tiểu luận dự báo kinh tế dự báo chỉ số sản xuất công nghiệp của việt nam bằng mô hình ARIMA

LỜI MỞ ĐẦU Lý chọn đề tài Hiện nay, kinh tế nước ta chuyển nhanh sang kinh tế thị trường, ngành công nghiệp Việt Nam phát triển nhanh, doanh nghiệp sản xuất nhiều sản phẩm với số lượng lớn, mặt hàng đa dạng, phong phú khơng cịn đơn điệu ổn định theo kế hoạch Các sản phẩm sản xuất từ đầu năm 90 kỷ trước tính đến xây dựng bảng giá cố định 1994 đến cịn ít, thay đổi mẫu mã, kích cỡ, chất lượng có nghĩa thay đổi nội dung hình thức Giá khơng cịn ổn định lâu dài theo qui định Nhà nước, tất theo qui định cung cầu kinh tế thị trường định Bên cạnh đó, sản phẩm khơng có bảng giá cố định ngày nhiều Vì vậy, việc tính tốn phải có nhiều qui ước, khơng cịn sản phẩm có giá cố định để sử dụng dùng giá sản phẩm áp cho sản phẩm khác giống qui cách, nội dung dẫn đến việc đánh giá tốc độ tăng trưởng ngành công nghiệp theo số sản xuất công nghiệp ( Index-Industry Products ) IIP vô cần thiết thích hợp bối cảnh để đánh giá tính tốn Chỉ số IPP giúp phản ánh xác, sát với thực tế tốc độ tăng trưởng ngành cơng nghiệp, đảm bảo tính so sánh quốc tế, có tính khả thi cao phì hợp với điều kiện Việt Nam Chính mà chúng em chọn đề tài: “Dự báo số sản xuất công nghiệp Việt Nam mơ hình ARIMA” Các nghiên cứu thực nghiệm Ngày nhiều nghiên cứu thực nghiệm dự báo tiến hành nhiều nơi giới Mingzhao Wang cộng (Forecast and Analyze the Telecom Income based on ARIMA Model, 2015) sử dụng mơ hình ARIMA để dự báo doanh thu của công ty viễn thông Trung Quốc, kết cho thấy mơ hình đưa dự báo phù hợp Bên cạnh đó, Paul Das (2010) sử dụng mơ hình ARIMA với phương pháp Box-Jenkins (1979) để nghiên cứu biến động sản lượng cá nội địa Ấn Độ Các tác giả khẳng định mơ hình ARIMA đưa kết dự báo phù hợp Nghiên cứu Rizwan Raheem Ahmed cộng (Forecasting tax revenues using time series techniques – a case of Pakistan, 2018) sử dụng ba mơ hình gồm Autoregressive model, Autoregressive integrated moving average model (ARIMA) Vector Autoregression model (VAR) Trong đó, tác giả kết luận, mơ hình sử dụng mơ hình ARIMA cho kết dự báo tốt cho tổng doanh thu thuế Pakistan Bên cạnh nghiên cứu nước ngồi, Việt Nam, có nhiều nghiên cứu sử dụng mơ hình Cụ thể tác giả Nguyễn Hữu Quyền sử dụng mô hình ARIMA để dự báo lượng mưa vụ đơng xn số tỉnh vùng đồng Bắc Bộ (Quyền, 2013) Nguyễn Thị Thu Trang (2017) sử dụng mơ hình ARIMA với mơ hình VAR để dự báo lạm phát Việt Nam đưa kết luận: mơ hình ARIMA đem lại kết dự báo phù hợp Xác định mục tiêu dự báo Việc xây dựng mơ hình dự báo số sản xuất cơng nghiệp có độ xác cao nhằm cung cấp sở tin cậy cho nhà hoạch định sách việc đưa định, chiến lược phát triển doanh nghiệp thật cần thiết Nghiên cứu với mục tiêu xây dựng mơ hình dự báo số sản xuất công nghiệp theo tháng từ tháng chín đến tháng mười hai năm 2019 Mơ hình ARIMA (Autoregressive integrated moving average) sử dụng phép dự báo biến động số sản xuất công nghiệp Kết dự báo giúp tạo sở, cung cấp thông tin cho không nhà điều hành, nhà quản lý doanh nghiệp nhà hoạch định sách, nhà kinh doanh khác tiến trình định phương án sản xuất kinh doanh Bên cạnh đó, nghiên cứu cịn nguồn tài liệu bổ sung cho lĩnh vực nghiên cứu dự báo số sản xuất công nghiệp Việt Nam CHƯƠNG KHẢO SÁT DỮ LIỆU VÀ LỰA CHỌN PHƯƠNG PHÁP DỰ BÁO Lưu ý: Trong tiểu luận này, nhóm sử dụng mức ý nghĩa α = 0.05 1.1 Khảo sát liệu 1.1.1 Phương pháp thu thập liệu Số liệu phục vụ cho đề tài tổng hợp từ Quỹ Tiền tệ Quốc tế (IMF) Nhóm lấy số liệu số sản xuất công nghiệp (IIP) theo tháng Việt Nam từ tháng năm 2010 đến tháng năm 2019 (năm sở năm 2010) Số liệu xử lí phần mềm EViews 1.1.2 Đánh giá liệu Phương pháp đồ thị Mở chuỗi iip, chọn View→Graph→Line & Symbol→OK Ta đồ thị chuỗi iip sau: IIP 130 120 110 100 90 80 70 60 50 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 Nhìn chung, chuỗi có xu hướng dao động theo thời gian Nhóm kết luận chuỗi mơ hình cộng tính khơng tồn yếu tố xu Tiếp tục chọn View → Graph → Seasonal → OK IIP by Season 130 120 110 100 90 80 70 60 50 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Means by Season Có thể thấy trung vị phân phối chuỗi nhỏ theo tháng có khác biệt, cụ thể giảm mạnh tháng tăng dần tháng cuối năm: tháng 10, tháng 11 tháng 12 Nhóm kết luận chuỗi có tính mùa vụ Kiểm tra yếu tố mùa vụ kiểm định Kruskal – Wallis H : Chuỗi khơng có tính mùa vụ Cặp giả thiết kiểm định: { H1: Chuỗi có tính mùa vụ genr cma = (0.5*iip(-6) + iip(-5) + iip(-4) + iip(-3) + iip(-2) + iip(-1) + iip + iip(1) + iip(2) + iip(3) + iip(4) + iip(5) + 0.5*iip(6))/12 genr si = iip - cma genr month = @month Chọn si → View → Descriptive Statistic & Test → Equality Test by Classification → Series/Group for classify: month; Test equality of median → OK P-value = 0.0000 < α, bác bỏ giả thiết H0 Chuỗi có tính mùa vụ 1.2 Lựa chọn phương pháp dự báo 1.2.1 Phân tích đặc điểm chuỗi Chuỗi iip lựa chọn có 116 quan sát Các bước khảo sát số liệu phần cho thấy chuỗi có tính mùa vụ Trên thực tế, giai đoạn 2010 – 2019, Việt Nam không gặp biến động lớn (cú sốc) kinh tế gây ảnh hưởng mạnh đến số sản xuất công nghiệp Từ đặc điểm chuỗi iip tình hình thực tế, nhóm định sử dụng phương pháp ARIMA để thực dự báo 1.2.2 Về mơ hình dự báo ARIMA Hai tác giả George Box & Gwilym Jenkins (1976) nghiên cứu mơ hình tự hồi quy tích hợp trung bình trượt (Autoregressive Integrated Moving Average), viết tắt ARIMA Tên họ (Box-Jenkins) dùng để gọi cho trình ARIMA tổng quát áp dụng vào phân tích dự báo chuỗi thời gian Phương trình tổng quát mơ hình ARIMA (p,d,q) có dạng: = +∑ = − +∑ = − + 1.2.3 Quy trình dự báo Bước 1: Hiểu chỉnh yếu tố mùa vụ Bước 2: Kiểm định tính dừng chuỗi hiệu chỉnh Cần phải kiểm định tính dừng chuỗi biến đổi chuỗi cần thiết (khi chuỗi ban đầu không dừng) mơ hinh ARIMA thích hợp chuỗi có tính dừng Bước 3: Xác định hệ số q, p giản đồ ACF, PACF Xác định hệ số p, q giúp tìm mơ hình sử dụng để dự báo Trong đó, p độ trễ trình tự hồi quy AR, d bậc sai phân chuỗi ban đầu, q độ trễ trình trung bình trượt MA Các hệ số p, q xác định cách quan sát giản đồ tự tương quan riêng phần PACF giản đồ tự tương quan ACF Bước 4: Ước lượng mơ hình Ước lượng mơ hình với độ trễ cao kiểm tra ý nghĩa thống kê chúng Lựa chọn độ trễ có ý nghĩa thống kê để tiếp tục ước lượng thực kiểm định mơ hình Bước 5: Kiểm tra mơ hình điều kiện giả định mơ hình Kiểm định mơ hình, kiểm tra nhiễu trắng so sánh chất lượng dự báo để chọn mơ hình dự báo phù hợp Bước 6: Kết hợp yếu tố mùa vụ dự báo cho chuỗi ban đầu Thực dự báo mẫu cho chuỗi ban đầu CHƯƠNG KẾT QUẢ DỰ BÁO 2.1 Hiệu chỉnh yếu tố mùa vụ Trong phần mềm EViews, chọn chuỗi iip → Proc → Seasonal Adjustment → Moving Average Methods → Additive (Factors: sf) → OK Ta chuỗi sf chuỗi iipsa hiệu chỉnh yếu tố mùa vụ 2.2 Kiểm định tính dừng Mơ hình ARIMA địi hỏi chuỗi số liệu dùng để dự báo có tính dừng, tức chuỗi phải có giá trị trung bình, phương sai hiệp phương sai độ trễ khác không thay đổi theo thời gian Chọn chuỗi iipsa → View → Unit Root Test → Level → OK P-value = 0.2558 > α, chuỗi khơng dừng Tiếp tục kiểm định tính dừng với chuỗi sai phân bậc 1: Chọn chuỗi iipsa → View → Unit Root Test → 1st difference → OK Theo kết thu được, P-value = 0.0000 < α, bác bỏ giả thiết H0 Kết luận chuỗi sai phân bậc iipsa có tính dừng ( tất bảng kết nằm phần phụ lục) 2.3 Xác định hệ số p, q Chọn chuỗi iipsa → View → Correlogram → 1st difference (Lags to include: 36) → OK Theo kết thu được, dựa vào PACF nhóm thấy p có ý nghĩa thống kê độ trễ 1, 24, 12, 36 Đối với q, dựa vào ACF, nhóm xác định q có ý nghĩa độ trễ 1, 24, 12, 36 2.4 Ước lượng mơ hình Nhóm thực ước lượng cho chuỗi sai phân bậc iipsa với độ trễ cao p = 36 q = 24 lệnh: ls d(iipsa) c ar(1) ar(12) ar(24) ar(36) ma(1) ma(12) ma(24) Kết cho thấy: biến trễ bậc cao AR(36), MA(24) có ý nghĩa thống kê có p-value nhỏ α, mơ hình ổn định khơng có nghiệm đơn vị vượt khoảng [-1;1] Thực kiểm định nhiễu trắng cho mơ hình ARIMA(36,1,24): Chọn mơ hình → View → Residual Diagnostics → Serial Correlation LM Test P-value = 0.0137 < α, mơ hình có tự tương quan Nhóm kết luận mơ hình khơng có nhiễu trắng Tiếp tục ước lượng với độ trễ cao p = 36 q = 12 lệnh: ls d(iipsa) c ar(1) ar(12) ar(24) ar(36) ma(1) ma(12) Kết cho thấy: biến trễ bậc cao AR(36) MA(12) có ý nghĩa thống kê, mơ hình ổn định khơng có nghiệm đơn vị vượt khoảng [-1;1] Thực kiểm định nhiễu trắng cho mơ hình ARIMA(36,1,12): Chọn mơ hình → View → Residual Diagnostics → Serial Correlation LM Test P-value = 0.2085 > α, mơ hình khơng có tự tương quan Chọn mơ hình → View → Residual Diagnostics → Heteroskedasticity Tests P-value = 0.0881 > α, mơ hình có phương sai sai số cố định Vậy nhóm kết luận mơ hình ARIMA(36,1,12) có nhiễu trắng (Tất kết ước lượng mơ hình nằm phần phụ lục) Nhóm lựa chọn mơ hình ARIMA(36,1,12) để tiến hành dự báo mẫu cho chuỗi iipsa Sau tiếp tục đưa lại yếu tố mùa vụ vào chuỗi iip ban đầu lệnh: genr iipf = iipsaf + sf 2.5 Dự báo mẫu đánh giá Chọn ngẫu nhiên 