HƯỚNG DẪN THỰC HÀNH EVIEWS ĐỂ DỰ BÁO KINH TẾ
Yêu cầu: Eviews 9; File solieu
Với cửa sổ Series
View
Spreadsheet
Graph
Descriptive Statistic
Correlogram
Unit Root Test
Procs
Seasonal Adjustment
Moving Average Method
Exponential Smoothing
Hodrick-Prescott Filter
Số liệu
Đồ thị
Các thống kê đặc trưng
Lược đồ tự tương quan
Kiểm định nghiệm đơn vị
Hiệu chỉnh yếu tố thời vụ
Hiệu chỉnh theo trung bình trượt
San mũ đơn, kép, Holt-Winters
Lọc chuỗi
Với cửa sổ Equation
View
Representations
Estimation Output
Actual, Fitted, Residual
Gradients and Derivatives
Covarian Matrix
Coefficient Test
Residual tests
Correlogram – Q-statistic
Histogram – Normality test
Serial Correlation LM test
White Heterokedasticity
Stability test
Chow breakpoint test
Chow forecast test
Ramsey RESET test
Procs
Specify/Estimate
Forecast
Make residual series
Đàm Đình Mạnh - QNU
Cách trình bày dạng phương trình
Bảng kết quả đầy đủ
Các thông tin về phần dư
Các thông tin về Gradient và Đảo
biến
Ma trận Hiệp phương sai các ước
Các kiểm định về hệ số
Các kiểm định về phần dư
Lược đồ tự tương quan của phần dư
Đồ thị, kiểm định tính phân phối
ẩ định tự tương quan theo B-G
Kiểm
Kiểm định phương sai sai số thay đổi
Các kiểm định về dạng hàm
Kiểm định tính đồng nhất giữa hai
đoạn
Kiểm định đánh giá dự báo
Kiểm định định dạng hàm theo
Định dạng phương trình, mẫu,
Đặt tên chuỗi ước lượng, đánh giá dự
báo
Đặt tên chuỗi phần dư
1
1.
Các mô hình dự báo giản đơn
Sử dụng sheet VAR2 trong file SOLIEU.WF1
Các biến: Income là thu nhập và Investment là đầu tư. Tần suất theo quý, từ Quý 3/1993
đến Quý 2/2016.
1.1. Ngoại suy giản đơn
Mô hình hồi quy INCOME theo biến thời gian.
Đặt biến xu thế thời gian: Genr T = @trend(1993q3)
Hồi quy các mô hình sau và so sánh kết quả thông qua việc đánh giá hệ số xác định
Mô hình xu thế tuyến tính: Incomet = β1 + β2t + ut
Mô hình bậc hai: Incomet = β1 + β2t + β2t2 + ut
Mô hình dạng mũ: log(Incomet) = β1 + β2t + ut
1.2. Trung bình trướt
Trung bình trượt 3 thời kỳ của biến INCOME vào thời kỳ t sẽ là
Genr IncomeMA3 = ( Income(-1) + Income + Income(+1) ) / 3
Cho kết quả giống với lệnh: Genr IncomeMA3 = @movav(Income(+1),3)
Với hàm @movav, nếu không có tham số (+1) thì sẽ tính trung bình trượt lấy mốc kỳ hiện
tại lùi về hai thời kỳ trước, do đó muốn tính một thời kỳ trước, một thời kỳ sau thì cần đặt
tham số (+1) để đưa lùi mốc về sau một quan sát.
Mở cửa số [Group] với hai biến INCOME và INVE STMENT, so sánh các thống kê
đặc trưng, vẽ đồ thị hai biến theo thời gian để thấy quá trình làm trơn bằng trung bình trượt.
