A. LỜI MỞ ĐẦU
Kinh tế là yếu tố chủ chốt trong sự phát triển của mỗi quốc gia. Bên cạnh việc tìm
hiểu, phân tích, đánh giá thị trường, thì việc dự báo các chỉ số kinh tế cũng là một tiêu chí
được quan tâm đối với các doanh nghiệp, các nhà hoạch định chính sách.
Trong đó, trị giá xuất khẩu đã đóng góp một phần không nhỏ vào phát triển kinh tế
Việt Nam. Tổng kim ngạch xuất nhập khẩu hàng hóa 6 tháng đầu năm 2019 ước tính đạt
245,48 tỷ USD, mức cao nhất của 6 tháng từ trước đến nay với kim ngạch xuất khẩu hàng
hóa đạt 122,72 tỷ USD, tăng 7,3% so với cùng kỳ năm trước, trong đó khu vực kinh tế
trong nước có tốc độ tăng 10,8%, cao hơn tốc độ tăng của khu vực có vốn đầu tư nước
ngoài (5,9%). Kim ngạch xuất khẩu hầu hết các mặt hàng trong nhóm hàng nông, lâm,
thủy sản tiếp tục giảm so với cùng kỳ năm trước, riêng xuất khẩu rau quả có tín hiệu tốt
khi lần đầu tiên 6 tháng đầu năm đạt mức trên 2 tỷ USD. Cán cân thương mại hàng hóa 6
tháng ước tính nhập siêu ở mức thấp với 34 triệu USD (Theo tổng cục thống kê Việt
Nam).
Chính vì vậy, đế làm rõ hơn về phương pháp dự báo trong kinh tế đồng thời hiểu
hơn về tình hình xuất khẩu Việt Nam, nhóm tác giả thực hiện tiểu luận “ Dự báo trị giá
xuất khẩu Việt Nam từ tháng 9 năm 2019 đến tháng 12 năm 2020”. Nhóm sử dụng
phần mềm kinh tế lượng Eviews để chạy các mô hình lượng để dự báo trị giá xuất khẩu
của Việt Nam (từ tháng 9 năm 2019 đến tháng 12 năm 2020) dựa trên dữ liệu doanh thu
thu thập được từ tháng 1 năm 2015 đến tháng 8 năm 2019. Tiểu luận gồm 3 phần chính:
Phần 1: Khảo sát số liệu
Phần 2: Dự báo trị giá xuất khẩu Việt Nam thông qua các phương pháp san
mũ giản đơn, phương pháp phân tích và mô hình Arima
Phần 3: Kết luận
Mặc dù đã rất cố gắng nhưng nhóm thực hiện không thể tránh khỏi những sai sót.
Nhóm hy vọng sẽ nhận được những góp ý từ phía bạn đọc.
1
B. NỘI DUNG
PHẦN 1:
KHẢO SÁT SỐ LIỆU
Số liệu được sử dụng là giá trị xuất khẩu của Việt Nam từ tháng 1 năm 2015 đến
tháng 8 năm 2019 (đơn vị: triệu VND), được nhóm tổng hợp từ Tổng cục thống kê Việt
Nam (Link : />1. Phương pháp đồ thị
Nhấn đúp vào chuỗi export_ value để mở cửa sổ Series: export_ value
Trên cửa sổ Series: export value vào View/ Descriptive Statistics & Histogram &
Stats, ta có bảng mô tả thống kê như sau:
12
Series: EXPORT_VALUE
Sample 2015M01 2020M12
Observations 56
10
8
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6
4
2
Jarque-Bera
Probability
0
10000
12000
14000
16000
18000
20000
22000
24000
26000
Một số mô tả thống kê quan trọng:
•
•
•
•
•
Số quan sát (Observations): 56
Giá trị trung bình (Mean): 17294.43
Giá trị lớn nhất (Maximum): 25813.00
Giá trị nhỏ nhất (Minimum): 9512.000
Độ lệch chuẩn (Std. Dev.): 3682.673
Trên cửa sổ Series: export_value vào View/ Graph, ta có biểu đồ mô tả số liệu
17294.43
16915.00
25813.00
9512.000
3682.673
0.175724
2.165976
1.911261
0.384570
EXPORT_VALUE
28,000
24,000
20,000
16,000
12,000
8,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
Biểu đồ 1. Biểu đồ biểu hiện giá trị xuất khẩu theo tháng (2015-2019)
Dựa vào đồ thị trên, ta thấy đây là chuỗi có tính xu hướng và tính mùa vụ. Đồng
thời đây là mô hình nhân do chuỗi có xu hướng tăng dần dốc lên theo thời gian. Và trung
bình của chuỗi exxport_value tăng rồi giảm theo thời gian, như vậy, đã vi phạm một trong ba
điều kiện của chuỗi dừng, nên exxport_value là chuỗi không dừng.
