TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
------***------
BÀI TẬP LỚN
MÔN : DỰ BÁO PHÁT TRIỂN KINH TẾ XÃ HỘI 2
Đề tài : Dự báo chỉ số giá tiêu dùng giai đoạn tháng 10-2021
đến tháng 10-2022
Họ và tên sinh viên:
Nguyễn Thị Ngọc Huyền
Mã sinh viên:
11182331
Mã lớp học phần:
DBKTXH2_1
Hệ:
Chính quy
Giáo viên hướng dẫn:
PGS TS Lê Huy Đức
Hà Nội, 2021
MỤC LỤC
1. Thu thập và mô tả nguồn số liệu................................................................1
2. Lựa chọn mơ hình dự báo...........................................................................2
3. Tiến hành dự báo.........................................................................................2
a. Kiểm định tính dừng của chuỗi thời gian.................................................2
b. Xác định hệ số p và q thông qua đồ thị ACF và PACF...........................3
c. Chạy các mơ hình ARIMA để ước lượng, kiểm định và dự báo.............5
Mơ hình ARIMA(1;0;1)....................................................................................8
Mơ hình ARIMA(1;0;3)....................................................................................10
Mơ hình ARIMA(2;0;1)....................................................................................12
Mơ hình ARIMA(2;0;3)....................................................................................14
d. Lựa chọn mơ hình phù hợp và đưa ra kết quả dự báo............................16
Đề bài:
Hãy lựa chọn phương pháp, thu thập dữ liệu và phần mềm kinh tế lượng
phù hợp để thực hiện dự báo một trong các chỉ tiêu kinh tế của Việt Nam sau đây:
1.
2.
3.
4.
5.
6.
GDP Việt Nam giai đoạn 2021-2023.
Chỉ số giá tiêu dùng giai đoạn tháng 10-2021 đến tháng 10-2022.
Tổng vốn đầu tư xã hội của Việt Nam giai đoạn 2021-2023.
Vốn đầu tư trực tiếp nước ngoài (FDI) ở Việt Nam giai đoạn 2021-2023.
Kim ngạch xuất khẩu của Việt Nam giai đoạn 2021 -2022.
Dân số (gồm cả cơ cấu giới, độ tuổi) và lực lượng lao động Việt Nam giai đoạn
2021-2025.
Yêu cầu:
- Mỗi sinh viên chỉ chọn 01 trong số 06 chỉ tiêu nêu trên để thực hiện bài tập.
- Phương pháp được lựa chọn nằm trong chương trình học và việc lựa chọn
phương pháp dự báo phải được luận giải.
- Dữ liệu thu thập cần trích dẫn nguồn.
- Việc xây dựng mơ hình dự báo và tính tốn phải được thực hiện bằng các phần
mềm kinh tế lượng phù hợp ( Eviews/ Stata/ SPSS…).
Bài làm
Lựa chọn đề tài: Dự báo chỉ số giá tiêu dùng (CPI) giai đoạn tháng 102021 đến tháng 10-2022 của Việt Nam được tiến hành như sau:
Quy trình dự báo được thực hiện như sau:
1. Thu thập và mô tả nguồn số liệu
- Các số liệu được thu thập trên trang web của Vietstock: />- Chỉ số giá tiêu dùng CPI ( đơn vị: %)
Ta có bảng số liệu về Chỉ số giá tiêu dùng (CPI) giai đoạn tháng 1-2015 đến
tháng 9-2021:
Năm
Tháng
1
2015
2016
2017
2018
2019
2020
2021
-0.2
0
0.46
0.51
0.1
1.23
0.06
1
2
-0.05
0.42
0.23
0.73
0.8
-0.17
1.52
3
0.15
0.57
0.21
-0.27
-0.21
-0.72
-0.27
4
0.14
0.33
0
0.08
0.31
-1.54
-0.04
5
0.16
0.54
-0.53
0.55
0.49
-0.03
0.16
6
0.35
0.46
-0.17
0.61
-0.09
0.66
0.17
7
0.13
0.13
0.11
-0.09
0.18
0.4
0.62
8
-0.07
0.1
0.92
0.45
0.28
0.07
0.25
9
-0.21
0.54
0.59
0.59
0.32
0.12
-0.62
10
0.11
0.83
0.41
0.33
0.59
0.09
11
0.07
0.48
0.13
-0.29
0.96
-0.01
12
0.02
0.23
0.21
-0.25
1.4
0.1
2. Lựa chọn mơ hình dự báo
Dự báo chỉ số giá tiêu dùng (CPI) là hoạt động rất quan trọng đối với các chính
phủ và các doanh nghiệp trong việc lập kế hoạch cho đơn vị của mình. Kết quả dự
báo càng chính xác thì việc hoạch định chính sách càng khả thi. Theo Robert et al.,
(1979) mơ hình ARIMA rất phù hợp đối với những quan hệ tuyến tính giữa dữ liệu
hiện tại và dữ liệu quá khứ. Hơn nữa, Brockwell et al., (2001) cịn cho rằng mơ hình
ARIMA sẽ dự báo chính xác hơn khi số liệu được thống kê chi tiết theo từng tháng
trong năm.
