Mô hình phân tích chuỗi thời gian ARMA và ứng dụng trong dự báo GDP của việt nam

Mô hình phân tích chuỗi thời gian ARMA và ứng dụng trong dự báo GDP của việt nam

BÁO CÁO MÔN HỌC PHƯƠNG PHÁP TOÁN TRONG TIN HỌC

Hà Nội, Tháng 12/2010

Mục lục

Mở đầu 5

Chương 1: Các kiến thức cơ bản về chuỗi thời gian 6

1 Khái niệm và các thsi dụ về chuối thời gian 6

2 Mục đích của việc phân tích chuỗi thời gian 6

3 Dự báo 7

4 Qúa trình dừng và phân tích hệ số tự tương quan 8

4.1 Khái niệm về quá trình dừng 8

4.2 Hệ số tương quan và tự tương quan mẫu 9

4.2.1 Hệ số tương quan mẫu: 9

4.2.2 Hệ số tự tương quan mẫu 10

4.2.3 Hệ số tự tương quan riêng 11

5 Phương pháp dự báo chuỗi thời gian ARMA 12

5.1 Dự báo chuỗi thời gian dừng 12

5.2 Quá trình tự hồi quy AR (Auto Regressive): 12

5.3 Quá trình trung bình trượt MA(q): 13

5.4 Quá trình tự hồi quy kết hợp trung bình trượt ARIMA(p,q): 13

5.5 Kỹ thuật dự báo quá trình ARMA 14

Chương 2: Giới thiệu sơ bộ về phần mềm Eviews 16

Chương 3: Ứng dụng phân tích thời gian để dự báo GDP của Việt Nam 37

Kết luận 46

2

Lời cảm ơn

Em xin bày tỏ lòng biết ơn chân thành đối với PGS.TS.Trần Văn Nhơn, người

đã dạy chúng em chuyên đề “Phương pháp toán trong tin học” Những kiến thức

Thầy truyền đạt cho chúng em đã giúp em có thể hiểu một cách đầy đủ về môn học,

có ý nghĩa thiết thực cho công tác chuyên môn, đồng thời tạo điều kiện cho chúng emhoàn thành tốt chương trình học

Vì điều kiện thời gian và khả năng có hạn nên tiểu luận không thể tránh khỏinhững thiếu sót Em rất mong nhận được ý kiến đóng góp của thầy đề tiểu luận đượchoàn thiện

Xin chúc Thầy cùng các Thầy cô trong Trường Đại học Công nghệ Thôngtin - Đại học Quốc gia Thành phố Hồ Chí Minh lời chúc sức khoẻ, hạnh phúc vàthành đạt

3

“quan sát” thông qua chuỗi số liệu Đây là mô hình toán học rất sát với thực tế đượcứng dụng hầu hết trong các lĩnh như: Vật lý, Sinh học, Nông nghiệp, Kế hoạch, Tâm

lý, Ngôn ngữ, Kinh tế, Tài chính, Ngân hàng, Để ứng dụng chạy mô hình này đã cónhiều phần mềm tính toán như SAS, SPLUS, EVIEW, SPSS, MINITAB, STATA,hoặc ít nhất cũng là Microsoft Excell, trong tiểu luận em trình bày sợ bộ về phần mềmEview, một công cụ tốt để chạy mô hình phân tích chuỗi thời gian Dựa trên phươngpháp đề ra, và sử dụng phần mềm Eview em đã tính toán một bài toán thực tế trong đó

sử dụng số liệu về GDP của Việt Nam để kiểm chứng Kết quả thu được rất khả quan

Độ chính xác của dự báo là đáng tin cậy

Tiểu luận ngoài phần mở đầu và kết luận, sẽ có 3 chương:

Chương 1: Các kiến thức cơ bản về chuỗi thời gian

Chương 2: Giới thiệu sơ bộ về phần mềm EViews

Chương 3: Ứng dụng phân tích thời gian để dự báo GDP của Việt Nam

4

Chương 1: Các kiến thức cơ bản về chuỗi thời gian

1 Khái niệm và các thsi dụ về chuối thời gian.

Mục tiêu của các phân tích trong kinh tế, tài chính ứng dụng là chỉ ra các quyluật, đưa ra các cảnh báo, dự báo để đưa ra các quyết định Để dự báo được đòi hỏiphái cố một số lượng các quan sát cho các đại lượng thích hợp để nghiên cứu mối liên

hệ giữa các đại lượng này Các quan sát này có thể được tiến hành đều đặt qua từngthời kỳ chặng hạn theo từng tháng, theo từng Quý hoặc hàng năm hoặc chỉ trongnhững thời điểm đặc biệt như thời kỳ xẩy ra khủng hoảng kinh tế Dãy các quan sátnày được gọi là chuỗi thời gian Như vậy, chỗi thời gian là tập hợp các quan sát màmỗi quan sát ghi nhận tại thời điểm t với t Є T Chuỗi thời gian được gọi là rời rạc nếunhư T là tập rời rạc (Thí dụ các quan sát được thực hiện cách nhau một khoảng thờigian đều đặn như là doanh thu cước phí internet hàng tháng của một nhà cung cấpdịch vụ internet từ tháng 12 năm 1997 đến tháng 12 năm 2010) Trái lại nếu T là mộtkhoảng thì chuỗi được gọi là liên tục Biểu đồ ghi nhịp tim cảu một bệnh nhân trong 2giờ là 1 ví dụ minh hoa cho chỗi thời gian liên tục với T = [0, 2]

2 Mục đích của việc phân tích chuỗi thời gian.

Tất cả các kỹ thuật dự báo chuỗi thời gian dựa trên giả định là có một mẫu hình

cơ bản tiềm ẩn trong các số liệu đang nghiên cứu cùng với các yếu tố ngẫu nghiên ảnhhưởng lên hệ thống đang xét Công việc chính của phân tích chuỗi thời gian là nghiêncứu các kỹ thuật để tách mẫu hình cơ bản này và sử dụng nó như là cơ sở để dự báocho tương lai

Vấn đề là ở chỗ phần lớn các chuỗi thời gian trong cuộc sống thực tại là rất phứctạp nên các kỹ thuật đơn giản như làm trơn số liệu không thể sử dụng được chophương pháp phân tích chuỗi thời gian Kỹ thuật dự báo Box Jenkins là phương pháp

dự báo các chuỗi thời gian có độ phức tạp cao Kỹ thuật này được Box và GwinlymJenkins đề xuất năm 1970 và thường được gọi phương pháp dự báo tự hồi quy kết hợp

trung bình trượt (ARIMA - autoregressive integrated moving average).

5

Để dự báo được, trước hết ta giả thiét có một mô hình xác suất để biểu diễn dẫy

số liệu Sau khi chọn ra một mô hình gần với dẫy số liệu, chúng ta tiến hành ướclượng các tham số của mô hình, kiểm tra mô hình được sử dụng có thích hợp không

Cách tiếp cận chung để phân tích chuỗi thời gina là:

- Vẽ các số liệu của chuỗi lên một mựt phẳng tọa độ để xét các đặc trưng chínhcủa chúng, chú ý đến

+ Xu thế,

+ Thành phần theo mùa,

+ Những điểm thời gian thay đổi dáng điệu đơn,

+ Những quan sát dị thường

- Khử các xu thế và thành phần theo mùa bằng hai phương pháp chính:

+ Ước lựong các xu thế hay các biểu diễn theo mùa nhờ phương pháp bìnhphương tối thiểu sau đó trừ các giá trị của hành vừa ước lượng vào số liệu

+ Sai phân số liệu: Xét một chuỗi thời gian mới {Yt} từ chuỗi ban đầu nhờ toán

tự sai phân Yt = Xt – Xt-d (hoặc lặp lại một vài lần sai phân như vậy) Mục tiêu là nhậnđược chuỗi dừng Khái niệm về chuối dừng chúng ta đề cập tiếp ở phần sau

3 Dự báo

Dự báo là ước lượng các giá trị tương lai yt+h với h ≥ 1 của một biến ngẫu nhiên

dự trên các quan sát và các giá trị quá khú của nó y1, y2, y3, , yn Dự báo yt+h thườngđược ký hiệu là ŷt(h)

