tiểu luận dự báo kinh tế dự báo giá trị các mặt hàng nhập khẩu của việt nam từ tháng 10 2019 đến tháng 5 2020

Chương I. MÔ TẢ SỐ LIỆU
Nhấn đúp vào chuỗi import để mở cửa sổ series: IMPORT
Trên cửa sổ Series: IMPORT vào View/ Descriptive Statistics & Tests/ Stats Table.

Sau khi thực hiện câu lệnh trên ta có bảng thống kê như sau:
Mô tả thống kê quan trọng
Số quan sát (Observations)

69

Giá trị trung bình (Mean)

16318996

Giá trị lớn nhất (Maximum)

23072005

Giá trị nhỏ nhất (Minimum)

9892473

Độ lệch chuẩn (Std.Dev.)

3566285

Trên cửa sổ Series: IMPORT vào View/ Graph. Ta có biểu đồ mô tả số liệu sau:
IMPORT
24,000,000
22,000,000
20,000,000

18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

2018

2

2019

2020


Chương II. DỰ BÁO TRỊ GIÁ CÁC MẶT HÀNG NHẬP KHẨU
Trong bài tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi
import (chuỗi số liệu về trị giá các mặt hàng nhập khẩu của Việt Nam) từ tháng 10 năm
2019 đến tháng 5 năm 2020 (2019M10 2020M5) bằng nhiều phương pháp khác nhau.
1.

Các phương pháp dự báo giản đơn

1.1.

Dự báo bằng phương pháp san mũ

San mũ là việc loại bỏ các yếu tố ngẫu nhiên để nhìn thấy bản chất của chuỗi,
giúp cho việc dự báo trở nên dễ dàng hơn. Phương pháp san mũ đơn loại bỏ yếu tố
ngẫu nhiên và dự báo giá trị mẫu (predict) nhưng không thể giúp dự báo ngoài mẫu
(forecast). Phương pháp san mũ kép là việc lặp lai 2 lần của san mũ đơn. Phương pháp
này có thể dự báo ngoài mẫu.
Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing.
Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn Double.
Chuỗi san kép là chuỗi importd, mẫu dự báo là 2014m01-2020m05.
Ta thu được kết quả dự báo như sau:
Tham số: Alpha

0.0620

Trung bình bình phương sai số

1653508.

Kết thúc giai đoạn: Trung bình

21822528

Yếu tố xu thế
Hằng số san kép:

158411.1

= 0.0620

 Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE =
1653508. Trên cửa sổ Command dùng lệnh line import importd có biểu đồ sau:

3


24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

IMPORT

2018

2019

2020

IMPORTD

1.2. Dự báo bằng phương pháp san mũ Holt
Tổng quan về phương pháp san mũ Holt:
Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu thế T bằng cách loại
bỏ được yếu tố xu thế T.
Ký hiệu:
Tt là ước lượng của phần xu thế ở thời kỳ t
∧

Y t là ước lượng giá trị trung bình hiện tại của Y ở thời kì t
∧

Y n+h là giá trị dự báo của Y sau h giai đoạn trong tương lai

Ta có:
∧

∧

Y t = αYt + (1 −α)(Y t −1 +T t −1)
∧

∧

T = β (Y t −Y t −1 ) + (1− β )T

t −1

t

∧

∧

Y n+h = Y n + hTn

Với α, β là hằng số san sao cho RMSE nhỏ nhất.
Áp dụng trong Eviews:

4


Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing. Trên cửa sổ Exponential Smoothing, trong phần Smoothing
method chọn Holt-Winters-No seasonal.
Chuỗi san Holt là chuỗi importh.
Ta thu được kết quả dự báo như sau:

Tham số: Alpha

0.1500

Beta

0.0000

Trung bình bình phương sai số
RMSE

1658814.

