tiểu luận dự báo kinh tế dự báo lạm phát ở việt nam tháng cuối năm 2019 và 6 tháng đầu năm 2020

1

Khảo sát dữ liệu quá khứ

1.1 Giới thiệu về bộ số liệu
Số liệu thu thập được sử dụng trong mô hình là chuỗi số liệu chỉ số giá tiêu dùng (đại
diện cho lạm phát) ở nền kinh tế Việt Nam trong vòng 9 năm từ các báo cáo thống kê
chỉ số giá tiêu dùng trên Tổng cục thống kê.
Bộ số liệu gồm 107 quan sát. Các quan sát kéo dài từ tháng 01/2011 đến tháng 11/2019
và sử dụng mô hình nhân để dự báo lạm phát.Từ bộ số liệu nhóm sử dụng một số
phương pháp khác nhau như dự báo bằng phương pháp dự báo thô, trung bình trượt,
phương pháp san mũ, phương pháp phân tích và các phương pháp ARIMA.
1.2 Khảo sát dữ liệu
1.2.1 Thống kê mô tả biến
Bảng 1.1 Thống kê mô tả biến
Giá trị trung bình

100.4266

Giá trị trung vị

100.3100

Giá trị lớn nhất

103.3200

Giá trị nhỏ nhất

99.4700

Độ lệch chuẩn

0.610847

P-value
Số quan sát

0.0000
107

(Nguồn: trích xuất từ EVIEWS)


9

Từ bảng 1.1 ta thấy, chuỗi số liệu có 107 quan sát, giá trị nhỏ nhất là 99.47%, giá trị
lớn nhất là 103.32%, giá trị trung bình là 100.4266%. Độ lệch chuẩn của chuỗi là 0.611
với P-value=0.0000.
1.2.2 Đồ thị của chuỗi theo thời gian
Hình 1.1 Đồ thị của chuỗi CPI theo thời gian
CPI
104

103

102

101

100

99
2011

2012

2013

2014

2015

2016

2017

2018

2019

(Nguồn: trích xuất từ EVIEWS)
Từ đồ thị hình 1.1 ta thấy chuỗi số liệu cần dự báo có biên độ dao động khá mạnh và
không đều nhau. Đồ thị cho thấy chẫy có tính dừng và mùa vụ nhưng không rõ ràng.
Nhóm tiến hành kiểm tra tính mùa vụ và tính dừng
1.2.3 Kiểm định mùa vụ


10

Hình 1.2 Đồ thị mùa vụ của CPI

CPI by Season
104

103

102

101

100

99

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Means by Season

(Nguồn: trích xuất từ EVIEWS)
Từ hình 1.2 ta thấy đồ thị mùa vụ có các đường trung bình màu đỏ lệch nhau nhưng
các đoạn đứt trong đồ thị khá nhiều và lớn nên chuỗi có tính mùa vụ nhưng chưa rõ rệt.
Để có thể khẳng định chính xác hơn, nhóm tiến hành kiểm định Kruskal-Wallis bằng
phần mềm EVIEWS.
Kiểm định Kruskal-Wallis với mô hình nhân thu được p-value=0.0089, với mô hình
cộng thu được p-value=0.0088. Cả 2 giá trị p-value đều nhỏ hơn 0.05 nên chuỗi có yếu
tố mùa vụ. Chuỗi có tính màu vụ nhưng không rõ là mô hình nhân hay mô hình cộng,
sau khi thử tiến hành các dự báo thì nhóm quyết định sử dụng mô hình nhân vì mô hình
nhân dự báo tốt hơn (sai số dự báo nhỏ hơn).
1.2.4 Kiểm định tính dừng


11

Sử dụng kiểm định nghiệm đơn vị bằng phần mềm EVIEWS để kiểm tra tính dừng cho
chuỗi gốc, thu được p-value=0.0000 <0.05. Vậy chuỗi CPI là chuỗi dừng.
Tiếp theo, nhóm tiến hành vẽ đồ thị tự tương quan và tự tương quan riêng phần của
chuỗi.

Hình 1.3 Giản đồ tự tương quan và tự tương quan riêng phần

12

Từ hình 1.3 ta thấy các hệ số tự tương quan ACF giảm xuống bằng 0 một cách nhanh
chóng sau 4 độ trễ nên chuỗi là chuỗi dừng
1.2.5 Kết luận


13

Qua khảo sat ở trên, nhóm rút ra được đặc điểm của chuỗi CPI là chuỗi dừng, có tính
mùa vụ và là mô hình nhân tính.
2 Lựa chọn mô hình dự báo.
Dựa vào các đặc điểm của chuỗi sau khi tiến hành khảo sát dữ liệu, có thể tiến hành dự
báo chuỗi bằng các mô hình sau đây:
-

Dự báo thô giản đơn

-

Dự báo thô hiệu chỉnh mùa vụ

-

Trung bình trượt giản đơn

-

Trung bình trượt trung tâm

-

Trung bình trượt trung tâm có trọng số

-

San mũ Winter

-

Phương pháp phân tích

-

Mô hình ARMA

2.1 Mô hình dự báo thô giản đơn:
Đối với mô hình này, dự báo giá trị giai đoạn tới sẽ bằng với kết quả của giai đoạn hiện tại. Ta có phương trình dự báo:

̂

+1

=

2.2 Mô hình dự báo thô điều chỉnh mùa vụ:
Đối với dữ liệu có tính mùa vụ, dự báo thô có thể được điều chỉnh như sau:
̂̂

+1

=

−

2.3 Mô hình dự báo trung bình trượt giản đơn:
Đối với mô hình này chúng ta sẽ quan tâm đến một số cố định (k) quan sát gần nhất, ta
có phương trình dự báo:


14

̂̂

= ∗=

+

−1

+⋯+

− +1

+1

2.4 Mô hình dự báo trung bình trượt trung tâm giản đơn 2m+1 điểm:
Trung bình số học giản đơn của quan sát thời kì t, m quan sát trước đó và m quan sát

sau đó, ta có phương trình dự báo như sau:
∗

−

=

+

− +1+⋯+

+⋯+

+ −1

+

+

2 +1

2.5 Mô hình dự báo trung bình trượt có trọng số:
Sử dụng trung bình trượt trong đó các quan sát có các trọng số khác nhau ta có phương trình dự
báo như sau:
∗

0.5

=

− /2

+

+⋯+

− /2+1

+ /2−1

+0.5

+ /2

Chú
thích các phương trình trên:
̂̂
+1

: giá trị dự báo cho giai đoạn t+1

: giá trị thực tại thời điểm t
S: số mùa vụ trong năm
−

∗

: giá trị thực tại thời điểm t-k

: giá trị trung bình trượt bậc k tại thời điểm t

k: hệ số trượt
2.6 Dự báo bằng san mũ Winter


15

San mũ Winter là phương pháp mở rộng của san mũ Holt đối với các dữ liệu có chứa
yếu tố mùa vụ. Trong mô hình nhân, yếu tố mùa vụ ở năm sau được lặp lại với cường
độ cao hơn hoặc thấp hơn so với từng mùa của năm trước.
San mũ Holt sử dụng 4 phương trình và 3 hằng số san:
(1) Ước lượng giá trị trung bình hiện tại:

Lt = α*

−

+ (1- α)*(Lt-1+Tt-1)

(2) Ước lượng giá trị xu thế:
Tt = β*( Lt - Lt-1) + (1- β)*Tt-1
(3) Ước lượng giá trị chỉ số mùa:

(4) Dự báo h giai đoạn trong tương lai:
̂̂

+ℎ

= (Ln + h*Tn)*St

2.7 Dự báo bằng phương pháp phân tích
-

Bước 1: Nhận dạng dữ liệu: kiểm tra xem mô hình nhân tính hay cộng tính.

-

Bước 2: Hiệu chỉnh yếu tố mùa vụ: tách yếu tố mùa vụ bằng phương pháp trung
bình trượt trung tâm có trọng số, để triệt tiêu I, tách được S và làm C mờ nhạt
hơn. Lúc này chuỗi hiệu chỉnh chủ yếu phụ thuộc vào T và C.
Để thuận tiện, ta giả định không có yếu tố C. Vì vậy, chuỗi hiệu chỉnh chỉ phụ
thuộc và T

-

Bước 3: Ước lượng hàm xu thế
Xu thế là sự vận động tăng hoặc giảm của dữ liệu trong thời gian dài. Hàm xu
thế là hàm có thể hồi quy theo biến thời gian.
Sau khi ước lượng được hàm xu thế, tiến hành kiểm định nhiễu trắng.