Vì vậy, bài tập này sẽ ứng dụng mơ hình ARIMA để dự báo chỉ số giá tiêu
dùng của Việt Nam từ tháng 10/2021- 10/2022. (sử dụng phần mềm SPSS 25 để
tiến hành phân tích dữ liệu)
3. Tiến hành dự báo
a. Kiểm định tính dừng của chuỗi thời gian
Nhập số liệu vào SPSS và đặt tên biến là CPI, ta chọn Analyze → Forecasting
→ Sequence Charts. Ta có dữ liệu như sau:
2
Nhìn đồ thị ta thấy có chiều hướng tăng giảm trong một khoảng nhất định, vậy
có thể kết luận dãy số dừng. Do đó có thể kết luận mơ hình ARIMA có d=0.
b. Xác định hệ số p và q thông qua đồ thị ACF và PACF
3
Với sai phân bậc 0, tại giao diện chính của SPSS, ta chọn Analyze →
Forecasting → Autocorrelations. Ta có dữ liệu như sau:
Từ đồ thị ACF, có cột 1 và cột 3 cao quá giới hạn, từ đó có q=1 và q=3.
4
Từ đồ thị PACF, có cột 1 và cột 2 cao quá giới hạn, vì vậy p= 1 và p=2.
Từ các giá trị của p và q có các mơ hình ARIMA: ARIMA (1,0,1); ARIMA
(1,0,3); ARIMA ( 2,0,1); ARIMA ( 2,0,3).
c. Chạy các mơ hình ARIMA để ước lượng, kiểm định và dự báo.
Chọn mục Analyze / Forecasting/ Create Traditional Models. Sau đó đưa
biến CPI vào mục Dependent Variables.
5
Ở thẻ Variables, ở Method chọn ARIMA để dự báo cho phương pháp này.
Trong mục Criteria chọn các giá trị p, d, q ở phần Nonseason (khơng có yếu tố mùa
vụ) đã xác lập để xem các mơ hình dư báo. Cứ mỗi mơ hình thì điền p, d, q tương ứng
với các mơ hình (1;0;1); (1;0;3); (2;0;1) và (2;0;3) rồi bấm Continue.
Tại thẻ Statistics chọn các mục như sau:
Trong thẻ Plots chọn các mục như sau:
Tại thẻ Options chọn 94 để dự báo cho 13 tháng tiếp theo từ 82 đến 94.
6
Sau đó bấm OK để chạy mơ hình. Tiến hành chạy tất cả các mơ hình để có thể
kiểm định được mơ hình nào là phù hợp và chọn ra mơ hình tốt nhất để có thể lựa
chọn phục vụ công tác dự báo.
Kết quả hiển thị bao gồm:
Bảng Model Description thể hiện tên mơ hình được trình bày.
Bảng Model Fit thể hiện các chỉ tiêu thống kê như hệ số xác định của mơ hình
R2, hệ số xác định R2 điều chỉnh, các sai số dự báo như RMSE, MAPE, MAE,
BIC.
Bảng ARIMA Model Parameters thể hiện các hệ số ước lượng của mơ hình.
Bảng Forecast thể hiện Giá trị dự báo chỉ số mùa vụ cho 13 tháng tiếp (từ
quan sát 82 đến 94).
Hai đồ thị Residual ACF và Residual PACF thể hiện phần dư của mơ hình.
Đồ thị của mơ hình được vẽ cuối cùng sau đồ thị về phần dư.