Kết thúc giai đoạn: Trung bình

22040578

Yếu tố xu thế


192326.4

Hằng số san: = 0,1500, = 0,0000

 Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 1658814
Trên cửa sổ Command dùng lệnh line import importh có biểu đồ sau:
24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

IMPORT

2018

IMPORTH

5

2019

2020


1.3. Dự báo bằng phương pháp san mũ Winters
Tổng quan về phương pháp san mũ Winters:
Phương pháp san mũ Winters dùng để dự báo các chuỗi có chứa cả yếu tố xu thế
và yếu tố mùa vụ.
Ký hiệu:
T

t

là ước lượng của phần xu thế ở thời kỳ t

∧

Y t là ước lượng giá trị trung bình hiện tại của Y ở thời kì t
∧

Y n+h là giá trị dự báo của Y sau h giai đoạn trong tương lai

S t là yếu tố thời vụ tại thời điểm t (Chỉ số mùa vụ qua các năm là không đổi)

k

là số thời vụ trong một năm

S t −k là yếu tố thời vụ tại thời điểm t của thời kỳ trước

Đầu tiên chúng ta phải xác định dạng mô hình của chuỗi:
Mô hình nhân:

Mô hình cộng:

t

Y = T.S.C.I
Y = T+S+C+I
t

Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
Y

∧

Mô hình nhân: Y t = α

t

∧

+ (1 −α )(Y t −1

+ Tt −1 )

S t −k
∧

∧

α(Yt − St −k ) + (1−α)(Y t −1 +Tt −1 )



Mô hình cộng: Y t

Ước lượng giá trị xu thế T là:
T = β(Y
t

∧
t

∧

− Y t −1 ) + (1 −β )T

t −1

Ước lượng giá trị chỉ số mùa vụ là:
=
Mô hình nhân: S γ
t

Y
∧

t

+ (1−γ )S

Yt

t −k

∧

= γ
Mô hình cộng: St (Yt

−Yt −1 ) + (1 −γ )St −k

Như vậy, ta có dự báo h giai đoạn trong tương lai là

∧

∧

Mô hình nhân: Yn+h = (Y n + hTn )Si
6


∧

∧

=
(Yn + hTn )Si

Mô hình cộng: Yn+h
(với S i là chỉ số mùa vụ của năm cần dự báo)
Áp dụng trong Eviews:
IMPORT
24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

2018

2019

2020

Từ đồ thị của chuỗi import, ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời
gian. Vậy ta sử dụng mô hình nhân.
Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing.
Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn HoltWinters – Muliplicative.
Chuỗi san Winters là chuỗi importw
Ta thu được kết quả sau:
Tham số: Alpha

0.2200

Beta

0.0000

Gamma

0.0000

Trung bình bình phương sai số
RMSE

989161.6

Kết thúc giai đoạn: Trung bình

21666233

7


Xu thế

154234.1

Mùa vụ: 2018M10

1.034432

2018M11

1.022216

2018M12

1.039912

2019M01

0.946325

2019M02

0.803208

2019M03

1.049835

2019M04

0.975788

2019M05

1.068202

2019M06

1.010944

2019M07

1.025019

2019M08

1.033185

2019M09

0.990935

 Hằng số san: = 0,2200, = 0,0000, = 0,0000

 Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 989161,6.
 Chỉ số mùa vụ qua các năm không đổi và bằng:
S1

0,946325

S7

1,025019

S2

0,803208

S8

1,033185

S3

1,049835

S9

0,990935

S4

0,975788

S10

1,034432

S5

1,068202

S11

1,022216

S6

1,010944

S12

1,039912

Trên cửa sổ Command dùng lệnh line import importw có biểu đồ sau:

8

26,000,000
24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

IMPORT

2.

2018

2019

2020

IMPORTW

Dự báo bằng phương pháp phân tích
Bước 1: Xác định chuỗi:
Xác định chuỗi thuộc mô hình nhân hay mô hình cộng.
Tính CMA4 (nếu số liệu theo quý) hoặc CMA12 (nếu số liệu theo tháng)
Bước 2: Tách yếu tố mùa vụ:
Tách yếu tố mùa vụ ra khỏi chuỗi thu được chuỗi mới là Y
Đối với mô hình nhân:

SA

Yt

tính các tỉ số

MA

Y

t

MA

tính các hiệu Yt - Y t
Đối với mô hình cộng:
Phương pháp MA có thể tách ảnh hưởng của cả 2 yếu tố chu kỳ (C) và (I) để chuỗi
chỉ còn phụ thuộc yếu tố xu thế (T) để dễ dàng ước lượng.
SA