-

Bước 4: Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng
̂̂

+ℎ

̂̂

β1 β2

+ℎ

n

=

̂ ̂
= + *(T + h)

̂

+ℎ*SFi


16

2.8 Dự báo bằng mô hình ARMA
Các chuỗi thời gian thường là kết hợp của mô hình tự hồi quy (AR) và mô hình trung
bình trượt (MA)

Mô hình ARMA(p,q) có dạng:
Yt = C + ∑

=1

∅ *Yt-p + ∑

=1

*ut-j + ut

Cách xác định p: dựa vào giản đồ tự tương quan riêng phần PACF: vạch nào vượt ra
khỏi đường biên (có ý nghĩa) thì trễ tại bậc đó.
Cách xác định q: dựa vào giãn đồ tự tương quan ACF: ACF có xu hướng khác 0 (có ý
nghĩa thống kê) đến độ trễ q và bằng 0 ngay sau đó. Nếu các vạch biểu diễn theo hình
xương cá, quy luật sin hoặc giản dần thì chọn q=0. Nếu có vạch vượt ra khỏi đường
biên bất thường thì ta chọn q tại đó.
Các bước tiến hành dự báo:
-

Bước 1: Kiểm tra tính dừng. Nếu chuỗi không dừng thì biến đổi để có chuỗi
dừng (lấy log, sai phân,…)

-

Bước 2: Vì chuỗi có tính mùa vụ nên phải tách yếu tố mùa vụ, sử dụng chuỗi đã
hiệu chỉnh mùa vụ để ước lượng và dự báo.

-

Bước 3: Xác định p, q

-

Bước 4: Ước lượng mô hình.

-

Bước 5: Kiểm tra mô hình và các giả định của mô

hình Độ trễ cao nhất có ý nghĩa thống kê không?
Kiểm tra nhiễu trắng
Kiểm tra chất lượng dự báo


17

-

Bước 6: Kết hợp yếu tố mùa vụ vào và dự báo ngoài mẫu.

Các tiêu chí lựa chọn mô hình:
-

Phần dư của mô hình dự báo phải là 1 chuỗi ngẫu nhiên

-

Hệ số AIC, SBC, HQ càng nhỏ càng tốt

-

Sai số dự báo MAPE càng nhỏ càng tốt

-

Vẽ đồ thị so sánh giá trị dự báo và giá trị thực tế

-

Hệ số hồi quy có ý nghĩa thống kê

3 Kết quả dự báo
3.1 Đối với các mô hình dự báo 1,2,3,4,5 mục II.
Tiến hành dự báo trong mẫu bằng phần mềm EVIEWS thu được kết quả MAPE của
các mô hình là:
Bảng 3.1: Kết quả MAPE
Tên

mô Mô hình dự

hình

báo thô giản

báo thô điều báo

trung báo

trung dự

đơn

chỉnh mùa

bình

trượt bình

trượt trung

vụ

giản

trung

tâm bình

đơn(k=13)

giản

đơn trượt

MAPE

0.003465

Mô hình dự

0.004625

Mô hình dự

0.003049

(Nguồn: trích xuất từ EVIEWS)

Mô hình dự

Mô hình
báo

có

2m+1

trọng số

điểm(m=6)

s(s=12)

0.003207

0.003140


18

Vì dữ liệu chuối thời gian theo tháng nên nhóm tác giả lựa chọn k=13 : quan tâm đến
13 quan sát cố định gần nhất và m=6: làm trung bình trượt số học giản đơn của quan
sát thời kì t, 6 quan sát trước đó và quan sát sau đó.
3.2 Dự báo bằng san mũ Winter
Bảng 3.2: kết quả dự báo bằng san mũ Winter
Parameters: Alpha

0.8900

Beta

0.0000

Gamma

0.0000

Root Mean Squared Error
End
Levels:

of

0.412999

Period
Mean

101.0929

Trend

-0.013760

Seasonals: 2018M12

0.998006

2019M01

1.001677

2019M02

1.003315

2019M03

0.998100

2019M04

1.000291

2019M05

0.999483

2019M06

0.998615

2019M07

0.997790

2019M08

1.000856

2019M09

1.003457

2019M10

1.000489

2019M11

0.997920


19

3.3 Mô hình san mũ Winter:
Lt = 0.89*

+ 0.11*(Lt-1+Tt-1)
−

Tt = 0*( Lt - Lt-1) + 1*Tt-1
St = 0* + 1*St-s
̂̂

+ℎ

= (101.0929 + h*(-0. 013760)*S t

Sai số dự báo của mô hình là MAPE=0.003155.
3.4 Dự báo bằng phương pháp phân tích
Như đã nêu ở mục I.2, chuỗi số liệu là mô hình nhân tính.
Hiệu chỉnh yếu tố mùa vụ thu được chuỗi số liệu đã hiệu chỉnh và kết quả Scaling
Factors như sau:


20

Bảng 3.3: Hiệu chỉnh yếu tố mùa vụ

Scaling Factors:
1

1.001791

2

1.003821

3

0.997170

4

0.998468

5

0.999073

6

0.999072

7

0.997990

8

1.001070

9

1.003723

10

1.000892

11

0.998429

12

0.998529

Nguồn: trích xuất từ EVIEWS


21

Ước lượng hàm xu thế:
Bảng 3.4: Kết quả ước lượng hàm xu thế

Biến

Hệ số chặn

se

Thống kê t P-value

C

100.8557

0.103324

976.1099 0.0000

T

-0.007974

0.001661

-4.801230 0.0000

R2

0.180019 Akaike info criterion

1.589106

Log likelihood

-83.01716 Schwarz criterion

1.639065

Hannan-Quinn criter.

1.609359

Nguồn: trích xuất từ EVIEWS
Kiểm tra nhiễu trắng:
Bảng 3.5: Kết quả kiểm định nhiễu trắng
Kiểm định

p-value

PSSS thay đổi

0.0000

Tự tương quan

0.0000

Phân phối chuẩn của nhiễu

0.0000

Nguồn: trích xuất từ EVIEWS
Các giá trị p-value đều bé hơn 0.05 nên nhiễu không trắng. Vì vậy, không sử dụng mô
hình dự báo bằng phương pháp phân tích.
3.5 Dự báo bằng mô hình ARMA


22

Chuỗi số liệu là chuỗi dừng bậc 0, vì có yếu tố mùa vụ nên nhóm sử dụng chuỗi đã
hiệu chỉnh ở mục III.7 để tiếp tục dự báo.
Dựa vào giản đồ tự tương quan và tự tương quan riêng phần từ phần mềm EVIEWS,
nhóm rút ra được bậc của mô hình ARMA là p=1; q=1,2,3,4. Lần lượt ước lượng cho
từng mô hình thu được kết quả dưới đây:


23

(1)
Hệ số chặn
AR(1)
MA(1)
MA(2)
MA(3)

MA(4)

(2)

(3)

(4)

100.252***

100.253***

100.248***

100.412***

(6256.140)

(6277.708)

(6334.744)

(802.894)

0.846***

0.839***

0.860***

0.629***

(31.839)

(31.914)

(43.278)

(6.315)

-0.319***

-0.284***

-0.412***

0.221*

(-3.035)

(-2.902)

(-5.013)

(1.731)

-0.445***

-0.4444***

-0.560***

(-4.452)

(-5.046)

(-6.886)

-0.291***

-0.241**

(-2.934)

(-2.471)

0.085
(0.0802)

Kiểm

định

phân

phối

p-value=0.2062

p-value=0.0712

p-value=0.0002

p-value=0.0000

p-value=0.7598

p-value=0.5790

p-value=0.5846

p-value=0.0311

p-value= 0.8497

p-value=0.7224

p-value=0.5992

p-value=0.0002

AIC

0.724

0.709

0.727

0.990

SBC

0.875

0.835

0.827

1.066

HQC

0.785

0.760

0.767

1.021

chuẩn
Kiểm định tự
tương quan
Kiểm

định

phương sai sai
số (ARCH)

Bảng 3.6: Kết quả ước lượng các mô hình
(Chú thích:*, **, *** lần lượt tương ứng với mức ý nghĩa 10%, 5%, 1%)


24

Nguồn: trích xuất từ EVIEWS
(1) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2, 3,4
(2) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2, 3
(3) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2
(4) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1.
Từ kết quả kiểm định ta thấy mô hình (1) và (2) có nhiều trắng, mô hình (3) và (4)
nhiều không trắng nên (3) và (4) bị loại. Mô hình (2) có các chỉ số AIC, SBC và HQC
đều nhé hơn mô hình (1) nên nhóm chọn mô hình (2) là mô hình ước lượng cho
phương pháp dự báo bằng mô hình ARMA.
Tiến hành dự báo trong mẫu bằng phần mềm EVIEWS thu được giá trị sai số dự báo
MAPE=0.288494.
3.6 Lựa chọn mô hình phù hợp nhất
Từ các kết quả trên, ta có bảng tổng hợp MAPE của các mô hình
Bảng 3.7: Kết quả MAPE tổng hợp
Tên

