DỰ BÁO BẰNG CÁC MÔ HÌNH XU THẾ UEL

TRƯỜNG ĐH KINH TẾ LUẬT – ĐH QUỐC GIA TP. HCM

KHOA KINH TẾ

BÀI TIỂU LUẬN
Đề tài:

DỰ BÁO BẰNG CÁC MÔ HÌNH
XU THẾ
Giảng viên hướng dẫn:
Thầy Nguyễn Duy Tâm
Thầy Phạm Tiến Dũng
Sinh viên thực hiện:
Đặng Hải Ninh

K134011722

Cao Thị Mỹ Hạnh

K134011711

Trịnh Thái Bảo Trân

K134010081

Phạm Thanh Tùng

K134011736

Hoàng Văn Dũng

K134011704

TP. Hồ Chí Minh, ngày 26 tháng 09 năm 2015
Trang 1 / 28


MỤC LỤC

DANH MỤC BẢNG BIỂU.
Bảng 2.1: Một số dạng hàm xu thế điển hình.
Bảng 2.2: Ước lượng các hàm xu thế trên Eview.
Bảng 2.3: Dự báo điểm với hàm xu thế.
Bảng 3.1: Số liệu giá trị xuất khẩu ngành hàng Gốm sứ của Việt Nam (triệu USD).
Bảng 3.2: Kết quả dự báo trên Eviews.

DANH MỤC HÌNH ẢNH.
Hình 2.1: Đồ thị một số dạng hàm xu thế điển hình.
Hình 3.1: Đồ thị thể hiện giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam
giai đoạn 1995- 2013.
Hình 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews.
Hình 3.3: Kiểm định LM của Breusch-Godfrey.
Hình 3.4: Giản đồ tự tương quan của phần dư.
Hình 3.5: Kiểm định phương sai thay đổi.
Hình 3.6: Kiểm định Jarque- Bera
Hình 3.7 : Kết quả dự báo trên Eviews
Hình 3.8: Ước lượng mô hình xu thế bậc 2 trên Eviews
Hình 3.9: Kiểm định LM của Breusch-Godfrey
Trang 2 / 28

Hình 3.10 : Giản đồ tự tương quan của phần dư.
Hình 3.11: Kiểm định phương sai thay đổi
Hình 3.12: Kiểm định Jarque- Bera.
Hình 3.13: Ước lượng mô hình xu thế bậc 3 trên Eviews
Hình 3.14: Ước lượng mô hình xu thế dạng hàm tăng trưởng trên Eviews.
Hình 3.15: Kiểm định LM của Breusch-Godfrey
Hình 3.16: Giản đồ tự tương quan của mô hình.
Hình 3.17: Kiểm định phương sai thay đổi.
Hình 3.18: Kiểm định Jarque- Bera.

DANH MỤC TỪ VIẾT TẮT
OLS: Phương pháp bình phương tối thiểu.

CHƯƠNG 1: GIỚI THIỆU
1.1.Lí do chọn đề tài.
Trong nền kinh tế thị trường hiện nay, để các cá nhân và doanh nghiệp có thể tồn
tại và phát triển bền vững thì không thể bỏ qua công tác dự báo vì nó cung cấp thông tin
giúp cho việc sử dụng và phân bổ nguồn lực khan hiếm một cách có hiệu quả. Dự báo
ngày càng được sử dụng phổ biến ở hầu hết các bộ phận của doanh nghiệp trong quá trình
xây dựng kế hoạch chiến lược, phân tích tình huống kinh doanh, lập kế hoạch ngân sách,
vốn đầu tư,..

Trang 3 / 28


Tuy nhiên cũng phải tùy vào nhu cầu sử dụng cũng như dạng và tính chất của bộ
dữ liệu mà nhà dự báo mới chọn mô hình cho phù hợp. Trong trường hợp thực tế kinh
doanh ở công ty hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào
đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốn
nhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến

số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất.
Dự báo bằng các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh,
thiết lập và quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng và logistics,..vì tính
đơn gián và dễ thực hiện của nó trong thực tế.

