Tiểu luận mô hình xu thế dự báo và kiểm định

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ-LUẬT KHOA KINH TẾ ---------------  --------------- MÔ HÌNH XU THẾ DỰ BÁO VÀ KIỂM ĐỊNH TP. Hồ Chí Minh, tháng 09, năm 2014 MỤC LỤC DANH MỤC BẢNG VÀ HÌNH: Bảng 2: Ước lượng các hàm xu thế trên Eviews. Bảng 3.1: Bảng số liệu Tổng xuất nhập khẩu hàng hóa của Việt Nam giai đoạn 1996 -2013. (Nguồn: Tổng cục Hải quan 2013). Bảng 3.2: So sánh và lựa chọn mô hình tối ưu. Bảng 3.3: Lựa chọn mô hình dự báo. Hình 2: Đồ thị một số dạng hàm xu thế điển hình. Hình 3.1.1: Hiển thị dữ liệu cần dự báo. Hình 3.1.2: Vẽ đồ thị theo biến Time. Hình 3.1.3: Kết quả từ bảng kết xuất Eview hàm bậc 1. Hình 3.1.4: Kết quả kiểm định hệ số hồi quy. Hình 3.1.5 : Lệnh mở rộng Workfile. Hình 3.1.6: Kết quả mở rộng Workfile sau khi thực hiện lệnh. Hình 3.1.7 : Thực hiện dự báo cho Workfile vừa mở rộng. Hình 3.1.8: Các trị số so sánh hàm bậc 2. Hình 3.1.9: Nhận diện giá trị cận dưới, cận trên. Hình 3.1.10: Kết quả dự báo điểm và dự báo khoáng hàm bậc 1. Hình 3.2.1: Kết quả từ bảng kết xuất Eview hàm bậc 2. Hình 3.2.2: Thực hiện dự báo cho workfie. Hình 3.2.3: Các trị số so sánh hàm bậc 2. Hình 3.2.4: Kết quả dự báo điểm và dự báo khoáng hàm bậc 2. Hình 3.3.1: Mở dữ liệu để thực hiện dự báo. Hình 3.3.2: Vẽ đồ thị theo biến Time. Hình 3.3.3: Mô hình hàm hồi quy bậc 3. Hình 3.3.4: Thực hiện dự báo hàm bậc 3. Hình 3.3.5: Ước lượng gián tiếp bằng hàm Log-tuyến tính. Hình 3.3.6: Thực hiện dự báo hàm Log-tuyến tính. Hình 3.3.7: Kết quả dự báo điểm và khoảng của hàm tăng trưởng mũ. 2 Hình 3.3.8: Tính các thống kê mô tả cho biến resid3. Hình 3.4.1: Mô hình san mũ Holt với α=0.5 và β=0.67. Hình 3.4.2: Đồ thị dự báo hàm Holt. CHƯƠNG I: GIỚI THIỆU CHỦ ĐỀ 1. Giới thiệu Xu thế hay bản chất nhân quả là một trong những cách thức giúp người ta có cái nhìn rộng hơn về phía trước thông qua một quá trình kiểm nghiệm quá khứ. Trong chương trình học môn dự báo kinh tế này, chúng ta nghiên cứu khá nhiều phương pháp dự báo kết hợp những kiến thức nền của xác suất, thống kê, lượng hóa dữ liệu nhằm mô hình hóa các tư duy phán đoán thông thường của ta để tìm ra một phương pháp dự báo mang tính xu thế. Các dạng hàm toán học được sử dụng trong chương này sẽ giúp chúng ta nhận diện được xu hướng vận động của dữ liệu khi thực hiện dự báo bằng các mô hình phức tạp hơn như mô hình san bằng hàm mũ, hay mô hình ARIMA. Một thuận lợi chính của phương pháp đó là khi Wilson & Keating (2007) cho rằng chỉ cần ít nhất 10 quan sát khi áp dụng mô hình xu thế để dự báo. Mô hình ARIMA cũng đòi hỏi dữ liệu trong quá khứ cần ít nhất là 50 quan sát. Phương pháp xu thế ra đời giải quyết những đòi hỏi chưa đáp ứng được trong điều kiện thực tế khi mà nguồn thu thập dữ liệu còn hạn chế hay phải tốn chi phí cao để thực hiện. Phương pháp này đồng thời giúp ta phản ánh một xu thế nào đó cách khoa học hơn những phán đoán thông thường hằng ngày ta hay sử dụng, ngoài ra mô hình xu thế cũng được sử dụng trong các phương pháp dự báo khác như phương pháp phân tích và dự báo mô hình nhân quả. 2. Mục tiêu nghiên cứu  Khái quát tổng thể mô hình hàm xu thế. 3  Lý giải được những trường hợp nào có thể áp dụng mô hình xu thế trong dự báo và khi nào hàm xu thế đóng vai trò tối ưu trong dự báo.  Phân biệt được những dạng hàm xu thế thường sử dụng.  Sử dụng được Eviews để thực hiện dự báo bằng các mô hình xu thế. 3. Phạm vi nghiên cứu Nghiên cứu và chạy hàm xu thế bậc nhất, bậc hai, hàm bậc ba-hàm tăng trưởng mũ sau đó so sánh lựa chọn hàm tối ưu nhất thông qua chỉ tiêu và ESS, cuối cùng là sẽ chạy mô hình Holt trong hàm dự báo giản đơn để kết luận tính ưu thế của hàm xu thế so với hàm giản đơn trong các chương trước. Để đơn giản hơn khi xem xét số liệu biến động theo thời gian như thế nào, ngoài việc sử dụng đồ thị khi kết xuất trên Eview, chúng ta có thể sử dụng phương pháp tính sai phân bậc 1 của biến Y, hoặc sử dụng hệ số tương quan giữa Y và Time để xem xét độ phù hợp và sẽ thông qua khi giá trị tuyệt đối