(Tiểu luận FTU) dự báo tăng trưởng kinh tế việt nam giai đoạn từ quý 4 năm 2019 đến quý 4 năm 2020

Khảo sát dữ liệu

Phương pháp thu thập số liệu và nguồn số liệu

Bộ dữ liệu của nhóm nghiên cứu bao gồm 55 quan sát từ quý 1 năm 2006 đến quý 3 năm 2019, được lấy từ nguồn thứ cấp sau, cụ thể như sau:

Mã biến Tên biến Nguồn dữ liệu

GDP growth Tăng trưởng GDP

Tổng cục thống kê https://www.gso.gov.vn/

CPI Chỉ số giá tiêu dùng

Exchange rate Tỷ giá hối đoái

Nguồn: Nhóm nghiên cứu tự tổng hợp

Bảng 1: Tên biến và nguồn dữ liệu

Khảo sát dữ liệu

II.2.1 Mô tả thống kê

Sau khi thu thập dữ liệu từ hơn 55 quý, từ quý 1 năm 2006 đến quý 3 năm 2019, nhóm tác giả đã có tổng cộng 55 quan sát Dưới đây là bảng thống kê mô tả chung cho các biến thành phần.

Gdp_growth Cpi Interest_rate Exchange_rate Trung bình 6.383636 122.1307 7.877273 19948.64

Giá trị nhỏ nhất 3.14 63.27194 5 15927 Độ lệch chuẩn 1.085515 33.45031 2.700254 2488.456

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Bảng 2: Mô tả thống kê các biến

Theo bảng thống kê mô tả, biến GDP_GROWTH có 55 quan sát, với giá trị trung bình khoảng 6.38 và trung vị khoảng 6.44 Giá trị cao nhất đạt 8.48 vào quý 4 năm 2017, trong khi giá trị thấp nhất là 3.14 vào quý 1 năm 2019 Độ lệch chuẩn khoảng 1.09 cho thấy sự biến động trong tăng trưởng GDP giữa các quý là không đáng kể.

Các biến CPI, lãi suất (Interest_rate) và tỷ giá hối đoái (Exchange_rate) đều có 55 quan sát, với giá trị trung bình lần lượt là 122.1307, 7.877273 và 19948.64, cùng với các trung vị tương ứng là 133.0073, 6.5 và 20828 Độ lệch chuẩn của các biến này cũng ở mức trung bình, với CPI là 33.45031, lãi suất là 2.700254, và tỷ giá hối đoái là 2488.456.

II.2.2 Phương pháp đồ thị

 Khảo sát biến GDP_GROWTH Đầu tiên, nhóm khảo sát đồ thị của GDP_GROWTH để tìm ra các đặc điểm của biến

Hình 1: Đồ thị thể hiện xu thế tăng trưởng Việt Nam từ quý 1/2006 đến quý 3/2019

Dựa trên đồ thị, chuỗi số liệu cần dự báo cho thấy hình dạng mương nhỏ dần, do đó mô hình dự báo sẽ sử dụng mô hình nhân tính Tăng trưởng kinh tế của Việt Nam đã có sự biến động qua các quý.

Từ quý 1 năm 2006 đến quý 3 năm 2019, mặc dù có nhiều biến động, nhưng nhìn chung xu hướng tăng trưởng đã giảm, thể hiện qua đường nét đứt, cho thấy chuỗi số liệu có tính xu thế rõ rệt.

Để tiến hành dự báo chính xác, cần kiểm tra tính mùa vụ của chuỗi dữ liệu Nếu chuỗi có yếu tố mùa vụ rõ ràng, việc tách yếu tố này là cần thiết trước khi thực hiện dự báo Nhóm nghiên cứu đã sử dụng đồ thị để kiểm tra tính mùa vụ của chuỗi số liệu.

Hình 2: Đồ thị thể hiện mùa vụ của tăng trưởng Việt Nam từ quý 1/2006 đến quý

Hình 2 chỉ ra rằng khoảng cách biên độ tăng trưởng giữa các khoảng thời gian là khá lớn, cho thấy chuỗi số liệu này có yếu tố mùa vụ Do đó, để đạt được kết quả dự báo chính xác hơn, cần loại bỏ yếu tố mùa vụ khi chạy mô hình dự báo cho chuỗi số liệu này.

 Khảo sát sai phân bậc 1 của biến GDP_GROWTH

Hình 3: Đồ thị thể hiện sai phân biến GDP_GROWTH từ quý 1/2006 đến quý 3/2019

Dựa vào đồ thị hình 3, có thể thấy rằng đồ thị chuỗi số liệu sai phân bậc 1 của GDP_Growth có hình dạng giống như một cái mương Vì vậy, việc áp dụng mô hình nhân tính sẽ phù hợp hơn so với mô hình cộng tính trong trường hợp này.

Ngoài ra, đồ thị cũng thể hiện tính mùa vụ của chuỗi sai phân bậc 1 của GDP_Growth.

Phân tích giản đồ tự tương quan, tương quan riêng phần

 Khảo sát biến GDP_GROWTH

Hình 4 Mô tả kiểm định tự tương quan và tương quan riêng phần của biến

Hình 4 cho thấy hệ số tương quan ban đầu lớn, sau đó, các hệ số tự tương quan giảm xuống dần về 0

 Khảo sát sai phân bậc 1 của biến GDP_GROWTH

Hình 5: Mô tả kiểm định tự tương quan và tương quan riêng phần của sai phân bậc

Kiểm tra tính dừng của chuỗi

Nhóm kiểm tra tính dừng của chuỗi GDP_GROWTH bắt đầu bằng việc quan sát đồ thị của chuỗi số liệu Sau đó, họ thực hiện kiểm định tính chất này thông qua kiểm định nghiệm đơn vị (unit root test) Kiểm định tính dừng được thực hiện với cặp giả thiết: H0 - chuỗi có nghiệm đơn vị (không dừng) và H1 - chuỗi không có nghiệm đơn vị (dừng).

Hệ số chặn Hệ số chặn + Xu thế

Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc

-6.072816 [0.0000] p-value nằm trong ngoặc vuông [ ] dưới mỗi giá trị thống kê t

Bảng 3: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của chuỗi

Khi kiểm tra tính dừng của chuỗi GDP_GROWTH bằng phương pháp Unit root test, thu được P-value là 0.0108, cho thấy chuỗi dừng ở mức 5% nhưng không dừng ở mức 1% Do đó, sau khi lấy sai phân bậc 1 của chuỗi, kết quả Unit root test cho P-value là 0.0002, chứng tỏ chuỗi sai phân bậc 1 của GDP_GROWTH là chuỗi dừng ở mức 1%.

Khi kiểm tra tính dừng của chuỗi GDP_GROWTH bằng phương pháp Unit root test, kết quả cho thấy P-value là 0.0573, cho thấy chuỗi này dừng ở mức 10% nhưng không dừng ở mức 5% Sau khi thực hiện lấy sai phân bậc 1 của chuỗi, P-value thu được là 0.0000, chứng tỏ chuỗi sai phân bậc 1 của GDP_GROWTH là chuỗi dừng ở mức 1%.

Phương pháp dự báo

Trong việc dự báo dữ liệu, có nhiều mô hình như mô hình san mũ giản đơn, mô hình san mũ, mô hình ARIMA và mô hình VAR Sau khi khảo sát và đánh giá tính chất dữ liệu, nhóm nghiên cứu xác định rằng ba phương pháp hiệu quả nhất cho chuỗi dữ liệu này là phương pháp san mũ Holt-Winters, mô hình ARIMA và mô hình VAR Vì vậy, bài viết này sẽ chỉ tập trung vào ba phương pháp này.

 Mô hình ARIMA có dạng tổng quát như sau:

Yt là chuỗi dừng sau khi lấy sai phân bậc d của chuỗi xuất phát, trong khi ut đại diện cho nhiễu trắng Phương pháp Box-Jenkins, được đề xuất bởi Box và Jenkins vào năm 1974, bao gồm một tập hợp các bước và thủ tục ước lượng mô hình ARIMA cho chuỗi thời gian.

Để phân tích chuỗi dữ liệu, trước tiên cần kiểm tra tính dừng của chuỗi bằng tiêu chuẩn ADF (augmented Dickey-Fuller) Nếu chuỗi không dừng, cần chuyển đổi nó thành chuỗi dừng Tiếp theo, xác định độ trễ q thông qua giản đồ tự tương quan (ACF) và độ trễ p qua giản đồ tự tương quan riêng phần (PACF) Sau đó, ước lượng mô hình ARIMA bằng phương pháp bình phương nhỏ nhất (OLS) Quan trọng là kiểm tra các giả định của mô hình, bao gồm tính khả nghịch và ổn định, cũng như đảm bảo nhiễu trắng và chất lượng dự báo trong mẫu đạt yêu cầu (phần trăm sai số dự báo không vượt quá 5%) Cuối cùng, tiến hành dự báo ngoài mẫu.

 Mô hình VAR có dạng tổng quát như sau:

Mô hình VAR được áp dụng khi phân tích nhiều chuỗi thời gian khác nhau, giúp xem xét mối quan hệ giữa chúng, trái ngược với mô hình ARIMA chỉ phân tích một chuỗi thời gian duy nhất Phương pháp luận của VAR tương tự như xây dựng mô hình phương trình đồng thời, trong đó các biến nội sinh được phân tích đồng thời, nhưng mỗi biến được giải thích bởi các giá trị trễ hoặc giá trị quá khứ của chính nó.

Y t C 1 t  1 2 t  2  p t  p  1 t  1 2 t  2  q t  q  t và giá trị trễ của tất cả các biến nội sinh trong mô hình Các bước tiến hành của mô hình:

Để thực hiện phân tích chuỗi thời gian, trước tiên cần kiểm định tính dừng của các biến và thực hiện biến đổi cho đến khi thu được chuỗi dừng, thường sử dụng phương pháp lấy sai phân hoặc hàm log Sau đó, xác định bậc trễ (p) phù hợp dựa trên các tiêu chuẩn như FPE, LogL, LR, AIC, SBC và HQ; bậc trễ nào có nhiều tiêu chuẩn nhất với giá trị nhỏ nhất sẽ được chọn để dự báo Cuối cùng, tiến hành kiểm định và lựa chọn mô hình thông qua bốn kiểm định phù hợp.

Để đánh giá mô hình VAR, cần xem xét bốn tiêu chí chính: tính ổn định của mô hình, mối quan hệ nhân quả giữa các biến, sự hiện diện của nhiễu trắng trong mô hình, và việc kiểm tra các bậc trễ không có ý nghĩa thống kê Sau khi phân tích, kết quả có thể được sử dụng để thực hiện dự báo, xây dựng hàm phản ứng và thực hiện phân rã phương sai.

Dựa vào đặc điểm của chuỗi số liệu được xác định qua khảo sát và đánh giá dữ liệu, nhóm nghiên cứu cho rằng mô hình san mũ Winter là phù hợp với chuỗi số liệu này, nhờ vào số lượng quan sát lớn, thời gian dự báo ngắn, cùng với tính chất thời vụ và xu thế của chuỗi.

Phương pháp san mũ Winter là một kỹ thuật dự báo hiệu quả, bao gồm bốn bước chính được thể hiện qua bốn phương trình tổng quát Các bước này phụ thuộc vào tính chất của mô hình được xây dựng từ chuỗi dữ liệu, giúp tối ưu hóa quá trình dự báo và nâng cao độ chính xác của kết quả.

- Với mô hình nhân: Ước lượng giá trị trung bình hiện tại:

𝑆 𝑡−𝑝 + (1 − 𝛼)(𝐿 𝑡−1 + 𝑇 𝑡−1 ) Ước lượng giá trị xu thế:

𝑇 𝑡 = 𝛽(𝐿 𝑡 − 𝐿 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1 Ước lượng chỉ số mùa vụ:

Dự báo ngoài mẫu với h giai đoạn sau giá trị cuối cùng:

- Với mô hình cộng: Ước lượng giá trị trung bình hiện tại:

𝐿 𝑡 = 𝛼(𝑌 𝑡 − 𝑆 𝑡−𝑝 ) + (1 − 𝛼)(𝐿 𝑡−1 + 𝑇 𝑡−1 ) Ước lượng giá trị xu thế:

𝑇 𝑡 = 𝛽(𝐿 𝑡 − 𝐿 𝑡−1 ) + (1 − 𝛽)𝑇 𝑡−1 Ước lượng chỉ số mùa vụ:

Dự báo ngoài mẫu với h giai đoạn sau giá trị cuối cùng:

Y t là giá trị hiện tại của chuỗi dữ liệu

L t là giá trị san mũ hiện tại của chuỗi dữ liệu

S t là giá trị ước lượng thời vụ

Giá trị T t đại diện cho ước lượng xu thế, trong đó α, β, γ là các hệ số san mũ tương ứng với xu thế và mùa vụ Thêm vào đó, h là số lượng thời gian dự báo cho tương lai.

Quy trình nghiên cứu

Phương pháp san mũ Holt-Winters

IV.1.1 Mô hình cộng tính

Hệ số san mũ mùa vụ (β)

Hệ số san mũ xu thế (γ)

Giá trị ước lượng hiện tại (L t )

Giá trị ước lượng xu thế (T t )

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Bảng 4: Kết quả ước lượng trong mẫu của phương pháp san mũ Winters với mô hình cộng tính

Hình 6: Chuỗi số liệu thực so với kết quả của phương pháp san mũ Winter trên mô hình cộng

Thông qua bảng kết quả ước lượng trong mẫu của phương pháp san mũ Winter với mô hình cộng, nhóm đã đạt được hệ số RMSE là 0.53 và hệ số MAPE của ước lượng trong mẫu là 6.35% Giá trị ước lượng trung bình hiện tại là 7.050933, trong khi giá trị ước lượng xu thế hiện tại là -0.011979 Từ đó, nhóm đã rút ra hàm dự báo ngoài mẫu.

Bảng 5 : Bảng kết quả dự báo ngoài mẫu cho phương pháp san mũ Winters mô hình cộng

IV.1.2 Mô hình nhân tính

Tiếp theo, nhóm thực hiện ước lượng trong mẫu với phương pháp san mũ Winters cho mô hình nhân tính và nhận được bảng kết quả:

Hệ số san mũ mùa vụ (β)

Hệ số san mũ xu thế (γ)

Giá trị ước lượng hiện tại (L t )

Giá trị ước lượng xu thế (T t )

Bảng 6: Kết quả ước lượng trong mẫu của phương pháp san mũ Winters với mô hình nhân tính

Hình 7: Chuỗi số liệu thực so với kết quả của phương pháp san mũ Winter trên mô hình nhân

Thông qua bảng kết quả ước lượng trong mẫu của phương pháp san mũ Winter với mô hình cộng, nhóm đã đạt được hệ số RMSE là 0.5802 và hệ số MAPE của ước lượng trong mẫu là 6.938% Giá trị ước lượng trung bình hiện tại là 7.004696, trong khi giá trị ước lượng xu thế hiện tại là -0.011979 Từ đó, nhóm đã rút ra hàm dự báo ngoài mẫu.

Bảng 7: Bảng kết quả dự báo ngoài mẫu cho phương pháp san mũ Winters mô hình nhân

Nhóm nghiên cứu cho rằng giá trị ước lượng thời vụ của chuỗi dữ liệu chỉ phụ thuộc vào giá trị ước lượng thời vụ của mùa trước và giá trị ước lượng xu thế chỉ phụ thuộc vào giá trị xu thế trước đó Các hệ số san mũ ước lượng xu thế và hệ số ước lượng mùa vụ β và γ đều bằng 0 trong cả hai mô hình Hệ số RMSE của phương pháp san mũ Winter cho mô hình cộng là 0.53, nhỏ hơn hệ số RMSE của mô hình nhân là 0.58 Đồng thời, hệ số MAPE của phương pháp san mũ cũng cho thấy sự khác biệt đáng kể giữa hai mô hình.

Mô hình cộng trong phương pháp san mũ Winter đạt tỷ lệ 6.35%, trong khi đó, hệ số MAPE của mô hình nhân là 6.938% Điều này cho thấy rằng phương pháp với mô hình cộng tính mang lại kết quả chính xác hơn so với mô hình nhân tính.

Dự báo bằng mô hình tự hồi quy tích hợp Trung bình trượt (ARIMA)

Mô hình Arima là một công cụ phổ biến trong lĩnh vực kinh tế lượng, được áp dụng rộng rãi để phân tích và dự đoán các chuỗi thời gian Phương pháp này cho phép nghiên cứu độc lập và mang lại những dự đoán chính xác về xu hướng trong dữ liệu theo thời gian.

Sau đó, các nhà nghiên cứu sẽ sử dụng các thuật toán dự báo độ trễ để đưa ra mô hình phù hợp

Mô hình ARIMA (p, d, q) bao gồm ba thành phần chính: AR (tự hồi quy), I (tính dừng của chuỗi thời gian) và MA (trung bình trượt) Đối với các chuỗi thời gian có yếu tố mùa vụ, cần tách yếu tố này trước khi dự báo bằng ARIMA, dẫn đến mô hình SARIMA Với chuỗi gdp_growth có yếu tố mùa vụ theo quý, bài viết sẽ áp dụng mô hình ARIMA điều chỉnh yếu tố mùa vụ Nhóm nghiên cứu sử dụng phương pháp trung bình trượt để tách yếu tố mùa vụ và do không xác định rõ dạng mô hình là nhân tính hay cộng tính từ đồ thị gdp_growth, nhóm sẽ tiến hành dự báo cho cả hai mô hình.

Bước 1: Tách yếu tố mùa vụ

Sau khi sử dụng phương pháp trung bình trượt, ta có hệ số mùa vụ trong mô hình nhân được trình bày theo 4 quý cho trong bảng dưới đây

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 8: Bảng hệ số mùa vụ mô hình ARIMA nhân

Bước 2: Kiểm tra tính dừng của chuỗi

Mô hình ARIMA chỉ có thể dự báo cho chuỗi dữ liệu đã dừng Để kiểm tra tính dừng của chuỗi sau khi đã loại bỏ yếu tố mùa vụ, nhóm sẽ thực hiện kiểm định nghiệm đơn vị (Dickey – Fuller) Kiểm định này sử dụng cặp giả thuyết: H0 - chuỗi có nghiệm đơn vị (không dừng) và H1 - chuỗi không có nghiệm đơn vị (dừng) Kết quả của kiểm định sẽ được trình bày trong bảng dưới đây.

Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc 1

Bảng 9: Bảng kiểm định tính dừng mô hình ARIMA nhân

Kết quả kiểm định cho thấy chuỗi ADY là chuỗi tích hợp bậc 1, với d = 1 Giá trị sai phân của chuỗi này được áp dụng để ước lượng mô hình ARIMA, được ký hiệu là d(ADY).

Bước 3: Lựa chọn bậc của 2 mô hình AR(p) và MA(q) bằng giản đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF)

Hình 8: Giản đồ tương quan và tương quan riêng phần của chuỗi sai phân bậc 1 của

Giản đồ tự tương quan và tự tương quan riêng phần được trình bày ở Biểu đồ 3 cho thấy có thể lựa chọn p = 1 và q = 1, 2, 3, 22, 23, 24 Nhóm tiểu luận đã tiến hành ước lượng các mô hình ARIMA tương ứng và sau khi chạy nhiều mô hình khác nhau, kết luận rằng mô hình ARIMA với p = 1 và q = 0 mang lại kết quả tốt nhất, với chỉ số Adjusted R² lớn nhất và các kiểm định AIC, SC, HQ có giá trị nhỏ nhất, như thể hiện trong bảng dưới đây.

Mô hình Adjusted R 2 AIC SC HQ

Nguồn: Tính toán và tổng hợp với sự trợ giúp của phần mềm Eviews 10

Bảng 10: Các tiêu chí lựa chọn mô hình ARIMA nhân

Bước 4 Ước lượng mô hình ARIMA(p=0; q$) và kiểm tra các giả định của mô hình

Kết quả ước lượng mô hình ARIMA(p=0; q$) được cho trong bảng dưới đây:

Biến số Hệ số t-Statistic p-value

Bảng 11: Kết quả ước lượng mô hình ARIMA nhân(p=0; q$)

Để xác định xem nhiễu có phải là nhiễu trắng hay không, cần tiến hành kiểm tra bằng giản đồ tự tương quan và kiểm định nghiệm đơn vị Qua phân tích giản đồ tự tương quan, nhóm phát hiện rằng giá trị p-value (cột Prob) trong kiểm định lớn, cho thấy các hệ số tự tương quan đều bằng 0 một cách có ý nghĩa thống kê Do đó, có thể kết luận rằng nhiễu có tính dừng và là nhiễu trắng.

Hình 9: Giản đồ tự tương quan của nhiễu mô hình ARIMA nhân

Bảng 12: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của nhiễu mô hình

Bước 5: Dự báo trong mẫu nhằm đánh giá chất lượng dự báo, nhóm sử dụng chỉ số MAPE để kiểm tra hiệu quả Khoảng thời gian dự báo trong mẫu được xác định từ quý 1 năm 2006 đến quý 3 năm 2019.

Nhóm nghiên cứu đã tiến hành dự báo chuỗi ADY từ quý 1 năm 2006 đến quý 3 năm 2019 Sau đó, họ áp dụng kết quả dự báo chuỗi ADY với yếu tố mùa vụ để tính toán kết quả dự báo cho chuỗi tăng trưởng GDP.

Hình 10: Dự báo trong mẫu từ quý 1 năm 2006 đến quý 3 năm 2019 mô hình

Kết quả tính toán cho mô hình dự báo chuỗi GDP_growth cho thấy MAPE đạt 13.253% và RMSE là 0.472 Những kết quả này sẽ được sử dụng làm tiêu chí để so sánh với các mô hình dự báo khác.

Hình 11: Biểu đồ biểu diễn giá trị dự báo và giá trị thực từ quý 1 năm 2006 đến quý

Bước 6: Dự báo ngoài mẫu

Kết quả dự báo tăng trưởng kinh tế cho Việt Nam từ quý 4 năm 2019 đến quý 4 năm

2020 bằng mô hình VAR thể hiện trong bảng dưới đây

Bảng 13: Kết quả dự báo tăng trưởng kinh tế quý 4 năm 2019 đến quý 4 năm 2020 mô hình ARIMA nhân

Nguồn: Nhóm tác giả tự tính toán và tổng hợp

Hình 12: Tăng trưởng kinh tế thực tế và dự báo 2006Q1 đến 2020Q4 mô hình

Bước 1: Tách yếu tố mùa vụ

Sau khi sử dụng phương pháp trung bình trượt, ta có hệ số mùa vụ trong mô hình cộng được trình bày theo 4 quý cho trong bảng dưới đây

Bảng 14: Bảng hệ số mùa vụ mô hình ARIMA cộng

Bước 2: Kiểm tra tính dừng của chuỗi

Mô hình ARIMA chỉ có thể dự báo cho chuỗi dữ liệu đã dừng Để kiểm tra tính dừng của chuỗi đã loại bỏ yếu tố mùa vụ, nhóm sẽ thực hiện kiểm định nghiệm đơn vị (Dickey – Fuller) với hai giả thuyết: H0 - chuỗi có nghiệm đơn vị (không dừng) và H1 - chuỗi không có nghiệm đơn vị (dừng) Kết quả của kiểm định này sẽ được trình bày trong bảng dưới đây.

Tăng trưởng kinh tế (dự báo) Tăng trưởng kinh tế

Hệ số chặn Hệ số chặn + Xu thế Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc 1

Bảng 15: Bảng kiểm định tính dừng mô hình ARIMA cộng

Kết quả kiểm định cho thấy chuỗi ADY là chuỗi tích hợp bậc 1, tức là d = 1 Giá trị sai phân của chuỗi này được áp dụng để ước lượng mô hình ARIMA, được ký hiệu là d(ADY).

Bước 3: Lựa chọn bậc của 2 mô hình AR(p) và MA(q) bằng giản đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF)

Hình 13 Giản đồ tương quan và tương quan riêng phần của chuỗi sai phân bậc 1 của

ADY mô hình ARIMA cộng

Giản đồ tự tương quan và tự tương quan riêng phần cho thấy có thể chọn p = 5 và q = 5 Nhóm tiểu luận đã tiến hành ước lượng các mô hình ARIMA tương ứng và kết luận rằng mô hình ARIMA với p = 5 và q = 5 mang lại kết quả tốt nhất, với chỉ số Adjusted R² lớn nhất cùng với các kiểm định AIC, SC và HQ có giá trị nhỏ nhất Kết quả chi tiết được trình bày trong bảng dưới đây.

Mô hình Adjusted R 2 AIC SC HQ

Nguồn: Tính toán và tổng hợp với sự trợ giúp của phần mềm Eviews 10

Bảng 16: Các tiêu chí lựa chọn mô hình ARIMA mô hình ARIMA cộng

Bước 4 Ước lượng mô hình ARIMA(p=5; q=5) và kiểm tra các giả định của mô hình

Kết quả ước lượng mô hình ARIMA(p=5; q=5) được cho trong bảng dưới đây:

Biến số Hệ số t-Statistic p-value

Bảng 17: Kết quả ước lượng mô hình ARIMA(p=5; q=5) mô hình ARIMA cộng

Để xác định xem nhiễu có phải là nhiễu trắng hay không, cần kiểm tra giản đồ tự tương quan và thực hiện kiểm định nghiệm đơn vị Qua phân tích giản đồ tự tương quan, nhóm phát hiện rằng giá trị p-value (cột Prob) trong kiểm định lớn, cho thấy các hệ số tự tương quan đều bằng 0 một cách có ý nghĩa thống kê Do đó, nhiễu được xác định là có tính dừng và là nhiễu trắng.

Hình 14: Giản đồ tự tương quan của nhiễu mô hình ARIMA cộng

Bảng 18: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của nhiễu mô hình

Bước 5: Dự báo trong mẫu là một phần quan trọng trong việc đánh giá chất lượng dự báo Nhóm nghiên cứu thực hiện dự báo trong khoảng thời gian từ 2006Q1 đến 2019Q3 và áp dụng chỉ số MAPE để đo lường hiệu quả của các dự báo.

Nhóm nghiên cứu đã tiến hành dự báo chuỗi ADY từ quý 1 năm 2006 đến quý 3 năm 2019 Sau đó, họ kết hợp kết quả dự báo chuỗi ADY với các yếu tố mùa vụ để đưa ra dự báo cho chuỗi tăng trưởng GDP.

Hình 15: Dự báo trong mẫu từ 2006Q1 đến 2019Q3 mô hình ARIMA cộng

Dự báo bằng mô hình tự hồi quy véc – tơ (VAR)

Mô hình dự báo tự hồi quy véc-tơ (VAR) là một phương pháp dự báo đa biến, trong đó dự báo về tăng trưởng kinh tế không chỉ dựa vào giá trị quá khứ của chính biến này mà còn phụ thuộc vào các biến số khác.

Mô hình VAR giúp phân tích các cú sốc từ các biến số trong nền kinh tế và tác động của chúng đến sự biến động của tăng trưởng Nền kinh tế vĩ mô thường chịu ảnh hưởng từ các cú sốc ngẫu nhiên, được quyết định bởi các chủ thể như doanh nghiệp, hộ gia đình, chính phủ và ngân hàng trung ương.

Mô hình VAR cho thấy rằng các biến số kinh tế vĩ mô có sự tác động qua lại lẫn nhau, điều này mang lại lợi thế lớn trong việc phân tích và dự báo tăng trưởng cũng như các biến số kinh tế khác.

Dựa trên các nghiên cứu của Del Negro và Schorfheide (2004, 2009), Hodge và cộng sự (2008), cùng với Nguyễn Đức Trung và Nguyễn Hoàng Chung (2017), nhóm đã đề xuất ước lượng mô hình VAR với 4 biến số: tăng trưởng GDP, chỉ số giá tiêu dùng (CPI), lãi suất tái cấp vốn và tỷ giá VND/USD Nhóm sử dụng CPI để phân tích ảnh hưởng của giá cả đến tổng cầu, trong khi lãi suất tái cấp vốn đại diện cho chính sách tiền tệ tại Việt Nam nhằm ngăn chặn cho vay nặng lãi Tỷ giá VND/USD phản ánh yếu tố thương mại quốc tế, với giá trị đồng tiền được neo theo đồng USD Dữ liệu cho các biến này được thu thập từ các báo cáo của Tổng cục thống kê, Viện nghiên cứu Kinh tế và Chính sách, và cơ sở dữ liệu IFS của IMF, với chuỗi số liệu theo quý từ Q1 năm 2006 đến Q3 năm 2019, tổng cộng 55 quan sát Mối quan hệ giữa các biến được thể hiện qua hệ phương trình tương tác giữa chúng.

Các bước tiến hành dự báo và kết quả sử dụng mô hình VAR được trình bày như sau:

Bước 1: Kiểm tra tính dừng của các chuỗi

Mô hình tự hồi quy véc – tơ chỉ áp dụng cho các chuỗi dữ liệu dừng, vì vậy cần thực hiện kiểm định Dickey – Fuller để xác định tính dừng của chuỗi Kiểm định này sử dụng cặp giả thiết H0 - chuỗi có nghiệm đơn vị (không dừng) và H1 - chuỗi không có nghiệm đơn vị (dừng) Kết quả cho thấy tất cả các chuỗi đều dừng bậc 0, cho phép áp dụng mô hình VAR.

20 trình bày kết quả kiểm định Dickey – Fuller của các chuỗi

Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc 1

-7.782345 [0.0000] p-value nằm trong ngoặc vuông [ ] dưới mỗi giá trị thống kê t

Bảng 20: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của chuỗi

Các chuỗi dữ liệu được phân tích cho thấy đều không dừng ở mức thống kê 5%, nhưng sai phân bậc 1 của chúng lại tạo thành chuỗi dừng Điều này cho thấy các chuỗi này là chuỗi tích hợp bậc 1 Giá trị sai phân được sử dụng để ước lượng mô hình VAR, với các chuỗi sau khi lấy sai phân bậc 1 được ký hiệu lần lượt là d(GDP growth), d(CPI), d(Interest rate) và d(Exchange rate).

Bước 2: Tìm độ trễ p phù hợp cho mô hình

Bảng 21 trình bày 6 tiêu chí để xét chọn độ trễ phù hợp cho mô hình VAR, bao gồm LogL, LR, FPE, AIC, SC và HQ Các tiêu chí này giúp đánh giá và lựa chọn độ trễ tối ưu cho mô hình, đảm bảo tính chính xác và hiệu quả trong phân tích dữ liệu.

Bảng 21: Tiêu chí lựa chọn độ trễ p cho mô hình VAR(p)

Độ trễ p = 3 được chọn dựa trên bảng xét duyệt tiêu chí vì nó tối thiểu hóa nhiều tiêu chuẩn quan trọng, bao gồm tiêu chuẩn LR, sai số dự báo cuối cùng FPE, tiêu chuẩn Aikaike (AIC) và tiêu chuẩn Hannan – Quinn (HQ) Do đó, độ trễ p = 3 sẽ được sử dụng để ước lượng mô hình VAR cho mục đích dự báo.

Bước 3: Kiểm tra tính ổn định của mô hình VAR

Theo Hình 18, kiểm định nghiệm đơn vị chỉ ra rằng tất cả các nghiệm của phương trình đặc trưng đều nằm trong đường tròn đơn vị, điều này chứng tỏ mô hình VAR(3) là ổn định.

Inverse Roots of AR Characteristic Polynomial

Hình 18: Kiểm định tính ổn định của VAR bằng đường tròn đơn vị

Bước 4: Kiểm định nhân quả Granger

Kiểm định nhân quả Granger được sử dụng để xác định mối quan hệ nhân quả giữa các biến trong hệ VAR Cụ thể, kiểm định này kiểm tra xem có tồn tại mối quan hệ hai chiều giữa các biến hay không Giả thuyết H0 của kiểm định là các hệ số hồi quy của các biến lên biến còn lại bằng 0, cho thấy không có tác động nhân quả Granger từ các biến này đến biến phụ thuộc, đồng nghĩa với việc biến phụ thuộc được coi là biến ngoại sinh Kết quả của kiểm định nhân quả Granger được trình bày trong Bảng 22.