1.3. San mũ giản đơn
Chọn INCOME thành một Series [Series] Procs → Exponential Smoothing → Single
Exponential Smoothing
→ Cửa sổ [Exponential Smoothing] →
Chọn Single (trong phần Smoothing
Method) → Ô tên chuỗi mới: Smoothed
series: đặt lại là INCOMEESM1
Trong phần Estimation Sample chọn
khoảng thời gian dự báo:
Đàm Đình Mạnh - QNU
2
Method: Single Exponential
Original Series: INCOME
Forecast Series: INCOMESM1
Parameters:
Alpha
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.9990
168591.4
42.80789
Mean
2650.976
1.4. Hiệu chỉnh mùa vụ
Biến INCOME: [Series] Procs → Seasonal Adjustment → Moving Average Methods
→ Cửa sổ [Seasonal Adjustment] → Ratio Moving Average
Tên chuỗi sau khi hiệu chỉnh là INCOMESA
Ratio to Moving Average
Original Series: INCOME
Adjusted Series: INCOMESA
Scaling Factors:
1
2
3
4
1.001044
0.999402
0.999361
1.000194
1.5. San mũ Holt-Winter
San mũ Holt-Winters cho phép đặt nhiều mô hình khác nhau.
Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing
→ Cửa sổ [Exponential Smoothing] → Chọn Holt-Winters – No seasonal
→ Đặt tên chuỗi san là INCOMESM2
Incom
en k Incomen kTn
Công thức dự báo cho kỳ sau:
Method: Holt-Winters No Seasonal
Original Series: INCOME
Forecast Series: INCOMESM2
Parameters:
Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.9600
0.2000
19750.30
14.65187
Mean
Trend
2650.894
20.28128
1.6. Mô hình xu thế và mùa vụ - mô hình Cộng
Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing
→ Cửa sổ [Exponential Smoothing] → Chọn Holt-Winters – Addtive
→ Đặt tên chuỗi san là INCOMESM3
Incom
e n k Income n kTn Fs
Công thức dự báo cho kỳ sau:
Đàm Đình Mạnh - QNU
3
Trong đó: Fs là mùa vụ tương ứng với thời gian cần dự báo
Method: Holt-Winters Additive Seasonal
Original Series: INCOME
Forecast Series: INCOMESM3
Parameters:
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.9500
0.2300
0.0000
20396.67
14.88969
Mean
Trend
Seasonals:
2015Q3
2015Q4
2016Q1
2016Q2
2652.339
19.17210
0.348310
0.623505
0.724481
-1.696296
1.7. Mô hình xu thế và mùa vụ - mô hình Nhân
Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing
→ Cửa sổ [Exponential Smoothing] → Chọn Holt-Winters – Multiplcative
→ Đặt tên chuỗi san là INCOMESM4
Incom
e n k Income n kTn Fs
Công thức dự báo cho kỳ sau:
Trong đó: Fs là mùa vụ tương ứng với thời gian cần dự báo
Method: Holt-Winters Multiplicative Seasonal
Original Series: INCOME
Forecast Series: INCOMESM4
Parameters:
Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:
0.8400
0.2500
0.6701
23844.52
16.09905
Mean
Trend
Seasonals:
2015Q3
2015Q4
2016Q1
2016Q2
2652.893
18.07028
0.999702
0.999073
1.001213
1.000012
Hãy dự báo cho INCOME vào các thời kỳ tiếp theo từ 2016Q3 – 2017Q4 bằng các phương
pháp trên?
Đàm Đình Mạnh - QNU
4
2.
Mô hình dự báo ARIMA
Sử dụng sheet AGRI trong file SOLIEU.WF1
Các biến: Agri_index (chỉ số giá nông nghiệp). Tần suất theo tháng từ 8/2007 – 6/2017.
2.1. Kiểm tra tính dừng
Biến Agri_index : [Series] Graph → Chọn các tham số rồi OK
Price
200
190
180
170
160
150
140
130
120
110
2007 2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
Kết quả cho thấy chuỗi có thể không dừng
Kiểm tra nghiệm đơn vị Dickey – Fuller
Biến INCOME: [Series] View → Unit Root Test
Chọn OK cho ra kết quả như sau:
Null Hypothesis: AGRI_INDEX has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12)
Đàm Đình Mạnh - QNU
5
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-2.742868
-3.487046
-2.886290
-2.580046
0.0700
*MacKinnon (1996) one-sided p-values.
