6. Kết cấu của luận văn
3.2 Lựa chọn phần mềm
Trong nghiên cứu này, tác giả sử dụng phần mềm EViews để làm phương tiên dự báo. EViews là viết tắt của Econometric Views (những quan sát mang tính kinh tế lượng), là một phiên bản mới của chương trình thống kê dùng để xử lý chuỗi số liệu theo thời gian. Nó bắt nguồn từ chương trình phần mềm Time Series Processor (TSP) dùng cho những máy tính có bộ nhớ rất lớn. Mặc dù EViews chủ yếu được tạo ra bởi các nhà kinh tế học, nhưng chương trình có thể được sử dụng trong nhiều lĩnh vực nghiên cứu khác như: xã hội học, thống kê học, tài chính,... EViews có thể dễ dàng được sử dụng với môi trường làm việc quen thuộc của Windows. Nói chung, EViews có thể thực hiện các công việc sau:
• Phân tích và đánh giá dữ liệu. • Hồi quy.
• Dự báo. • Mô phỏng.
Những nét đặc trung của EViews:
- Sự đa dạng của các công cụ trong EViews sẽ trợ giúp trong việc xây dựng mô hình của ta.
- Dự báo mô hình với những phương trình tuyệt đối và độ lệch ARMA. - Sử dụng thuật toán Gauss - Seidel để giải quyết mô hình.
- Có nhiều phương pháp đa dạng để dự báo: phương pháp động, tĩnh... - Thêm những nhân tố và đặc tính để làm đơn giản hoá cấu trúc mô hình. - Xác định rõ những phương trình được xem xét phục vụ cho mục đích của ta.
- Kiểm tra quá trình giải quyết. EViews sẽ đưa ra một bảng chứa những cách giải quyết trung gian cho mỗi biến được yêu cầu.
* Ưu điểm của mô hình
Với EViews, ta không phải lo lắng về tính phức tạp của dự báo. Ta có thể tập trung chính vào vấn đề dự báo. Với những mô hình có phương trình đơn giản, ta chỉ việc chọn thực đơn và EViews sẽ tính toán ra dự báo tĩnh hay động với độ lệch chuẩn dự báo tuỳ ý và đồ thị minh hoạ với độ tin cậy dự báo là 95%.
Dựa vào bộ số liệu đã thu thập cùng với sự trợ giúp của phần mềm Eviews, ta tiến hành xây dựng mô hình dự báo cho từng ngành kinh tế của tỉnh Bình Định. Sử dụng các tiêu chuẩn kiểm định để đánh giá xem mô hình có phù hợp hay không (hệ số xác định R2, kiểm định T, F, d_Durbin- Watson, Durbin h).
3.3 Kết quả mô hình dự báo
3.3.1 Công nghiệp
a. Mô hình tuyến tính:
Mô hình dự báo tuyến tính có dạng:
Biến phụ thuộc: ACN
Phương pháp: Bình phương tối thiểu Ngày: 07/23/21 Thời gian: 10:00 Mẫu: 2010 2020
Số lượng quan sát: 11
Tên biến Hệ số hồi quy Độ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê C 4.07E+09 7.27E+09 0.560815 0.5924 GDPCN 17069.93 55347.45 0.308414 0.7667 PCN 346895.0 444131.3 0.781064 0.4604 DS -2733.784 4796.683 -0.569932 0.5865
R2 0.681729 Trung vị biến phụ thuộc 6.67E+08
R2 hiệu chỉnh 0.545326 S.D. biến phụ thuộc 1.86E+08
S.E. của hồi quy 1.25E+08 Tiêu chuẩn Akaike info 40.40250
Tổng bình phương phần
dư 1.10E+17 Têu chuẩn Schwarz 40.54719
Log likelihood -218.2138 Tiêu chuẩnHannan-Quinn 40.31129
Thống kê kiểm định F 4.997934 Thồng kê Durbin-Watson 0.476755
Ý nghĩa kiểm định F 0.036708
b. Mô hình log tuyến tính
Mô hình dự báo có dạng:
ln(ACN) = β0 + β1* ln(GDPCN) + β2 * ln(PCN) + β3 * DS + εi
Biến phụ thuộc: LOG(ACN)
Phương pháp: Bình phương tối thiểu Ngày: 07/23/21 Thời gian: 09:50 Mẫu: 2010 2020
Số lượng quan sát: 11
