- Các số liệu, tài liệu thực tế:
3.2.1 Công nghiệp
a. Mô hình tuyến tính:
Mô hình dự báo tuyến tính có dạng:
0 1* 2* 3* i
ACN GDPCN PCN DS
Với những số liệu được tổng hợp từ phân tích ở những phần trước, ta sử dụng làm dữ liệu đầu vào để xây dựng mô hình dự báo bằng phần mềm eviews:
Hình 3.6: Kết quả chạy Eviews mô hình tuyến tính của ngành công nghiệp
Sau khi chạy ta xây dựng được mô hình tính toán :
ACN = -2608.33149597 + 0.0749946542089*GDPCN - 0.232815070315*PCN + 0.508197482315*DS
Nhận xét:
Từ mô hình ta thấy hệ số của biến GDPCN, DS mang dấu dương, còn hệ số của biến PCN mang dấu âm. Tức là, khi biến GDPCN tăng thêm 1 đơn vị thì biến nhu cầu điện năng của ngành tăng thêm 0.07499 đơn vị, còn khi giá điện của ngành công nghiệp PCN tăng thêm 1 đơn vị thì nhu cầu điện năng ngành công nghiệp sẽ giảm đi 0.23281 đơn vị, khi biến DS tăng thêm 1 đơn vị thì biến nhu cầu điện năng của ngành tăng lên 0.508197 đơn vị. Như vậy, mối quan hệ của GDPCN,PCN, DS và lượng tiêu thụ điện năng của ngành công nghiệp phù hợp với lý thuyết kinh tế.
Tuy nhiên, với mức ý nghĩa a = 0.05 thì Prob(PCN) = 0.3878> Prob(GDPCN) = 0.0033<
Prob(DS) = 0.1223>
Như vậy, biến PCN và DS không ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Ta tiến hành loại bỏ biến PCN và DS ra khỏi mô hình và xây dựng lại mô hình dự báo bằng phần mềm Eviews:
Hình 3.7: Kết quả chạy Eviews mô hình tuyến tính của ngành công nghiệp khi đã bỏ biến PCN và DS
Từ kết quả chạy eviews, ta xây dựng được mô hình dự báo sau: ACN = -252.32600784 + 0.0987837116121*GDPCN Nhận xét:
Hệ số của biến GDPCN mang dấu dương, tức là khi GDPCN tăng thêm 1 đơn vị thì nhu cầu điện năng cũng tăng lên 0.09878 đơn vị. Như vậy, mối quan hệ giữa biến GDPCN với nhu cầu điện năng có quan hệ đồng biến. Điều này phù hợp với lý thuyết kinh tế.
Hệ số R2 :
R2 = 0.9946 => 99.46% sự thay đổi của biến độc lập sẽ được giải thích bằng hàm hồi quy đã xây dựng ở trên.
Kiểm định T:
Với mức ý nghĩa a = 0.05, từ bảng kết quả ta thấy:
Prob(GDPCN) = 0 < => Biến GDPCN có ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định T.
Kiểm định F:
Với mức ý nghĩa a = 0.05, ta thấy Prob(F-statistic) = 0<
Như vậy, có ít nhất một biến GDPCN ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định F.
Kiểm định d_Durbin-Watson:
Theo kết quả chạy Eviews, ta có d = 0.90476, với số mẫu quan sát n = 14 và số biến độc lập k’= 1 tra bảng giá trị dL, dU của thống kê Durbin-Watson với mức ý nghĩa 5% ta có: dL = 1.045, dU = 1.350 => d < dL.
Vậy mô hình có tự tương quan dương.
Khắc phục tự tương quan bằng cách chạy lại mô hình với biến nhu cầu điện của thời kì trễ ACN(-1) ta được kết quả như sau:
Hình 3.8: Kết quả chạy Eviews mô hình tuyến tính của ngành công nghiệp sau khi bỏ biến PCN, DS và thêm biến trễ ACN(-1)
Từ kết quả chạy eviews, ta xây dựng được mô hình dự báo sau: ACN = -93.0916532188 + 0.0528185114154*GDPCN +
0.494812298696*ACN(-1) Nhận xét:
Hệ số của biến GDPCN và ACN(-1) đều mang dấu dương, tức là khi GDPCN tăng thêm 1 đơn vị thì nhu cầu điện năng cũng tăng lên 0.05281 đơn vị. Còn khi nhu cầu điện năng năm trước ACN(-1) tăng lên 1 đơn vị thì nhu cầu điện năng cũng tăng lên 0.494812 đơn vị. Như vậy, mối quan hệ giữa biến GDPCN vàACN(-1) với nhu cầu điện năng có quan hệ đồng biến. Điều này hoàn toàn phù hợp với lý thuyết kinh tế.
Hệ số R2 :
R2= 0.997684 => 99.77% sự thay đổi của biến độc lập sẽ được giải thích bằng hàm hồi quy đã xây dựng ở trên.
