Ứng dụng mô hình Arima trong dự báo lạm phát Việt Nam

Trước những nhận định khác nhau như vậy về lạm phát của Việt Nam năm 2014, 2015, việc xây dựng một mô hình phù hợp để dự báo lạm phát Việt Nam là một điều cần thiết, nhằm đưa ra con số d

ĐẠI HỌC ĐÀ NẴNG

ĐẶNG THỊ NGỌC NIN

ỨNG DỤNG MÔ HÌNH ARIMA

TRONG DỰ BÁO LẠM PHÁT VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số : 60.34.20

TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN TRỊ KINH DOANH

Đà Nẵng – Năm 2015

ĐẠI HỌC ĐÀ NẴNG

Người hướng dẫn khoa học: TS ĐINH BẢO NGỌC

Phản biện 1: TS Đặng Tùng Lâm

Phản biện 2: GS.TS Dương Thị Bình Minh

Luận văn đã được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp Thạc sĩ Quản trị kinh doanh họp tại Đại Học Đà Nẵng vào ngày 26 tháng 01 năm 2015

Có thể tìm hiểu Luận văn tại:

- Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng

- Thư viện trường Đại học Kinh tế, Đại học Đà Nẵng

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Lạm phát thường có tác động tiêu cực đến phát triển kinh

tế-xã hội Tuy nhiên, nếu nền kinh tế thích ứng được với sự thay đổi của lạm phát thì có thể hạn chế thiệt hại do lạm phát gây ra cũng như khai thác mặt tích cực của lạm phát trong một số trường hợp Điều này đòi hỏi lạm phát phải được dự đoán trước Song, những biến động kinh tế trong và ngoài nước sẽ có những ảnh hưởng không nhỏ đến mục tiêu lạm phát từ nay đến năm 2015

Mục tiêu Kế hoạch Phát triển Kinh tế - xã hội năm 2014 và

dự kiến cho năm 2015 của Bộ kế hoạch và Đầu tư là kiểm soát lạm phát ở mức khoảng 7% năm 2014 và khoảng 5% năm 2015 Theo dự báo của Ernst & Young (2/2014), lạm phát Việt Nam năm 2014 là 6.5% và năm 2015 là 6% Dựa trên nhận định nhu cầu tiêu dùng trong nước giảm, nguồn cung thực phẩm cao và giá nhiên liệu toàn cầu ổn định, Ngân hàng Phát triển Châu Á (ADB) lại đưa ra kì vọng

về lạm phát Việt Nam trong năm 2014 là khoảng 4.5% và năm 2015

là 5.5% Gần đây nhất, trong Báo cáo triển vọng kinh tế khu vực Đông Á Thái Bình Dương, Ngân hàng thế giới (WB) dự báo lạm phát Việt Nam là 4.5% năm 2014 và 5% năm 2015

Trước những nhận định khác nhau như vậy về lạm phát của Việt Nam năm 2014, 2015, việc xây dựng một mô hình phù hợp để

dự báo lạm phát Việt Nam là một điều cần thiết, nhằm đưa ra con số

dự báo độc lập với các dự báo đã dược công bố, hỗ trợ các nhà hoạch định chính sách cũng như các doanh nghiệp có căn cứ lập kế hoạch phát triển cùng những giải pháp thích hợp để phòng ngừa và tối thiểu hóa thiệt hại do lạm phát gây ra

Lạm phát có thể dược dự báo bằng các mô hình như: Mô hình đường cong Phillips, mô hình lý thuyết tiền tệ truyền thống, mô hình hiệu chỉnh sai số, mô hình Tự hồi quy tích hợp trung bình trượt

(ARIMA), mô hình Tự hồi quy vecto, … Trong đó, mô hình ARIMA chỉ dùng các giá trị trong quá khứ của chính biến số cần dự báo nên

nó được dùng khá phổ biến và tỏ ra hiệu quả hơn trong việc dự báo ngắn hạn các chuỗi thời gian như tỉ giá, lạm phát, tăng trưởng, … so với các mô hình khác

Do vậy, đề tài: “Ứng dụng mô hình ARIMA trong dự báo

lạm phát Việt Nam” được lựa chọn để tiến hành nghiên cứu

2 Mục tiêu nghiên cứu

- Hệ thống lại cơ sở lý luận cơ bản về lạm phát và mô hình ARIMA

- Tổng quan thực tiễn lạm phát ở Việt Nam trong giai đoạn

từ tháng 1/2005 đến tháng 10/2014, để thấy được phần nào quy luật diễn biến phức tạp của lạm phát tại một nước đang phát triển như nước ta

