài liệu “Mô hình tự hồi quy vector VAR-Mô hình vector hiệu chỉnh sai số VECM”.
2. Hướng dẫn sử dụng Eviews 6.0 – Th.s Phùng Thanh Bình
3. Modeling an Forecasting a Firm’s Statements with a VAR/VECM.
4. Các bài báo cáo,các công trình nghiên cứu chuyên đề lạm phát ở Việt Nam.