20 quan sát giai đoạn gần lệnh: smpl 2018m1 2019m8 Chọn hai chuỗi iipf iip → Open → as Group → View → Graph 100 95 90 85 80 75 70 65 60 I II III IV I 2018 II III 2019 IIPF IIP Từ đồ thị trên, nhóm thấy 20 quan sát gần mơ hình cho kết dự báo mẫu tương đối xác, sai lệch so với thực tế khơng nhiều Nhóm tiếp tục thực tính số MAPE, RMSE Theil’s U Tính RMSE MAPE genr et = iipf – iip genr mape = @mean(@abs(et/iip)) genr rmse = @sqrt(@mean(et^2)) Tính Theil’s U genr iip_naive = iip(-12) genr et_naive = iip_naive – iip genr rmse_naive = @sqrt(@mean(et_naive^2)) genr theil_u = rmse/rmse_naive Kết thu sau: RMSE MAPE Theil’s U 2.74202 0.021770 0.348366 Với số: sai số dự báo (Mean Abs Percent Error – MAPE) 2.177% nhỏ 5% Theil’s U 0.348366 nhỏ 0.55, nhóm nhận định mơ hình dự báo phù hợp 10 2.6 Dự báo mẫu Nhóm thực dự báo ngồi mẫu (cụ thể đến tháng 12 năm 2019) cho chuỗi iip Range → End date: 2019m12 Smpl 2010m01 2019m12 Chọn chuỗi iip → View → Proc → Seasonal Adjustment → Moving Average Methods → Additive (Factors: sf) → OK Nhập lệnh: ls d(iipsa) c ar(1) ar(12) ar(24) ar(36) ma(1) ma(12) Tại cửa sổ Equation, bấm Forecast Nhập lệnh: genr iipf = iipsaf + sf Mở chuỗi iipf, nhóm thấy kết dự báo số IIP tháng 9, 10, 11, 12 năm 2019 sau: 130 120 110 100 90 80 70 60 50 2010 2011 2012 2013 2014 IIP Tháng IIP 87.97105 10 92.53932 2015 2016 2017 2018 2019 IIPF 11 94.03766 12 96.52979 Kết dự báo cho thấy, số sản xuất công nghiệp Việt Nam tiếp tục có xu hướng tăng lên tháng cuối năm 2019 11 Như vậy, thông qua phương pháp ARIMA, nhóm thực dự báo cho số sản xuất công nghiệp giai đoạn tháng cuối năm 2019 Từ kết dự báo, kết luận chiều hướng thực tế tốc độ tăng trưởng ngành công nghiệp Việt Nam năm 2019 tương đối tốt CHƯƠNG KẾT LUẬN Bài nghiên cứu sử dụng phương pháp Box - Jenkins (1976) để lập mơ hình dự báo số sản xuất công nghiệp Việt Nam giai đoạn tháng cuối năm 2019 Kết dự báo cho thấy mơ hình ARIMA đưa kết dự báo phù hợp so với chuỗi thời gian số thực theo tháng dự báo tháng cuối năm 2019 tới, số sản xuất công nghiệp Việt Nam có xu hướng tăng Các tiêu đánh giá độ tin cậy kết dự báo cho thấy mơ hình đáng tin cậy Tuy nhiên, giai đoạn nay, có nhiều nhân tố tác động đến kết dự báo số sản xuất cơng nghiệp Việt Nam, việc dự báo số tương lai tồn sai số định Dù vậy, kết nghiên cứu phần cung cấp thông tin thiết thực cho nhà hoạch định sách nhà đầu tư việc tìm kiếm giải pháp thích hợp để ngành cơng nghiệp Việt Nam không ngừng tăng trưởng 12 PHỤ LỤC Bảng Kiểm định Kruskal-Wallis Test for Equality of Medians of SI Categorized by values of MONTH Date: 12/15/19 Time: 12:52 Sample (adjusted): 2010M07 2019M02 Included observations: 104 after adjustments Method df Value Probability Med Chi-square Adj Med Chi-square Kruskal-Wallis Kruskal-Wallis (tie-adj.) van der Waerden 11 11 11 11 11 56.77778 42.50000 68.37138 68.37138 69.36577 0.0000 0.0000 0.0000 0.0000 0.0000 Bảng Kiểm định tính dừng cho chuỗi iip Null Hypothesis: IIP has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -3.937933 -3.488063 -2.886732 -2.580281 0.0025 t-Statistic Prob.* -9.887767 -3.489117 -2.887190 -2.580525 0.0000 Bảng Kiểm định tính dừng cho chuỗi d(iip) Null Hypothesis: D(IIP) has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level 13 Bảng Giản đồ tự tương quan chuỗi iipsa Sample: 2010M01 2019M08 Included observations: 115 Autocorrelation Partial Correlation AC 2 -0.27 0.027 0.037 -0.02 0.018 0.041 -0.03 0.017 0.030 0.002 -0.04 -0.22 0.074 -0.02 -0.01 0.021 -0.00 -0.00 0.005 -0.01 0.009 -0.05 0.143 -0.29 0.061 0.033 -0.06 0.018 0.013 -0.02 -0.03 0.002 -0.04 0.040 -0.02 -0.10 PAC Q-Stat -0.27 -0.05 0.032 -0.00 0.011 0.051 -0.00 0.004 0.035 0.025 -0.03 -0.26 -0.07 -0.02 -0.00 0.015 0.022 0.018 -0.00 0.000 0.029 -0.05 0.090 -0.34 -0.14 -0.01 -0.03 0.004 0.032 0.045 -0.05 -0.03 -0.03 0.005 -0.03 -0.40 9.0288 9.1141 9.2760 9.3537 9.3937 9.5984 9.7473 9.7821 9.8945 9.8952 10.098 16.486 17.208 17.272 17.294 17.354 17.364 17.373 17.377 17.404 17.415 17.785 20.767 33.878 34.429 34.595 35.223 35.274 35.300 35.399 35.579 35.580 35.957 36.222 36.335 38.215 Prob 0.003 0.010 0.026 0.053 0.094 0.143 0.203 0.281 0.359 0.450 0.522 0.170 0.190 0.242 0.302 0.363 0.430 0.498 0.564 0.627 0.686 0.719 0.595 0.087 0.099 0.121 0.133 0.162 0.195 0.228 0.261 0.303 0.332 0.365 0.406 0.369 14 Bảng Kết ước lượng mơ hình ARIMA(36,1,24) Sample (adjusted): 2013M02 2019M08 Included observations: 79 after adjustments Failure to improve SSR after 15 iterations MA Backcast: 2011M02 2013M01 Variable Coefficient Std Error t-Statistic Prob C AR(1) AR(12) AR(24) AR(36) MA(1) MA(12) MA(24) 0.043427 -0.139377 -0.590160 -0.313996 -0.476349 -0.420888 -0.012938 -0.566026 0.070975 0.097476 0.087443 0.098451 0.098300 0.131879 0.079576 0.119536 0.611863 -1.429856 -6.749041 -3.189353 -4.845889 -3.191480 -0.162593 -4.735178 0.5426 0.1571 0.0000 0.0021 0.0000 0.0021 0.8713 0.0000 R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots 0.626759 0.589961 3.698638 971.2747 -211.2080 17.03226 0.000000 97-.11i 89-.39i 69-.70i 38-.89i 11-.97i -.26-.95i -.58-.78i -.79-.58i -.96-.26i 1.00 87+.49i 51-.84i 02+.97i -.47-.84i -.83-.49i Mean dependent var S.D dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter Durbin-Watson stat 97+.11i 89+.39i 69+.70i 38+.89i 11+.97i -.26+.95i -.58+.78i -.79+.58i -.96+.26i 96-.25i 71-.69i 27+.94i -.24-.94i -.68+.69i -.93-.25i 95-.26i 78-.58i 58+.78i 25-.95i -.12-.97i -.39+.90i -.70+.70i -.90-.39i -.97+.11i 96+.25i 71+.69i 27-.94i -.24+.94i -.68-.69i -.93+.25i 0.166602 5.776028 5.549570 5.789514 5.645699 2.254822 95+.26i 78+.58i 58-.78i 25+.95i -.12+.97i -.39-.90i -.70-.70i -.90+.39i -.97-.11i 87-.49i 51+.84i 02-.97i -.47+.84i -.83+.49i -.96 Bảng Kiểm định tự tương quan cho mơ hình ARIMA(36,1,24) Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 4.594714 Prob F(2,69) 8.579951 Prob Chi-Square(2) 0.0134 0.0137 15 Bảng Kết ước lượng mơ hình ARIMA(36,1,12) Sample (adjusted): 2013M02 2019M08 