Chất lượng của dự báo phụ thuộc vào nhiều yếu tố Trước hết nó phụ thuộc vào

xu hướng phát triển của chuỗi thời gian nuếu chuỗi thời gian là hàm “đều đặn” theothời gian thì càng dễ dự báo Ví dụ tiến trình phát triển kinh tế không có những biếtđộng đặc biệt như khủng hoảng kinh tế thì các dễ dự báo tổng sản phẩn quốc nội GDPcho những năm sau Cho đến nay, các phương pháp dự báo chuỗi thời gian chưa có

6

các nghiên cứu nào cho phép dự báo được giá trị đột biến Tính chính xác của dự báochuỗi thời gian còn phụ thuộc xa gần của thời gian Dự báo các giá trị càng gần hiệntại càng chính xác Như vậy việc ước lượng GDP cho năm sau, quý sau sẽ chính xáchơn việc ước lượng GDP cho 10 năm sau.

Ngoài ra, phương pháp ước lượng, phần mềm hỗ trợ cũng đóng vai trò hết sứcquan trọng khi thực hiện công tác dự báo Nếu chỉ có phương pháp và sử dụng công

cụ là giấy trắng và bút chì thì sự gian khó sẽ vô cùng khi chúng ta muốn làm dự báochuỗi thời gian, tuy nhiên bằng sự hỗ trợ của các phần mềm phân tích chuyên biệtchẳng hạn như EVIEWS thì việc dự báo thực hiện khá dễ dàng

Trong phần tiếp theo em xin trình bày những định nghĩa cơ bản nhất cần dùng cho việc trình bày báo cáo Để thuận tiện cho việc trình bày trong nội dung báo cáo

em xin bỏ qua các chứng minh phức tạp về các định lý, các mệnh đề liên quan

4 Qúa trình dừng và phân tích hệ số tự tương quan

4.1 Khái niệm về quá trình dừng.

Quá trình dừng là quá trình ngẫu nhiên, có một vài đặc trưng không biên đổi theothời gian Đây là một khái niệm cốt lõi trong việc phân tích chuỗi thời gian Nếu đặctrưng đó là phân phối đồng thời của các {Xt} thì ta có

Định nghĩa 4.1.1: Quá trình ngẫu nhiên {Xt} được gọi là dừng theo nghĩa chặt

nêu như với mọi t1 < t2 < t3 < < tk và h > 0 ta có (Xt1, Xt2, Xtk) có cùng phân phốivới (Xt1+h, Xt2+h, Xtk+h)

Định nghĩa 4.1.2: Giả sử {Xt} là chuỗi thời gian với EXt2 < ∞ Khi đó

a) Hàm số μx(t) = EXt, t Є T gọi là hàm trung bình

b) Hàm hai biến γx(t, s) := cov(Xt,Xs) = E[(Xt - μx(t))(Xs - μx(s))] được gọi làhàm tự hiệp phương sai

Định nghĩa 4.1.3: Quá trình ngẫu nhiên gọi là dừng theo nghĩa rộng nếu:

a) Hàm μx(t) := EXt hằng số theo thời gian

b) Với mỗi h = 0; ±1; ±2, cố định hàm số

7

c) γx(t+h, t) :=E[(Xt - μx(t))(Xt+h - μx(t+h))] không phụ thuộc vào t, tức làγx(t+h, t):= γx(t)

Định nghĩa 4.1.4: Nếu {Xt} t = 0; ±1; ±2, là quá trình dừng với EXt2 < ∞thì hàm (theo h):

γx(x(h) = cov(Xt, Xt+h) h = 0; ±1; ±2, gọi là hàm tự hiệp phương sai(autocovariance) còn

ρx(h) =γx(h)/γx(0) := cov(Xx(h) =γx(h)/γx(0) := cov(Xγx(0) := cov(Xt, Xt+h) h = 0; ±1; ±2, là hàm tự tươngquan

Định nghĩa 4.1.5: Chuỗi thời gian {Xt} là tuyến tính nếu nó có thể biểu diễndưới dạng:

X t = 





 : ψ j Zt-j

Với mọi t, trong đó Zt là dẫy số có phân phối nhiễu trắng (WN(0,2 )), còn ψ i

là dãy các hằng số với 





 : ψ j < ∞

4.2 Hệ số tương quan và tự tương quan mẫu

4.2.1 Hệ số tương quan mẫu:

Nếu ta quan sát được n giá trị của chuỗi {Xt} là x1, x2, xn và n giá trị của chuỗi{Yt} là y1, y2, yn Thì hệ số hiệp phương sai γ = cov(X,Y) sẽ được biểu diễn bởi

n 

8

4.2.2 Hệ số tự tương quan mẫu

Giả sử có quan sát {xt} của chuỗi thời gian {Xt} Khi đó ước lượng của hệ số tựhiệp phương sai γx(h) là hệ số tự hiệp phương sai mẫu ˆx(h) cho bởi:

 (với độ trễ thời gian là h), trong đó

ü n = số quan sát của đại lương X

ü xt = thể hiện của Xt tại thời điểm t

ü X giá trị trung bình của các thể hiện của chuỗi thời gian

Nhìn vào công thức ta thấy h và h đo môi tương quan giữa đoạn số liệu x1, x2,

xn-h với đoạn số liệu xh+1, xh+2, xn cách nhau 1 độ trễ thời gian là h

Chúng ta dễ dàng chứng minh được giá trị hệ số tự tương quan mẫu h nằnggiữa -1 và +1 Hơn nữ, dễ dàng nhận thấy h= h với độ trễ thơờ gian h Do vậy tachỉ xét với những h  0

Định nghĩa 4.2.6 Với độ tin cậy 1- α (hay mức có ý nghĩa là α ), nếu cá giá trị

Nếu ˆ( )k không thoả mãn bất đẳng thức này, ta nói ˆ( )k khác 0 thực sự

Quy tắc 4.2.7.1 Nếu các hệ số tự tương quan ˆ( )k của một chuỗi thoả mãn bấtđẳng thức (*) ở định nghĩa 4.2.7 thì ta xem rằng dãy số liệu đã cho được phân bổ mộtcách ngẫu nhiên Ngược lại, dù chỉ một giá trị ˆ( )k không thoả mãn bất đẳng thức (*)thì trong chuỗi đang xét nhất thiết phải có tồn tại một mối liên kết nào đó

9

(Việt tính toán những hệ số tự tương quan này sẽ rất khó khăn, nếu chúng takhông sử dụng phần mềm hỗ trợ, với sự trợ giúp của phần mềm Eviews chúng ta cóthể kiểm định khá dễ dàng bằng cách chạy lệnh và quan sát các giá trị ˆ( )k nằmtrong dài phân cách giởi hạn ở mức ý nghĩa 95%, như hình ảnh minh họa dưới đây)

Hình 1: “quan sát” Hệ số tự tương quan và Hệ số tương quan riêng của một

chuỗi số liệu theo thời gian

Chú ý: Nếu việc phân tích các hệ số tự tương quan chỉ ra rằng dãy số đang xét làngẫu nhiên, thì giữa các giá trị của số liệu không tồn tại một mối liên kết nào cả Dovậy có mô hình hoá để tìm xu thế tiềm ẩn trong nó cũgn vô ích và ta dừng việc phântích chuỗi thời gian

4.2.3 Hệ số tự tương quan riêng

Hệ số tự tương quan riêng là khái niệm ít được sử dụng hơn so với hệ số tựtương quan trong việc phân tích chuỗi thời gian Trên thực tế, hệ số tự tương quanriêng chỉ giúp cho ta việc nhận dạng mô hình tự hồi quy trung bình trượt ARMA để

dự báo (Kỹ thuật phân tích mô hình ARMA sẽ được trình bày ở chương sau) Hệ số tựtương quan riêng đóng vai trò quyết định trong việc mô hình hoá ARMA Việc hìnhdung về phương diện lý thuyết của hệ số tự tương quan riêng không quá khó, tuynhiên sự tính toán nó cũng gặp khá nhiều rắc rối Để cho dễ hình dung chúng ta hiểu

là hệ số tự tương quan riêng của chuỗi số liệu {Xt} nhằm để đo mức độ kết hợp giữachuối thời gian {Xt} và chuỗi thời gian trễ {Xt-k} khi ảnh hưởng của các quan sát xen

10

vào ở giữa đã bị loại trừ (thí dụ k = 4 thì ta loại các Xt-1, Xt-2, Xt-3, ra khỏi việc tínhtốn).

