Mô hình cân bằng tổng thể phát triển trên nền của bảng I/O nhưng mở rộng ra cho nhiều khu vực khắc ngoài khu vực sản xuất. Ví dụ như các dòng thu nhập và chi tiêu của các hộ gia đinh, dòng di chuyển vốn,… Ngoài ra, mô hình cân bằng tổng thể còn bao gồm cả các phương trình hành vi của mô hình kinh tế lượng. Do đó, Ngành 1 Ngành 2 Ngành 3 … Ngành n Zi YI Xi Ngành 1 X11 X12 X13 … X1n Z1 Y1 X1 Ngành 2 X21 X22 X23 … X2n Z2 Y2 X2 Ngành 3 X31 X32 X33 … X3n Z3 Y3 X3 … … … … Ngành n X41 X42 X43 … X4n Zn Yn Xn Zj Z1 Z2 Z3 … Zn Vj=Wj+Rj V1 V2 V3 … Vn
trong các loại mô hình trên thì mô hình cân bằng tổng thể là toàn diện nhất, phức tạp nhất và phản ánh gần với nền kinh tế thực hơn.
Mô hình được gọi là cân bằng tổng thể vì nó được xây dựng trofn giả định cân bằng đồng thời của các loại thị trường và khu vực trong nền kinh tế. Giá cả và sản lượng điều chỉnh sao cho không còn cầu quá mức (excess demand) hay cung quá mức (excess supply). Mô hình thể hiện sự cân bằng đồng thời trên tất cả các loại thị trường. Giả định của mô hình là nhà sản xuất tối đa hóa lợi nhuận, người tiêu dùng tối đa hóa hữu dụng. Thông tin và thị trường là hoàn hảo. Trong điều kiện cân bằng, lợi nhuận kinh tế sẽ bằng không, các nhân tố sản xuất dược hữa dụng hóa hoàn toàn (fully utilised).
3.1.3.4. Giới thiệu mô hình trung bình trượt kết hợp tự hồi quy (ARIMA)
Mô hình ARIMA (AutoRegressive Integrate Moving Average) do Box- Jenkins đề nghị năm 1976, dựa trên mô hình tự hồi quy AR và mô hình trung bình động MA. ARIMA là mô hình dự báo định lượng theo chuỗi thời gian, giá trị tương lai của biến số" dự báo sẽ phụ thuộc vào xu thế vận động của đôi tượng đó trong quá khứ. Mô hình ARIMA phân tích tính tương quan giữa các dữ liệu quan sát để đưa ra mô hình dự báo thông qua các giai đoạn nhận dạng mô hình, ước lượng các tham số từ dữ liệu quan sát và kiểm tra các tham số ước lượng để tìm ra mô hình thích hợp. Mô hình sau cùng gồm các tham số thể hiện mức độ tương quan trên dữ liệu, vàđược chọn để dự báo giá trị tương lai. Giới hạn độ tin cậy của dự báo được tính dựa trên phương sai của sai số dự báo.
Trên thế giới, ARIMA được áp dụng dự báo trong nhiều lĩnh vực. Mô hình ARIMA không phức tạp, nhưng có thể áp dụng hữu hiệu cho nhiều dạng bài toán dự báo khác nhau. Trong lĩnh vực kinh tế, có nhiều ứng dụng được tiến hành với mô hình ARIMA:
Dự báo tỷ giá giữa đồng Guarani của Paraguay và đồng đô-la Mỹ của Ngân hàng Trung Tâm Paraguay [12] bằng mô hình ARIMA. Mô hình được thực hiện với dự báo tỷ giá theo từng ngày và tiến hành dự báo dựa trên 752 quan sát dữ liệu
Một ứng dụng khác là dự báo giá trà trên thế giới dựa trên giá xuất khẩu trà của các nước có nền công nghiệp xuất khẩu trà: Bangladesh, Trung Quốc, Ấn Độ, Đức, Indonesia, Kenya, Sri Lanka và Anh Quốc. Đây là ứng dụng dự báo mô hình ARIMA trong khoảng thời gian dài hạn từ năm 1970 đến 1998.
ARIMA cũng được sử dụng trong việc dự báo lạm phát ở Ireland [17]. Từ đầu năm 1999, Hội đồng chính phủ Ngân hàng Trung Tâm châu Âu (Governing Council of the European Central Bank ECB) quyết định về chính sách tiền tệ chung để duy trì giá cả cho mười một nước châu Âu trong đó có Ireland, vấn đề dự báo lạm phát để
duy trì tính ổn định tiền tệ nảy sinh cho quốc gia này. Mô hình ARIMA được áp dụng để dự báo lạm phát ở Ireland, dữ liệu quan sát được thực hiện từ năm 1976- 1999.
Đề tài là một cách tiếp cận trong việc nghiên cứu và phát triển mô hình và sử dụng nó để dự báo số thu thuế TNDN.
Như chúng ta đã biết, trong nghiên cứu định lượng, tồn tại 3 loại số liệu cơ bản là số liệu theo thời gian, số liệu chéo và số liệu hỗn hợp. Đối với các vấn đề kinh tế, loại số liệu chúng ta thường xuyên tiếp cận nhất có lẽ là số liệu theo thời gian, hay còn gọi là các chuỗi thời gian như chuỗi số liệu GDP, chỉ số VN-Index hay giá vàng theo thời gian…
Tuy nhiên, chuỗi thời gian cũng gây ra không ít khó khăn cho các nhà nghiên cứu, bởi nhiều nghiên cứu đã cho thấy, trong nhiều trường hợp, các mô hình hồi quy cổ điển dường như không hiệu quả với loại dữ liệu này. Vậy vấn đề đặt ra là làm thế nào chúng ta có thể nghiên cứu một chuỗi thời gian, rút ra những kết luận và sử dụng nó để dự báo một cách có hiệu quả? Để trả lời cho câu hỏi này có nhiều phương pháp khác nhau. Tuy nhiên phương pháp được hầu hết các nhà nghiên cứu thừa nhận và sử dụng thường xuyên đó là môhình: ARIMA. Mô hình Trung bình trượt, đồng liên kết, tự hồi quy ARIMA dựa trên triết lý “hãy để dữ liệu tự nói”, nó không sử dụng các biến ngoại sinh độc lập để giải thích cho Y, mà nó sử dụng chính các giá trị trong quá khứ của Y để giải thích cho bản thân nó ở hiện tại. Nó cũng không giả định bất kỳ một mô hình cụ thể nào, mà việc xác định mô hình là dựa trên phân tích dữ liệu cụ thể từng trường hợp và cả một chút nghệ thuật của người sử dụng.
Chính vì thế, ARIMA đôi khi còn được gọi là mô hình lý thuyết mới vì nó không dựa bất kỳ một lý thuyết kinh tế nào.Và cũng do đó, ARIMA có được tính linh hoạt và tiết kiệm hơn hẳn các phương pháp khác, đồng thời tính hiệu quả của ARIMA trong công tác dự báo cũng đã được thực tế chứng minh.