Biến đổi chuỗi agri_index về dạng log(agri_index) hoặc agri_index/agri_index(-1) để có
chuỗi dừng hợp lý.
Ví dụ tạo chuỗi Genr gagri = agri_index/agri_index(-1) và kiểm tra tính dừng ta có:
Null Hypothesis: GAGRI has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=12)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-6.425682
-4.038365
-3.448681
-3.149521
0.0000
*MacKinnon (1996) one-sided p-values.
Vậy ta sử dụng chuỗi GARI để thực hiện dự báo
2.2. Xác định bậc p, q
Biến GAGRI : [Series] Correlogram → Chọn các tham số rồi OK
Dự đoán bậc p (dựa vào PACF) và q (dựa vào ACF)
2.3. Ước lượng mô hình
Gõ mô hình ước lượng vào cửa sổ Command rồi nhấn Enter: ls gagri c ar(1) ma(1) ma(8)
Dependent Variable: GAGRI
Method: ARMA Maximum Likelihood (BFGS)
Convergence achieved after 12 iterations
Coefficient covariance computed using outer product of gradients
Variable
Đàm Đình Mạnh - QNU
Coefficient
Std. Error
t-Statistic
Prob.
6
C
AR(1)
MA(1)
MA(8)
SIGMASQ
1.002162
0.405715
0.070895
-0.149711
0.000940
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Inverted AR Roots
Inverted MA Roots
0.249833
0.223278
0.031331
0.110924
243.5593
9.408279
0.000001
.41
.78
-.01-.79i
0.004657
0.190096
0.200131
0.110473
9.87E-05
215.2148
2.134258
0.354243
-1.355180
9.526553
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
.55+.56i
-.57+.56i
0.0000
0.0350
0.7238
0.1781
0.0000
1.002175
0.035550
-4.043378
-3.925976
-3.995710
1.965360
.55-.56i
-.57-.56i
-.01+.79i
-.80
Để đánh giá mô hình đã đạt được độ ổn định và nhiễu trắng chưa ta thực hiện như sau:
[Equation] View → ARMA Structure → Chọn tham số rồi nhấn OK
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
AR roots
MA roots
0.0
-0.5
-1.0
-1.5
-1.5
Đàm Đình Mạnh - QNU
-1.0
-0.5
0.0
0.5
1.0
1.5
7
Kiểm định nhiễu trắng
[Equation] View → Residual Diagnostics → Correlogram – Q-statistics Chọn tham số OK
Từ bậc 3 trở đi, các
giá trị p-value đều
lớn hơn 5% nên
chuỗi là nhiễu trắng.
Hoặc ta cũng có thể
kiểm định nghiệm
đơn vị cho phần dư từ
mô hình ARIMA
2.4. Dự báo
[Equation] View → Forecast →
Chọn tên chuỗi dự báo, khoảng thời
gian dự báo và phương pháp dự báo
động → OK
Kết quả:
2017M07
2017M08
2017M09
2017M10
2017M11
2017M12
2018M01
2018M02
2018M03
2018M04
2018M05
2018M06
1.008475317583521
1.005424272181475
1.003963120384211
1.003263371841231
1.002928260852544
1.002767775524114
1.002690918776616
1.002654111925213
1.002636485049833
1.002628043503659
1.002624000830168
1.00262206478568
Hãy thực hiện dự báo cho chuỗi khác bằng mô hình ARIMA
Đàm Đình Mạnh - QNU
8
3.
Mô hình VAR
Sử dụng sheet VAR3 trong file SOLIEU.WF1
Các biến: GGDP (tốc độ tăng GDP) và GM2 (tốc độ tăng cung tiền). Tần suất theo tháng
từ 1/2000 – 11/2007.