1.2. Mục tiêu nghiên cứu.
Sau khi nghiên cứu chương này, nhóm chúng tôi kỳ vọng sẽ đạt được các nội dung
sau đây:
-

Hiểu được tổng quan về các mô hình dự báo bằng phương pháp hồi quy hàm xu

-

thế.
Có khả năng nhận biết những trường hợp nào có thể áp dụng mô hình xu thế trong

-

dự báo.
Nhận biết và phân biệt được các hàm xu thế thường sử dụng.
Biết cách sử dụng Eviews để thực hiện công tác dự báo nói chung và dự báo bằng
mô hình xu thế nói riêng.

1.3. Phạm vi nghiên cứu.
Về phạm vi nghiên cứu, đề tài chỉ tập trung vào dự báo các mô hình xu thế đơn
thuần mà không có các yếu tố khác như yếu tố mùa vụ, chu kì … ảnh hưởng đến số liệu.
Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm eviews để thực hiện các
phép tính cũng như dự báo cho mô hình xu thế.
Đề tài chỉ tập trung nghiên cứu sử dụng phương pháp bình phương tối thiểu OLS

để thực hiện dự báo khoảng và dự báo điểm. Bên cạnh đó, sẽ giới thiệu cho mọi người
biết thêm các kiểm định phương sai thay đổi, kiểm định xem mô hình có hiện tượng tự

Trang 4 / 28


tương quan hay dữ liệu có phân phối chuẩn không. Nhưng không đi sâu tìm hiểu các bước
tính toán và kiểm định.

CHƯƠNG 2: TỔNG QUAN VỀ HÀM XU THẾ.
2.1. Khái niệm.
Hàm xu thế.
Sự vận động tăng hay giảm của dữ liệu trong một thời gian dài. Sự vận động này
có thể mô tả bằng một đường thẳng (xu thế tuyến tính) hoặc có thể bởi một dạng đường
cong toán học (xu thế phi tuyến).
Chúng ta có thể mô hình hóa xu thế bằng cách thực hiện một hàm hồi quy thích
hợp giữa biến cần dự báo (biến Y) và thời gian (biến t). Sau đó, hàm hồi quy này được sử
dụng để tạo ra các giá trị dự báo trong tương lai.
Phương pháp dự báo bằng mô hình hàm xu thế không cần phải dựa trên lý thuyết
nào đó về sự ảnh hưởng của các biến độc lập (biến giải thích) lên biến phụ thuộc (biến
được giải thích) như khi thực hiện dự báo bằng mô hình nhân quả mà nó dựa trên một giả
định rằng dạng thức vận động của dữ liệu trong quá khứ sẽ còn tiếp tục trong tương lai.
Nó sử dụng thời gian (biến Time) là biến giải thích, với Time bằng 1 tương ứng với quan
sát đầu tiên, tăng dần theo chuỗi thời gian và bằng n tương ứng với quan sát cuối cùng.

2.2. Giới thiệu mô hình xu thế.
2.2.1. Phương pháp dự báo xu thế.
Mô hình dự báo này sử dụng các hàm đa thức.
Mô hình hồi quy phi tuyến tính theo các tham số.
Mô hình hồi quy tuyến tính theo tham số.