Bước 3: Ước lượng chuỗi Y bằng hàm xu thế và dự báo chuỗi hiệu chỉnh.
Tính giá trị trung bình chênh lệch:
1

Đối với mô hình nhân: tính Mi =

Y

x∑

(j)i

MA

m-1

Y

(j)i

1
MA

x ∑ (Y -Y

Đối với mô hình cộng: tính M =

i

9

m-1

)

t

t


M

Đối với mô hình nhân:SRi =
Đối với mô hình cộng:

i

(M1 +M2+…+M11+M12)/12

SDi = Mi - (M1+M2+…+M11+M4)/12

Bước 4: Dự báo chuỗi gốc
Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc
YSAR =

Đối với mô hình nhân:

Y
(j)i

SRi

(j)i

Y

SAD
(j)i

Đối với mô hình cộng:

= Y j i - SDi
()

Áp dụng trong Eviews:
Bước 1: Xác đinh chuỗi:

Ta đã xác định được chuỗi thuộc dạng mô hình nhân
Bước 2: Tách yếu tố mùa vụ:
Trên cửa sổ Series: IMPORT, vào Proc/Seasonal Adjustment/ Moving Average
Methods
Trên cửa sổ Seasonal Adjustment trong phần Adjustment methods chọn Ratio to
moving average-Multiplicative.
Chuỗi đã tách yếu tố mùa vụ là importsa, chỉ số mùa vụ là importsf
Ta có bảng kết quả chỉ số mùa vụ như sau:
Chuỗi gốc: IMPORT
Chuỗi dự báo: IMPORTSA
Scaling Factors:
1

0.981310

2

0.778175

3

1.045292

4

0.968433

5

1.073433

6

1.018040

7

1.026661
10


8

1.036244

9

0.996022

10

1.039927

11

1.027397

12

1.045610

Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ chung qua từng tháng.

Bước 3: Ước lượng chuỗi importsa theo hàm xu thế và dự báo chuỗi hiệu chỉnh.
 Ước lượng importsa theo biến
T: Trên cửa sổ Command
Gõ lệnh genr t=@trend(2013M12) để tạo biến xu thế t
Gõ lệnh LS importsa c t để ước lượng importsa theo biến t
Thu được kết quả:

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

10845278

262854.9

41.25955

0.0000

T

155451.1

6527.327

23.81543

0.0000

Prob(F-statistic)

0.000000

Ta có mô hình hồi quy: ̂ = 10845278 + 155451,1t Kiểm định giả thuyết thống kê về hệ số hồi quy
Cặp giả thuyết: {H0: βj = 0

H1: βj ≠ 0
Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0
Theo kết quả ước lượng, với α = 0,05 ta thấy:
Hệ số chặn của t có P-value (Prob.) = 0,0000 < α = 0,05



Bác bỏ H0, chấp nhận H1

11


 Hệ số hồi quy của T có ý nghĩa thống kê


Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05

(vì mô hình chỉ có biến độc lập duy nhất T)
Kiểm định bỏ sót biến
H : Mô hình không bỏ sót biến
Cặp giả thuyết: { 0

H1: Mô hình thiếu biến
Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET Test
Ta có kết quả:
Value

df

Probability

t-statistic

2.170055 66

0.0336

F-statistic

4.709139(1, 66)

0.0336

Theo kết quả kiểm định ta thấy P-value (Probability) = 0,0336 < α = 0,05



Bác bỏ H0, thừa nhận H1.
OLS bị vi phạm, mô hình bị bỏ sót biến.

2

3

Ước lượng lại importsa theo t, t , t
Trên cửa số Command gõ lệnh LS importsa c t t^2 t^3

Variable

Coefficient Std. Error t-Statistic Prob.

C

12715374

1135783. 11.19525 0.0000

T

-108095.0

101114.1 -1.069040 0.2890

T^2

6031.198

2595.670 2.323562 0.0233

T^3

-40.75149 19.93929 -2.043779 0.0450

Prob(F-statistic)

0.000000

Mô hình: ̂ = 12715374 – 108095t +
6031,198 – 40,75149 Kiểm định giả thuyết thống kê về hệ số hồi quy
H :β =0
Cặp giả thuyết: {

0

j

H1: βj ≠ 0

12


Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0.
Theo kết quả ước lượng, với α = 0,05 ta thấy:
Biến
t

p-value

Ho

Kết luận

0,289 > 0,05

Không bác bỏ

Không có ý nghĩa thống kê

2

0,0233 < 0,05 Bác bỏ

Có ý nghĩa thống kê

3

0,0450 < 0,05 Bác bỏ

Có ý nghĩa thống kê

Hệ số hồi quy của biến t không có ý nghĩa thống kê nhưng không có cơ sở để loại
biến t khỏi mô hình.
Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05 vì có hai hệ số hồi quy của
biến độc lập khác 0.
Kiểm định bỏ sót biến
Giả thuyết thống kê: {

H : Mô hình không bỏ sót biến

0

H1: Mô hình thiếu biến
Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET Test
Value

Probability

t-statistic

1.875800 64

0.0652

F-statistic

3.518625(1, 64)

0.0652

Theo kết quả kiểm định ta thấy P-value (Probability) = 0,0652 >

= 0,05

 Không bác bỏ giả thuyết Ho


df

OLS không bị vi phạm, mô hình không bỏ sót biến với mức ý nghĩa =

0,05

Kiểm định phân phối chuẩn của nhiễu.
H : Nhiễu phân phối chuẩn
Cặp giả thuyết: { 0

H1: Nhiễu không phân phối chuẩn

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test

13


12

Series: Residuals
Sample 2014M01 2019M09
Observations 69

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

8
6

4

Jarque-Bera
Probability

2

0
-2999998

-1999998

-999998

3

1000003

2000003

3.79e-09
108427.7
3102761.
-2910050.
1003843.
-0.119032
3.911496
2.551560
0.279213

3000003

Ta thấy p-value = 0,279213 > = 0,05
Không có cơ sở bác bỏ Ho.




Mô hình có nhiễu phân phối chuẩn với mức ý nghĩa = 0,05

Kiểm định phương sai sai số thay đổi
H : Phương sai sai số không đổi
Cặp giả thuyết: { 0

H1: Phương sai sai số thay đổi
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity Test
Trên cửa sổ Heteroskedasticity Test chọn White
Ta thu được kết quả sau:
Heteroskedasticity Test: White
F-statistic

0.709533

Prob. F(6,62)

Obs*R-squared

4.433428

Prob. Chi-Square(6) 0.6182

Scaled explained SS 5.727358
Ta thấy p-value = 0,6431 > = 0,05
Không có cơ sở bác bỏ Ho.

Prob. Chi-Square(6) 0.4544





Mô hình có phương sai sai số không đổi với mức ý nghĩa = 0,05

Kiểm định tự tương quan
H0: Mô hình không có tự tương quan
Cặp giả thuyết: {

H1: Mô hình có tự tương quan

14

0.6431


Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM test

Ta có kết quả như sau:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic

0.948404 Prob. F(2,63)

0.3928

Obs*R-squared
2.016737 Prob. Chi-Square(2) 0.3648
Ta thấy p-value = 0,3928 > = 0,05

Không có cơ sở bác bỏ Ho.




Mô hình không có tự tương quan với mức ý nghĩa = 0,05

 trong phần Forecast name điền importsaf
 trong phần Forecast Sample chọn mẫu từ 2014m01 2019m09
 trong phần Output/ Graph chọn Forecast & Actuals
Ta có kết quả sau:
24,000,000

Forecast: IMPORTSAF
Actual: IMPORTSA
Forecast sample: 2014M01 2019M09
Included observations: 69
Root Mean Squared Error 996541.8
Mean Absolute Error
788987.0
Mean Abs. Percent Error
4.989032
Theil Inequality Coefficient 0.030022
Bias Proportion
0.000000
Variance Proportion
0.024304
Covariance Proportion 0.975696

22,000,000

20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
I IIIIIIV I II III IV
2014

2015

I IIIIIIV I
2016
IMPORTSAF

II III IV I

II III IV I

2017

2018

II III
2019

± 2 S.E.

