TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂNKHOA KẾ HOẠCH VÀ PHÁT TRIỂN BÀI TẬP LỚN MÔN: DỰ BÁO KINH TẾ XÃ HỘI NHIỆM VỤ : “ Hãy thu thập dữ liệu chuỗi thời gian về một chỉ tiêu kinh tế/ xã hội số qua
Trang 1TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
KHOA KẾ HOẠCH VÀ PHÁT TRIỂN
BÀI TẬP LỚN MÔN: DỰ BÁO KINH TẾ XÃ HỘI
NHIỆM VỤ : “ Hãy thu thập dữ liệu chuỗi thời gian về một chỉ tiêu kinh tế/ xã hội (số quan sát >= 50 quan sát) thực tế của Việt Nam, từ
đó áp dụng phương pháp ARIMA/SARIMA để dự báo cho 5 thời
đoạn tương lai.”
LỰA CHỌN ĐỀ TÀI: Dự báo chỉ số giá giá tiêu dùng CPI 5 tháng đầu năm 2000 bằng mô hình ARIMA bằng phần mềm Eviews 8 và
SPSS 22.
Hà Nội, tháng 11 năm 2023
Giảng viên hướng dẫn : Lê Huy Đức
Họ tên sinh viên : Phạm Minh Thảo
Lớp tín chỉ : Dự báo kinh tế xã hội 02
Trang 2ĐỀ TÀI: Dự báo chỉ số giá giá tiêu dùng CPI 5 tháng đầu năm 2000 bằng mô hình ARIMA bằng phần mềm Eviews 8 và SPSS 22.
BÀI LÀM:
1 Bước 1: Thu thập số liệu:
Thu thập số liệu từ Tổng cục thống kê về chỉ số giá CPI hàng tháng, giai đoạn 1995 - 1999 như sau: (coi chỉ số giá tháng liền trước là 100):
Tháng 1 103.8 100.9 100.8 101.6 101.7 Tháng 2 103.4 102.5 101.8 102.2 101.9 Tháng 3 100.2 100.8 99.5 99.2 99.3 Tháng 4 101 100.1 99.4 101.6 99.4 Tháng 5 101.8 99.5 99.5 101.4 99.6 Tháng 6 100.8 99.5 100.1 100 99.7
Nguồn: Tổng cục thống kê
2 Bước 2: Kiểm tra tính dừng của chuỗi thời gian bằng kiểm định ADF trên Eviews 8:
Để nhập số liệu, ta mở Eviews 8 ra Chọn Create a new Eview workfile
Trong mục Workfile Structure type chọn Unstructured/Undated Ở ô
Observation điền số thống kê vào Số liệu chúng ta thu thập được là 60 nên điền số 60 vào ô đó
Trang 3Sau đó chọn Quick/Emty group và nhập số liệu đã thu thập vào Đặt tênbiến là Y chẳng hạn Trong mô hình này a đã chọn được 60 số liệu về chỉ
số giá CPI từ tháng 1/1995 đến tháng 12/1999
Trang 4Nhập 60 thống kê trên vào Eviews, đặt tên biến là Y Kiểm định tính
dừng của Y thông qua kiểm định ADF bằng lệnh View/ Unit Root Test
Để kiểm định tính dừng của chuỗi ta chọn mục Level, nếu lát nữa ta thấychuỗi không dừng ta tiếp tục chọn mục 1st difference để kiểm định tính
dừng của chuỗi sai phân bậc 1, nếu chuỗi sai phân bậc 1 chưa dừng kiểmđịnh tiếp chuỗi sai phân bậc 2 bằng 2nd difference
Trang 5Bấm OK để thu về kết quả kiểm định, ta được kết quả như hình bên dướiNhận thấy giá trị P-value = 0.0000 < 0.05 nên có thể kết luận rằng chuỗi thời gian này là chuỗi dừng Do đó mô hình ARIMA mà ta xây dựng có d
= 0
3 Bước 3: Xác định bậc của p và q thông qua đồ thị ACF và PACF
Bấm vào biến Y chọn View/ Correlogram rồi chọn mục Level do chuỗi
số liệu này là chuỗi dừng Bấm OK ta được đồ thị ACF và PACF như sau:
Trang 6So sánh PACF và ACF với giá trị giới hạn ±1.96/ để tìm ra bậc của p và
Do đó ta thiết lập được các mô hình sau: ARIMA(1,0,1);
ARIMA(1,0,12); ARIMA(12,0,1); ARIMA(12,0,12); ARIMA(13,0,1) và ARIMA(13,0,12)
4 Bước 4: Chạy các mô hình ARIMA nói trên có được trên phần mềm SPSS 22 để ước lượng, kiểm định và dự báo
Nhập lại số liệu vào SPSS và dặt tên là biến Y Chọn mục Analyze / Forecast/ Creat Models Sau đó đưa biến Y vào mục Dependent Variables.