Mô

hình Mô

hình Mô

mô

dự

báo dự

báo dự

hình

thô

giản thô

điều trung

đơn

hình Mô hình
báo trung
bình

chỉnh

bình trượt trượt

mùa vụ

giản

Mô

hình Sanmũ

dự

báo Winter

ARMA

trung
bình

đơn trung tâm trượt

(k=13)

Mô hình

có

giản đơn trọng số
2m+1

s(s=12)

điểm(m=
6)
MAPE

0.003465

0.004625

0.003049

0.003207 0.003140 0.003155

0.288494


25

Từ bảng 3.7, mô hình trung bình trượt giản đơn có MAPE bé nhất. Tuy nhiên, độ dài
dự báo của mô hình này rất ngắn hạn, mà mục tiêu dự báo của nhóm là 6 tháng đầu
năm 2020 (có cả tháng 12 năm 2019 vì số liệu hiện tại mới có đến tháng 11 năm 2019).
Với những dự báo có độ dài dự báo trung hạn, có thể dùng phương pháp san mũ, phân
tích thành phần chuỗi thời gian hoặc các mô hình ARIMA. Vì vậy, mô hình san mũ
Winter (MAPE=0.003155) là mô hình thích hợp nhất để tiến hành dự báo lạm phát ở
Việt Nam tháng cuối năm 2019 và 6 tháng đầu năm 2020.
Sau khi chạy mô hình, thu được kết quả dự báo ở bảng 3.8 và đồ thị so sánh giá trị dự
báo với giá trị thực tế ở hình 3.1.
Hình 3.1: so sánh CPI dự báo (SMWM) và CPI thực tế (CPI)
104

103

102

101

100

99
2011

2012

2013

2014

2015
CPI

2016

2017

SMWM

Nguồn: trích xuất từ EVIEWS

2018

2019 2020


26

Bảng 3.8: Kết quả dự báo

2019M12 2020M01 2020M02 2020M03 2020M04 2020M05 2020M06
100.8776 101.2349 101.3866

100.8459 101.0535 100.9581

100.8568

Nguồn: trích xuất từ EVIEWS
Kết quả dự báo chỉ số CPI như sau: Với giả định không có cú sốc lớn tác động đến nền
kinh tế và CPI chỉ chịu tác động của tính mùa vụ hằng năm và các yếu tố lũy kế từ giai
đoạn trước, kết quả dự báo lạm phát cho tháng cuối năm 2019 và 6 tháng đầu năm
2020 với chỉ số CPI (so sánh với tháng trước đó) như sau: tháng 12/2019 là 0.8776%,
tháng 01/2020 là 1.2349%, tháng 02/2020 là 1.3864%, tháng 03/2020 là 0.8459%,
tháng 04/2020 là 1.0535%, tháng 05/2020 là 0.9581%, tháng 06/2020 là 0.8568%.
Năng lực dự báo của mô hình đối với lạm phát là có thể chấp nhận được vì sai số dự
báo MAPE bé và chất lượng dự báo có thể chấp nhận được. Lạm phát thực tế của tháng
11/2019 so với tháng 10/2019 là 0,96% trong khi đó kết quả của mô hình là 0.257%,
với sai số không lớn (< 5%), đây là mức dự báo có thể chấp nhận được.


27

KẾT LUẬN
Như vậy, sau khi lựa chọn mô hình phù hợp nhất là mô hình ARIMA, nhóm đã tiến
hành dự báo ngoài mẫu và đã cho ra bảng kết quả dự báo lạm phát của Việt Nam tháng
cuối năm 2019 và 6 tháng đầu năm ở trên, nhìn chung lạm phát không biến động nhiều
ngoại giữa các tháng.
Lạm phát là biểu hiện của vấn đề mất cân đối vĩ mô rất phức tạp. Mỗi lần xuất hiện ở
mỗi hoàn cảnh và điều kiện khác nhau thì khác nhau. Nó cũng chịu tác động bởi nhiều
yếu tố của thế giới,... Bên cạnh đó, chúng ta có thể thấy rất rõ ảnh hưởng của lạm phát

lên nền kinh tế cũng như đời sống rất phức tạp nên việc dự báo được lạm phát giúp các
nhà hoạch định có thể nắm bắt và đưa ra các chính sách tốt hơn để thúc đẩy nền kinh tế
phát triển, đồng thời có thể hạn chế rủi ro hơn.