của hệ số này lớn (thường là >0.9). Phương pháp sai phân cũng được sử dụng trong dạng hàm bậc 2, bậc 3. Trong phạm vi dự báo theo mô hình xu thế, nhóm quyết định không dự báo quá xa 1/3 dữ liệu có được trong quá khứ để tăng tính hiệu quả của dự báo cũng như đảm bảo tính không chệch của ước lượng các hệ số. CHƯƠNG II: TỔNG QUAN VỀ LÝ THUYẾT 1. Khái niệm Xu thế là sự vận động tăng hoặc giảm của dữ liệu trong một thời gian dài. Sự vận động này có thể được mô tả bằng một đường thẳng (xu thế tuyến tính) hay bởi một vài dạng đường cong toán học (xu thế phi tuyến tính). Có thể mô hình hóa hàm xu thế bằng cách thực hiện một hàm hồi quy thích hơp giữa biến cần dự báo (biến Y) và thời gian (biến t). Khi thực hiện, người làm cần dựa trên một giả định rằng, dạng thức vận động của dữ liệu trong quá khứ sẽ còn tiếp tục trong tương lai. Nó sử dụng thời gian (biến Time) là biến giải thích, với Time = 1 tương ứng với quan sát đầu tiên, tăng dần theo thời gian và bằng n tương ứng với quan sát cuối cùng. 2. Mô hình dự báo xu thế (phương pháp dự báo xu thế) 4 Mô hình dự báo này sử dụng các hàm đa thức, mô hình hồi quy phi tuyến tính theo các tham số, các mô hình hồi quy tuyến tính theo tham số. 3. Ưu, nhược điểm của mô hình. Ưu điểm: Dự báo bằng mô hình xu thế là phương pháp đơn giản và hữu ích trong việc dự báo xu hướng vận động của các chuỗi thời gian trong giai đoạn tăng trưởng của chu kì kinh doanh hoặc dự báo tốc độ tăng trưởng của một số chỉ số kinh tế - xã hội. Vì vậy, cần nghiên cứu mô hình để có thể ứng dụng vào thực tiễn. Nhược điểm: Các mô hình dự báo chỉ đơn thuần là những thống kê mô tả đơn giản các dữ liệu lịch sử, hoặc việc sử dụng các mô hình này là quá cứng nhắc do đó chúng ta không thể quyết định một chính sách dựa trên một khuôn khổ quá máy móc của một mô hình. Mô hình dự báo xu thế tuy khắc phục được khâu thu thập dữ liệu phức tạp nhưng chắc hẳn nó sẽ tiểm ẩn những sai lệch do xu thế thay đổi hay những biến động phức tạp trong thực tế mà mô hình không phải ánh hết được. Dựa trên giả định rằng: quy luật vận động của dữ liệu trong quá khứ sẽ vẫn còn tiếp tục trong tương lai. Mà trong tương lai thì bất kì một biến số kinh tế xã hội hay quản trị nào đều hàm chứa yếu tố rủi ro và bất định. 4. Ứng dụng của mô hình dự báo xu thế. Dự báo bằng các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng và logistics…vì tính đơn giản và dễ thực hiện trong thực tế. Trong thực tế kinh doanh ở công ty hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không có nhiều, và cũng khó có thể thu thập được số liệu của nhiều biến khác có khả năng ảnh hưởng đến số cần dự báo trong giới hạn về điều kiện thời gian, kinh phí… Lúc đó, chúng ta cần nghĩ đến phương pháp dự báo bằng các mô hình xu thế. 5. Lý thuyết của mô hình dự báo xu thế. 5.1 Nhận dạng các hàm xu thế điển hình Giả sử chúng ta có sẵn dữ liệu của biến theo thời gian, thì làm sao chúng ta biết được xu thế trong dữ liệu sẽ tuân theo dạng hàm nào? Cách đơn giản nhất, người làm dự báo thường vẽ đồ thị của biến phụ thuộc () theo thời gian (Time), sau 5 đó nhận dạng xem đồ thị đó biến động gần với dạng đồ thị của hàm số tương ứng với dạng hàm toán học nào. Dưới đây là một số dạng hàm xu hướng được sử dụng phổ biến và đồ thị tương ứng. Một số dạng hàm xu thế điển hình A. B. C. D. E. F. G. Tuyến tính : Bậc hai: Bậc ba: (3) Tuyến tính – log: Nghịch đảo: Tăng trưởng mũ: Log – tuyến tính: (1) (2) (4) (5) (6) (7) Ba dạng hàm đầu tiên, được gọi là các hàm đa thức. Ngoại trừ mô hình F là mô hình hồi quy phi tuyến theo các tham số, các mô hình còn lại đều là các mô hình hồi quy tuyến tính theo tham số. Người ta không ước lượng mô hình F một cách trực tiếp bằng phương pháp OLS được, mà ước lượng gián tiếp thông qua mô hình G. Dễ dàng nhận thấy rằng , nếu lấy ln hai vế của phương trình hồi quy mở mô hình F, sẽ có được kết quả như mô hình G. Trong cách phương trình trên, chúng ta gặp một số hạng được ký hiệu là – sai số của mô hình.Trong các phương trình dự báo luôn có nó vì dữ liệu