Included observations: 79 after adjustments Convergence achieved after 42 iterations MA Backcast: 2012M02 2013M01 Variable Coefficient Std Error t-Statistic Prob C AR(1) AR(12) AR(24) AR(36) MA(1) MA(12) -0.080870 0.105632 -0.470384 -0.464857 -0.468532 -0.676413 -0.246932 0.043773 0.088179 0.085454 0.069733 0.082380 0.094422 0.089025 -1.847481 1.197927 -5.504511 -6.666271 -5.687444 -7.163746 -2.773724 0.0688 0.2349 0.0000 0.0000 0.0000 0.0000 0.0071 R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots 0.601065 0.567820 3.797182 1038.138 -213.8377 18.08009 0.000000 98-.12i 91+.39i 69+.69i 39-.90i 12+.97i -.25-.94i -.58-.79i -.78-.59i -.94-.25i 98 50+.75i -.40+.76i Mean dependent var S.D dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter Durbin-Watson stat 98+.12i 91-.39i 69-.69i 39+.90i 12-.97i -.25+.94i -.58+.79i -.78+.59i -.94+.25i 85+.42i 05-.87i -.73+.44i 94-.25i 79+.59i 59-.79i 26-.94i -.11-.98i -.39+.90i -.69-.69i -.90+.39i -.97-.11i 85-.42i 05+.87i -.73-.44i 0.166602 5.776028 5.590829 5.800780 5.674942 2.200788 94+.25i 79-.59i 59+.79i 26+.94i -.11+.98i -.39-.90i -.69+.69i -.90-.39i -.97+.11i 50-.75i -.40-.76i -.85 Bảng Kiểm định tự tương quan cho mơ hình ARIMA(36,1,12) Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 1.603467 Prob F(2,70) 3.135846 Prob Chi-Square(2) 0.2085 0.2085 Bảng Kiểm định phương sai sai số cho mơ hình ARIMA(36,1,12) Heteroskedasticity Test: ARCH F-statistic Obs*R-squared 2.943750 Prob F(1,76) 2.908558 Prob Chi-Square(1) 0.0903 0.0881 16 DANH MỤC TÀI LIỆU THAM KHẢO Nguyễn Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy (2009) Dự báo phân tích liệu kinh tế tài NXB Thống kê GS.TS Nguyễn Quang Dong, Giáo trình Kinh tế lượng, NXB Đại học Kinh tế Quốc dân Forecasting: Principle, https://otexts.com/fpp2/ses.html? fbclid=IwAR12TddyzRT2fHi_uPk6wY7FTdvlqxHI POHW07iFniVOFLVm6q-O0vCjNI https://maths.uel.edu.vn/Resources/Docs/SubDomain/maths/TaiLieuHocTap/ToanUngDu ng/cc_m_hnh_d_bo_theo_phng_php_box jenkins.html Quyền, N H (2013) Nghiên cứu ứng dụng mô hình ARIMA để dự báo lượng mưa vụ đơng xn số tỉnh vùng Đồng Bắc Bộ Trường Đại học Khoa học Tự nhiên Cao Hào Thi (2010), Sử dụng mơ hình ARIMA dự báo giá, Đại học bách khoa thành phố Hồ Chí Minh Vương Quốc Duy, Nguyễn Văn Vũ An (2014), Xây dựng mơ hình ARIMA để dự bảo lượng FDI vào tỉnh Trà Vinh, Đại học Khoa học Xã hội Nhân văn 17 ... ARIMA với mơ hình VAR để dự báo lạm phát Việt Nam đưa kết luận: mơ hình ARIMA đem lại kết dự báo phù hợp Xác định mục tiêu dự báo Việc xây dựng mơ hình dự báo số sản xuất cơng nghiệp có độ xác cao... lập mơ hình dự báo số sản xuất công nghiệp Việt Nam giai đoạn tháng cuối năm 2019 Kết dự báo cho thấy mơ hình ARIMA đưa kết dự báo phù hợp so với chuỗi thời gian số thực theo tháng dự báo tháng... 96.52979 Kết dự báo cho thấy, số sản xuất công nghiệp Việt Nam tiếp tục có xu hướng tăng lên tháng cuối năm 2019 11 Như vậy, thơng qua phương pháp ARIMA, nhóm thực dự báo cho số sản xuất công nghiệp