Định nghĩa 4.3.7 Hệ số tự tương quan riêng của chõi thời gian dừng {Xt},được ký hiệu là α(k), chính là hệ số tương quan cảu hai biến ngẫu nhiên

5 Phương pháp dự báo chuỗi thời gian ARMA

5.1 Dự báo chuỗi thời gian dừng

Giả sử ta cĩ chuỗi thời gian dừng {Xt} với giá trị trung bình μ và hàm tự tươngquan γ(h) đã được biết Ta muốn dự báo giá trị Xn+h theo các giá trị của X1, X2,

,Xn Mục tiêu của chúng ta là tìm một hàm số g(x1, x2, xn) để g(X1, X2,

,Xn) là dự báo cho Xn+h cĩ sai số bình phương trung bình nhỏ nhất Ta ký hiệu

dự báo tốt nhất này là PnXn+h Người ta chứng minh được rằng trong trường hợp {Xt}

cĩ phân phối chuẩn thì ta cĩ thể chọn g là một tổ hợp tuyến tính theo cá biến x1,

Mặt khác, phần lớn các chuỗi thời gian trong thực tế đều cĩ phân phối chuẩnhoặc xấp xỉ chuẩn, hoặc chúng ta cĩ thể biến đổi chúng trở thành chuỗi thời gian cĩphân phối gần chuẩn, vì vậy lẽ tự nhiên ta giả thiết

PnXn+h = a0 + a1Xn + + anX1

Vấn đề bây giờ là tìm các hệ số a0, a1 an

5.2 Quá trình tự hồi quy AR (Auto Regressive):

Qúa trình tự hội quy cấp p (ký hiệu tắt AR(p) ) là quá trình mà các số liệu của chuỗithời gian sẽ liên hệ với nhau theo biểu thức:

Xt = Φ1 Xt-1 + Φ2 Xt-2 + Φ3 Xt-3 + + Φp Xt-p + Zt

Trong đĩ:

11

Φ1 , Φ2 , Φ3 Φp : là các hệ số của phương trình

Còn Zt là ồn trắng (hay là nhiều trắng - white noise ), ký hiệu là WN(0,2), nghĩa

là chuỗi độc lập, cùng phân phối với trung bình zero và phương sai 2 Ta gọi chuỗi số

liệu X t là tự hồi quy vì giá trị hiện tại của nó được truy hồi từ các giá trị X t-1 , X t-2 ,

X t-p đứng trước nó Ồn trắng Z t biểu thị các yếu tố ngẫu nhiên tham gia vào màkhông thể giải thích được bằng mô hình

Các giá trị Φ1 , Φ2 , Φ3 Φp là các hệ số bằng số mô ta mối quan hệ giữa cácgiá trị thực tại với các giá trị trước nó

Giá trị của p là cấp của quá trình tự hồi quy AR(p)

5.3 Quá trình trung bình trượt MA(q):

Chuỗi thời gian Xt là quá trình trung bình trượt cấp q (viết tắt là MA(q) ) nếu:

X t = Z t +  1 Z t-1 + 2 Z t-2 +  3 Z t-3 + +  q Z t-q

Trong đó:

Z t là dẫy số có phân phối nhiễu trắng (WN(0,2 ))

cho đến thời điểm t

q là cấp của mô hình trung bình trượt MA(q),

5.4 Quá trình tự hồi quy kết hợp trung bình trượt ARIMA(p,q):

Mô hình ARIMA(p,q) là sự hỗn hợp của 2 quá trình AR và MA Dạng chung củaquá trình được định nghĩa bởi công thức sau:

Câu hỏi đặt ra là khi tiến hành dự báo một chuỗi thời gian theo mô hình ARIMA

thì làm sao ta biết được là nó tuân theo một quá trình tự hồi quy AR( và nếu có thì giá

trị của p bậc của mô hình bằng bao nhiêu?) hay một quá trình trung bình trượt MA (và nếu có thì giá trị của q bậc bằng bao nhiêu) hay một quá trình ARMA (và nếu có

thì các giá trị của p và q bằng bao nhiêu) Phương pháp của hai nhà khoa học

Box-Jenkins sẽ giúp ta giải quyết vấn đề này.

Bước 1: Nhận dạng và ước lượng

- Vẽ chuỗi số liệu lên mặt phẳng tọa độ và xét các đặc trưng chính của chúng,trong đó phải chú ý đến xu thế, thành phần theo mùa, thời điểm thay đổi dángđiệu lớn, các quan sát dị thường

- Vẽ đồ thị hàm tự tương quan và hàm tự tương quan riêng để, tìm các giá trị

thích hợp của p và q

Bước 2: Kiểm tra: Sau khi đã lựa chọn được mô hình ARIMA và ước lượng được

các tham số p, q ở bước 1, ta phải kiểm tra xem mô hình đó có phù hợp với dữ liệuquan sát được hay không bởi rất có thể có một mô hình ARIMA khác cũng phùhợp với các dự liệu quan sát Cách kiểm tra là xem sai số bình phương (R bìnhphương) Cuối cùng ta sẽ lựa chọn mô hình nào có sai số bình phương nhỏ nhất.Việc kiểm tra nhận dạng mô hình ở bước này nhiều khi mang tính “nghệ thuật”,phải mày mò và tốn nhiều công sức mặc dù có những nguyên tắc nhất định

Bước 3: Dự báo: Một trong số các lý do về tính phổ biến của phương pháp lập mô

hình ARIMA là sự khá chính xác của nó khi dự báo Tính chính xác của dự báophụ thuộc vào nhiều yếu tố Trước hết nó phụ thuộc vào xu hướng phát triển củachuỗi thời gian, chẳng hạn nếu tiến trình phát triển kinh tế không có những biếnđộng đặc biệt thì dễ dàng dự báo tổng sản phẩm quốc nội GDP cho những nămsau Chất lượng dự báo còn phụ thuộc còn phụ thuộc vào thời gian định dự báo

Dự báo càng gần hiện tại thì càng chính xác Hiển nhiên việc dự báo GDP chonăm sau sẽ chính xác hơn việc dự báo GDP cho 10 năm tiếp theo

13

Chương 2: Giới thiệu sơ bộ về phần mềm Eviews

Hiện nay, trên thế giới đã có trên 300 phần mềm chuyên dụng cho phân tích sốliệu thống kế, tại Việt Nam hiện nay cũng có nhiều phần mềm phân tích số liệu được

sử dụng như EXCEL, SAS, SPSS, S_Plus, Statisca, STATA, EVIEWS… được dùng

ở một số trường Đại học, cơ sở nghiên cứu hoặc một số cơ quan quản lý.v.v Các

14

phần mềm này đều có điểm chung là giúp chúng ta xử lý dữ liệu một cách nhanhchóng Tuy nhiên mỗi phần mềm lại có những đặc điểm riêng STATA có thể tốt các

dữ liệu từ các cuộc điều tra thông kê lớn SPSS có ưu điểm xử lý dữ liệu mô tả tốtdưới dạng bảng biểu; EXCEL thì có ở khắp mọi máy tính PC thông thường mà khôngcần phải cài đặt gì thêm Trong phần tiếp theo xin giới thiệu phân mềm phân tích

số liệu EVIEWS hiện đang được dùng nhiều ở việt Nam hiện nay

Ưu điểm chính của EViews có thể là giúp chúng ta tim ra các quan hệ thống kê

và dự báo giá trị tương lai từ các kết quả hiện có Các lĩnh vực mà Eviews cho kết quảnhanh chóng và rất tiện ích đó là

 Dự báo doanh số

 Phân tích chi phí và dự báo

 Dự báo các chỉ tiêu kinh tế lượng

 Mô phỏng

 Phân tích và đánh giá số liệu khoa học

 Phân tích tài chính, phân tích chuỗi thời gian và dữ liệu dạng bảng Eviews chạy trong môi trường Window được phát triển bởi công ty QMS(Quantitative Micro Software địa chỉ www.eviews.com ) Phiên phải mới nhất củaEviews là phiên bản 5.0 Việc sử dụng Eviews không qúa khó đối vời người đã quenlàm việc với môi trường Windows bởi Eviews sử dụng hệ thống bảng chọn và các hộphội thoại Một số tính năng cơ bản và đặc thù của Eviews như sau:

 Cho phép Nhập, mở rộng va hiệu chỉnh số liệu (làm sạch số liêu)

 Tính toán các thống kê mô tả: Ma trận hệ số tươnga quan, ma trận hiệpphương sai

 Tính các chuỗi số liệu dựa trên công thức và các hàm mẫu

15

 Vẽ và in các đồ thị, các biểu đồ

 Ước lượng và mô hình hồi quy tuyến tính bằng OLS(Ordinary LeastSquares, TSLS = Two- Stage Least Squares),…

 Ước lượng mô hình phí tuyến

 Ước lượng mô hình Probit and Logit

 Ước lượng hệ phương trình tuyến tính và phí tuyến

 Ước lượng và phân tích véc tơ tự hồi quy

 Quá trình có sai số trung bình trượt và tự hồi quy theo mùa

 Trễ phân phối đa thức

 Dự báo dứ trên phương pháp hồi quy

 Giải các mô hình nhiều phương trình

 Theo dõi dữ liệu theo thời gian (lịch sử của dữ liệu)

 Dọc và ghi ra fie dữ liệu dưới dạng bảng chuẩn

Khi sử dụng Eviews thông thường sẽ chạy qua 3 bước sau:

 Biên tập dữ liệu (Data Editing): Người sử dụng có thể biên tập dự liệu chocác mô hình phân tích thông qua Menu và các câu lệnh thân thiện với người sửdụng Window như: New, Open, save, save as …

 Tính toán dữ liệu (Data Computing) Eview có thể cung cấp công thức tínhtoán tương đối phức tạp, người sử dụng phải có những am hiểu nhất định vềmắt ý nghĩa thống kê của công thức này

 Phân tích thống kê (Satatistical Analysis): Eviews có thể thực hiện đượccác kỹ thuật liệt kê ở trên

Các thuộc tính quan trọng của chương trình Eviews

16

Đối tượng: Đối tượng trong Eview là các chuỗi số liệu ( series), các biểu thức toán

học, mô hình, ma trận, biến số, bảng biểu, đồ thị.v.v Mỗi một đối tượng được sửdụng tương ứng thông qua các chức năng của menu trên của sổ chương trình

Cửa số chính: Xuất hiện ngay sau khi khởi động Eviews, gồm một thanh tiêu đề, một

menu chính, cửa sổ lệnh, dòng trạng thái và vùng làm việc Vùng làm việc sẽ xuấthiện ở chính giữa cửa sổ chính và hiển thị khi các đối tượng được tạo ra

Cửa sổ lệnh: Xuật hiện phía dưới thanh Menu trong cửa sổ chính, được dùng để tiến

hành những câu lệnh đơn giản

Cửa sổ tập tin làm việc (workfile window): Cửa sổ xuất hiện khi tại của sổ chính ta click chuột vào Menu File/New/Workfile Khi đưa các mô hình vào chạy trên Eviews

chúng ta cần thiết lập dữ liệu cho mô hình bằng cách nhập dữ liệu vào từ cửa sốWorkfile Cửa sổ này chính là bước đầu tiên để người dùng bắt đầu với Eviews

Cửa số Group (Group window): Cửa sổ xuất hiện khi chọn cùng lúc nhiều biến số (2

biến trở lên) trên cửa sổ Workfile Sau đó chọn Open/γx(0) := cov(X as Group Trong cửa sổ này dữliệu liệu xuất hiện trên các bảng tính khác nhau, và chúng ta có thể quan sát chúng

bằng cách biến đổi thành các đồ thị

Cửa sổ biểu thức (Equation window): Cửa sổ xuất hiện khi tại Menu chương trình

ta chọn Objects/γx(0) := cov(XNew objects/γx(0) := cov(XEquation, hộp hội thoại hiện ra cho phép nhập nhữngbiểu thức cần sử dụng vào Tại đây sẽ hiển thị cho ta những kết quả từ những tính toánước lượng công thức nhập vào

Cửa sổ dẫy số liệu: Hiển thị cho ta chuỗi số liệu theo thời gian trên các bảng tính

khác nhau bằng cách click vào tên biến trên được hiện thị trên workfile

Phân tiếp theo trong bài viết này xin giới thiệu với bạn đọc một số thao tác làm việcvới Eviews :

