Hãy Thu Thập Dữ Liệu Chuỗi Thời Gian (Tối Thiểu Có 50 Quan Sát) Về Một Biến Kinh Tế - Xã Hội Cụ Thể Và Sử Dụng Mô Hình Arima (Hoặc Sarima) Để Dự Báo Cho Thời Kỳ 5 Quan Sát Tới.pdf

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN-- --BÀI TẬP LỚN Môn: Dự báo kinh tế- xã hội Đề bài: Hãy thu thập dữ liệu chuỗi thời gian tối thiểu có 50 quan sát về một biến kinh tế - xã hội cụ thể và

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN

BÀI TẬP LỚN Môn: Dự báo kinh tế- xã hội

Đề bài: Hãy thu thập dữ liệu chuỗi thời gian (tối thiểu có 50 quan sát) về một biến kinh tế - xã hội cụ thể và sử dụng mô hình ARIMA (hoặc SARIMA)

để dự báo cho thời kỳ 5 quan sát tới

Sinh viên thực hiện:

Mã sinh viên:

Lớp học phần: Dự báo kinh tế xã

hội 1(221)_2

Giảng viên hướng dẫn: PGS.TS Lê Huy

Đức

HÀ NỘI _04/2022

Thu thập số liệu CPI từ Tổng cục thống kê giai đoạn 2016-2020( coi chỉ số giá tháng liền trước là 100):

Tháng 2 100.42 100.23 100.73 100.80 100.28

Tháng 3 100.57 100.21 99.73 99.79 99.56

Tháng 5 100.54 99.47 100.55 100.49 100.16

Tháng 6 100.46 99.83 100.61 99.91 101.30

Tháng 7 100.13 100.11 99.91 100.18 100.45

Tháng 8 100.1 100.92 100.45 100.28 99.94

Tháng 9 100.54 100.59 100.59 100.32 100.82

Tháng 10 100.83 100.41 100.33 100.59 100.15

Tháng 11 100.48 100.13 99.71 100.96 100.27

Tháng 12 100.23 100.21 99.75 101.4 100.52

Nguồn: Tổng cục thống kê

Sau đó ta dùng EVIEW 8 để kiếm định tính dừng của bảng Nhập số liệu và chạy ta được bảng số liệu dưới đây:

Nhận thấy P-value=0.0000<0.05 nên có thể kết luận rẳng chuỗi thời gian này là chuỗi dừng Do đó mô hình ARIMA mà ta xây dựng có d=0

 Xác định bậc của p và q thông qua đồ thị ACF và PACF:

Ta so sánh giá trị tới hạn ±1.96/ để tìm ra bậc p và q

Ở đây là ±1.96/ = ± 0.253034912

=>p=1; 2 còn q=1

Do đó ta thiết lập được mô hình sau: ARIMA(1,0,1) ; ARIMA(2,0,1)

 Sử dụng SPSS để ước lượng, kiểm định, dự báo:

Mô hình ARIMA(1,0,1):

Tên mô hình

Model Description

Model Type Model

ID

CPI Model_

Các chỉ tiêu thống kê:

Model Fit

Fit Statistic Mean SE Minimum Maximum

Percentile

Stationary

R-squared 188 .188 188 188 188 188 188 188 188 188 R-squared 188 188 188 188 188 188 188 188 188 188

MaxAPE 1.121 1.121 1.121 1.121 1.121 1.121 1.121 1.121 1.121 1.121

MaxAE 1.142 1.142 1.142 1.142 1.142 1.142 1.142 1.142 1.142 1.142 Normalized

BIC 1.566 - -1.566-1.566-1.5661.566- -1.566-1.5661.566- -1.566-1.566

=>MSE=0.413

=>BIC=-1.566

Model Statistics

Model Number of Predictors

Model Fit statistics Ljung-Box Q(18)

Number of Outliers

Stationary R-squared Statistics DF Sig

ARIMA Model Parameters

Estima

CPI-Model_1 CPI No Transformati

on

Constant 100.32

9 .077 391294.7.000

AR Lag

MA Lag

1 -.512 239 -2.142 037

Forecast

CPI-Model_1 Forecast 100.37 100.33 100.33 100.33 100.33

Nhìn trên đồ thị ta thấy phần dư của ACF và PACF không có phần dư nào vượt ngoài khoảng giới hạn, nên phần dư này nhiễu trắng => mô hình này phù hợp.

Mô hình ARIMA( 2,0,1):

Model Description

Model Type Model

ID

Model Fit

Fit Statistic Mean SE umMinimMaximum 5 10 25 Percentile50 75 90 95 Stationary

R-squared 229 .229 229 229 229 229 229 229 229 229 R-squared 229 229 229 229 229 229 229 229 229 229

MaxAPE 1.266 1.266 1.266 1.266 1.266 1.266 1.266 1.266 1.266 1.266

MaxAE 1.290 1.290 1.290 1.290 1.290 1.290 1.290 1.290 1.290 1.290 Normalized

BIC -1.532 1.532 -1.532- -1.532-1.532-1.532-1.5321.532- -1.532-1.532

=>MSE=0.406

=>BIC=-1.532

Model Statistics

Model Number of Predictors

Model Fit statistics Ljung-Box Q(18)

Number of Outliers

Stationary R-squared Statistics DF Sig

ARIMA Model Parameters

Estima

CPI-Model_1 CPI Constant 100.330 .052 721917.9.000

No

Transformati

on

AR Lag

Lag

2 -.427 139 -3.067 003

MA Lag

Forecast

CPI-Model_1 Forecast 100.43 100.32 100.28 100.30 100.33

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, mô hình này là phù hợp.

LỰA CHỌN MÔ HÌNH PHÙ HỢP:

Mô hình Kiểm định phần dư MSE BIC

ARIMA(1,0,1) Phần dư là nhiễu trắng 0.413 -1.566

ARIMA(2,0,1) Phần dư là nhiễu trắng 0.406 -1.532

Trong các mô hình bên trên, cả 2 mô hình ARIMA(1, 0, 1); ARIMA(2, 0, 1) 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 mô hình ARIMA(2, 0, 1) là tốt nhất do có giá trị MSE nhỏ hơn nên ta

sẽ sử dụng kết quả dự báo của mô hình này

- Kết quả dự báo chỉ số CPI trong 5 tháng đầu năm 2021 ứng với giá trị của các quan sát thứ 61 đến 65 trên bảng Forecast:

Tháng 01/2021 02/2021 03/2021 04/2021 05/2021

CPI-Model_1 Forecast 100.43 100.32 100.28 100.30 100.33

LCL 99.62 99.44 99.40 99.39 99.41

Theo dự báo trong tháng 01/2021-03/2021 thì chỉ số CPI giảm và bắt đầu tăng từ tháng 04/2021 Chỉ số giá tiêu dùng năm 2021 tăng thấp nhất kể từ năm 2016 Sở dĩ có mức tăng thấp là do diễn biến phức tạp của dịch COVID-19 ảnh hưởng mạnh mẽ tới nhu cầu tiêu dùng của người dân Bên cạnh đó, một số nguyên nhân khác kiềm chế mức độ tăng CPI là: Dịch vụ du lịch, vui chơi giải trí giảm mạnh; việc thực thi chính sách hỗ trợ các đối tượng gặp khó khăn

do đại dịch COVID-19 như giảm giá tiền điện, hỗ trợ dịch

vụ viễn thông; một số địa phương tiếp tục miễn, giảm học phí

“Mong thầy chấm nhẹ tay ạ �!”