3.1. Kiểm tra tính dừng
Mô hình VAR đòi hỏi các biến đưa vào đều phải dừng. Kiểm tra bằng Unit Root Test cho hai
biến này ta có:
Null Hypothesis: GGDP has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-11.84422
-3.503049
-2.893230
-2.583740
0.0001
t-Statistic
Prob.*
-8.953692
-3.502238
-2.892879
-2.583553
0.0000
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: GM2 has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
*MacKinnon (1996) one-sided p-values.
Vậy cả hai biến đều dừng
3.2. Ước lượng VAR
Thực hiện ước lượng VAR cho hai biến này như sau:
Chọn 2 biến. Nhấn đúp chuột trái và chọn Open VAR ta được:
Ở ô Endogenous ta đưa vào các biến nội sinh. Ô Lag …
ta đưa vào độ trễ (thường để mặc định). Ô Exogenous
ta đưa vào biến ngoại sinh. Và ở VAR Type để Standard
VAR
Kết quả ước lượng như sau:
Đàm Đình Mạnh - QNU
9
Vector Autoregression Estimates
Date: 20/09/17 Time: 15:24
Sample (adjusted): 2000M04 2007M11
Included observations: 92 after adjustments
Standard errors in ( ) & t-statistics in [ ]
GGDP
GM2
GGDP(-1)
-0.668470
(0.09892)
[-6.75745]
0.011082
(0.01791)
[ 0.61866]
GGDP(-2)
-0.368939
(0.10016)
[-3.68367]
-0.018688
(0.01814)
[-1.03044]
GM2(-1)
0.368458
(0.60492)
[ 0.60910]
0.173544
(0.10954)
[ 1.58435]
GM2(-2)
-1.401898
(0.52761)
[-2.65707]
0.063712
(0.09554)
[ 0.66688]
C
3.129237
(0.72243)
[ 4.33155]
0.787284
(0.13082)
[ 6.01830]
0.372587
0.343740
0.604821
0.083378
12.91614
100.5898
-2.078038
-1.940984
1.017404
0.102924
0.062029
0.018904
0.019831
0.015098
1.438357
257.8025
-5.495707
-5.358653
1.022073
0.015243
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
Determinant resid covariance (dof adj.)
Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion
Number of coefficients
1.50E-06
1.34E-06
360.9650
-7.629675
-7.355567
10
3.3. Xác định độ trễ tối ưu
Lựa chọn độ trễ tối ưu: Từ [Var] View → Lag Structure → Lag Length Criteria
Lag
LogL
LR
FPE
AIC
SC
HQ
0
1
2
3
4
5
6
309.3370
324.4933
333.1754
335.3216
336.1134
339.1840
341.1766
NA
29.25531
16.35466*
3.942906
1.417962
5.355737
3.382738
2.70e-06
2.08e-06
1.87e-06*
1.95e-06
2.10e-06
2.15e-06
2.26e-06
-7.147371
-7.406822
-7.515708*
-7.472595
-7.397987
-7.376373
-7.329689
-7.090293
-7.235588*
-7.230319
-7.073050
-6.884286
-6.748517
-6.587677
-7.124400
-7.337908
-7.400852*
-7.311796
-7.191246
-7.123690
-7.031063
Đàm Đình Mạnh - QNU
10
7
8
341.6456
341.9215
0.774372
0.442666
2.46e-06
2.69e-06
-7.247572
-7.160964
-6.391404
-6.190641
-6.903004
-6.770454
Lưu ý: độ trễ 0 là vô lý nên trong thực tế không chọn độ trễ này.