2. Phân tích giản đồ tự tương quan – tự tương quan riêng phần
Vào View -> Correlogram, hộp thoại Correlogram Specification xuất hiện
Ở khung Correlogram of, chọn level,
Ở ô Lags to include để mặc định độ trễ là 36.
Ta thu được kết quả sau:
Partial Correlation: đồ thị tự tương quan riêng phần(PACF), Autocorrelation: hệ số
tự tương quan( ACF). Thanh đồ thị nằm bên trái nếu giá trị là âm và sẽ nằm bên phải nếu
giá trị là dương. Gạch đứt 2 bên chính là đường giới hạn (đường giới hạn=1.96 *
1/sqrt(n), với n là số quan sát)
Thanh nằm trong đường giới hạn thì coi như có giá trị bằng 0 (giá trị không đáng
kể)
Có thể thấy toàn bộ ρk của ACF tại 17 độ trễ đều khác 0 có ý nghĩa thống kê. Như
vậy, export_value là chuỗi không dừng.
Ta cũng có thể so sánh giá trị AC ở cột thứ 3 với khoảng tin cậy ρk là ±1,96/ =
±0,06. Nếu AC nằm trong khoảng này thì chấp nhận H0: chuỗi không có tương quan bậc
q (chuỗi dừng); ngược lại ta bác bỏ H0, nghĩa là chuỗi này không dừng. Ta thấy, rõ ràng
là các giá trị AC đều nằm ngoài khoảng tin cậy. Như vây, export_value là chuỗi không
dừng.
PHẦN 2:
DỰ BÁO GIÁ TRỊ XUẤT KHẨU VIỆT NAM
Trong bài tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi
export_value (chuỗi số liệu) từ tháng 1 năm 2015 đến tháng 12 năm 2020 (2015M3
2020M12) bằng nhiều phương pháp khác nhau.
2.1 Các phương pháp dự báo giản đơn
2.1.1 Dự báo bằng phương pháp san mũ Holt
a. Tổng quan về phương pháp
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
∧
Yt
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)
∧
∧
Tt = β (Y t − Y t −1 ) + (1 − β )Tt −1
∧
∧
Y n + h = Y n + hTn
Với
α, β
là hằng số san sao cho RMSE nhỏ nhất.
b. Áp dụng
Trên cửa sổ Series: Export_value, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing.
Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn HoltWinters-No seasonal.
Chuỗi san Holt là chuỗi exportsm
Ta thu được kết quả dự báo sau:
Số quan sát: 56
Phương pháp: Holt-Winters No Seasonal
Chuỗi gốc: EXPORT_VALUE
Chuỗi dự báo: EXPORTSM
Tham số:
Alpha
Beta
Tổng số dư bình phương
Độ lệch chuẩn (RMSE)
Kết thúc giai đoạn:
0.1100
0.0000
2.13E+08
1948.748
Chỉ số trung bình
Chỉ số xu thế
22421.35
157.6819
• Hằng số san : α = 0,1100; β = 0,0000
• Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 1948,748.
Trên cửa sổ Command dùng lệnh line export_value exportsm có biểu đồ sau
28,000
24,000
20,000
16,000
12,000
8,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
export value
EXPORTSM
2.1.2 Dự báo bằng phương pháp san mũ Winter
a. Tổng quan về phương pháp
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:
Tt
là ước lượng của phần xu thế ở thời kỳ t
∧
Yt
là ước lượng giá trị trung bình hiện tại của Y ở thời kì t
∧
Y n+ h
St
là giá trị dự báo của Y sau h giai đoạn trong tương lai
là yếu tố thời vụ tại thời điểm t (Chỉ số mùa vụ qua các năm là không
đổi)
k
St − k
là số thời vụ trong một năm
.
