DỰ BÁO CHỈ SỐ GIÁ TIÊU DÙNG (CPI) GIAI ĐOẠN THÁNG 10 2021 đến THÁNG 10 2022 CỦA VIỆT NAM

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
KHOA KẾ HOẠCH VÀ PHÁT TRIỂN

BÀI TẬP LỚN
MÔN: DỰ BÁO PHÁT TRIỂN KINH TẾ - XÃ HỘI
ĐỀ TÀI: DỰ BÁO CHỈ SỐ GIÁ TIÊU DÙNG (CPI) GIAI ĐOẠN THÁNG
10-2021 ĐẾN THÁNG 10-2022 CỦA VIỆT NAM

Giảng viên hướng dẫn: PGS.TS Lê Huy Đức
Họ và tên sinh viên: Hoàng Nhật Anh
Mã sinh viên: 11180159

Hà Nội, 2021


Bài làm
Lựa chọn đề tài: Dự báo chỉ số giá tiêu dùng (CPI) giai đoạn tháng 10-2021
đến tháng 10-2022 của Việt Nam
Quy trình thực hiện dự báo:
1. Thu thập và mô tả nguồn số liệu
- Các số liệu được thu thập trên trang web />- Chỉ số giá tiêu dùng CPI (đơn vị: %)
Ta có bảng số liệu thu thập được:
Thống kê chỉ số giá tiêu dùng giai đoạn 2016 – 2021 (Đơn vị: %)
Năm
2016

2017

2018

2019

2020

2021

1

0

0,46

0,51

0,1

1,23

0,06

2

0,42

0,23

0,73

0,8

-0,17

1,52

3

0,57

0,21

-0,27

-0,21

-0,72

-0,27

4

0,33

0

0,08

0,31

-1,54

-0,04

5

0,54

-0,53

0,55

0,49

-0,03

0,16

6

0,46

-0,17

0,61

-0,09

0,66

0,17

7

0,13

0,11

-0,09

0,18

0,4

0,62

8

0,1

0,92

0,45

0,28

0,07

0,25

9

0,54

0,59

0,59

0,32

0,12

-0,62

10

0,83

0,41

0,33

0,59

0,09

11

0,48

0,13

-0,29

0,96

-0,01

12

0,23

0,21

-0,25

1,4

0,1

Tháng

Nguồn: />1. Lựa chọn mơ hình dự báo


`
Chỉ số giá tiêu dùng CPI có thể đo lường được lạm phát trải qua bởi
người tiêu dùng qua những gì mà họ chi trả tiêu dùng hàng ngày. CPI được các
thương nhân dùng để dự đoán giá cho tương lai hay người sử dụng lao động để
tính tốn tiền lương hay có thể là Chính Phủ để xác định mức tăng cho những
quỹ bảo trợ xã hội. Chính vì thể, dự báo chỉ số giá tiêu dùng (CPI) là hoạt động
rất cần thiết và quan trọng đối với chính phủ và doanh nghiệp trong việc lập kế
hoạch cho đơn vị của mình. Dự báo càng chính xác thì việc hoạch định chính

sách càng khả thi.
Do biến động của tình hình kinh tế quốc gia và trên thế giới, việc dự báo chỉ số
giá tiêu dùng CPI ngày càng trở nên khó khăn. Trước tình hình đó trong vài thập
kỉ qua đã xuất hiện nhiều các mơ hình để sự dụng cho việc dự báo CPI có thể kể
đến như: Marcos Álvarez-Díaz & Rangan Gupta (2016) đã sử dụng mơ hình
bước ngẫu nhiên (random walk) và mơ hình tự hồi quy bậc 1 (AR) để dự báo
CPI của Mỹ, Al-Tamimi et al., (2011) đã sử dụng mơ hình hồi quy bội để dự
báo CPI của UEA giai đoạn 1990 - 2005, Hu et al., (2013) sử dụng thuật toán
thống kê để dự báo CPI, Bernardi et at., (2015) sử dụng phương pháp dự báo
san hàm mũ Holt –Winter để dự báo CPI của Italia giai đoạn 2004 – 2014 . Với
sự phát triển, cải thiện của các công cụ dự báo bằng toán học như trên đã tạo ra
những kỹ thuật dự báo chính xác và sai số thấp.
Mỗi phương pháp dự báo đều có những ưu nhược điểm nhất định phụ
thuộc vào từng dữ liệu thống kê. 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. Không chỉ vậy, 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.
Chính vì vậy, trong bài này em lựa chọn sử dụng mơ hình ARIMA để dự báo
chỉ số giá tiêu dùng (CPI) của Việt Nam trong giai đoạn từ tháng 10/2021 –
10/2022
2. Tiến hành dự báo
- Sử dụng phần mềm để tiến hành phân tích dữ liệu: SPSS 25
Bước 1: 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:


Ta thu
đồ thị:

được

Nhìn vào đồ thị ta thấy có chiều hướng tăng giảm xoay quanh trục cố định, vậy
có thể kết luận dãy số đã dừng. Do đó có thể kết luận mơ hình ARIMA mà ta
xây dựng có d=0.
Bước 2: Xác định hệ số p và q thông qua đồ thị ACF và PACF


Với sai phân bậc 0, tại giao diện chính của SPSS, ta chọn Analyze →
Forecasting → Autocorrelations. Ta có dữ liệu như sau:

Ta có kết quả như sau:

Từ đồ thị ACF, có cột 1 và cột 3 cao vượt quá giới hạn, vì vậy q=1 và q=3.


Từ đồ thị PACF, có cột 1 và cột 2 cao quá giới hạn, vì vậy p= 1 và p=2.Ta xác
định được các mơ hình sau: ARIMA(1,0,1); ARIMA(1,0,3); ARIMA(2,0,1) ;
ARIMA(2,0,3).
Bước 3: Thực hiện chạy các mơ hình ARIMA đã xác định được trên phần
mềm SPSS 25 để ước lượng, kiểm định và dự báo
Chọn mục Analyze / Forecast/ Creat Models. Sau đó đưa biến CPI vào mục
Dependent Variables.


- Ở thẻ Variables, trong khung 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 mô hình dư báo. Cứ mỗi mơ hình thì
điền p, d, q tương ứng vào rồi bấm Continute. Sau đó bấm OK để chạy mơ hình.

Phải 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 cơng tác dự
báo. Mỗi mơ hình chúng ta sẽ có được ln kết quả dự báo cho các bước tiếp
theo nhưng chỉ lấy kết quả dự báo của mơ hình tốt nhất.
- Trong thẻ Statistics chọn các mục như sau:

- Trong thẻ Plots chọn các mục như sau:


- Trong thẻ Options chọn 82 để dự báo cho 13 tháng tiếp theo từ 70 đến 82.

Sau đó bấm OK. Chạy lần lượt các mơ hình ta được các kết quả được trình bày
ở dưới.
Trong đó:
+ Tên mơ hình được trình bày trong bảng Model Description.


+ 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 MSE, MAPE, MAE, BIC được trình bày
trong bảng Model Fit.
+ Các hệ số ước lượng của mơ hình được trình bày trong bảng ARIMA Model
Parameters.
+ Giá trị dự báo chỉ số mùa vụ cho 13 tháng tiếp (từ quan sát 70 – 82) theo được
trình bày trong bảng Forecast.
+ Phần dư của mơ hình được thể hiện bởi đồ thị Residual ACF và Residual
PACF.
+ Đồ thị của mơ hình được vẽ cuối cùng sau đồ thị về phần dư.
Mơ hình ARIMA (1,0,1)

Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm
trong giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.

Mơ hình ARIMA (1,0,3)



Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm
trong giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.

Mơ hình ARIMA ( 2,0,1)



Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm
trong giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.

Mơ hình ARIMA ( 2,0,3)



Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm
trong giới hạn nên phần dư này là nhiễu trắng. Do đó, mơ hình này là phù hợp.

Bước 4: 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

MSE
0,449
0,429
0,429
0,434

BIC
-1,416
-1,385
-1,449
-1,303

Trong các mơ hình bên trên, các mơ 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 nhiều trắng.


Tuy nhiên mơ hình ARIMA (2,0,1) là tốt nhất do có giá trị MSE và BIC nhỏ nhất
nên ta sẽ sử dụng kết quả dự báo của mơ hình này.
- Kết quả dự báo 13 tháng tiếp theo ứng với giá trị của các quan sát thứ 70 đến
82 trên bảng Forecast: