Huong dan eviews thuc hanh du bao

HƯỚNG DẪN THỰC HÀNH EVIEWS ĐỂ DỰ BÁO KINH TẾ Yêu cầu: Eviews 9; File solieu Với cửa sổ Series Descriptive Statistic Các thống kê đặc trưng Procs Seasonal Adjustment Hiệu chỉnh yếu tố

HƯỚNG DẪN THỰC HÀNH EVIEWS ĐỂ DỰ BÁO KINH TẾ

Yêu cầu: Eviews 9; File solieu

Với cửa sổ Series

Descriptive Statistic Các thống kê đặc trưng

Procs Seasonal Adjustment Hiệu chỉnh yếu tố thời vụ

Moving Average Method Hiệu chỉnh theo trung bình trượt

Exponential Smoothing San mũ đơn, kép, Holt-Winters

Hodrick-Prescott Filter Lọc chuỗi

Với cửa sổ Equation

View Representations Cách trình bày dạng phương trình

Estimation Output Bảng kết quả đầy đủ

Actual, Fitted, Residual Các thông tin về phần dư

Gradients and Derivatives Các thông tin về Gradient và Đảo

biến

Covarian Matrix Ma trận Hiệp phương sai các ước

Coefficient Test Các kiểm định về hệ số

Residual tests Các kiểm định về phần dư

Correlogram – Q-statistic Lược đồ tự tương quan của phần dư

Histogram – Normality test Đồ thị, kiểm định tính phân phối

ẩ

Serial Correlation LM test Kiểm định tự tương quan theo B-G

White Heterokedasticity Kiểm định phương sai sai số thay đổi

Stability test Các kiểm định về dạng hàm

Chow breakpoint test Kiểm định tính đồng nhất giữa hai

đoạn

Chow forecast test Kiểm định đánh giá dự báo

Ramsey RESET test Kiểm định định dạng hàm theo

Procs Specify/Estimate Định dạng phương trình, mẫu,

báo

Make residual series Đặt tên chuỗi phần dư

1 Các mô hình dự báo giản đơn

Sử dụng sheet VAR2 trong file SOLIEU.WF1

Các biến: Income là thu nhập và Investment là đầu tư Tần suất theo quý, từ Quý 3/1993

đến Quý 2/2016

1.1 Ngoại suy giản đơn

Mô hình hồi quy INCOME theo biến thời gian

Đặt biến xu thế thời gian: Genr T = @trend(1993q3)

Hồi quy các mô hình sau và so sánh kết quả thông qua việc đánh giá hệ số xác định

Mô hình xu thế tuyến tính: Incomet = β1 + β2 t + ut

Mô hình bậc hai: Incomet = β1 + β2 t + β2 t2 + ut

Mô hình dạng mũ: log(Incomet ) = β1 + β2t + ut

1.2 Trung bình trướt

Trung bình trượt 3 thời kỳ của biến INCOME vào thời kỳ t sẽ là

Genr IncomeMA3 = ( Income(-1) + Income + Income(+1) ) / 3

Cho kết quả giống với lệnh: Genr IncomeMA3 = @movav(Income(+1),3)

Với hàm @movav, nếu không có tham số (+1) thì sẽ tính trung bình trượt lấy mốc kỳ hiện

tại lùi về hai thời kỳ trước, do đó muốn tính một thời kỳ trước, một thời kỳ sau thì cần đặt tham số (+1) để đưa lùi mốc về sau một quan sát

Mở cửa số [Group] với hai biến INCOME và INVESTMENT, so sánh các thống kê đặc trưng, vẽ đồ thị hai biến theo thời gian để thấy quá trình làm trơn bằng trung bình trượt

1.3 San mũ giản đơn

Chọn INCOME thành một Series [Series] Procs → Exponential Smoothing → Single

Exponential Smoothing

→ Cửa sổ [ Exponential Smoothing ] →

Chọn Single (trong phần Smoothing

Method) → Ô tên chuỗi mới: Smoothed series : đặt lại là INCOMEESM1

Trong phần Estimation Sample chọn khoảng thời gian dự báo:

Method: Single Exponential

Original Series: INCOME

Forecast Series: INCOMESM1

1.4 Hiệu chỉnh mùa vụ

Biến INCOME: [ Series ] Procs → Seasonal Adjustment → Moving Average Methods

→ Cửa sổ [ Seasonal Adjustment ] → Ratio Moving Average

Tên chuỗi sau khi hiệu chỉnh là INCOMESA

Ratio to Moving Average

Original Series: INCOME

Adjusted Series: INCOMESA

Scaling Factors:

1.5 San mũ Holt-Winter

San mũ Holt-Winters cho phép đặt nhiều mô hình khác nhau

Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing

→ Cửa sổ [ Exponential Smoothing ] → Chọn Holt-Winters – No seasonal

→ Đặt tên chuỗi san là INCOMESM2

Công thức dự báo cho kỳ sau:  Incom en k  Incom en kTn

Method: Holt-Winters No Seasonal

Original Series: INCOME

Forecast Series: INCOMESM2

1.6 Mô hình xu thế và mùa vụ - mô hình Cộng

Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing

→ Cửa sổ [ Exponential Smoothing ] → Chọn Holt-Winters – Addtive

→ Đặt tên chuỗi san là INCOMESM3

Công thức dự báo cho kỳ sau:  Incom en k   Incom en kTn  Fs

Trong đó: Fs là mùa vụ tương ứng với thời gian cần dự báo

Method: Holt-Winters Additive Seasonal

Original Series: INCOME

Forecast Series: INCOMESM3

1.7 Mô hình xu thế và mùa vụ - mô hình Nhân

Biến INCOME: [Series] Procs → Exponential Smoothing → Single Exponential Smoothing

→ Cửa sổ [ Exponential Smoothing ] → Chọn Holt-Winters – Multiplcative

→ Đặt tên chuỗi san là INCOMESM4

Công thức dự báo cho kỳ sau:  Incom en k   Incom en kT Fn s

Trong đó: Fs là mùa vụ tương ứng với thời gian cần dự báo

Method: Holt-Winters Multiplicative Seasonal

Original Series: INCOME

Forecast Series: INCOMESM4

Hãy dự báo cho INCOME vào các thời kỳ tiếp theo từ 2016Q3 – 2017Q4 bằng các phương pháp trên?

2 Mô hình dự báo ARIMA

Sử dụng sheet AGRI trong file SOLIEU.WF1

Các biến: Agri_index (chỉ số giá nông nghiệp) Tần suất theo tháng từ 8/2007 – 6/2017

2.1 Kiểm tra tính dừng

Biến Agri_index : [Series] Graph → Chọn các tham số rồi OK

110

120

130

140

150

160

170

180

190

200

Price

Kết quả cho thấy chuỗi có thể không dừng

Kiểm tra nghiệm đơn vị Dickey – Fuller

Biến INCOME: [Series] View → Unit Root Test

Chọn OK cho ra kết quả như sau:

Null Hypothesis: AGRI_INDEX has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

*MacKinnon (1996) one-sided p-values

Biến đổi chuỗi agri_index về dạng log(agri_index) hoặc agri_index/agri_index(-1) để có

chuỗi dừng hợp lý

Ví dụ tạo chuỗi Genr gagri = agri_index/agri_index(-1) và kiểm tra tính dừng ta có:

Null Hypothesis: GAGRI has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic - based on SIC, maxlag=12)

*MacKinnon (1996) one-sided p-values

Vậy ta sử dụng chuỗi GARI để thực hiện dự báo

2.2 Xác định bậc p, q

Biến GAGRI : [Series] Correlogram → Chọn các tham số rồi OK

Dự đoán bậc p (dựa vào PACF) và q (dựa vào ACF)

2.3 Ước lượng mô hình

Gõ mô hình ước lượng vào cửa sổ Command rồi nhấn Enter: ls gagri c ar(1) ma(1) ma(8)

Dependent Variable: GAGRI

Method: ARMA Maximum Likelihood (BFGS)

Convergence achieved after 12 iterations

Coefficient covariance computed using outer product of gradients

C 1.002162 0.004657 215.2148 0.0000

Để đánh giá mô hình đã đạt được độ ổn định và nhiễu trắng chưa ta thực hiện như sau:

[Equation] View → ARMA Structure → Chọn tham số rồi nhấn OK

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

AR roots

MA roots

Inverse Roots of AR/MA Polynomial(s)

Kiểm định nhiễu trắng

[Equation] View → Residual Diagnostics → Correlogram – Q-statistics Chọn tham số OK

Từ bậc 3 trở đi, các

giá trị p-value đều

lớn hơn 5% nên chuỗi là nhiễu trắng Hoặc ta cũng có thể kiểm định nghiệm đơn vị cho phần dư từ

mô hình ARIMA

2.4 Dự báo

[Equation] View → Forecast →

Chọn tên chuỗi dự báo, khoảng thời gian dự báo và phương pháp dự báo động → OK

Kết quả:

2017M07 1.008475317583521

2017M08 1.005424272181475

2017M09 1.003963120384211

2017M10 1.003263371841231

2017M11 1.002928260852544

2017M12 1.002767775524114

2018M01 1.002690918776616

2018M02 1.002654111925213

2018M03 1.002636485049833

2018M04 1.002628043503659

2018M05 1.002624000830168

Hãy thực hiện dự báo cho chuỗi khác bằng mô hình ARIMA

3 Mô hình VAR

Sử dụng sheet VAR3 trong file SOLIEU.WF1

Các biến: GGDP (tốc độ tăng GDP) và GM2 (tốc độ tăng cung tiền) Tần suất theo tháng

từ 1/2000 – 11/2007

3.1 Kiểm tra tính dừng

Mô hình VAR đòi hỏi các biến đưa vào đều phải dừng Kiểm tra bằng Unit Root Test cho hai biến này ta có:

Null Hypothesis: GGDP has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=11)

*MacKinnon (1996) one-sided p-values

Null Hypothesis: GM2 has a unit root

Exogenous: Constant

Lag Length: 0 (Automatic - based on SIC, maxlag=11)

*MacKinnon (1996) one-sided p-values

Vậy cả hai biến đều dừng

3.2 Ước lượng VAR

Thực hiện ước lượng VAR cho hai biến này như sau:

Chọn 2 biến Nhấn đúp chuột trái và chọn Open VAR ta được:

Ở ô Endogenous ta đưa vào các biến nội sinh Ô Lag …

ta đưa vào độ trễ (thường để mặc định) Ô Exogenous

ta đưa vào biến ngoại sinh Và ở VAR Type để Standard VAR

Kết quả ước lượng như sau:

Vector Autoregression Estimates

Date: 20/09/17 Time: 15:24

Sample (adjusted): 2000M04 2007M11

Included observations: 92 after adjustments

Standard errors in ( ) & t-statistics in [ ]

3.3 Xác định độ trễ tối ưu

Lựa chọn độ trễ tối ưu: Từ [Var] View → Lag Structure → Lag Length Criteria

7 341.6456 0.774372 2.46e-06 -7.247572 -6.391404 -6.903004

Lưu ý: độ trễ 0 là vô lý nên trong thực tế không chọn độ trễ này

Ở đây ta chọn độ trễ là 2 Vậy mô hình ước lượng ban đầu là hoàn toàn hợp lý Ta cần kiểm tra thêm một vài tiêu chí về độ tin cậy của nó

3.4 Đánh giá mô hình

Mô hình cần đạt được 3 tiêu chí

- Ổn định (kiểm định bằng nghiệm đơn vị của đa thức đặc trưng)

- Nhiễu trắng

- Sai số dự báo thấp

Từ [Var] View → Lag Structure → AR Roots Graph

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

Inverse Roots of AR Characteristic Polynomial

Các nghiệm của đa thức đặc trưng đều nằm trong vòng tròn đơn vị nên VAR có sự ổn định

Từ [Var] View → Residual Tests → Portmanteau Autocorrelation Test

VAR Residual Portmanteau Tests for Autocorrelations

Null Hypothesis: No residual autocorrelations up to lag h

Included observations: 92

*Test is valid only for lags larger than the VAR lag order

df is degrees of freedom for (approximate) chi-square distribution

Kể từ độ trễ thứ 3 các sai số ngẫu nhiên không tương quan với nhau …

3.5 Dự báo

Có 3 vấn đề dự báo:

Hàm phản ứng đẩy (cơ chế truyền tải sốc)

Hàm phân rã phương sai

Dự báo Solve

Từ [Var] View → Impulse Responses → (chú ý tới tính thứ tự của biến nội sinh)

Kết quả:

.00

.04

.08

Response of GGDP to GGDP

-.04 00 04 08

Response of GGDP to GM2

.000

.005

.010

.015

Response of GM2 to GGDP

.000 005 010 015

Response of GM2 to GM2

Response to Cholesky One S.D (d.f adjusted) Innovations ± 2 S.E

Từ [Var] View → Variance Decompositon → chọn Table

Kết quả:

Variance

Decompositi

on of GGDP:

5 0.104630 93.78009 6.219907

Variance

Decompositi

on of GM2:

Cholesky Ordering: GGDP GM2

Giải thích kết quả ở kỳ thứ 3 ?

Từ [Var] Proc → Make Model →

Cửa sổ Model ta có: [Model] Solve → chọn khoảng thời gian cần dự báo ở i

Kết quả:

2008M05 1.022918 1.02196