7. Ý nghĩa khoa học và thực tiễn của đề tài
2.2.3. Một số nghiên cứu thực nghiệm về dự báo lạm phát bằng mô
hình ARIMA
Những nghiên cứu thực nghiệm về lạm phát trước đây đã chứng tỏ sự thành công trong dự báo ngắn hạn lạm phát của mô hình ARIMA.
* Nghiên cứu ở nước ngoài:
Dự báo lạm phát ngày càng được quan tâm, nhiều nơi trên thế giới đã tiến hành nghiên cứu thực nghiệm về dự báo lạm phát.
Muhammad Abdus Salam, Shazia Salam và Mete Feridun (2005) sử dụng mô hình ARIMA phương pháp Box-Jenkins (1976) để dự báo lạm phát trong ngắn hạn ở Pakistan. Nghiên cứu dựa trên chuỗi tỉ lệ lạm phát tháng (tính theo CPI) của Pakistan từ tháng 7/2004 đến tháng 6/2005. Các tiêu chí so sánh để lựa chọn mô hình là: Akaike Information Criterion (AIC), Schwarz Information Criteria (SIC), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) và Mean Abs. Percent Error (MAPE). Mô hình phù hợp cho dự báo lạm phát Pakistan trong ngắn hạn tìm được gồm các tham số: AR(3), AR(8), SAR(1), MA(1), MA(10).
Samuel Erasmus Alnaa và Ferdinand Ahiakpor (2011) cũng đã sử dụng phương pháp này để xây dựng mô hình dự báo lạm phát ở Ghana. Hai tác giả đã tìm ra mô hình ARIMA(6, 1, 6) thích hợp để dự báo lạm phát 12 tháng tiếp theo ở Ghana với mức tin cậy 95%. RMSE của dự báo là 0.115453 cho thấy mô hình có độ tin cậy cao.
Roland Fannoh, George Otieno Orwa và Joseph K. Mung’atu (2012) đã mô hình hóa tỉ lệ lạm phát của Liberia thông qua mô hình ARIMA mùa với phương pháp Box-Jenkins. Nhóm tác giả tiến hành nghiên cứu động thái của
chuỗi tỉ lệ lạm phát tháng từ tháng 1/2006 đến tháng 12/2013 để đưa ra mô hình phù hợp là ARIMA(0; 1; 0)(2; 0; 0)12. Mô hình này có chỉ số Log- likelihood lớn nhất, có AIC, AIC điều chỉnh (AICc) và Normalized Bayesian Information Criterion (BIC) nhỏ nhất. Kiểm định ARCH-LM và kiểm định Ljung-Box (LB) cho thấy phần dư của mô hình là nhiễu trắng.
Nasiru Suleman và Solomo Sarpong (2012) cũng áp dụng phương pháp tương tự để xây dựng mô hình dự báo lạm phát ở Ghana. Các mô hình nhận dạng thử nghiệm là (p; 1; q)(2; 1; 1)12 với p={1; 3} và q={0; 1; 2; 3}. Sau khi so sánh giữa các mô hình nhận dạng thử nghiệm sao cho tối đa Log-likelihood và tối thiểu AIC, AICc, BIC, RMSE, MAPE, MAE, mô hình phù hợp nhất cho tỉ lệ lạm phát của Ghana là ARIMA(3; 1; 3)(2; 1; 1)12.
* Nghiên cứu tại Việt Nam:
Ông Nguyên Chương (2007) ứng dụng phương pháp Box-Jenkin xây dựng được mô hình ARIMA(0; 1; 1)(0;1;1)12 cho chuỗi CPI hàng tháng được thu thập theo phương pháp liên hoàn từ tháng 1/1996 đến tháng 12/2006. Tác giả kiểm định được chuỗi CPI không dừng, có tính mùa chu kì 12 tháng nên lấy sai phân bậc 1 rồi sai phân thứ 12 thì được chuỗi dừng. Các mô hình nhận dạng thử nghiệm là ARIMA(0; 1; 1)(0; 1; 1)12 , ARIMA(1; 1; 0)(1; 1; 0)12 và ARIMA(1; 1; 1)(1; 1; 1)12 . So sánh các tiêu chuẩn: z, Chi-Square, AIC, BIC, mô hình được lựa chọn để dự báo lạm phát Việt Nam trong 12 tháng tiếp theo là mô hình thứ 1.