- Xây dựng mô hình ARIMA phù hợp để dự báo lạm phát Việt Nam trong thời gian tới từ tháng 11/2014 đến tháng 6/2015 Từ

đó, đề xuất một số khuyến nghị đối với Chính phủ và Ngân hàng Nhà nước trong điều hành chính sách vĩ mô

3 Câu hỏi nghiên cứu

4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu:

Đề tài tập trung nghiên cứu việc vận dụng mô hình ARIMA xem xét chuỗi chỉ số giá tiêu dùng CPI (chỉ số được sử dụng để phản ánh lạm phát ở Việt Nam) của cả nước được quan sát theo tháng từ tháng 1/2005 đến tháng 6/2014 nhằm dự báo lạm phát Việt Nam từ tháng 7/2014 đến tháng 6/2015 Trong đó, kết quả dự báo các tháng

7, 8, 9 và 10/2014 được so sánh với giá trị thực để đánh giá dự báo

Phạm vi nghiên cứu:

Để xây dựng mô hình ARIMA cho lạm phát Việt Nam, đề tài chỉ sử dụng các dữ liệu chuỗi thời gian trong quá khứ của chỉ số

CPI từ tháng 1/2005 đến tháng 6/2014 Trên cơ sở mô hình xây dựng được, nghiên cứu đưa ra dự báo lạm phát Việt Nam trong ngắn hạn,

từ tháng 11/2014 đến tháng 6/2015 Như đã nói ở trên, các tháng 7/2014-10/2014 được dùng để đánh giá dự báo

5 Phương pháp nghiên cứu:

Đề tài vận dụng phương pháp Box-Jenkins xây dựng mô hình ARIMA dự báo lạm phát với quy trình gồm 4 bước: Nhận dạng

mô hình; Ước lượng mô hình; Kiểm tra mô hình và Dự báo

Dữ liệu mẫu được thu thập và tính toán trên cơ sở nguồn dữ liệu sơ cấp từ Tổng cục Thống kê Việt Nam kết hợp phương pháp nội suy.Công cụ hỗ trợ cho nghiên cứu là phần mềm Excel và Eview

Ngoài ra, các phương pháp khác như: phương pháp định tính, phân tích thống kê mô tả, tổng hợp, so sánh cũng được sử dụng nhằm làm rõ những vấn đề nghiên cứu

6 Bố cục của đề tài

Chương 1: Cơ sở lý luận về lạm phát và mô hình ARIMA

Chương 2: Thiết kế nghiên cứu dự báo lạm phát Việt Nam bằng mô

Với khái niệm này, biểu hiện của lạm phát là giá cả của hầu hết các hàng hóa trong nền kinh tế tăng lên một cách đồng thời và liên tục trong một khoảng thời gian đủ dài để có thể nhận rõ xu hướng này Lạm phát không phải là hiện tượng giá cả của một vài hàng hóa hay nhóm hàng hóa nào đó tăng lên mà là sự tăng lên của mức giá chung của nền kinh tế Ngoài ra, việc tăng giá mang tính đột biến hay ngắn hạn không được xem là biểu hiện của lạm phát

1.1.2 Phân loại lạm phát

a Phân loại lạm phát theo căn cứ định lượng

b Phân loại lạm phát theo căn cứ định tính

Tỉ lệ lạm phát = [mức giá cả chung trung bình (t) – mức giá

cả chung trung bình (t0)] / mức giá cả chung trung bình (t0)

Chỉ số giá tiêu dùng (Consumer Price Index – CPI) được sử dụng để tính tỉ lệ lạm phát của phần lớn quốc gia trên thế giới

a Mô hình đường cong Phillips

b Mô hình lạm phát do chi phí đẩy

c Mô hình lạm phát do cầu kéo

d Mô hình lạm phát theo quan điểm kì vọng

e Mô hình lạm phát theo trường phái tiền tệ

1.2.2 Một số mô hình định lượng dự báo lạm phát phổ biến

a Mô hình dự báo chuỗi thời gian

b Mô hình nhân quả

c Mô hình mạng thần kinh (Neural Network)

1.3 CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA

1.3.1 Giới thiệu chuỗi thời gian trong kinh tế

a Định nghĩa và các thành phần của chuỗi thời gian

Chuỗi thời gian là một dãy các giá trị của một đại lượng nào

của chuỗi ở thời đoạn (hoặc thời điểm) t, với t =1; 2; 3; …; n

Các thành phần của dữ liệu chuỗi thời gian trong kinh tế gồm:

- Thành phần xu thế (Trend component)

- Thành phần mùa (Seasonality)