28

DANH SÁCH TÀI LIỆU THAM KHẢO
1. />2. GS.TS. Nguyễn Quang Dong, TS. Nguyễn Thị Minh, khoa Toán kinh tế, Đại
học Kinh tế Quốc dân, 2013, Giáo trình Kinh tế lượng
3. “Dự báo lạm phát quý I năm 2013” nghiên cứu của ThS. Đào Hoàng Dũng
/>%A1m_ph%C3%A1t_qu%C3%BD_I_n%C4%83m_2013_qua_m%C3%B4_h
%C3%ACnh_ARIMA
4. Nghiên cứu “Dự báo lạm phát Việt Nam giai đoạn 8/2013 – 7/2014” của Vương
Quốc Duy và Huỳnh Hải Âu />5. Bài nghiên cứu “Sử dụng mô hình ARIMA và VAR dự báo lạm phát tại Việt
Nam” của Th.s Nguyễn Thị Thu Trang
/>ame=MOFUCM117184&dID=122404


29

PHỤ LỤC
Date: 12/03/19 Time: 23:21
Sample: 2011M01 2019M11
Included observations: 107
Method: Holt-Winters Multiplicative Seasonal
Original Series: CPI
Forecast Series: SMWM
Parameters: Alpha

0.8900

Beta

0.0000

Gamma

0.0000

Sum of Squared Residuals

18.25082

Root Mean Squared Error

0.412999

End of Period Levels: Mean

101.0929

Trend

-0.013760

Seasonals: 2018M12

0.998006

2019M01

1.001677

2019M02

1.003315

2019M03

0.998100

2019M04

1.000291

2019M05

0.999483

2019M06

0.998615

2019M07

0.997790

2019M08

1.000856

2019M09

1.003457

2019M10

1.000489

2019M11

0.997920


30

Bảng 1: kết quả ước lượng bằng mô hình san mũ Winter

Date: 12/03/19 Time: 23:43
Sample: 2011M01 2019M11
Included observations: 107
Ratio to Moving Average
Original Series: CPI
Adjusted Series: CPISM
Scaling Factors:
1

1.001791

2

1.003821

3

0.997170

4

0.998468

5

0.999073

6

0.999072

7

0.997990

8

1.001070

9

1.003723

10

1.000892

11

0.998429

12

0.998529

Bảng 2: hiệu chỉnh yếu tố mùa vụ


31

Dependent Variable: CPISM
Method: Least Squares
Date: 12/03/19

Time: 23:51

Sample: 2011M01 2019M11
Included observations: 107
Variable

Coefficient

Std. Error t-Statistic

Prob.

C

100.8557

0.103324 976.1099

0.0000

T

-0.007974

0.001661 -4.801230

0.0000

R-squared

0.180019 Mean dependent var

100.4251

squared

0.172210 S.D. dependent var

0.583247

S.E. of regression

0.530655 Akaike info criterion

1.589106

29.56746 Schwarz criterion

1.639065

Adjusted

Sum

R-

squared

resid
Log likelihood

-83.01716 Hannan-Quinn criter.

1.609359

F-statistic

23.05181 Durbin-Watson stat

0.633823

Prob(F-statistic)

0.000005

Bảng 3: Kết quả ước lượng bằng phương pháp phân tích


32

Bảng 4: Kết quả dự báo bằng mô hình ARMA cho mô hình (1)
Dependent Variable: CPISM
Method: Least Squares
Date: 12/05/19 Time: 21:52
Sample (adjusted): 2011M02 2019M11
Included observations: 106 after adjustments
Convergence achieved after 19 iterations
MA Backcast: 2010M10 2011M01
Variable

Coefficient

Std. Error t-Statistic

Prob.

C

100.2515

0.016024 6256.140

0.0000

AR(1)

0.845537

0.026557 31.83885

0.0000

MA(1)

-0.318641

0.105001 -3.034649

0.0031

MA(2)

-0.445043

0.099956 -4.452403

0.0000

MA(3)

-0.291321

0.099278 -2.934396

0.0041

MA(4)

0.084801

0.105757 0.801847

0.4245

R-squared

0.671226 Mean dependent var

100.4144

Adjusted R-squared

0.654787 S.D. dependent var

0.575391

S.E. of regression

0.338070 Akaike info criterion

0.723808

Sum squared resid

11.42910 Schwarz criterion

0.874569

Log likelihood

-32.36184 Hannan-Quinn criter.

0.784913

F-statistic

40.83207 Durbin-Watson stat

1.992641

Prob(F-statistic)

0.000000

Inverted AR Roots

.85

Inverted MA Roots

.98

.22

-.44+.45i-.44-.45i