- Khởi động và copy dữ liệu

17

- Giới thiệu Menu chính trong cừa sổ EViews

Cài đặt theo tài liệu hướng dẫn được kèm theo phần mềm

Biểu tượng của EViews trên màn hình Windows nhìn như thế này :

Nhấn đúp vào biểu tượng EViews và EViews bắt đầu hoạt động

Hãy ghi nhận menu chính, cửa sổ lệnh, cửa sổ chính và dòng trạng thái (status line)

Menu chính bao gồm những lựa chọn sau: File; Edit; Objects; View; Procs; Quick Options; Window Help

Nhấp chuột vào mỗi một trong những lựa chọn này và kiểm tra các Menu con xuấthiện ở phía dưới

Khi mở EViews lần đầu tiên, cửa sổ chính còn trống vì chưa xác định tập tin làm việcnào (workfile) để sử dụng

18

Mở tập tin làm việc (Workfile) đã lưu giữ từ trước: Từ File/Open/Eviews Workfile; một màn hình mở ra, trên đó liệt kê các tập tin trong thư mục mặc định

(default folder) Nếu thư mục mặc định không phải là thư mục mà người sử dụngmong muốn, thì có thể tìm trong các thư mục cho tới khi tìm ra thư mục mà người sửdụng muốn dùng

Để chỉ ra các workfile trên EViews, dòng "Files of type" cần xác định Workfile(*.wf1)

19

Vì người sử dụng dự định sẽ làm việc với thư mục này thường xuyên thì nhấp chuột

để đánh dấu vào ô vuông giúp cập nhật thư mục mặc định ở góc trái-phiá dưới cừa sổ

Open như trên đây Lần sau, khi khởi động EViews, khi thực hiện thao tác File/Open/ Eviews Workfile sẽ tự động chỉ tới thư mục này.

Mở workfile có tên demo bằng cách nhấp đúp vào nó Cách khác,người sử dụng cóthể bôi đen nó bằng cách nhấp đơn, sau đó nhấp Open

Với workfile đang mở , màn hình có dạng:

20

Thanh trên cùng trên menu của Workfile chỉ toàn bộ đường dẫn đối với Workfile này;thanh trạng trạng ở dưới đáy của màn hình cũng chỉ đường dẫn này, và nó chỉworkfile đang sừ dụng : WF = demo.

Menu của workfile chứa các nút bấm dành cho View; Procs, Objects, Print Save, Detail +/-, Show , Fetch, Store, Delete, Genr, Sample

Các phím bấm với +/γx(0) := cov(X - là các phím chuyển đổi thực hiện các chức năng bật và tắt

Thông tin về workfile này xuất hiện dưới thanh menu: Range; Display Filter Default Equation; Sample

Cuối cùng, phía trong cừa sổ của workfile, chúng ta thấy tất cả các đối tượng đang cómặt trong workfile này : các chuỗi (các biến ), các nhóm chuỗi , vector hệ số , vectorphần dư, và bất cứ phương trình, đồ thị hay bảng nào đã được đặt tên

Bây giờ hãy đóng demo.wf1 bằng cách nhấp vào dấu X ở góc phải phía trên của

workfile này

21

Bây giờ hãy nhấp File Ghi nhớ rằng các workfile mới mở gần nhất sẽ hiện ra ở phíadưới cùng của menu trải ra phía dưới Nếu người sử dụng muốn mở lại một trong số

đó , chỉ việc nhấp vào tên của nó

Nhập dữ liệu từ các phần mềm khác

Dữ liệu có thể được nhập vào từ các tập tin Lotus, Excel, SPSS, MINITAB hoặcASCII Trong mỗi trường hợp đều dùng phương pháp như nhau Dữ liệu này nằmtrong một tập tin Excel có tên DEMO.xls

Người sử dụng cần kiểm tra lại tập tin này bằng cách mở file nay ra để xác định

- Tập tin này có bao nhiêu biến,

- Có phải các tên của biến xuất hiện ở phiá trên của tập tin không ,

- Khảng cách giữa các cột dữ liệu

- Có bao nhiêu quan sát (bao nhiêu hàng dữ liệu)

Sau đó đóng tập tin này lại

22