- Thành phần chu kì (Cyclical)

- Thành phần ngẫu nhiên (Irregular)

b Quá trình ngẫu nhiên(Stochastic process)

* Định nghĩa quá trình ngẫu nhiên:

* Một số quá trình ngẫu nhiên giản đơn:

- Nhiễu trắng (White noise):

Nhiễu trắng là một quá trình ngẫu nhiên có trung bình bằng

0, phương sai đồng nhất và không tương quan

- Bước ngẫu nhiên (Random walk):

- Bước ngẫu nhiên với bước nhảy (Random walk with drift):

c Định nghĩa chuỗi thời gian dừng

thời gian, tức là trung bình và phương sai của quá trình không thay đổi theo thời gian và hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách độ trễ về thời gian giữa các thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà hiệp phương sai được tính

Quá trình được gọi là dừng yếu (dừng theo nghĩa rộng) khi thỏa mãn điều kiện (1.8) dưới đây:

Chuỗi thời gian không thỏa mãn cả 3 điều kiện ở (1.8) là chuỗi không dừng Theo định nghĩa về quá trình dừng, ta thấy nhiễu trắng là chuỗi dừng, bước ngẫu nhiên không có tính dừng

1.3.2 Một số công cụ cơ bản trong phân tích chuỗi thời gian

a Toán tử trễ và toán tử sai phân

b Hàm tự tương quan (ACF)

c Hàm tự tương quan riêng phần (PACF)

1.3.3 Tổng quan về mô hình tự hồi quy tích hợp trung bình trượt (ARIMA)

Một phương pháp rất phổ biến trong dự báo chuỗi thời gian

là lập mô hình tự hồi quy tích hợp trung bình trượt Mô hình tự hồi

ïî

ïíì

(

,)(

,)(

k Y

Y Cov

t Y

Var

t Y

E

k t t t t

g m

(1.8)

quy tích hợp trung bình trượt (Autoregressive Intergrated Moving Average – ARIMA) là mô hình dự báo chuỗi thời gian đơn biến được Box, G.E.P., và G.M Jenkins giới thiệu vào năm 1976 dựa trên

ý tưởng cho rằng, chuỗi thời gian có thể được giải thích bằng cách kết hợp các hành vi hiện tại và trong quá khứ với các yếu tố ngẫu nhiên (gọi là nhiễu) ở hiện tại và quá khứ Thực chất, ARIMA là tổng hợp của các mô hình: mô hình tự hồi quy (AR), mô hình tích hợp (I) và mô hình trung bình trượt (MA) Chuỗi dữ liệu nghiên cứu bằng mô hình ARIMA phải có tính dừng

a Mô hình tự hồi quy (AR)

Quá trình chuỗi tự hồi quy bậc p được kí hiệu là AR(p) có phương trình (1.19):

Yt = m + f1Yt-1 + f2 Yt-2 + … + fpYt-p + et (1.19) trong đóet là nhiễu trắng

b Mô hình trung bình trượt (MA)

Quá trình trung bình trượt bậc q được kí hiệu là MA(q) có phương trình (1.23):

Yt = m + q1et-1 + q2 et-2 + … + qqet-q + et (1.23) trong đóet là nhiễu trắng

c Mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA)

Mô hình tự hồi quy bậc p trung bình trượt bậc q [kí hiệu là ARMA (p, q)] là mô hình tổng hợp từ AR(p) và MA(q) có phương trình (1.27) sau:

Yt =m + f1Yt-1+ f2 Yt-2 +…+fpYt-p +q1et-1+ q2et-2 +…

+qq et-q+et (1.27) trong đóet là nhiễu trắng

ARMA(p, q) có thể viết lại dưới dạng toán tử trễ ở phương trình (1.28):

(1 – f1L – f2L2 - … - fpLp)Yt = m + (1 + q1L + q2L2 + …

+qqLq)et (1.28)

Mô hình ARMA chỉ áp dụng để nghiên cứu các chuỗi thời gian dừng Tuy nhiên trong thực tế, phần lớn các chuỗi thời gian là chuỗi không dừng, ta có thể lấy sai phân d lần (1-L)d để biến đổi

hợp bậc d, kí hiệu là I(d)

Áp dụng chuỗi ARMA(p, q) cho chuỗi tích hợp bậc d, ta được chuỗi tự hồi quy tích hợp trung bình trượt, và mô hình là ARIMA(p, d, q), có dạng như phương trình (1.29) sau:

p

f (L)(1 – L)dYt = qq(L)et (1.29) trong đóet là nhiễu trắng và d là bậc sai phân của Yt