Vương Thị Thảo Bình (2008) cũng tiến hành nghiên cứu dự báo lạm phát Việt Nam năm 2009 bằng mô hình ARIMA. Mẫu thống kê là chuỗi CPI theo tháng từ tháng 1/2001 đến tháng 12/2008 với năm gốc là 1994. Tác giả dùng ADF kiểm định thấy log(CPI) không dừng mà sai phân của log(CPI) dừng. Ngoài ra, tính mùa tồn tại trong mô hình. Kiểm định LB cho thấy các chuỗi phần dư là các nhiễu trắng. Xem xét đối chiếu tiêu chuẩn AIC, BIC của
2 mô hình nhận dạng thử: ARIMA(1; 1; 3)(1; 0; 0)12 và ARIMA(1; 1; 5)(1; 0; 0)12 , mô hình thu được là ARIMA(1; 1; 5)(1; 0; 0)12 cho chuỗi CPI đã được logarith hóa. Chỉ số CPI dự báo cho tháng 1, tháng 2 năm 2009 lần lượt là 17.22%, 14.04% so với cùng kì năm trước. Kết quả khá chính xác so với công bố của Tổng cục Thống kê Việt Nam là 17.47% (tháng 1/2009) và 14.76% (tháng 2/2009).
Vương Quốc Duy và Huỳnh Hải Âu (2013) tiến hành nghiên cứu dự báo lạm phát giai đoạn tháng 8/2013-7/2014 trên chuỗi tỉ lệ lạm phát hàng tháng từ tháng 1/2000 đến tháng 8/2013 với phương pháp tương tự. Tỉ lệ lạm phát hàng tháng được tính theo mức thay đổi của CPI so với tháng trước. Chuỗi tỉ lệ lạm phát có tính mùa và là chuỗi dừng qua các kiểm định: ADF, Perron-Phillips và biểu đồ SAC, SPAC. Các giá trị nhận dạng: p={1; 2}, q={1; 2; 3}, P=2, Q=3, S=12. So sánh các tiêu chuẩn: R2 điều chỉnh, Log Likelihood, AIC, BIC và RSS, hai tác giả đã tìm ra mô hình phù hợp cho chuỗi tỉ lệ lạm phát là mô hình ARIMA(1; 0;1)(2;0; 3)12 đã loại bỏ biến SAR(12), MA(1), SMA(12), SMA(36).
Gần đây nhất, phương pháp này cũng được Hà Quỳnh Hoa (2014) vận dụng để xây dựng mô hình dự báo lạm phát ở Việt Nam. Số liệu phục vụ nghiên cứu là chuỗi giá trị CPI theo tháng từ tháng 1/2000 đến tháng 2/2014. Qua kiểm định ADF, tác giả nhận định chuỗi CPI không dừng, chuỗi log(CPI) có tính mùa S=12. Loại bỏ tính mùa và lấy sai phân bậc 1 thì được chuỗi dừng. Hai mô hình nhận dạng được là ARIMA(3; 1; 2)(0; 1; 1)12 và ARIMA(9; 1; 2)(0; 1; 1)12. Tác giả dùng kiểm định DF cho phần dư để kết luận phần dư của 2 mô hình đều tuân theo nhiễu trắng. Giá trị R2 cao, sai số dự báo chấp nhận được nên cả 2 mô hình được tác giả sử dụng để dự báo lạm phát Việt Nam cho năm 2014 và 2015. Tốc độ tăng CPI của tháng 12/2014 so với tháng 13/2013 được dự báo từ 2 mô hình lần lượt là 6.65% và 7.14%.
Như vậy, trước sự cần thiết phải ứng dụng phương pháp định lượng vào dự báo lạm phát tại Việt Nam, với những ưu điểm cùng tính hiệu quả trong dự báo ngắn hạn và sự phù hợp với thực tiễn Việt Nam, mô hình ARIMA là một lựa chọn thích hợp. Bên cạnh đó, các nghiên cứu thực nghiệm trước đây cũng cho thấy tính ứng dụng cao của phương pháp Box-Jenkins. Do đó, đề tài vẫn sử dụng phương pháp này để lập mô hình và dự báo lạm phát Việt Nam trong 12 tháng tới.