Trang 5 / 28


2.2.2. Ưu và nhược điểm của mô hình.
Ưu điểm:
Dự báo bằng mô hình xu thế là phương pháp đơn giản và hữu ích trong việc dự báo
xu hướng vận động của các chuỗi thời gian trong giai đoạn tăng trưởng của chu kì kinh
doanh hoặc dự báo tốc độ tăng trưởng của một số chỉ số kinh tế-xã hội. Vì vậy, cần
nghiên cứu mô hình để có thể ứng dụng vào thực tiễn.
Nhược điểm:
Các mô hình dự báo chỉ đơn thuần là những thống kê mô tả đơn giản các dữ liệu
lịch sử của những công ty nào đó, việc sử dụng các mô hình này là quá cứng nhắc hoặc
trên thực tế đôi khi nó không giống với những gì trên lý thuyết. Do đó, chúng ta không
thể quyết định một chính sách dựa trên một khuôn khổ quá máy móc của một mô hình.
Mô hình này tuy khắc phục được những khâu thu thập dữ liệu phức tạp nhưng chắc
hẳn nó sẽ tiềm ẩn những sai lệch do xu thế thay đổi hay những biến động phức tạp xảy ra
trong thực tế mà mô hình này không phản ánh hết được.
2.2.3. Ứng dụng của mô hình dự báo xu thế.
Dự báo của các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh,
thiết lập và quản trị dự án, quản trị vận hành và quản trị chuỗi cung ứng… vì tính đơn
giản cũng như dễ thực hiện trong thực tế.
Trong thực tế, kinh doanh ở những công ty hay tổ chức của mình, chúng ta cần
phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không có nhiều và cũng khó
có thể thu thập được số liệu của nhiều biến khác có khả năng ảnh hưởng đến số cần dự
báo trong giới hạn về điều kiện thời gian, kinh phí…Lúc đó, chúng ta cần nghĩ đến
phương pháp dự báo bằng mô hình xu thế.

2.3. Quy trình thực hiện dự báo bằng mô hình xu thế.
2.3.1. Nhận dạng.

Trang 6 / 28


Giả sử chúng ta có sẵn dữ liệu của biến theo thời gian thì làm sao chúng ta biết
được xu thế trong dữ liệu sẽ tuân theo dạng hàm nào? Thì lúc đó, cách đơn giản nhất là
người làm dự báo thường sẽ vẽ đồ thị của biến phụ thuộc (Yt) theo thời gian (Time), sau
đó nhận dạng xem đồ thị được vẽ biến động gần với đồ thị của hàm số tương ứng với
dạng hàm toán học nào.
BẢNG 2.1: Một số dạng hàm xu thế điển hình.
Dạng hàm xu thế
A Tuyến tính
B Bậc hai

Phương trình hồi quy tổng thể
Yt =β0 +β1 Time + ut
Yt =β0 +β1 Time + β2 Time2 +ut

C Bậc ba

Yt =β0 +β1 Time + β2 Time2 + β3 Time3 + ut (5.3)

D Tuyến tính-log

Yt =β0 +β1 ln(Time) + ut

(5.4)

E Nghịch đảo

Yt =β0 +β1(1/Time) + ut

(5.5)

F Tăng trưởng mũ

Yt =

G Log-tuyến tính

ln(Yt)= β0 +β1 Time + ut

(5.1)
(5.2)

(5.6)
(5.7)

Ba dạng hàm đầu tiên được gọi là các hàm đa thức. Ngoại trừ mô hình F là mô
hình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại đều là các mô hình hồi
quy tuyến tính theo tham số. Người ta không ước lượng mô hình F một cách trực tiếp
bằng phương pháp OLS được, mà ước lượng nó gián tiếp qua mô hình G. Chúng ta có thể
dễ dàng nhận thấy được nếu lấy ln hai vế của phương trình hồi quy ở mô hình F, sẽ có
được kết quả như mô hình G.
Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là -sai số
của mô hình. Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế không
phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khác thường tồn
tại một sai số. Và sai số này càng nhỏ càng tốt.

Trang 7 / 28

HÌNH 2.1: Đồ thị một số dạng hàm xu thế điển hình.
Có khi, bằng đồ thị chúng ta chưa phân biệt được dữ liệu có xu thế tương ứng với
dạng hàm toán học nào. Lúc đó chúng ta có thể ước lượng một số mô hình mà mình cho
rằng có khả năng phù hợp, sau đó kiểm định tính toán các chỉ tiêu đo lường độ chính
xác,v.v… và chọn ra mô hình phù hợp nhất. Chúng ta cũng có thể kết hợp nhiều cách
nhận diện khác nhau như quan sát đồ thị, hệ số tương quan, sai phân , hoặc tốc độ phát
triển.
2.3.2. Ước lượng mô hình xu thế.
Các mô hình xu thế có thể là mô hình hồi quy bội và cũng có thể làm mô hình hàm
hồi quy đơn. Với các mô hình xu thế tuyến tính theo tham số thì ta có thể dùng phương
pháp OLS để ước lượng. Với Eview, chúng ta có thể dễ dàng ước lượng các mô hình bằng
cách gõ lệnh tương ứng vào cửa sổ lệnh.
Trang 8 / 28