Trang 7o 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 (không có yếu tố mùa vụ) đã xác lập để xem các mô hình dư báo Cứ mỗi mô hình thì điền p, d, q tương ứng vào rồi bấm Continute Sau đó bấm OK để chạy mô hình Phải tiếnhành chạy tất cả các mô hình để có thể kiểm định được mô hình nào là phù hợp và chọn ra mô hình tốt nhất để có thể lựa chọn phục vụ công tác dự báo Mỗi mô hình chúng ta sẽ có được luôn kết quả dự báo cho các bước tiếp theo nhưng chỉ lấy kết quả dự báo của mô hình tốt nhất
Trang 8o Tại thẻ Statistics chọn các mục như sau:
o Trong thẻ Plots chọn các mục như sau:
Trang 9o Tại thẻ Options chọn 65 để dự báo cho 5 bước tiếp theo từ 61 đến 65.
Sau đó bấm OK để chạy mô hình
Chạy lần lượt các mô hình ta được các kết quả được trình bày ở các trangsau Trong đó:
o Tên mô hình được trình bày trong bảng Model Description.
o Các chỉ tiêu thống kê như hệ số xác định của mô 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
o Các hệ số ước lượng của mô hình được trình bày trong bảng
ARIMA Model Parameters.
o Giá trị dự báo chỉ số CPI cho 5 tháng tiếp (từ quan sát 61 – 65)
theo được trình bày trong bảng Forecast.
o Phần dư của mô hình được thể hiện bởi đồ thị Residual ACF và Residual PACF
o Đồ thị của mô hình được vẽ cuối cùng sau đồ thị về phần dư
Trang 10MÔ HÌNH ARIMA (1, 0, 1):
Trang 11Trên đồ thị phần dư của ACF và PACF ta thấy có quan sát vượt ra ngoài giới hạn nên phần dư này không phải nhiễu trắng Do đó, mô hình này không phù hợp.
Trang 12MÔ HÌNH ARIMA (12, 0, 1):
Trang 13Trên 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, mô hình này
là phù hợp
MÔ HÌNH ARIMA (13, 0, 1):
Trang 15Trên 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, mô hình này
là phù hợp
Trang 16MÔ HÌNH ARIMA (1, 0, 12):
Trang 17Trên 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, mô hình này
là phù hợp
MÔ HÌNH ARIMA (12, 0, 12):
Trang 19Trên 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, mô hình này
là phù hợp
Trang 20MÔ HÌNH ARIMA (13, 0, 12):
Trang 22Trên 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, mô hình này
là phù hợp
Trang 235 Bước 5: Lựa chọn mô hình phù hợp và đưa ra kết quả dự báo:
ARIMA (1, 0, 1) Phần dư không phải nhiễu trắng 0.929 0.058ARIMA (12, 0, 1) Phần dư là nhiễu trắng 0.908 0.762
ARIMA (13, 0, 1) Phần dư là nhiễu trắng 0.905 0.823
ARIMA (1, 0, 12) Phần dư là nhiễu trắng 0.914 0.776ARIMA (12, 0, 12) Phần dư là nhiễu trắng 0.950 1.063ARIMA (13, 0, 12) Phần dư là nhiễu trắng 0.943 1.657
o Trong các mô hình bên trên, có 5 mô hình phù hợp là ARIMA (12,
0, 1); ARIMA(13, 0, 1); ARIMA(1, 0, 12); ARIMA(12, 0, 12) và ARIMA(13, 0, 12); đều phù hợp để thực hiện dự báo do có tất cả phần dư trên đồ thị ACF và PACF là nhiều trắng
o Tuy nhiên mô hình ARIMA (13, 0, 1) là tốt nhất do có giá trị MSE nhỏ nhất nên ta sẽ sử dụng kết quả dự báo của mô hình này
Kết quả dự báo 5 tháng đầu năm 2000 ứng với giá trị của các quan sát thứ 61 đến 65 trên bảng Forecast:
Forecast Tháng 1/2000 2/2000 3/200
0
4/200 0
5/200 0
Y-Model_1 Forecast 100.3 100.8 99.9 100.3 100.4