7. Ý nghĩa khoa học và thực tiễn của đề tài
3.3.1.Khuyến nghị trong việc sử dụng kết quả nghiên cứu và mô hình
hình dự báo
Thứ nhất, mặc dù dự báo hậu nghiệm cho khoảng tin cậy của dự báo
chứa giá trị thực của CPI. Nhưng càng dự báo về sau, sai số dự báo càng tăng. Do đó, mô hình dự báo nên được sử dụng trong ngắn hạn, còn dự báo trong dài hạn, mô hình chỉ mang tính chất tham khảo trong các quyết định của nhà làm chính sách, nhà kinh doanh và người tiêu dùng.
Thứ hai, khi sử dụng phương trình để dự báo một thời đoạn tiếp theo Yt+1, chúng ta tăng những chỉ số lên một, từ đầu đến cuối tương ứng, như phương trình (3.2) sau:
d_logCPIt+1 = 0.001659 + 0.769721 d_logCPIt +0.197787 d_logCPIt-11 + 0.452955d_logCPIt-23 – 0.880079et-23+et+1 (3.2)
Số hạng et+1 sẽ không biết được vì giá trị kì vọng của những sai số ngẫu nhiên trong tương lai bằng 0, nhưng từ mô hình đã thich hợp, ta có thể thay thế giá trị et-23 bằng giá trị thực nghiệm của nó. Song, nếu chúng ta dự báo xa hơn nữa trong tương lai, chúng ta sẽ không có những giá trị thực nghiệm cho những số hạng e sau một khoảng nào đó, và vì vậy tất cả những giá trị kì vọng của chúng sẽ có giá trị là 0. Đối với những giá trị d_logCPI ban đầu của quá trình dự báo, ta sẽ biết những giá trị d_logCPIt, d_logCPIt-11 và d_logCPIt- 23. Tuy nhiên, sau một lúc, những giá trị d_logCPI trong phương trình (3.2) sẽ là những giá trị dự báo chứ không phải là những giá trị thực trong quá khứ. Vì vậy, các giá trị thực tế của CPI cần phải được cập nhật liên tục để cải thiện độ tin cậy của các giá trị dự báo.
Thứ ba, kết quả kiểm định Chow đã cho thấy, mô hình dự báo có sự thay đổi cấu trúc qua hai thời kì với điểm gãy là tháng 9/2011. Do hạn chế về dữ liệu trong thời kì từ tháng 9/2011 đến nay, nên đề tài vẫn tiếp tục sử dụng mô hình dự báo đã xây dựng ban đầu. Tuy nhiên, trong tương lai, khi chuỗi dữ liệu CPI có độ dài tương đối, mô hình ARIMA cho lạm phát Việt Nam nên được xây dựng dựa trên chuỗi dữ liệu CPI được quan sát từ tháng 9/2011 đến thời điểm nghiên cứu để phản ánh đúng nhất diễn biến lạm phát trong thời gian tới.
Thứ tư, dự báo lạm phát là công việc không dễ dàng. Lạm phát phụ
thuộc vào nhiều yếu tố, trong đó có những yếu tố rất khó xác định hoặc có biến động thường xuyên như: mức cung tiền, lãi suất, tâm lí người tiêu dùng, … Hơn nữa, các yếu tố này còn có sự tác động qua lại ở một độ trễ nhất định. Trong khi đó, hướng nghiên cứu của đề tài chỉ tập trung vào việc dự báo lạm
phát bằng mô hình ARIMA mà chưa phân tích rõ ảnh hưởng của các yếu tố trên đến diễn biến của lạm phát. Tức là, nghiên cứu mới chỉ đưa ra kết quả dự báo lạm phát trong thời gian tới, mà chưa chỉ ra được cơ chế hình thành nên lạm phát đó, tạo cơ sở cho việc xây dựng những giải pháp kiểm soát lạm phát phù hợp. Do đó, để có được kết quả dự báo chính xác hơn và có ý nghĩa hơn về mặt chính sách, mô hình ARIMA nên được sử dụng kết hợp với mô hình tự hồi quy vecto (Vector Autoregression model – VAR) để phân tích mối liên hệ giữa các nhân tố với lạm phát như: cung tiền, tỉ giá, giá xăng dầu, giá gạo, giá từ khu vực nước ngoài, kì vọng của người dân, …, sau đó đo lường ảnh hưởng của các cú sốc đến sự bất định của lạm phát thông qua công cụ ARCH/GARCH.