Thao tác thực hiện chi tiết trên Eview sẽ được trình bày trong phần ứng dụng thực
tế bên dưới.
BẢNG 2.2 : Ước lượng các hàm xu thế trên Eview.
Phương trình hồi quy tổng thể

Các lệnh trên Eviews
LS Y C Time
LS Y C Time Time^2
LS Y C Time Time^2 Time^3
LS Y C LOG(Time)
LS Y C 1/Time
LS LOG(Y) C Time
LS LOG(Y) C Time

2.3.3. Kiểm định sự phù hợp của mô hình.
Kiểm định chẩn đoán.
Sau khi chúng ta ước lượng bằng phương pháp OLS, tiếp đến là cần kiểm định ý
nghĩa thống kê của các hệ số độ dốc, đánh giá mức độ phù hợp chung, đánh giá độ chính
xác của mô hình và dò tìm xem các mô hình có bị vi phạm các giả định của phương pháp
OLS không. (Gaynor & Kirkpatrick, 1994).
Ba trong số cá giả định của mô hình hồi quy tuyến tính cổ điển là: (1) sai số dự báo
tuân theo quy luật phân phối chuẩn, (2) phương sai của sai số không đổi, (3) mô hình
không bị hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994). Nếu một trong số giả
định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ
số độ dốc ước lượng sẽ bị chệch.
Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là:

2.3.3.1. Sai số dự báo tuân theo quy luật phân phối chuẩn bằng kiểm định Jarque-Bera.
Trang 9 / 28


Xét cặp giả thuyết:
Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn.
H1: Sai số không tuân theo quy luật phân phối chuẩn.
Kết quả kiểm định này dễ dàng thực hiên trên Eview.
 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1. Vậy mô hình có sai số
dự báo tuân theo quy luật phân phối chuẩn.
2.3.3.2. Kiểm tra giả thuyết phương sai của sai số không đổi bằng kiểm định White.
Xét cặp giả thuyết:
Ho: không có hiện tượng phương sai thay đổi.
H1: có hiện tượng phương sai thay đổi.
Kiểm định White:
Đây là kiểm định tổng quát về phương sai không thay đổi do White đề xuất không lệ
thuộc vào giả thuyết về quy luật chuẩn và được thực hiện dễ dàng trên Eview.

Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1. Vậy mô hình không có
hiện tượng phương sai thay đổi.
2.3.3.3. Kiểm tra giả thuyết mô hình không có hiện tượng tự tương quan.
Xét cặp giả thuyết:
Ho: Mô hình không có hiện tượng tự tương quan.
H1: Mô hình có hiện tượng tự tương quan.
 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1. Vậy mô hình không có
hiện tượng tự tương quan.
Nếu một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn
hiệu lực nữa vì các hệ số ước lượng sẽ bị chệch.
Trang 10 / 28


Kiểm định ý nghĩa thống kê của các hệ số hồi quy.
Xét cặp giả thuyết:
Sử dụng p-value để kiểm định. Với là mức ý nghĩa, nếu p-value < thì bác bỏ Ho, tức là hệ
số hồi quy có ý nghĩa thống kê và ngược lại.
2.3.4. Đánh giá độ phù hợp của mô hình.
Đánh giá độ phù hợp của mô hình thông qua để thấy được bao nhiêu % sự biến thiên của
biến phụ thuộc được giải thích bởi mô hình.
=0
H1:
Nếu Prob của F-Statistic < 0,05 thì bác bỏ Ho, chấp nhận H1
Vậy mô hình phù hợp.