trong thực tế không phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn, nói cách khác thường tồn tại một sai số. Sai số này càng nhỏ càng tốt. Hình 2: Đồ thị một số dạng hàm xu thế điển hình. Tuyến tính Bậc 2 Bậc 3 ( (1) Logarithm (2) (3) Nghịch đảo 6 Tăngtrưởng (4) (5) (6) . Cũng có khi bằng đồ thị, chúng ta chưa phân biệt được dữ liệu có xu thế tương ứng với dạng hàm toán học nào. Lúc đó, chúng ta có thể ước lượng một số mô hình mà mình cho rằng có khả năng phù hợp, sau đó kiểm định, tính toán các chỉ tiêu đo lường độ chính xác, v.v…, và chọn ra mô hình phù hợp nhất. Chúng ta cũng có thể kết hợp nhiều cách nhận diện khác nhau như quan sát đồ thị, hệ số tương quan, sai phân, hoặc tốc độ phát triển. 5.2 Ước lượng và kiểm định Các mô hình xu thế có thể là mô hình hổi quy bội, cũng có thể là mô hình hồi quy đơn. Với các mô hình xu thế tuyến tính theo tham số, chúng ta có thể dùng phương pháp OLS để ước lượng (xem Bảng 1). Sau đó, cần kiểm định ý nghĩa thống kê của các hệ số độ dốc, đánh giá mức độ phù hợp chung, đánh giá độ chính xác của mô hình , và dò tìm xem mô hình có bị vi phạm các giả định của phương pháp OLS không (Gaynor & Kirkpatrick, 1994). Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là: (1) sai số dự báo tuân theo quy luật phân phối chuẩn, (2) phương sai của sai số không đổi, (3) mô hình không bị hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994). Nếu một trong số các giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số độ dốc ước lượng sẽ bị chệch. Với Eviews, chúng ta dễ dàng ước lượng các mô hình bằng cách gõ lệnh tương ứng vào cửa sổ lệnh; đọc bảng kết quả hồi quy (viết phương trình, kiểm định hệ số độ dốc, kiểm định mức độ phù hợp chung…) từ cửa sổ Equation; và kiểm định các giả định của mô hình hổi quy tuyến tính theo tham số (liên quan đến phần dư) bằng cách chọn mục phù hợp trong Menu View\Residual Test\ tử cửa sổ Equation. Bảng 2: Ước lượng các hàm xu thế trên Eviews. Phương trình hồi quy tổng thể Các lệnh trên Eviews LS Y C Time LS Y C Time Time^2 LS Y C Time Time^2 Time^3 LS Y C LOG(Time) 7 LS Y C 1/Time LS LOG(Y) C Time LS LOG(Y) C Time 5.3 Phương sai thay đổi  Bản chất phương sai của sai số thay đổi: Trái với giả thiết của mô hình hồi quy tuyến tính cổ điển phương sai của sai số không đổi var= E() = , i. Phương sai của sai số thay đổi có hàm mật độ xác suất không giống nhau ứng với mỗi giá trị khác nhau của biến độc lập, nghĩa là nó mô tả cho trường hợp phương sai của các sai số thay đổi, var= E() = .  Nguyên nhân: Phương sai thay đổi có thể do một số nguyên nhân sau: Do bản chất của các mối quan hệ kinh tế: có nhiều mối quan hệ kinh tế đã chứa đựng hiện tượng này. Chẳng hạn mối quan hệ giữa thu nhập và tiết kiệm, thông thường thu nhập tăng thì mức độ biến động của tiết kiệm cũng tăng. Do kỹ thuật thu nhập số liệu được cải tiến, dường như giảm. Kỹ thuật thu thập số liệu càng được cải tiến sai lầm phạm phải càng ít hơn. Do con người học được hành vi trong quá khứ. Chẳng hạn, lỗi của người đánh máy càng ít nếu thời gian thực hành càng tăng. Phương sai của sai số thay đổi cũng xuất hiện khi có các quan sát ngoại lai. Quan sát ngoại lai là các quan sát khác biệt rất nhiều (quá nhỏ hoặc quá lớn) với các quan sát khác trong mẫu. Việc đưa vào hoặc loại bỏ các quan sát này ảnh hưởng rất lớn đến phân tích hồi quy. Một nguyên nhân khác là mô hình định dạng sai. Có thể do bỏ sót biến thích hợp hoặc dạng giải thích của hàm sai.  