Kiểm định T:
Với mức ý nghĩa =0.05 từ bảng kết quả ta thấy : Prob(tGDPCN)=0.0017<0.05
=>GDPCN và biến ACN(-1) có ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định T.
Kiểm định F :
Với mức ý nghĩa =0.05, ta thấy Prob(F-statistic)=0<
Như vậy, có ít nhất một biến GDPCN hoặc ACN(-1) ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định F.
Kiểm định Durbin H:
Để kiểm định hiện tượng tự tương quan trong mô hình trên ta không thể dùng tiêu chuẩn Durbin-Watson vì mô hình trên có chứa biến ACN(-1). Trong trường hợp này ta dùng tiêu chuẩn Durbin h.
Ta có kiểm định thống kê :
Ta tính được h= -0.7475
Ta có -1.96 < h < 1.96, do đó chấp nhận giả thiết H0: 0(Không tồn tại tự
tương quan) với mức ý nghĩa 5%. Như vậy việc đưa them biến tiêu thụ điện năng năm trước ACN(-1) đã khắc phục được hiện tượng tương quan.
Vậy ta chấp nhận sử dụng mô hình trên làm mô hình dự báo:
ACN = -93.0916532188 + 0.0528185114154*GDPCN + 0.494812298696*ACN(-1)
b. Mô hình log tuyến tính
Mô hình dự báo có dạng :
0 1 2 3
ln(ACN) *ln(GDPCN) *ln(PCN) *DSi
Hình 3.9: Kết quả chạy Eviews mô hình log tuyến tính của ngành công nghiệp
2 2 (1 ) 2 1 ( ( )) d n h n Var
Ta xây dựng được mô hình dự báo sau :
ln(ACN) = -11.4690010735 + 0.929428969389*ln(GDPCN) - 0.0278904733814*ln(PCN) + 1.13497719362*ln(DS) Nhận xét:
Từ mô hình trên ta thấy, hệ số của biến GDPCN,DS mang dấu dương, còn hệ số của biến PCN mang dấu âm. Tức là, khi biến GDPCN tăng thêm 1 đơn vị thì biến nhu cầu điện năng của ngành tăng thêm 0.92943đơn vị,còn khi giá điện của ngành công nghiệp PCN tăng thêm 1 đơn vị thì nhu cầu điện năng ngành công nghiệp sẽ giảm đi 0.02789 vị, khi biến DS tăng thêm 1 đơn vị thì biến nhu cầu điện năng của ngành tăng thêm 1.134977 đơn vị. Như vậy, mối quan hệ của GDPCN và PCN với tiêu thụ điện năng của ngành công nghiệp là phù hợp với lý thuyết kinh tế.
Tuy nhiên ta nhận thấy, với mức ý nghĩa = 0.05 thì : Prob(GDPCN) = 0 <
Prob(PCN) = 0.648> Prob(DS) = 0.003<
Như vậy, biến PCN không ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Ta tiến hành loại bỏ biến PCN ra khỏi mô hình và xây dựng lại mô hình dự báo bằng phần mềm Eviews:
Hình 3.10: Kết quả chạy Eviews mô hình log tuyến tính của ngành công nghiệp sau khi bỏ biến PCN
Mô hình dự báo có dạng :
ln(ACN) = -11.5986912115 + 0.915488293567*ln(GDPCN) + 1.14355372999*ln(DS)
Nhận xét:
Hệ số của biến GDPCN, DS mang dấu dương, tức là khi GDPCN tăng thêm 1 đơn vị thì nhu cầu điện năng cũng tăng lên 0.915488 đơn vị, khi DS tăngthêm 1 đơn
vị thì nhu cầu điện năng cũng tăng lên 1.143554 đơn vị. Như vậy, mối quan hệ giữa biến GDPCN, DS với nhu cầu điện năng có quan hệ đồng biến. Điều này phù hợp với lý thuyết kinh tế.
Hệ số R2 :
R2 = 0.999233 => 99.92% sự thay đổi của biến độc lập sẽ được giải thích bằng hàm hồi quy đã xây dựng ở trên.
Kiểm định T:
Với mức ý nghĩa =0.05 từ bảng kết quả ta thấy : Prob(GDPCN)= 0<
Prob(DS)= 0.0019<
Biến GDPCN,DS có ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định T.
Kiểm định F :
Với mức ý nghĩa =0.05, ta thấy Prob(F-statistic)=0<
Như vậy, có ít nhất một biến GDPCN hoặc DS ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Mô hình trên thỏa mãn kiểm định F.
Kiểm định d_Durbin-Watson:
Theo kết quả chạy Eviews, ta có d = 1.416, với số mẫu quan sát n = 14 và số biến độc lập k’= 2 tra bảng giá trị dL, dU của thống kê Durbin-Watson với mức ý nghĩa 5% ta có: = 0.905, dU = 1.551 =>4-dU>d > dU
Vậy mô hình không xác định được khoảng tương quan. Vậy ta chọn mô hình dưới đây để dự báo :
ln(ACN) = -11.5986912115 + 0.915488293567*ln(GDPCN) + 1.14355372999*ln(DS)