2.4. Thực hiện dự báo.
2.4.1. Dự báo điểm.
Dưới đây là công thức để tính dự báo điểm với từng dạng mô hình.
BẢNG 2.3: Dự báo điểm với hàm xu thế.
Dạng hàm

Tuyến tính

Hàm hồi quy mẫu
t =0 +1 Time

Bậc hai

t

=0 +1 Time + 2 Time2

Bậc ba

t

=0 +1 Time + 2 Time2 + 3 Time3

Tuyến tính-log

t

=0 +1 ln(Time)

(5.11)

=0 +1(1/Time)

(5.12)

Nghịch đảo

t

Log-tuyến tính

= 0 +1 Time

Tăng trưởng mũ

t

Trang 11 / 28

=

(5.14)

(5.8)
(5.9)
(5.10)

(5.13)


Trong đó =

(5.15)

2.4.2. Dự báo khoảng.
Khoảng dự báo của 5 mô hình đầu tiên trong bảng 5.1 (từ 5.8 đến 5.12) đưuọc tính

theo công thức sau:
• Công thức để tính dự báo khoảng:
- . se() , + . se() ]
Trong đó:
: là giá trị dự báo điểm tại thời điểm dự báo.
se() : là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t.
Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức sau:
Exp [ ln() + ]
Trong đó:
=
: Là sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi dự báo ln(). và được phần
mềm máy tính tự động tính toán.
Exp(X) là .

2.5. So sánh và lựa chọn mô hình phù hợp.
Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp:
Cách một, vẽ đồ thị biểu diễn giá trị thực tế, và giá trị dự báo của hai mô hình lên
cùng một đồ thị. Sau đó, ta sẽ chọn mô hình nào có đường biểu diễn giá trị thức tế hơn.
Tuy nhiên, có đôi khi bằng trực quan chúng ta không thể phân biệt được đường nào bám

Trang 12 / 28


sát đường giá trị thực tế hơn. Do vậy, cách 2 là so sánh các chỉ tiêu đo lường độ chính xác
của mỗi mô hình, chúng ta sẽ chọn mô hình nào có độ chính xác tốt hơn.

CHƯƠNG 3: ÁP DỤNG DỰ BÁO BẰNG MÔ HÌNH XU THẾ VÀO
THỰC TẾ
Nhóm chúng tôi sẽ áp dụng dự báo mô hình xu thế cho giá trị xuất khẩu ngành
hàng gốm sứ của Việt Nam

3.1. Lí do chọn đề tài dự báo:
Giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam có sự vận động tăng theo một
chuỗi thời gian T, các dạng thức vận động trong quá khứ sẽ tiếp tục trong tương lai. Gốm
sứ vốn là mặt hàng xuất khẩu mạnh nhất trong ngành thủ công mỹ nghệ Việt Nam. Kim
ngạch xuất khẩu bình quân hàng năm luôn chiếm khoảng 15% tỷ trọng. Việc dự báo giá
trị xuất khẩu ngành hàng gốm sứ của Việt Nam có ý nghĩa khá quan trọng trong việc sản
xuất gốm sứ ở Việt Nam, cũng như nó còn ảnh hưởng đến tổng giá trị xuất khẩu của Việt
Nam trong tương lai. Việc dự báo này giúp chúng ta đánh giá được tình hình sản xuất,
xuất khẩu mặt hàng gốm sứ của Việt Nam để từ đó có thể đưa ra những phương hướng
phát triển thích hợp cho ngành hàng này.
Đây là lý do mà nhóm quyết định dự báo giá trị xuất khẩu ngành hàng gốm sứ của
Việt Nam theo mô hình xu thế.

3.2. Nhận dạng mô hình:
BẢNG 3.1: Số liệu giá trị xuất khẩu ngành hàng Gốm sứ của Việt Nam (triệu USD).
Năm
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
Trang 13 / 28

GT XK

22.0
30.9
54.4
55.1
83.1
108.4
117.1
123.5
135.9
154.6

T
1
2
3
4
5
6
7
8
9
10


2005
2006
2007
2008
2009
2010

2011
2012
2013

255.3
274.4
334.9
344.3
267.2
317.1
359.2
440.5
475.3

11
12
13
14
15
16
17
18
19
Nguồn: Tổng cục Thống kê Việt Nam.

Bên cạnh cột GTXK (Giá trị xuất khẩu) có biến T, với T=1 ở năm đầu tiên (1995),
T tăng dần ở các năm tiếp theo và bằng 19 ở nắm 2013.
Từ bảng số liệu trên, ta tiến hành vẽ đồ thị để nhận dạng dữ liệu biến động theo
thời gian dưới dạng hàm nào.

HÌNH 3.1: Đồ thị thể hiện giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam giai đoạn
1995- 2013.
Nguồn: Nhóm nghiên cứu thực hiện.
Từ đồ thị trên, ta dự đoán giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam có
thể là dạng hàm tuyến tính, bậc 2, bậc 3 hoặc dạng hàm tăng trưởng mũ.

3.3. Ước lượng và kiểm định:
Trang 14 / 28


3.3.1. Ước lượng và kiểm định hàm tuyến tính:
Ước lượng mô hình xu thế tuyến tính

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews.
Nguồn: Nhóm nghiên cứu thực hiện.
Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1
Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.
Kiểm định chẩn đoán

Trang 15 / 28


HÌNH 3.3: Kiểm định LM của Breusch-Godfrey.
Nguồn: Nhóm nghiên cứu thực hiện.
Xét cặp giả thuyết:
H0: (Mô hình không có hiện tượng tự tương quan)
H1: (Mô hình có hiện tượng tự tương quan)
Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0.0703 > 0.05

Chấp nhận H0, bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tương
quan.

HÌNH 3.4: Giản đồ tự tương quan của phần dư.
Nguồn: Nhóm nghiên cứu thực hiện
Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cột
autocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống
kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan.
Trang 16 / 28


Kiểm định phương sai thay đổi

HÌNH 3.5: Kiểm định phương sai thay đổi.
Nguồn: Nhóm nghiên cứu thực hiện
Xét cặp giả thuyết:
H0: “Mô hình không có hiện tượng phương sai thay đổi”
H1: “Mô hình có hiện tượng phương sai thay đổi”
Kiểm định White cho thấy Prob của F-statistic là 0,0669 > 0,05.
Chấp nhận H0, bác bỏ nên mô hình không có hiện tượng phương sai thay đổi.
Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera

HÌNH 3.6: Kiểm định Jarque- Bera.
Nguồn: Nhóm nghiên cứu thực hiện.
Xét cặp giả thuyết:
H0: Sai số dự báo có phân phối chuẩn
H1: Sai số dự báo không có phân phối chuẩn
Trang 17 / 28

Kiểm định Jarque-Bera cho Prob của F-statistic là 0,533 > 0,05.
Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.
• Đánh giá mức độ phù hợp của mô hình hồi qui:.
H0: R2 =0
H1: R2 0
Thống kê F bằng 252,99 với Prob (F-statistic) =0.000 < 0.05
Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với dữ liệu.
•

Thực hiện dự báo

HÌNH 3.7 : Kết quả dự báo trên Eviews.
Nguồn: Nhóm nghiên cứu thực hiện.

BẢNG 3.2: Kết quả dự báo trên Eviews

Trang 18 / 28


Nguồn:

Nhóm
nghiên cứu thực hiện.

Nếu sử dụng mô hình xu thế tuyến tính để dự báo giá trị xuất khẩu hàng gốm sứ
của Việt Nam vào năm 2016 là 502,8168 triệu USD, ở độ tin cậy là 95%. Giá trị xuất
khẩu hàng gốm sứ của Việt Nam vào năm 2016 có khả năng nằm trong khoảng từ
413,948 triệu USD đến 591,6857 triệu USD.
3.3.2. Ước lượng và kiểm định dạng hàm bậc 2:
- Ước lượng mô hình xu thế bậc 2

Trang 19 / 28


HÌNH 3.8: Ước lượng mô hình xu thế bậc 2 trên Eviews.
Nguồn:Nhóm nghiên cứu thực hiện.
Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0,042 < 0,05 nên bác bỏ H0, chấp nhận H1
Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.
Kiểm định chẩn đoán

HÌNH 3.9: Kiểm định LM của Breusch-Godfrey
Xét cặp giả thuyết:
H0: (Mô hình không có hiện tượng tự tương quan)
Trang 20 / 28


H1: (Mô hình có hiện tượng tự tương quan)
Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,1079 > 0,05
Chấp nhận H0, bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tương
quan.

HÌNH 3.10 : Giản đồ tự tương quan của phần dư.
Nguồn: Nhóm nghiên cứu thực hiện.
Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cột
autocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống
kê Q-Stat đều nhỏ hơn 0,05 nên có thể có dấu hiệu về hiện tượng tự tương quan.
Kiểm định phương sai thay đổi

Trang 21 / 28


HÌNH 3.11: Kiểm định phương sai thay đổi
Nguồn: Nhóm nghiên cứu thực hiện .
Xét cặp giả thuyết:
H0: “Mô hình không có hiện tượng phương sai thay đổi”
H1: “Mô hình có hiện tượng phương sai thay đổi”
Kiểm định White cho thấy Prob của F-statistic là 0,0004 < 0,05.
 Bác bỏ H0, chấp nhận nên mô hình có hiện tượng phương sai thay đổi.
Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định JarqueBera

HÌNH 3.12: Kiểm định Jarque- Bera.
Nguồn: Nhóm nghiên cứu thực hiện

Xét cặp giả thuyết:
H0: Sai số dự báo có phân phối chuẩn
Trang 22 / 28


H1: Sai số dự báo không có phân phối chuẩn
Kiểm định Jarque-Bera cho Prob của F-statistic là 0,883 > 0,05.
Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.
• Đánh giá mức độ phù hợp của mô hình hồi qui:.
H0: R2 =0
H1 : R 2 0
Thống kê F bằng 147,49 với Prob (F-statistic) =0.000 < 0.05
Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với dữ liệu.
Tuy nhiên, dạng hàm bậc 2 này không phù hợp với dữ liệu trên. Vì mô hình này có
phương sai của sai số thay đổi, điều này không thỏa mãn giả định hồi quy tuyến tính theo

tham số. Dẫn đến kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số
độ dốc ước lượng sẽ bị lệch.
3.3.3. Ước lượng và kiểm định dạng hàm bậc 3
- Ước lượng mô hình xu thế bậc 3

HÌNH 3.13: Ước lượng mô hình xu thế bậc 3 trên Eviews.
Kiểm định hệ số
Trang 23 / 28


Hệ số hồi quy đều không có ý nghĩa thống kê với mức ý nghĩa 5% vì Prob > 0.05
Mô hình không phù hợp với bộ dữ liệu.
3.3.4. Ước lượng và kiểm định dạng hàm tăng trưởng
- Ước lượng mô hình xu thế dạng hàm tăng trưởng

HÌNH 3.14: Ước lượng mô hình xu thế dạng hàm tăng trưởng trên Eviews.
Nguồn: Nhóm nghiên cứu thực hiện
Kiểm định hệ số hồi quy

Ta có Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1
Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.
Đánh giá mức độ phù hợp của mô hình hồi qui:.
H0: R2 =0
H1 : R 2 0
Thống kê F bằng 199,15 với Prob (F-statistic) =0.000 < 0.05
Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với dữ liệu.
Kiểm định chẩn đoán.
Trang 24 / 28

HÌNH 3.15: Kiểm định LM của Breusch-Godfrey.
Nguồn: Nhóm nghiên cứu thực hiện.

HÌNH 3.16: Giản đồ tự tương quan của mô hình.
Nguồn Nhóm nghiên cứu thực hiện.
Xét cặp giả thuyết:
H0: (Mô hình không có hiện tượng tự tương quan)
H1: (Mô hình có hiện tượng tự tương quan)
Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,0336 < 0,05
Bác bỏ H0, chấp nhận H1, nên ở độ tin cậy 95%, mô hình có hiện tượng tự tương quan.

Trang 25 / 28