Hậu quả Các ước lượng bình quân nhỏ nhất (OLS) vẫn là không chệch nhưng không hiệu quả (ước lượng có phương sai nhỏ nhất). Ước lượng của các phương sai sẽ bị chệch như vậy làm mất hiệu lực khi kiểm định. 8 Việc dùng thống kê t và F để kiểm định giả thiết không còn đáng tin cậy nữa, do đó kết quả kiểm định không còn tin cậy. Kết quả dự báo không còn hiệu quả nữa khi sử dụng các ước lượng bình phương nhỏ nhất có phương sai không nhỏ nhất. Nghĩa là nếu sử dụng các hệ số ước lượng tìm được bằng phương pháp khác mà chúng không chệch và có phương sai nhỏ hơn các ước lượng OLS thì kết quả dự báo sẽ tốt hơn. Phương pháp phát hiện phương sai thay đổi: Phương pháp định tính: Dựa vào bản chất vấn đề nghiên cứu Xem xét đồ thị của phần dư 2. Phương pháp định lượng: Kiểm định Park Kiểm định Glejser Kiểm dịnh Goldfeld – Quandt Kiểm định White:  1. a. b. c. d. Kiểm định White đề nghị một thủ tục không đòi hỏi U có phân phối chuẩn. Kiểm định này là một kiểm định tổng quát về sự thuần nhất của phương sai xét mô hình sau: (*) Bước 1: Ước lượng (*) bằng OLS, từ đó thu được các phần dư tương ứng Bước 2: Ước lượng mô hình sau: (**) là hệ số xác định bội từ (**) Bước 3: Kiểm định giả thiết : phương sai sai số đồng đều (= : phương sai sai số thay đổi ncó phần xấp xỉ (df), df bằng hệ số của mô hình (**) không kể hệ số chặn. Bước 4: Nếu n không vượt quá giá trị (df) thì giả thiết không có cơ sở bị bác bỏ và ngược lại Biện pháp khắc phục Trường hợp đã biết Có mô hình hổi quy tổng thể 2 biến:  1. 9 Giả sử rằng phương sai sai số đã biết; nghĩa là phương sai sai số của mỗi quan sát đã biết, chia hai vế của mô hình cho đã biết Khi đó Trong thực tế, chia mỗi quan sát Yi và Xi cho đã biết và chạy hồi quy OLS cho dữ liệu đã được chuyển đổi này. Ước lượng OLS của và được tính theo cách này được gọi là ước lượng bình phương bé nhất có trọng số (WLS); mỗi quan sát Y và X được chia cho trọng số (độ lệch chuẩn) của riêng nó, . 2. Trường hợp chưa biết  Trường hợp 1: phương sai sai số tỷ lệ với biến giải thích Chia hai vế của mô hình cho căn bậc hai của , với >0 Khi đó: Lưu ý: là để ước lượng mô hình trên, phải sử dụng mô hình hồi quy qua gốc.  Trường hợp 2: Phương sai sai số tỷ lệ với bình phương của biến giải thích Chia hai vế của mô hình cho với 0 Khi đó: ,  Trường hợp 3: Phương sai sai số tỷ lệ với bình phương của giá trị kỳ vọng của Y Chia hai vế của mô hình cho với Bước 1: Ước lượng mô hình hồi quy bằng phương pháp OLS: Và tính Biến đổi mô hình gốc về dạng như sau: 10 Bước 2: Ước lượng hồi quy trên dù Yi không chính xác là E(), nhưng chúng là ước lượng vững, nghĩa là khi cỡ mẫu tăng lên vô hạn thì chúng hội tụ về E. Do vậy, phép biến đổi trên có thể dung được khi cỡ mẫu tương đối lớn. Khi đó Var(Ui/Yi^2) = var(Ui)/Yi^2 =.[E(Yi)]^2/Yi^2 ~, với mọi i  Trường hợp 4: Định dạng lại mô hình. Thay vì ước lượng mô hình hồi quy gốc, ước lượng mô hình hồi quy: ln = + ln + Tình trạng phương sai sai số không đồng nhất sẽ bớt nghiêm trọng hơn so với mô hình gốc bởi vì khi được logarit hoá, độ lớn các biến bị ‘nén lại’ Lưu ý: Khi nghiên cứu mô hình có nhiều biến giải thích thì việc chọn biến nào để biến đổi cần phải được xem xét cẩn thận Phép biến đổi logarit không dùng được khi các giá trị của các biến âm Khi chưa biết, nó sẽ được ước lượng từ một trong các cách biến đổi trên. Các - kiểm định t, F mà chúng ta sử dụng chỉ đáng tin cậy khi cỡ mẫu lớn, do đó chúng ta cần phải cẩn thận khi giải thích các kết quả dựa trên các phép biến đổi khác nhau trong các mẫu nhỏ. 5.4 Thực hiện dự báo a. Dự báo điểm Các công thức để tính dự báo điểm với hàm xu thế: 1. 2. 3. 4. 5. 6. 7. Tuyến tính: Bậc hai: Bậc ba: Tuyến tính – log: Nghịch đảo: Log – tuyến tính: Tăng trưởng mũ: Trong đó b. Dự báo khoảng Khoảng dự báo của năm mô hình đầu tiên được tính theo công thức sau: - Công thức để tính dự báo khoảng: Trong đó: là giá trị dự báo điểm tại thời điểm dự báo 11 là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t. - Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức: Exp[ln( Trong đó: là sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi dựbáo ln(). vàđược phần mềm máy tính tự động tính toán. Exp(X) là CHƯƠNG III: TÌNH HUỐNG NGHIÊN CỨU Tình hình xuất-nhập khẩu phụ thuộc vào những yếu tố khách quan như GDP, tỷ giá hối đoái, những yếu tố này có xu hướng biển đổi một chiều theo thời gian vì chúng có quan hệ tác động lẫn nhau, điển hình khi tỷ giá tăng tức đồng nội tệ mất giá giúp cho GDP có xu hướng tăng trưởng, và kim ngạch XNK cũng thay đổi, và trong thực tế cho thấy các yếu tố này tăng trưởng theo thời gian theo sau chủ yếu bởi khuynh hướng phá giá đồng tiền của các nước trong đó có Việt Nam. Khi nghiên cứu các yếu tố hợp thành giá trị XNK, hàm xu thế diễn giải rất rõ những khuynh hướng tương lai gần theo các thông số cơ sở của quá khứ, vì thế nhóm quyết định sử dụng hàm xu thế cho mục đích nghiên cứu này. Thông qua đó cho phép chính phủ, nhà kinh doanh thấy được những gì họ sẽ phải đối mặt và đứng trước tinh thế đó thì họ phải xử lý như thế nào? ở đây có thể nghiên cứu ảnh hưởng trong một tình huống chi tiết như sau: Anh A là một nhà kinh tế, anh muốn dự báo xu thế tổng xuất nhập khẩu trong 2 năm tiếp theo. Bảng 3.1: Bảng số liệu Tổng xuất nhập khẩu hàng hóa của Việt Nam giai đoạn 1996 -2013. (Nguồn: Tổng cục Hải quan 2013). (Đơn vị: Triệu USD) 12 Năm 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 Tổng XNK 18399 19907 20818 23143 30084 31190 36439 45403 58458 69420 84717 111244 143399 127045 157075 203656 228310 264066 Bước 1: Mở tập tin “XNK” trên Eviews Hiển thị dữ liệu để thực hiện các thao tác dự báo Tạo biến thứ tự thời gian t bằng cách gõ vào cửa sổ lệnh: GENR T= @TREND(1995) Hình 3.1.1: Hiển thị dữ liệu cần dự báo. 13 Bước 2: Nhận dạng Ta sẽ vẽ đồ thị xem dữ liệu biến động theo thời gian thuộc dạng hàm xu thế nào Vẽ đồ thị GDP theo thời gian: tại cửa sổ Series:GDP chọn View\Graph\Line Đồ thị dưới đây cho thấy có thể dữ liệu biến động theo thời gian dưới dạng hàm tuyến tính bậc nhất, cũng có thể là một nhánh của đường xu thế bậc hai. Chúng ta sẽ thực hiện ước lượng và kiểm định cả hai dạng hàm, sau đó sẽ so sánh xem dạng hàm nào phù hợp hơn. Hình 3.1.2: Vẽ đồ thị theo biến Time. 14 1. Hàm bậc nhất. Bước 3: Ước lượng hàm xu thế bậc nhất Trong cửa sổ lệnh Eviews, gõ lệnh Hình 3.1.3: Kết quả từ bảng kết xuất Eview hàm bậc 1. Hàm hồi quy: = -3759,37 +13739,5T Bước 4: Kiểm định hệ số hồi quy Tra bảng giá trị t ở mức ý nghĩa 5%, gõ vào cửa sổ lệnh: SCALAR t025_16=@qtdist(0.975,16) Hình 3.1.4: Kết quả kiểm định hệ số hồi quy. 15 Từ kết quả trên ta có t tra bảng là t0.25,16=2,12 (mức ý nghĩa 5%) T-stat(T)=10,79 > t0.25,16=2.12 , suy ra hệ số có ý nghĩa thống kê ở độ tin cậy 95%. Đánh giá mức độ phù hợp chung của mô hình hồi quy: =0,8793 cho thấy 87.9% biến thiên của biến GDP được giải thích bởi mô hình. Prob(F-statistic)=0.0000 nên mô hình phù hợp với dữ liệu. Bước 5 : Mở rộng Workfile Từ thanh công cụ của cửa sổ Workfile, chọn Proc\Structure\Resize Current Page. Hộp thoại Workfile structure xuất hiện, nhập lại năm 2015 vào ô End date để mở rộng kích cỡ thêm 2 năm cần dự báo ; nhấp OK. Khi đó sẽ hiện ra hộp thoại và thông báo ‘‘Resize involves inserting 2 observations’’, chúng ta hãy chọn Yes Hình 3.1.5 : Lệnh mở rộng Workfile. 16 Dữ liệu được mở rộng thêm 2 năm: Hình 3.1.6: Kết quả mở rộng Workfile sau khi thực hiện lệnh. Bước 6 : Thực hiện dự báo Tại cửa sổ Equation, bấm nút Forecast, hộp thoại Forecast xuất hiện: Hình 3.1.7 : Thực hiện dự báo cho Workfile vừa mở rộng. Tên biến lưu giá trị dự báo điểm của hàm tuyến tính bậc nhất 17 Tên biến lưu giá trị sai số chuẩn của giá trị dự báo Bấm OK, kết quả dự báo trên Eviews: Hình 3.1.8: Các trị số so sánh hàm bậc 2. Để tính giá trị cận dưới và cận trên của khoảng dự báo, hãy gõ lệnh vào cửa sổ lệnh Eviews: GENR LO_XNKF=@-qtdist(0.975,16)*se1 GENR UP_XNKF=@+qtdist(0.975,16)*se1 Với LO_XNKF và UP_XNKF là tên biến lưu giá trị cận dưới và cận trên của khoảng dự báo. 18 Hình 3.1.9: Nhận diện giá trị cận dưới, cận trên. Lúc này trong cửa sổ Workfile đã xuất hiện 2 biến lo_xnkf và up_xnkf, còn biến xnkf lưu giá trị dự báo điểm của dự báo. 19 Mở Group cho các biến xnk, t, xnkf, lo_xnkf và up_xnkf ta có kết quả dự báo: Hình 3.1.10: Kết quả dự báo điểm và dự báo khoáng hàm bậc 1. 20 Nếu sử dụng mô hình xu thế tuyến tính để dự báo tổng xuất nhập khẩu hàng hóa (triệu USD) vào năm 2015, dự báo điểm là 237196,5 triệu USD; ở độ tin cậy 95% tổng xuất nhập khẩu hàng hóa vào năm 2015 có khả năng nằm trong khoảng từ 169935,3 đến 304457,8 triệu USD. 2. Hàm bậc hai. Bước 7: Ước lượng hàm xu thế bậc hai Trong cửa sổ lệnh Eviews, gõ lệnh LS XNK C T T^2 Hình 3.2.1: Kết quả từ bảng kết xuất Eview hàm bậc 2. Hàm hồi quy: = 28882.03 – 6203.126T + 1049.612 Bước 8: Kiểm định ý nghĩa thống kê của các hệ số hồi quy: 21 Hệ số hồi quy có ý nghĩa thống kê ở độ tin cậy 95% vì Prob () = 0.0023 (nhỏ hơn mức ý nghĩa 0.05) Hệ số hồi quy có ý nghĩa thống kê ở độ tin cậy 95% vì Prob () = 0.000 (nhỏ hơn mức ý nghĩa 0.05) Đánh giá mức độ phù hợp của mô hình hồi quy: =0.988788. Thống kê F bằng 661.4546 với Prob = 0.000 (nhỏ hơn 0.05) ; điều này cho ta kết luận rằng mô hình phù hợp với dữ liệu. Adjusted =0.987294 cho biết 98.7294% biến thiên của biến XNK được giải thích bởi mô hình. Bước 9: Thực hiện dự báo: Tại cửa sổ Equation, bấm nút Forecast, hộp thoại Forecast xuất hiện Hình 3.2.2: Thực hiện dự báo cho workfie. Tên biến lưu giá trị dự báo điểm của hàm bậc hai Tên biến lưu giá trị sai số chuẩn của giá trị dự báo Bấm OK, kết quả dự báo trên Eviews: 22 Hình 3.2.3: Các trị số so sánh hàm bậc 2. Để tính giá trị cận dưới và cận trên của khoảng dự báo, hãy gõ lệnh vào cửa sổ lệnh Eviews: GENR LO_XNKF2=@-qtdist(0.975,15)*se2 23 GENR UP_XNKF2=@+qtdist(0.975,15)*se2 Với LO_XNKF2 và UP_XNKF2 là tên biến lưu giá trị cận dưới và cận trên của khoảng dự báo. Mở Group cho các biến xnk, t, xnkf2, lo_xnkf2 và up_xnkf2 ta có kết quả dự báo: Hình 3.2.4: Kết quả dự báo điểm và dự báo khoáng hàm bậc 2. XNKF2: Gía trị dự báo điểm của mô hình năm 2015 là 324664,2 LO_XNKF2: Gía trị cận dưới của dự báo năm 2015 từ 298387 UP_XNKF2: Gía trị cận trên của dự báo năm 2015 đến 350941,4 24 3. Hàm tăng trưởng mũ. Bước 1: Mở dữ liệu trên Eviews, mở biến T cho dữ liệu bằng cách gõ vào cửa sổ lệnh: GENR T= @TREND(1995) Hình 3.3.1: Mở dữ liệu để thực hiện dự báo. Bước 2: Nhận dạng Ta sẽ vẽ đồ thị xem dữ liệu biến động theo thời gian thuộc dạng hàm xu thế nào Vẽ đồ thị XNK theo thời gian: tại cửa sổ Series:XNK chọn View\Graph\Line Hình 3.3.2: Vẽ đồ thị theo biến Time. 25 Bước 3: Ước lượng và dự báo hàm xu thế bậc ba Hình 3.3.3: Mô hình hàm hồi quy bậc 3. Kết quả ước lượng: = 19278,45 -841,9738T+363,3841+24,06388 Hình 3.3.4: Thực hiện dự báo. 26 Bước 4: Ước lượng hàm tăng trưởng mũ Để ước lượng hàm tăng trưởng mũ, cần phải ước lượng gián tiếp thông qua mô hình Log-tuyến tính. Trong cửa sổ lệnh Eviews, gõ lệnh LS LOG(FDI) C T Hình 3.3.5: Ước lượng gián tiếp bằng hàm Log-tuyến tính. Hàm hồi quy Log_Tuyến tính:=9,468+0,169T Hình 3.3.6: Thực hiện dự báo hàm Log-tuyến tính. 27 Bước 5: Kiểm định ý nghĩa thống kê của hệ số hồi quy: Hệ số hồi quy có ý nghĩa thống kê ở độ tin cậy 95% vì Prob () = 0.0000 (nhỏ hơn 0.05). Đánh giá mức độ phù hợp chung của mô hình hồi quy: =0.987 cho thấy 98,7% biến thiên của biến LN(XNK) được giải thích bởi mô hình. Prob(F-statistic) = 0.000 nên mô hình phù hợp với dữ liệu. Bước 6: Thực hiện dự báo: Tại cửa sổ Equation, bấm nút Forecast, hộp thoại Forecast xuất hiện : Gõ lệnh vào cửa sổ lệnh Eviews: GENR XNK3=EXP(XNK2+(0.103870^2 )/2) để tính giá trị dự báo điểm của mô hình tăng trưởng mũ. 28 GENRLO_XNK3=EXP(XNK2-@QTDIST(0.975,16)*SE2+(0.103870^2)/2) để tính giá trị cận dưới của mô hình tăng trưởng mũ. GENRUP_XNK3=EXP(XNK2+@QTDIST(0.975,16)*SE2+(0.103870^2)/2) để tính giá trị cận trên của mô hình tăng trưởng mũ. Với /2= ()/2 Mở Group cho các biến XNK, T, XNKF3, LO_XNK3 và UP_XNK3 để xem kết quả dự báo. Hình 3.3.7: Kết quả dự báo điểm và khoảng của hàm tăng trưởng mũ. Bước 7: Đánh giá độ chính xác của mô hình dự báo: Với cách tính trên, Eviews không trực tiếp tính độ chính xác của mô hình tăng trưởng mũ. Gỉa sử chúng ta cần tính chỉ tiêu ESS, MSE của mô hình dự báo, ta làm như sau: Tạo biến resid3 để lưu giá trị bình phương của phần dư bằng cách gõ lệnh sau: 29 GENR RESID3=(XNK-XNK3)^2 Hình 3.3.8: Tính các thống kê mô tả cho biến resid3. Mở biến resid3, chọn View\Descriptive Statistics and Tests\Stats Table Hình 3.3.9: Bảng mô tả phần dư. So sánh và lựa chọn mô hình phù hợp 30 Ta sẽ so sánh các tiêu chí đo lường độ chính xác của 2 mô hình, và chọn ra mô hình phù hợp nhất và lấy kết quả dự báo: Bảng 3.3: So sánh và lựa chọn mô hình tối ưu. Tiêu chí Bậc nhất Bậc hai Bậc ba Tăng trưởng mũ RMSE 0.879313 26408.3 0.988788 8049.002 0.989961 7615.625 0.987687 8507.445 MAE 22858.04 5393.727 4551.98 5614.282 MAPE 48.37048 7.422885 4.841562 7.472862 Theil'U 0.111341 0.033558 0.031745 0.035551 Ta sẽ chọn mô hình hàm bậc ba, vì có lớn hơn và các chỉ số đo lường RMSE, MAE, MAPE và Theil’U nhỏ hơn. 4. So sánh mô hình xu thế bậc 3 và Holt. Quy trình thực hiện giống san mũ đơn. Mở tập tin “DATA4-4” trên Eview->Vào Quick/Series Statistics/Exponential Smoothing->Chọn Holt-Winters-No seasonal Sau khi chọn “OK”, Eview sẽ tự tạo một biến dự báo có tên YSM và bảng kết quả dự báo như sau: Hình 3.4.1: Mô hình san mũ Holt với α=0.5 và β=0.67. 31 Hình 3.4.2: Đồ thị dự báo hàm Holt. Tiêu chí Bậc ba San mũ Holt ESS 1.04 E+09 3.39 E+09 Vậy ta chọn hàm bậc 3 vì có ESS nhỏ hơn san mũ Holt. CHƯƠNG IV: KẾT LUẬN VÀ ĐỀ XUẤT MÔ HÌNH Mô hình dự báo xu hướng này tuân thủ khá chặt chẽ các quy luật, nguyên tắc vận động của dữ liệu trong quá khứ. Với phương pháp này người nghiên cứu kinh tế dễ dàng đề xuất các phương án thông qua kết quả phân tích của Eview kết hợp với 32 kinh nghiệm bản thân trong thực tế, tư duy khách quan, thì khả năng thực thi của hàm dự báo xu thế sẽ tốt hơn cả về lý thuyết lẫn thực tại. Đây là một chức năng phân tích khá tốt nếu người làm dự báo có cái nhìn tổng thể về các xu hướng đã từng xảy ra trong quá khứ khi đó sẽ hình dung và trả lời được cho câu hỏi “ta có nên sử dụng dự báo bằng chạy mô hình xu thế này không?” Là một sinh viên ngành kinh tế học, kiến thức ở trường thực sự mới chỉ là lý thuyết, các công thức của mô hình cũng như các bước thực hiện một bài dự báo còn khá mới mẻ nên nhóm chỉ mới dừng lại ở mức độ thông hiểu công thức, và tìm hiểu các phép kiểm nghiệm chứ chưa thực sự có khả năng xem xét tốt một vấn đề khi nó có khả năng sử dụng phương pháp dự báo xu thế hay không. Tuy nhiên thông qua đó cũng tìm ra được những ưu, nhược điểm của mô hình nhằm xác định cho việc nghiên cứu, ứng dụng nó trong các hoạt động nghiên cứu dự báo sau này. Để tăng thêm độ khả dụng, mức hiệu quả của dự báo sau này hơn so với nghiên cứu hiện tại, nhóm mạnh dạn đề ra các biện pháp khắc phục như sau:  Cần phân tích thêm môi trường dự báo để điều chỉnh kết quả dự báo theo một tỷ lệ nào đó.  Cân nhắc lựa chọn dạng hàm xu thế phù hợp dựa vào các thông số thống kê và kinh nghiệm nhận định một xu thế đã xảy ra khá sát với dự báo trong quá khứ.  Các mô hình dự báo xu thế chỉ thích hợp cho các dự báo ngắn hạn. ST T 1 2 3 4 5 BẢNG PHÂN CÔNG CÔNG VIỆC TRONG NHÓM TÊN MSSV CÔNG VIỆC Lê Văn Đức Trần Quang Minh Lê Hà Quỳnh Như K124012203 K124012209 K124012215 Nguyễn Ngọc K124012222 Phương Quyên Lê Phương Thanh K124012228 33         Slide thuyết trình Tổng hợp tiểu luân Mô hình bậc hai So sánh mô hình Holt Mô hình tăng trưởng mũ So sánh mô hình Holt Mô hình bậc nhất So sánh mô hình Holt Danh mục tài liệu tham khảo: PGS.TS. Nguyễn Trọng Hoài (2009), Dự Báo Và Phân Tích Dữ Liệu Trong Kinh Tế Và Tài Chính, NXB Thống Kê. http://www.forecasters.org http://www.customs.gov.vn Thống Kê Hải Quan, Tổng xuất - nhập khẩu ( triệu USD) từ 1996 đến 2013. Tiểu luận của các anh chị khoa kinh tế các khóa trước. HẾT 34 [...]... của dự báo sau này hơn so với nghiên cứu hiện tại, nhóm mạnh dạn đề ra các biện pháp khắc phục như sau:  Cần phân tích thêm môi trường dự báo để điều chỉnh kết quả dự báo theo một tỷ lệ nào đó  Cân nhắc lựa chọn dạng hàm xu thế phù hợp dựa vào các thông số thống kê và kinh nghiệm nhận định một xu thế đã xảy ra khá sát với dự báo trong quá khứ  Các mô hình dự báo xu thế chỉ thích hợp cho các dự báo. .. lo_xnkf và up_xnkf ta có kết quả dự báo: Hình 3.1.10: Kết quả dự báo điểm và dự báo khoáng hàm bậc 1 20 Nếu sử dụng mô hình xu thế tuyến tính để dự báo tổng xu t nhập khẩu hàng hóa (triệu USD) vào năm 2015, dự báo điểm là 237196,5 triệu USD; ở độ tin