Tên biến Hệ số hồi quy Độ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê C 115.3735 139.6781 0.825996 0.4361 LOG(GDPCN) 0.201004 0.806544 0.249217 0.8103 LOG(PCN) 0.686853 0.769900 0.892132 0.4019 LOG(DS) -7.168728 9.710883 -0.738216 0.4844
R2 0.718673 Trung vị biến phụ thuộc 20.28517
R2 hiệu chỉnh 0.598104 S.D. biến phụ thuộc 0.265442 S.E. của hồi quy 0.168278 Tiêu chuẩn Akaike info -0.451117 Tổng bình phương phần dư 0.198221 Têu chuẩn Schwarz -0.306428 Log likelihood 6.481142 Tiêu chuẩnHannan-Quinn -0.542323 Thống kê kiểm định F 5.960691 Thồng kê Durbin-Watson 0.523471 Ý nghĩa kiểm định F 0.024290
Không xây dựng được mô hình dự báo vì các biến trong cả 2 mô hình đều không có ý nghĩa thống kê.
Nguyên nhân xảy ra hiện tượng trên là do trong năm 2013 sản lượng điện tiêu thụ trong công nghiệp giảm nhưng GDP của ngành công nghiệp vẫn tăng, điều này là do trong năm 2013 hàng loạt công ty khai khoáng giảm công suất của nhà máy. Ngành khai khoáng là ngành sử dụng điện rất lớn, nhưng giá trị GDP của ngành khai khoáng lại nhỏ (vì chủ yếu ngành này sản xuất thô, không chế biến thành phẩm có giá trị). Điều này dẫn đến sản lượng điện sụt giảm lớn nhưng giá trị GDP của ngành công nghiệp không giảm mà lại tăng.
Để xây dựng mô hình ta chỉ lấy số liệu giai đoạn 2014- 2020, việc này phù hợp với thực tế.
Mô hình tuyến tính:
Mẫu: 2014 2020
Số lượng quan sát: 7
Tên biến Hệ số hồi quy Độ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê C -2.19E+10 5.22E+09 -4.185593 0.0249 GDPCN 24589.61 24420.64 1.006919 0.3882 PCN 2205191. 357131.5 6.174732 0.0086 DS 12599.63 3242.355 3.885949 0.0302
R2 0.965956 Trung vị biến phụ thuộc 7.47E+08
R2 hiệu chỉnh 0.931913 S.D. biến phụ thuộc 1.84E+08
S.E. của hồi quy 48044798 Tiêu chuẩn Akaike info 38.50873
Tổng bình phương phần dư 6.92E+15 Têu chuẩn Schwarz 38.47782
Log likelihood -130.7805 Tiêu chuẩn Hannan-Quinn 38.12670 Thống kê kiểm định F 28.37414 Thồng kê Durbin-Watson 2.490121
Ý nghĩa kiểm định F 0.010554
Tuy nhiên, với mức ý nghĩa a = 0.05 thì Prob (GDPCN) = 0.3882> α nên ta loại biến GDPCN. Như vậy, biến GDPCN không ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Ta tiến hành loại bỏ biến GDPCN ra khỏi mô hình và xây dựng lại mô hình dự báo bằng phần mềm Eviews:
Biến phụ thuộc: ACN
Phương pháp: Bình phương tối thiểu Ngày: 07/24/21 Thời gian: 17:04 Mẫu: 2014 2020
Số lượng quan sát: 7
Tên biến Hệ số hồi quyĐộ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê
C -2.13E+10 5.21E+09 -4.100257 0.0148
PCN 2402210. 299279.2 8.026650 0.0013
DS 12256.47 3229.987 3.794589 0.0192
R2 0.954451 Trung vị biến phụ thuộc 7.47E+08
R2 hiệu chỉnh 0.931677 S.D. biến phụ thuộc 1.84E+08
S.E. của hồi quy 48128121 Tiêu chuẩn Akaike info 38.51416
Tổng bình phương phần dư 9.27E+15 Têu chuẩn Schwarz 38.49098
Log likelihood -131.7996 Tiêu chuẩn Hannan-Quinn 38.22764
Thống kê kiểm định F 41.90878 Thồng kê Durbin-Watson 2.377641
Ý nghĩa kiểm định F 0.002075
4- dL = 3,533; 4 – dU = 2,104
4 – dU < D= 2.377 < 4 – dL => không kết luận dc có tương quan hay không, có thể dùng mô hình này.