Ở đây ta chọn độ trễ là 2. Vậy mô hình ước lượng ban đầu là hoàn toàn hợp lý. Ta cần kiểm
tra thêm một vài tiêu chí về độ tin cậy của nó
3.4. Đánh giá mô hình
Mô hình cần đạt được 3 tiêu chí
-
Ổn định (kiểm định bằng nghiệm đơn vị của đa thức đặc trưng)
Nhiễu trắng
Sai số dự báo thấp
Từ [Var] View → Lag Structure → AR Roots Graph
Inverse Roots of AR Characteristic Polynomial
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
Các nghiệm của đa thức đặc trưng đều nằm trong vòng tròn đơn vị nên VAR có sự ổn định
Từ [Var] View → Residual Tests → Portmanteau Autocorrelation Test
VAR Residual Portmanteau Tests for Autocorrelations
Null Hypothesis: No residual autocorrelations up to lag h
Included observations: 92
Lags
Q-Stat
Prob.*
Adj Q-Stat
Prob.*
df
1
2
3
4
5
6
7
8
0.170230
0.726349
6.358807
8.525234
9.437392
12.87764
14.93619
17.02637
----0.1739
0.3839
0.6652
0.6817
0.7800
0.8475
0.172100
0.740578
6.562894
8.827795
9.792376
13.47264
15.70072
17.98996
----0.1609
0.3570
0.6342
0.6379
0.7350
0.8035
----4
8
12
16
20
24
Đàm Đình Mạnh - QNU
11
*Test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
Kể từ độ trễ thứ 3 các sai số ngẫu nhiên không tương quan với nhau …
3.5. Dự báo
Có 3 vấn đề dự báo:
Hàm phản ứng đẩy (cơ chế truyền tải sốc)
Hàm phân rã phương sai
Dự báo Solve
Từ [Var] View → Impulse Responses → (chú ý tới tính thứ tự của biến nội sinh)
Kết quả:
Đàm Đình Mạnh - QNU
12
Response to Cholesky One S.D. (d.f. adjusted) Innovations ± 2 S.E.
Response of GGDP to GGDP
Response of GGDP to GM2
.08
.08
.04
.04
.00
.00
-.04
-.04
1
2
3
4
5
6
7
8
9
10
1
2
Response of GM2 to GGDP
.015
.010
.010
.005
.005
.000
.000
2
3
4
5
6
7
8
4
5
6
7
8
9
10
8
9
10
Response of GM2 to GM2
.015
1
3
9
10
1
2
3
4
5
6
7
Từ [Var] View → Variance Decompositon → chọn Table
Kết quả:
Variance
Decompositi
on of GGDP:
Period
S.E.
GGDP
GM2
1
2
3
4
0.083378
0.099724
0.102408
0.104256
100.0000
99.70574
94.56241
93.73718
0.000000
0.294255
5.437587
6.262816
Đàm Đình Mạnh - QNU
13
5
6
7
8
9
10
0.104630
0.104693
0.104770
0.104782
0.104786
0.104789
93.78009
93.68110
93.66982
93.66996
93.66500
93.66472
6.219907
6.318896
6.330183
6.330037
6.335003
6.335283
Variance
Decompositi
on of GM2:
Period
S.E.
GGDP
GM2
1
2
3
4
5
6
7
8
9
10
0.015098
0.015388
0.015545
0.015568
0.015583
0.015586
0.015587
0.015587
0.015587
0.015587
5.439426
6.231322
7.261129
7.530497
7.532284
7.570514
7.574970
7.576339
7.578118
7.578203
94.56057
93.76868
92.73887
92.46950
92.46772
92.42949
92.42503
92.42366
92.42188
92.42180
Cholesky Ordering: GGDP GM2
Giải thích kết quả ở kỳ thứ 3 ?
Từ [Var] Proc → Make Model →
Cửa sổ Model ta có: [Model] Solve → chọn khoảng thời gian cần dự báo ở i
Kết quả:
2007M12
2008M01
2008M02
2008M03
2008M04
0.9938073
0.971971
1.047771
1.015673
1.007765
Đàm Đình Mạnh - QNU
1.028058
1.020889
1.022153
1.023163
1.021647
14
2008M05
2008M06
2008M07
2008M08
2008M09
2008M10
2008M11
2008M12
1.022918
1.017948
1.015341
1.018434
1.01772
1.017034
1.017637
1.017559
Đàm Đình Mạnh - QNU
1.02196
1.022234
1.021963
1.021997
1.022069
1.022018
1.022019
1.022036
15