7
Mơ hình ARIMA (1,0,1)
Model Description
Model Type
Model ID
CPI
Model_1
ARIMA(1,0,1)
Model Statistics
Model Fit
statistics
Model
CPI-Model_1
Number of
Stationary R-
Predictors
squared
0
.139
Ljung-Box Q(18)
Number of
Statistics
DF
12.223
Sig.
16
Outliers
.728
0
ARIMA Model Parameters
Estimate
CPI-Model_1
CPI
No Transformation
Constant
SE
t
Sig.
.215
.067
3.224
.002
AR
Lag 1
.061
.289
.211
.833
MA
Lag 1
-.348
.270
-1.288
.201
8
Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát nằm trong giới
hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.
9
Mơ hình ARIMA (1,0,3)
Model Description
Model Type
Model ID
CPI
Model_1
ARIMA(1,0,3)
Model Statistics
Model Fit
statistics
Model
CPI-Model_1
Number of
Stationary R-
Predictors
squared
0
.231
Ljung-Box Q(18)
Number of
Statistics
DF
7.634
Sig.
14
Outliers
.908
0
ARIMA Model Parameters
Estimate
CPI-Model_1
CPI
No Transformation
Constant
SE
t
Sig.
.246
.015
16.042
.000
AR
Lag 1
.681
.149
4.579
.000
MA
Lag 1
.391
1.363
.287
.775
Lag 2
.379
.811
.467
.642
Lag 3
.227
.316
.720
.474
10
Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát nằm trong
giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.
11
Mơ hình ARIMA(2;0;1)
Model Description
Model Type
Model ID
CPI
Model_1
ARIMA(2,0,1)
Model Statistics
Model Fit
statistics
Model
CPI-Model_1
Number of
Stationary R-
Predictors
squared
0
.221
Ljung-Box Q(18)
Number of
Statistics
DF
8.398
Sig.
15
Outliers
.907
0
ARIMA Model Parameters
Estimate
CPI-Model_1
CPI
No Transformation
Constant
AR
MA
SE
t
Sig.
.247
.014
17.894
.000
Lag 1
1.232
.110
11.164
.000
Lag 2
-.439
.107
-4.104
.000
Lag 1
.996
.452
2.202
.031
12
Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát nằm trong
giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.
13
Mơ hình ARIMA(2;0;3)
Model Description
Model Type
Model ID
CPI
Model_1
ARIMA(2,0,3)
Model Statistics
Model Fit
statistics
Model
CPI-Model_1
Number of
Stationary R-
Predictors
squared
0
.231
Ljung-Box Q(18)
Number of
Statistics
DF
7.738
Sig.
13
Outliers
.860
0
ARIMA Model Parameters
Estimate
CPI-Model_1
CPI
No Transformation
Constant
AR
MA
SE
t
Sig.
.247
.015
16.967
.000
Lag 1
.730
.626
1.166
.247
Lag 2
-.041
.520
-.079
.937
Lag 1
.417
1.916
.218
.828
Lag 2
.361
1.218
.296
.768
Lag 3
.220
.536
.411
.682
14
Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát nằm trong
giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.
15
d. Lựa chọn mơ hình phù hợp và đưa ra kết quả dự báo
Mơ hình
ARIMA (1,0,1)
ARIMA (1,0,3)
ARIMA (2,0,1)
ARIMA (2,0,3)
Kiểm định phần dư
Phần dư là nhiễu trắng
Phần dư là nhiễu trắng
Phần dư là nhiễu trắng
Phần dư là nhiễu trắng
RMSE
0,420
0,402
0,402
0,405
BIC
-1,571
-1,550
-1,604
-1,482
Cả 4 mô hình ARIMA(1,0,1); ARIMA(1,0,3); ARIMA (2,0,1); ARIMA (2,0,3)
đều phù hợp để thực hiện dự báo do có tất cả phần dư trên đồ thị ACF và PACF là
nhiễu trắng. Tuy nhiên mơ hình ARIMA (2,0,1) là tốt nhất do có giá trị RMSE và BIC
nhỏ nhất nên ta sẽ sử dụng kết quả dự báo của mơ hình này.
- Như vậy ta có kết quả dự báo 13 tháng tiếp theo ứng với giá trị của các
quan sát thứ 82 đến 94 trên bảng Forecast:
16