Biến phụ thuộc Chi-square p-value d(Exchange rate) 6.426742 0.6966 d(CPI) 31.64299 0.0002 d(GDP growth) 44.12772 0.0000 d(Interest rate) 19.78842 0.0193

Bảng 22: Bảng kết quả kiểm định nhân quả Granger

Kết quả kiểm định nhân quả Granger cho thấy biến Tỷ giá (Exchange rate) có p-value tổng thể và các p-value riêng phần đều lớn hơn 0.1, nghĩa là không bác bỏ được giả thuyết H0 ở mức ý nghĩa thống kê 10% Ngược lại, các biến như chỉ số giá tiêu dùng, lãi suất và tăng trưởng đều có p-value tổng thể nhỏ hơn 0.1, cho thấy chúng có quan hệ nội sinh và có khả năng dự báo cho nhau Biến tỷ giá được coi là biến ngoại sinh trong hệ VAR, vì các biến khác không tác động đến nó Do đó, mô hình được điều chỉnh với biến tỷ giá là ngoại sinh, trong khi các biến còn lại là nội sinh Kết quả này phù hợp với nghiên cứu của Nguyễn Thị Thu Trang (2017), khi cho rằng biến tỷ giá là biến ngoại sinh trong hệ VAR dùng để dự báo lạm phát tại Việt Nam.

Sau khi xử lý biến tỷ giá như một biến ngoại sinh, mô hình VAR đã được ước lượng lại và tiếp tục trải qua kiểm định tính ổn định, do các nghiệm đặc trưng vẫn nằm trong vòng tròn đơn vị.

Bước 5: Kiểm tra phần dư nhiễu trắng

Kiểm định White về phương sai sai số thay đổi cho thấy thống kê Chi bình phương là 135.7232 với p-value = 0.1547, lớn hơn α = 0.05 Kết quả này cho thấy chưa có cơ sở để bác bỏ giả thuyết H0 về phương sai sai số đồng đều của nhiễu, do đó phương sai của nhiễu được coi là không đổi.

Kết quả kiểm định tự tương quan bằng tiêu chuẩn Portmanteau cho thấy tất cả các giá trị p-value tại các độ trễ đều nhỏ hơn 0.05, điều này chỉ ra rằng không tồn tại tự tương quan phần dư ở các độ trễ đã xét.

3 trở lên, điều đó có nghĩa phần dư đã hết thông tin

Qua 2 kết quả kiểm định trên có thể thấy phần dư là nhiễu trắng

Để nâng cao chất lượng dự báo và loại bỏ các độ trễ không phù hợp khỏi mô hình, nhóm tiểu luận thực hiện kiểm định Wald Kết quả của kiểm định này được trình bày trong Bảng 23, với các biến d(CPI), d(GDP growth) và d(Interest rate) được phân tích chung.

[0.2236] [0.0007] [0.1262] [0.0018] p-value nằm trong ngoặc vuông [ ] dưới mỗi giá trị thống kê Chi – bình phương

Bảng 23: Kết quả kiểm định Wald để loại bỏ độ trễ không phù hợp

Bảng 23 cho thấy giá trị p-value chung cho từng độ trễ đều nhỏ hơn mức ý nghĩa α

Kết quả dự báo

Dựa vào vào quy trình dự báo trong mẫu và các tiêu chí dự báo ta có thể tổng hợp lại thành bảng dưới đây:

Nguồn: Tính toán với sự trợ giúp của phần mềm Eviews 10

Bảng 29: Bảng so sánh các mô hình

Nhằm giảm thiểu sai số dự báo, nhóm nghiên cứu đã áp dụng mô hình san mũ Winters để đưa ra kết quả dự báo cuối cùng, được trình bày chi tiết trong Bảng 30.

Bảng 30: Bảng kết quả dự báo ngoài mẫu cuối cùng

Tiêu đề	Dự Báo Tăng Trưởng Kinh Tế Việt Nam Giai Đoạn Từ Quý 4 Năm 2019 Đến Quý 4 Năm 2020
Tác giả	Lê Đức Đàm, Hoàng Anh Đức, Đỗ Phương Linh, Trần Minh Quân
Người hướng dẫn	ThS. Nguyễn Thúy Quỳnh
Trường học	Trường Đại Học Ngoại Thương
Chuyên ngành	Kinh Tế Quốc Tế
Thể loại	tiểu luận
Năm xuất bản	2019
Thành phố	Hà Nội

Định dạng
Số trang	52
Dung lượng	1,46 MB