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