cậy 95% tổng xu t nhập khẩu hàng hóa vào năm 2015 có khả năng nằm trong khoảng từ 169935,3 đến 304457,8 triệu USD 2 Hàm bậc hai Bước 7: Ước lượng hàm xu thế. .. Khoảng dự báo của năm mô hình đầu tiên được tính theo công thức sau: - Công thức để tính dự báo khoảng: Trong đó: là giá trị dự báo điểm tại thời điểm dự báo 11 là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t - Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức: Exp[ln( Trong đó: là sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi d báo ln() và ược... Tổng hợp tiểu luân Mô hình bậc hai So sánh mô hình Holt Mô hình tăng trưởng mũ So sánh mô hình Holt Mô hình bậc nhất So sánh mô hình Holt Danh mục tài liệu tham khảo: PGS.TS Nguyễn Trọng Hoài (2009), Dự Báo Và Phân Tích Dữ Liệu Trong Kinh Tế Và Tài Chính, NXB Thống Kê http://www.forecasters.org http://www.customs.gov.vn Thống Kê Hải Quan, Tổng xu t - nhập khẩu ( triệu USD) từ 1996 đến 2013 Tiểu luận của... cận trên của mô hình tăng trưởng mũ Với /2= ()/2 Mở Group cho các biến XNK, T, XNKF3, LO_XNK3 và UP_XNK3 để xem kết quả dự báo Hình 3.3.7: Kết quả dự báo điểm và khoảng của hàm tăng trưởng mũ Bước 7: Đánh giá độ chính xác của mô hình dự báo: Với cách tính trên, Eviews không trực tiếp tính độ chính xác của mô hình tăng trưởng mũ Gỉa sử chúng ta cần tính chỉ tiêu ESS, MSE của mô hình dự báo, ta làm như... 29 GENR RESID3=(XNK-XNK3)^2 Hình 3.3.8: Tính các thống kê mô tả cho biến resid3 Mở biến resid3, chọn View\Descriptive Statistics and Tests\Stats Table Hình 3.3.9: Bảng mô tả phần dư So sánh và lựa chọn mô hình phù hợp 30 Ta sẽ so sánh các tiêu chí đo lường độ chính xác của 2 mô hình, và chọn ra mô hình phù hợp nhất và lấy kết quả dự báo: Bảng 3.3: So sánh và lựa chọn mô hình tối ưu Tiêu chí Bậc nhất... chọn mô hình hàm bậc ba, vì có lớn hơn và các chỉ số đo lường RMSE, MAE, MAPE và Theil’U nhỏ hơn 4 So sánh mô hình xu thế bậc 3 và Holt Quy trình thực hiện giống san mũ đơn Mở tập tin “DATA4-4” trên Eview->Vào Quick/Series Statistics/Exponential Smoothing->Chọn Holt-Winters-No seasonal Sau khi chọn “OK”, Eview sẽ tự tạo một biến dự báo có tên YSM và bảng kết quả dự báo như sau: Hình 3.4.1: Mô hình. .. cho ta kết luận rằng mô hình phù hợp với dữ liệu Adjusted =0.987294 cho biết 98.7294% biến thiên của biến XNK được giải thích bởi mô hình Bước 9: Thực hiện dự báo: Tại cửa sổ Equation, bấm nút Forecast, hộp thoại Forecast xu t hiện Hình 3.2.2: Thực hiện dự báo cho workfie Tên biến lưu giá trị dự báo điểm của hàm bậc hai Tên biến lưu giá trị sai số chuẩn của giá trị dự báo Bấm OK, kết quả dự báo trên... hàm dự báo xu thế sẽ tốt hơn cả về lý thuyết lẫn thực tại Đây là một chức năng phân tích khá tốt nếu người làm dự báo có cái nhìn tổng thể về các xu hướng đã từng xảy ra trong quá khứ khi đó sẽ hình dung và trả lời được cho câu hỏi “ta có nên sử dụng dự báo bằng chạy mô hình xu thế này không?” Là một sinh viên ngành kinh tế học, kiến thức ở trường thực sự mới chỉ là lý thuyết, các công thức của mô hình. .. Kết quả dự báo điểm và dự báo khoáng hàm bậc 2 XNKF2: Gía trị dự báo điểm của mô hình năm 2015 là 324664,2 LO_XNKF2: Gía trị cận dưới của dự báo năm 2015 từ 298387 UP_XNKF2: Gía trị cận trên của dự báo năm 2015 đến 350941,4 24 3 Hàm tăng trưởng mũ Bước 1: Mở dữ liệu trên Eviews, mở biến T cho dữ liệu bằng cách gõ vào cửa sổ lệnh: GENR T= @TREND(1995) Hình 3.3.1: Mở dữ liệu để thực hiện dự báo Bước 2: ... cuối Mô hình dự báo xu (phương pháp dự báo xu thế) Mô hình dự báo sử dụng hàm đa thức, mô hình hồi quy phi tuyến tính theo tham số, mô hình hồi quy tuyến tính theo tham số Ưu, nhược điểm mô hình. .. cứu mô hình để ứng dụng vào thực tiễn Nhược điểm: Các mô hình dự báo đơn thống kê mô tả đơn giản liệu lịch sử, việc sử dụng mô hình cứng nhắc định sách dựa khuôn khổ máy móc mô hình Mô hình dự báo. .. thêm môi trường dự báo để điều chỉnh kết dự báo theo tỷ lệ  Cân nhắc lựa chọn dạng hàm xu phù hợp dựa vào thông số thống kê kinh nghiệm nhận định xu xảy sát với dự báo khứ  Các mô hình dự báo xu