Nhìn vào kết quả dự báo trong mẫu ta thấy:

Mean Abs. Percent Error = 4,989032 < 5
Tức là sai số dự báo < 5%,



Có thể sử dụng mô hình này để dự báo ngoài mẫu.

15


Mở lại cửa sổ Forecast
Trong phần Forecast sample chọn mẫu 2019M10 2020M5.
Ta thu được chuỗi dự báo importsaf.
Ta lấy chuỗi importsaf nhân với chỉ số mùa vụ importsf sẽ được chuỗi dự báo
importf.
Trên cửa sổ Command gõ lệnh genr importf=importsaf*importsf
Trên cửa sổ Command gõ lệnh line importf import thu được kết quả:
24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000
2014

2015

2016

2017

IMPORTF

3.
a.

2018

2019

2020

IMPORT

Dự báo bằng mô hình ARIMA
Tổng quan về mô hình:
Mô hình ARIMA bậc p, d, q là mô hình với:
AR(p) là mô hình tự tương quan bậc p
Y(d) là chuỗi dừng khi lấy sai phân bậc d
MA(q) là mô hình trung bình trượt bậc q
Có phương trình là:
Y(d) = c + Φ1Y(d)t-1 + … + ΦpY(d)t-p + θ1ut-1 + … + θqut-q + ut

b.

Các bước tiến hành:
Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo

 Đối với chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo

ARIMA với chuỗi gốc.

16




Đối với chuỗi có tính mùa vụ: tách yếu tố mùa vụ khỏi chuỗi gốc, sau đó kiểm

tra tính dừng của chuỗi tách và tiến hành dự báo ARIMA với chuỗi tách.
̂

̂

 Đối với chuỗi có tính xu thế: kiểm tra tính dừng của chuỗi gốc Y t = β1+β2t + et (với et là phần dư), sau đó kiểm tra tính dừng của chuỗi e t và tiến
hành dự báo ARIMA

với chuỗi et.
Bước 2: Xác định độ trễ p, q.
Bước 3: Kiểm tra các điều kiện giả định của mô hình:
 Mô hình khả nghịch và ổn định (nghiệm đơn vị của các mô hình hồi quy phụ < 1)

 Nhiễu trắng (nhiễu không tự tương quan).
 Chất lượng dự báo.
 Đối với chuỗi có yếu tố mùa vụ: Nhân hoặc cộng chuỗi dự báo đã hiệu chỉnh
với chỉ số mùa vụ để dự báo chuỗi gốc.


Đối với chuỗi có yếu tố xu thế: Tạo biến Yf = β̂1 + β̂2t + ef là dự báo của chuỗi

Yt .
Áp dụng trong Eviews:
Bước 1: Kiểm tra tính mùa vụ và tách yếu tố mùa vụ nếu
có Trên cửa sổ Series: IMPORT vào View/ Graph Trên cửa
sổ Graph Options chọn Seasonal Graph Ta có biểu đồ sau:

17


IMPORT by Season
24,000,000
22,000,000
20,000,000
18,000,000
16,000,000
14,000,000
12,000,000
10,000,000
8,000,000

Jan

Feb

Mar

Apr

May

Jun

Jul

AugSep

Oct

Nov

Dec

Means by Season

Các vạch đỏ trong hình là giá trị trung bình của từng mùa. Nếu các vạch này
chênh nhau càng nhiều thì tính mùa vụ càng rõ ràng. Ở đây, ta thấy có sự sai lệch
chứng tỏ chuỗi giá trị sử dụng có yếu tố mùa vụ.
Ta sẽ tiến hành dự báo cho chuỗi import bằng cách tách yếu tố mùa vụ.
Ta đã xác định được chuỗi thuộc dạng mô hình nhân.
Tiến hành tách yếu tố mùa vụ ta thu được chuỗi importsa.
Kiểm định tính dừng của chuỗi importsa
H : Chuỗi không dừng
Cặp giả thuyết: { 0

H1: Chuỗi dừng
Trên cửa sổ Series: IMPORTSA vào View/ Unit Root Tests.
Trên cửa sổ Unit Root Test, phần Test for unit root in chọn Level.
Ta thu được kết quả:

Null Hypothesis: IMPORTSA has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=10)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic -0.269419

0.9231

Test critical values: 1% level

-3.533204

5% level

-2.906210

18


10% level

-2.590628

Theo kết quả kiểm định ta thấy
P-value (Prob.) = 0,9231> α = 0,05



Không có cơ sở bác bỏ H0



Chuỗi importsa không dừng

Vậy ta kiểm định tính dừng của chuỗi importsa sai phân bậc 1
Trên cửa sổ Series: IMPORTSA vào lại View/ Unit Root Tests.
st

Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1 difference.
Thu được kết quả:
Null Hypothesis: D(IMPORTSA) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=10)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic -10.42442

0.0000

Test critical values: 1% level

-3.533204

5% level

-2.906210

10% level

-2.590628

Theo kết quả kiểm định ta thấy:
P-value (Prob.) = 0,0000 < α = 0,05



Bác bỏ H0, chấp nhận H1



Chuỗi importsa dừng ở sai phân bậc 1, tức d=1.

Bước 2: Tìm độ trễ p,q cho mô hình AR và MA
Trên cửa sổ Series: IMPORTSA vào View/ Correlogram
Trên cửa sổ Correlogram Specification chọn độ trễ phần Lags to include là 28

19


Xác định p,q:
Xác định p (bậc của AR): Ta tìm xem thanh nào vượt quá đường giới hạn của
Partial Correlation.
Xác định q (bậc của MA): Ta tìm xem thanh nào vượt quá đường giới hạn của
Autocorrelation
Từ đó, ta chọn độ trễ là 1 và 2 cho AR, độ trễ 1 và 24 cho MA.

Bước 3: Ước lượng mô hình và kiểm định khuyết tật
Ước lượng mô hình
Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ar(2) ma(1) ma(24)
Ta có kết quả hồi quy như sau:
MA Backcast: 2012M04 2014M03
Variable

Coefficient Std. Error t-Statistic Prob.

20


C

205025.4

59442.69 3.449127

0.0010

AR(1)

-0.703805

0.127351

AR(2)

-0.318826

0.119496 -2.668092 0.0098

MA(1)

-0.045770

0.070795 -0.646513 0.5204

MA(24)

-0.844930

0.039367 -21.46265 0.0000

Prob(F-statistic)

0.000000

-5.526505 0.0000

Nhìn kết quả bên trên, loại MA(1) vì không có ý nghĩa thống kê
Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24) và lệnh LS
d(importsa) c ar(2) ma(24) thu được kết quả như bảng sau:
Tiêu chí so sánh

AR(1)-MA(24)

AR(2)-MA(24)

AIC

30,24171

30,60909

SBC

30,34043

30,70862

HQ

30,28078

30,64842

RMSE

1112872

1153032

MAPE

5,458859

5,730508

So sánh 2 mô hình trên, nhận thấy mô hình với AR(1)-MA(24) tối ưu hơn, vậy

chọn độ trễ là 1 cho AR, độ trễ 24 cho MA
Bước 4: Kiểm tra mô hình và các điều kiện giả định của mô hình:
Mô hình khả nghịch và ổn định:
Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24)
Thu được Module của các nghiệm đơn vị:

Inverted AR Roots

-.53

Inverted MA Roots

.99

Module của các nghiệm đơn vị:

21

.96-.26i .96+.26i .86+.50i


2

√(-0,53) = 0,53 < 1
√(0,99)2 = 0,99 < 1
2

2

2

2

2

2

√0,96 +2 (-0,26) 2= √0,96 + 0,26 = 0,9946 < 1 √0,96 + 0,26 = 0,9946 < 1
√(0,86) + 0,5 = 0,9948 < 1

Ta thấy, các module đều nhỏ hơn 1 nên các nghiệm đơn vị đều nằm trong vòng
tròn đơn vị. Mô hình khả nghịch và ổn định.
Kiểm định nhiễu trắng
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Serial Correlation
LM test Trên cửa sổ Lag Specification chọn độ trễ lags 20, được kết quả sau:

Breusch-Godfrey Serial Correlation LM Test:
F-statistic

1.560371

Prob. F(20,44)

0.1087

Prob.ChiObs*R-squared

27.73742

Square(20)

0.1158

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Tại ô cửa sổ kết quả này, ta thấy giá trị P_value = 0,1087 > =0,05 nên mô hình
không có tự tương quan của nhiễu.
Bước 5: Dự báo ngoài mẫu
Dự báo cho chuỗi hiệu chỉnh importsa:
Trên cửa sổ ước lượng chọn Forecast
Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu từ 2017M01 2020M05
Ta có kết quả:

22


36,000,000

Forecast: IMPORTSAF
Actual: IMPORTSA
Forecast sample: 2017M01 2020M05
Included observations: 33
Root Mean Squared Error 1006313.
Mean Absolute Error
742475.0
Mean Abs. Percent Error
3.984703
Theil Inequality Coefficient 0.025657
Bias Proportion

0.189988
Variance Proportion
0.001601
Covariance Proportion 0.808411

32,000,000
28,000,000
24,000,000
20,000,000
16,000,000
12,000,000
I

II

III

IV

I

II

2017

III

IV

I

II

2018
IMPORTSAF

III
2019

IV

I

II

2020

± 2 S.E.

Nhìn vào kết quả dự báo trong mẫu ta thấy
Mean Abs. Percent Error (MAPE) = 3,984703 < 5



Tức là sai số dự báo < 5%
Có thể sử dụng mô hình này để dự báo ngoài mẫu.
Mở lại cửa sổ Forecast. Trong phần Forecast sample chọn mẫu 2014M012020M05. Ta thu được chuỗi dự báo importsaf.
Dự báo cho chuỗi gốc
Ta lấy chuỗi importsaf nhân với chỉ số mùa vụ importsf sẽ được chuỗi dự báo
importfarima.

Trên cửa sổ Command gõ lệnh genr importfarima=importsaf*importsf Trên
cửa sổ Command gõ lệnh line importfarima import thu được kết quả

23


28,000,000

24,000,000

20,000,000

16,000,000

12,000,000

8,000,000
2014

2015

2016

2017

IMPORTFARIMA

24

2018

IMPORT

2019

2020


Chương III. KẾT LUẬN DỰ BÁO
Chọn các chuỗi import, importd, importh, importw, importf, importfarima: click
phải chuột chọn Open/ as Group.

Chọn các số liệu là kết quả của các phương pháp dự báo, ta có bảng số liệu sau:
import importd

importf

Importfarima importh

importw

2019m10 NA

21980939 22503064 23803340

22232904 22571787

2019m11 NA

22139350 22319687 23715707

22425231 22462885

2019m12 NA

22297761 22797106 24338844

22617557 23012145

2020m01 NA

22456172 21464535 23032351

22809883 21087125

2020m02 NA

22614583 17070275 18415438

23002210 18021892

2020m03 NA

22772994 22987271 24939389

23194536 23717492

2020m04 NA

22931405 21342287 23293376

23386863 22195141

2020m05 NA

23089816 23697324 26027014

23579189 24461938

Sau khi dựa vào kết quả chạy và những tính toán trong excel, ta có kết quả so sánh
giữa các mô hình:
RMSE

MAPE

importd

1653508

7,754360

importh

1658814

7,454791

importw

989161,6

4,993140

importf

960050,3

4,989032

25


importfarima 1407702

7,110182

28,000,000

24,000,000

20,000,000

16,000,000

12,000,000

8,000,000
2014

2015

2016

IMPORT
IMPORTH

2017
IMPORTD
IMPORTW

2018

2019

2020

IMPORTF
IMPORTFARIMA

Dựa vào kết qủa dự báo ta thấy phương pháp phân tích (chuỗi importf) chính xác
hơn so với các phương pháp còn lại với chỉ số RMSE và MAPE nhỏ nhất.
Vậy để lựa chọn phương pháp dự báo tốt nhất cho chuỗi, ta lựa chọn phương
pháp phân tích.

26