Ta xây dựng được mô hình dự báo:
ACN = -21.300.000.000 + 2.402.210*PCN + 12.256,47*DS
Hàm LOG:
Mô hình dự báo có dạng:
ln(ACN) = β0 + β1* ln(GDPCN) + β2 * ln(PCN) + β3 * ln(DS) + εi
Phương pháp: Bình phương tối thiểu Ngày: 07/24/21 Thời gian: 16:54 Mẫu: 2014 2020
Số lượng quan sát: 7
Tên biến Hệ số hồi quy Độ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê C -388.7415 114.9127 -3.382928 0.0430 LOG(GDPCN) 0.433407 0.479124 0.904582 0.4324 LOG(PCN) 4.617189 0.884795 5.218372 0.0137 LOG(DS) 26.10163 7.760811 3.363261 0.0436
R2 0.955682 Trung vị biến phụ thuộc 20.40646
R2 hiệu chỉnh 0.911365 S.D. biến phụ thuộc 0.244659
S.E. của hồi quy 0.072839 Tiêu chuẩn Akaike info -2.105570
Tổng bình phương phần
dư 0.015917 Têu chuẩn Schwarz -2.136478
Log likelihood 11.36949 Tiêu chuẩn Hannan-Quinn -2.487593
Thống kê kiểm định F 21.56432 Thồng kê Durbin-Watson 2.038500
Ý nghĩa kiểm định F 0.015626
Tuy nhiên, với mức ý nghĩa a = 0.05 thì Prob (GDPCN) = 0.4324> α nên ta loại biến GDPCN
Như vậy, biến GDPCN không ảnh hưởng đến nhu cầu tiêu thụ điện năng của ngành. Ta tiến hành loại bỏ biến GDPCN ra khỏi mô hình và xây dựng lại mô hình dự báo bằng phần mềm Eviews:
Phương pháp: Bình phương tối thiểu Ngày: 07/24/21 Thời gian: 16:57 Mẫu: 2014 2020
Số lượng quan sát: 7
Tên biến Hệ số hồi quy Độ lệch chuẩn Thồng kê t
Mức ý nghĩa thông kê
C -377.2363 111.5822 -3.380794 0.0278
LOG(PCN) 5.057872 0.721627 7.008988 0.0022
LOG(DS) 25.35164 7.539071 3.362700 0.0282
R2 0.943594 Trung vị biến phụ thuộc 20.40646
R2 hiệu chỉnh 0.915391 S.D. biến phụ thuộc 0.244659 S.E. của hồi quy 0.071165 Tiêu chuẩn Akaike info -2.150099 Tổng bình phương phần dư 0.020258 Têu chuẩn Schwarz -2.173281 Log likelihood 10.52535 Tiêu chuẩn Hannan-Quinn -2.436617 Thống kê kiểm định F 33.45741 Thồng kê Durbin-Watson 2.046709 Ý nghĩa kiểm định F 0.003182
dL = 0,467; dU = 1.896 4 – dU = 2,104
1.896 < D= 2.0467 < 2,104
Ta xây dựng được mô hình dự báo:
ln(ACN) = -377,2363 + 5,057872 * ln(PCN) + 25,35164*ln(DS)