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:
Yt = T .S .C.I
Mô hình cộng:
Yt = T + S + C + I
Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
∧
Yt =α
Mô hình nhân:
∧
Yt
+ (1 − α )(Y t −1 + Tt −1 )
St −k
∧
Mô hình cộng:
∧
Y t = α (Yt − S t −k ) + (1 − α )(Y t −1 + Tt −1 )
Ước lượng giá trị xu thế T là:
∧
∧
Tt = β (Yt − Y t −1 ) + (1 − β )Tt −1
Ước lượng giá trị chỉ số mùa vụ là:
St = γ
Mô hình nhân:
Yt
∧
Yt
+ (1 − γ ) S t − k
∧
Mô hình cộng:
S t = γ (Yt − Yt −1 ) + (1 − γ ) S t −k
Như vậy, ta có dự báo h giai đoạn trong tương lai là
Mô hình nhân:
Mô hình cộng:
(với
Si
∧
∧
∧
∧
Yn + h = (Y n + hTn ) S i
Yn + h = (Yn + hTn ) Si
là chỉ số mùa vụ của năm cần dự báo)
b. Áp dụng
Từ đồ thị của chuỗi export_value, ta thấy chuỗi có xu hướng tăng dần dốc lên theo
thời gian. Vậy ta sử dụng mô hình nhân (như đã đề cập ở phần 1).
Trên cửa sổ Series:Export_value, vào Proc/ Exponential Smoothing/ Simple
Exponential Smoothing.
Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn HoltWinters – Muliplicative.
Chuỗi san Winters là chuỗi exportsmn
Ta thu được kết quả dự báo:
Số quan sát: 56
Phương pháp: Holt-Winters Multiplicative Seasonal
Chuỗi gốc: EXPORT_VALUE
Chuỗi dự báo: EXPORTSMN
Tham số:
Alpha
Beta
Gamma
Tổng số dư bình phương
Độ lệch chuẩn (RMSE)
Kết thúc giai đoạn:
0.3000
0.0000
0.0000
35821661
799.7953
Chỉ số trung bình
Chỉ số xu thế
Chỉ số
mùa vụ:
2018M09
2018M10
2018M11
2018M12
2019M01
2019M02
2019M03
2019M04
2019M05
2019M06
2019M07
2019M08
22584.20
188.5673
1.016352
1.046517
1.025032
0.990873
0.996846
0.747716
1.048202
0.995389
1.017186
1.013112
1.009481
1.093292
• Hằng số san: α = 0,3000; β = 0,0000; γ = 0,0000
• Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 799,7953.
• Chỉ số mùa vụ qua các năm không đổi và bằng:
S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
S11
S12
0.996846
0.747716
1.048202
0.995389
1.017186
1.013112
1.009481
1.093292
1.016352
1.046517
1.025032
0.990873
Trên cửa sổ Command dùng lệnh line export_value exportsmn có biểu đồ sau:
28,000
24,000
20,000
16,000
12,000
8,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
export value
2.2 Dự báo bằng phương pháp phân tích
Bước 1: Tạo biến xu thế T
-
Kiểm tra tính mùa vụ
EXPORTSMN
Dựa vào đồ thị biểu đồ 1. Biểu đồ biểu hiện giá trị xuất khẩu theo tháng
(2015-2019), đã nêu ở phần 1, ta thấy đây là chuỗi có tính xu hướng và tính mùa vụ.
Đồng thời đây là mô hình nhân.
Ta cần loại bỏ yếu tố mùa vụ đi, và biến mới sau khi loại bỏ yếu tố mùa vụ được lưu
thành export_sa (export_value seasonal adjustment)
Trên cửa sổ Series: Export_value, vào Seasonal Adjustment/ Moving Average
Method/ Ratio to moving average-Multiplicative
Tại của sổ lệnh, gõ lệnh: genr T = @trend(2014m12)
Bước 2: Ước lượng mô hình xu thế T
Tại cửa sổ lệnh, gõ lệnh : ls export_sa c t
Bảng 1. Kết quả ước lượng mô hình xu thế T
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
T
11877,66
187,9303
237,8015
7,257945
49,94777
25,89304
0,0000
0,0000
Prob(F-statistic)
Ta có mô hình hồi quy:
0,000000
Bước 3: Kiểm định mô hình ước lượng
Kiểm định giả thuyết thống kê về hệ số hồi quy
Cặp giả thuyết:
Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0
Theo kết quả ước lượng, với α = ta thấy:
Hệ số chặn của t có
Bác bỏ H0 Hệ số hồi quy của T có ý nghĩa thống kê
Mô hình có ý nghĩa thống kê tại mức ý nghĩa
Kiểm định bỏ sót biến
Cặp giả thuyết:
Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET Test
Bảng 2. Kết quả kiểm định bỏ sót biến Ramsey RESET Test.
t-statistic
F-statistic
Value
1,219162
1,486356
df
53
(1, 53)
Probability
0,2282
0,2282
Likelihood ratio
1,548871
1
0,2133
Từ kết quả, ta thấy p-value = 0,2282 > 0,05 nên bác bỏ H 1 tại mức ý nghĩa 5%. Vì
vậy, mô hình không bỏ sót biến.
Kiểm định phân phối chuẩn của nhiễu.
Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test
Biểu đồ 2. Biểu đồ kiểm định phân phối chuẩn của nhiễu.
9
Series: Residuals
Sample 2015M01 2019M08
Observations 56
8
7
6
5
4
3
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
1.95e-13
49.90716
1507.974
-2108.249
869.8640
-0.297175
2.579055
Jarque-Bera
Probability
1.237709
0.538561
2
1
0
-2000
-1500
-1000
-500
0
500
1000
1500
Từ kết quả, ta thấy p-value = 0,5386 > 0,05 nên bác bỏ H 1 tại mức ý nghĩa 5%. Vì
vậy, mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa 5%
Kiểm định phương sai sai số thay đổi
Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity Test
Bảng 3. Kết quả kiểm định phương sai sai số thay đổi.
F-statistic
0.146214 Prob. F(2,53)
Obs*R-squared
0.307285 Prob. Chi-Square(2)
Scaled explained SS
0.225590 Prob. Chi-Square(2)
Từ kết quả, ta thấy p-value = 0,8643 > 0,05 nên bác bỏ H 0 tại mức ý nghĩa
vậy, mô hình có phương sai sai số không đổi tại múc ý nghĩa 5%.
0.8643
0.8576
0.8933
5%. Vì
Kiểm định tự tương quan
Cặp giả thuyết:
Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM test
Bảng 4. Kết quả kiểm định tự tương quan.
F-statistic
10.3833
Prob. F(2,52)
0.00016
Obs*R-squared
15.9816
Prob. Chi-Square(2)
0.0003
Từ kết quả, ta thấy p-value = 0,0002 < 0,05 nên bác bỏ H 0 tại mức ý nghĩa 5%. Vì
vậy, mô hình mắc khuyết tật tự tương quan tại mức ý nghĩa 5%.
Lúc này, ta sử dụng hồi quy Robust để khắc phục khuyết tật tự tương quan
Bảng 5. Kết quả mô hình hồi quy Robust theo xu thế T
Variable
Coefficient
Std. Error
z-Statistic
Prob.
C
11857.07
247.3335
47.93962
0.0000
T
189.2904
7.548869
25.07533
0.0000
(Nguồn: Nhóm tác giả sử dụng dữ liệu tính toán trên phần mềm EVIEWS 8)
Bước 4: Dự báo chuỗi gốc
Trên cửa sổ ước lượng, ta chọn Forecast
-
Trong phần Forecast Sample chọn mẫu từ 2015m01 2020m12
Trong phần Output/ Graph chọn Forecast & Actuals
Ta có kết quả sau:
28,000
Forecast: EXPORT_SAF
Actual: EXPORT_SA
Forecast sample: 2015M01 2020M12
Included observations: 56
Root Mean Squared Error
862.0623
Mean Absolute Error
715.9447
Mean Abs. Percent Error
4.309410
Theil Inequality Coefficient 0.024616
Bias Proportion
0.000000
Variance Proportion
0.019363
Covariance Proportion
0.980637
24,000
20,000
16,000
12,000
8,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
EXPORT_SAF
± 2 S.E.
Nhìn vào kết quả dự báo trong mẫu ta thấy:
•
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 862.0623
•
Mean Abs. Percent Error = 4.3094 < 5
Tức là sai số dự báo < 5%, Có thể sử dụng mô hình này để dự báo ngoài mẫu. Ta
thu được chuỗi dự báo export_saf.
Ta lấy chuỗi export_saf nhân với chỉ số mùa vụ saf sẽ được chuỗi dự báo exportf.
Trên cửa sổ Command gõ lệnh genr exportf = export_saf* saf
Trên cửa sổ Command gõ lệnh line exportf export_value thu được kết quả:
Biểu đồ 3. Biểu đồ dự báo giá trị nhập khẩu và giá trị thực (2015-2020)
28,000
24,000
20,000
16,000
12,000
8,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
EXPORTF
export value
2.3 Dự báo bằng mô hình ARIMA
a. Tổng quan về mô hình
Phương trình dự báo ARIMAR: Y ~ ARIMA(p,d,q)
Trong đó :
Y là biến cần dự báo, biến phân tích
d: bậc tích hợp, bậc sai phân
p,q: các hệ số được xác định từ đồ thị correlogram (ACF, PACF)
b. Các bước tiến hành
Bước 1: Kiểm tra một số vấn đề của chuỗi
- Kiểm tra yếu tố mùa vụ:
Trên cửa số Series: Vào View/Graph
Trên cửa sổ Graph Options chọn Seasonal graph
Biểu đồ 4. Biểu đồ thể hiện yếu tố mùa vụ của giá trị xuất khẩu Việt Nam
export value by Season
28,000
24,000
20,000
16,000
12,000
8,000
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
Means by Season
Các vạch đỏ trong hình là giá trị trung bình của từng mùa. Nếu các vạch này chênh
lệch nhau càng nhiều thì tính mùa vụ càng rõ ràng. Ở đây, ta thấy các vạch đỏ không
chênh lệch nhau nhiều chỉ riêng tháng 2 có sự chênh lệch lớn, tuy nhiên vì vẫn có sự sai
lệch chứng tỏ chuỗi giá trị sử dụng có yếu tố mùa vụ.
Biểu đồ 5. Biểu đồ giá trị xuất khẩu Việt Nam giai đoạn 2015-2019
export value
28,000
24,000
20,000
16,000
12,000
8,000
I
II
III
IV
I
2015
II
III
IV
2016
I
II
III
IV
2017
I
II
III
IV
2018
I
II
III
2019
Dựa vào đồ thị trên, ta nhận thấy đây là mô hình nhân tính và có yếu tố mùa vụ. Ta
cần loại bỏ yếu tố mùa vụ đi và biến mới sau khi loại bỏ yếu tố mùa vụ đi được lưu thành
export_sa, chỉ số mùa vụ s.
- Kiểm tra chuỗi dừng:
Tiến hành chạy kiểm định Unit Root Test (có xét cả yếu tố xu hướng) trên chuỗi sau
khi loại bỏ yếu tố mùa vụ export_sa.
Cặp giả thuyết:
Trên cửa sổ Series: Vào View chọn Unit Root Test
Ta thu được bảng kết quả:
Bảng 6. Kết quả kiểm tra tính dừng của chuỗi export_sa
Null Hypothesis: EXPORT_SA has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=10)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10%
level
t-Statistic
Prob.*
0.430007
-3.560019
-2.917650
0.9825
-2.596689
Ta thấy
p-value=0.9825 > α= 0.05
Không đủ cơ sở để bác bỏ H0 => thừa nhận H0 hay chuỗi không dừng tại mức ý
nghĩa 5%.
Vậy ta kiểm định tính dừng của chuỗi export_sa sai phân bậc 1.
Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1st difference:
Bảng 7. Kết quả kiểm tra tính dừng của sai phân bậc 1 chuỗi export_sa
Null Hypothesis: D(EXPORT_SA) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=10)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-8.601693
-3.560019
-2.917650
-2.596689
0.0000
Ta thấy
=> Bác bỏ H0, chấp nhận H1 => Chuỗi export_sa dừng ở sai phân bậc 1, tức d=1.
Bước 2: Xác định các hệ số p, q bằng mô hình Correlogram
Partial Correlation: đồ thị tự tương quan riêng phần(PACF), Autocorrelation: hệ số
tự tương quan( ACF). Thanh đồ thị nằm bên trái nếu giá trị là âm và sẽ nằm bên phải nếu
giá trị là dương. Gạch đứt 2 bên chính là đường giới hạn (đường giới hạn=1.96 *
1/sqrt(n), với n là số quan sát)
Thanh nằm trong đường giới hạn thì coi như có giá trị bằng 0 (giá trị không đáng
kể)
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
Dựa vào hình trên, ta có thể chọn p=1, q=1,q=2,q=23,q=24. Tức là bậc của AR là 1,
bậc của MA là 1,2,23,24.
Bước 3: Ước lượng mô hình
Trên cửa sổ Command gõ lệnh ls d(export_sa) c ar(1) ma(1) ma(2) ma(23) ma(24)
Ta có kết quả hồi quy như sau:
Bảng 8. Kết quả chạy MH1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
MA(1)
MA(2)
MA(23)
MA(24)
203.2888
-0.617557
-0.133709
0.071798
0.860232
-0.119165
74.65123
0.168322
0.212907
0.078335
0.045214
0.184332
2.723181
-3.668889
-0.628015
0.916548
19.02576
-0.646469
0.0090
0.0006
0.5330
0.3640
0.0000
0.5211
R-squared
AIC
SBC
Log likelihood
Prob(F-statistic)
Đặt tên là MH1
0.756089
15.62533
15.84632
-415.8838
0.000000
HQC.
15.71056
Ta loại MA(1),MA(2),MA(24) vì không có ý nghĩa thống kê. Ước lượng tiếp với
MA(23).
Nhập lệnh: ls d(export_sa) c ar(1) ma(23)
Bảng 9. Kết quả chạy MH2
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
MA(23)
199.1712
-0.698528
0.856247
75.47885
0.099741
0.041763
2.638768
-7.003445
20.50257
0.0110
0.0000
0.0000
R2
AIC
SBC
Log likelihood
Prob(F-statistic)
Đặt tên là MH2
-416.6843
0.000000
Tiếp theo, ta so sánh giữa MH1 và MH2
0.748749
15.54386
15.65436
HQC.
15.58648
Mô hình 1
Mô hình 2
Mô hình 1
AIC
15.62533
SIC
15.84632
Log likelihood
-415.8838
RMSE
783.9523
MAE
600.0797
Như vậy MH2 tối ưu hơn MH1 nên ta chọn MH2
Mô hình 2
15.54386
15.65436
-416.6843
772.7707
583.5770
Bước 4: Kiểm định các điều kiện giả định của mô hình
Mô hình khả nghịch và ổn định:
Module của các nghiệm đơn vị:
Bảng 10. Kiểm định nghiệm đơn vị
Inverted AR Roots
Inverted MA Roots
-.70
.98+.14i
.98-.14i
.91-.40i
.91+.40i
.77-.63i
.77+.63i .57+.81i
.57-.81i
.33+.94i
.33-.94i
.07+.99i
.07-.99i
-.20+.97i
-.20-.97i -.46+.88i
-.46-.88i
-.68+.73i
-.68-.73i -.85+.52i
-.85-.52i
-.96+.27i
-.96-.27i
-.99
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
Tại Equation vừa ước lượng ,ta chọn View => Residual Diagnostics =>
Serial Correlation LM test (lựa chọn lags là 24) ta có kết quả như sau:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
1.589641
31.62132
Prob. F(24,27)
Prob. Chi-Square(24)
0.1220
0.1367
Tại ô cửa sổ kết quả này, có thể kết luận nhiễu trắng vì giá trị này lớn hơn nhiều so
với mức ý nghĩa 5%.
Bước 5: Dự báo
Dự báo cho chuỗi hiệu chỉnh export_sa
Trên cửa sổ ước lượng chọn Forecast.
Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu từ 2015M01 2020M12.
Biểu đồ 6. Kết quả dự báo cho chuỗi hiệu chỉnh export_sa
40,000
Forecast: EXPORT_SAF
Actual: EXPORT_SA
Forecast sample: 2015M01 2020M12
Adjusted sample: 2015M03 2020M12
Included observations: 54
Root Mean Squared Error
772.7707
Mean Absolute Error
583.5770
Mean Abs. Percent Error
3.366043
Theil Inequality Coefficient 0.021871
Bias Proportion
0.000061
Variance Proportion
0.005222
Covariance Proportion
0.994717
35,000
30,000
25,000
20,000
15,000
10,000
I II III IV I
2015
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2016
2017
2018
2019
2020
EXPORT_SAF
± 2 S.E.
Mở lại cửa sổ Forecast. Trong phần Forecast sample chọn mẫu 2015M01
2020M12. Ta thu được chuỗi dự báo export_saf.
Bước 6: Kiểm tra chất lượng dự báo
Ta tiến hành vẽ biểu đồ của fdisa và fdisaf bằng câu lệnh: line export_sa export_saf. Ta
thu được kết quả:
Biểu đồ 7. Biểu đồ của export_sa và export_saf
28,000
26,000
24,000
22,000
20,000
18,000
16,000
14,000
12,000
I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV I
II III IV
2015
2016
2017
2018
2019
2020
EXPORT_SA
EXPORT_SAF
Để kiểm tra chất lượng dự báo ta tiến hành vẽ một đoạn từ tháng 1 năm 2015 đến
tháng 12 năm 2019 xem phần trăm sai số có được cho phép hay không
Và ta thu được kết quả là:
Như vậy: MAPE=3.366046 < 5
Vậy phần trăm sai số của mô hình dự báo ở mức chấp nhận được khi nhỏ hơn mức ý
nghĩa 5%.