đoạn, phương pháp đơn giản nhất để loại bỏ yếu tố mùa trong chuỗi

(1-LS))

Áp dụng chuỗi ARIMA(p, d, q) cho chuỗi sai phân mùa bậc

D, tự hồi quy mùa bậc P, trung bình trượt mùa bậc Q, ta được mô

p

f (L) FP(Ls)(1 – L)d (1- Ls)D Yt = qq(L) QQ(Ls) et +m (1.30) trong đóet là nhiễu trắng

Hàm tự tương quan và hàm tự tương quan riêng phần của mô hình ARIMA phức tạp hơn so với mô hình AR và MA

KẾT LUẬN CHƯƠNG 1

CHƯƠNG 2 THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM

BẰNG MÔ HÌNH ARIMA

2.1 TỔNG QUAN VỀ LẠM PHÁT VIỆT NAM

2.1.1 Cách thức đo lường lạm phát tại Việt Nam

2.1.2 Tình hình lạm phát Việt Nam trong giai đoạn từ năm 2005 đến tháng 10/2014

2.2 CƠ SỞ ĐỀ XUẤT VẬN DỤNG MÔ HÌNH ARIMA TRONG

DỰ BÁO LẠM PHÁT VIỆT NAM

2.2.1 Sự cần thiết phải áp dụng mô hình định lượng trong dự báo lạm phát tại Việt Nam

2.2.2 Ưu điểm của mô hình ARIMA so với các mô hình khác và sự phù hợp của mô hình ARIMA với thực tiễn Việt Nam

2.2.3 Một số nghiên cứu thực nghiệm về dự báo lạm phát bằng mô hình ARIMA

* Nghiên cứu ở nước ngoài:

* Nghiên cứu tại Việt Nam:

Như vậy, trước sự cần thiết phải ứng dụng phương pháp định lượng vào dự báo lạm phát tại Việt Nam, với những ưu 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

2.3 THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM BẰNG MÔ HÌNH ARIMA

2.3.1 Phương pháp nghiên cứu

Đề tài sử dụng phương pháp Box-Jenkins để xây dựng mô hình ARIMA dự báo lạm phát Việt Nam Phương pháp này tiến hành

dự báo lạm phát chỉ dựa trên việc xem xét chính chuỗi giá trị lạm phát trong quá khứ Box – Jenkins (1976) đã đưa ra quy trình dự báo đối với dữ liệu chuỗi thời gian bằng mô hình ARIMA gồm các bước sau: Bước 1: Nhận dạng mô hình; Bước 2: Ước lượng mô hình; Bước 3: Kiểm định mô hình; Bước 4: Dự báo

Nếu mô hình ước lượng được không thỏa mãn các kiểm định

ở bước 3 thì ta phải tìm mô hình khác bằng cách quay lại bước 1 Quá trình này được lặp lại cho đến khi ta chọn được mô hình phù hợp nhất để tiến hành dự báo Dữ liệu được nghiên cứu theo phương pháp Box – Jenkins phải là chuỗi dừng Do vậy, trước khi nhận dạng

mô hình, ta cần phải xem xét dữ liệu chuỗi lạm phát có dừng hay không và biến đổi thành chuỗi dừng nếu chưa dừng

a Xem xét tính dừng của chuỗi dữ liệu

Để nhận biết tính dừng của một chuỗi thời gian, đề tài sử dụng đồng thời đồ thị của chuỗi thời gian, biểu đồ hàm tự tương quan mẫu (SAC) và kiểm định nghiệm đơn vị của Dickey-Fuller

- Nếu SAC giảm đột ngột, hàm SAC không có ý nghĩa thống kê

kể từ bậc k và hàm SPAC giảm dần thì chọn mô hình MA(q), với q ≥ k

- Nếu SPAC giảm đột ngột, hàm SPAC không có ý nghĩa thống

kê kể từ bậc k và hàm SAC giảm dần thì chọn mô hình AR(p), với p ≥ k

- Nếu SAC và SPAC đều giảm dần thì chọn mô hình ARMA(p, q)

Việc khảo sát trên SAC và SPAC tại các độ trễ là bội số của

độ dài mùa S sẽ giúp kết luận các giá trị P, Q phù hợp cho mô hình Nói cách khác, với chuỗi lạm phát quan sát theo tháng, ta cần nghiên cứu đồng thời chiều hướng của SAC và SPAC của chuỗi dữ liệu ở những độ trễ nhỏ hơn 12 (không mùa) cũng như ở những độ trễ 12,

24, 36 và 48 (mùa)

c Ước lượng mô hình

Bước tiếp theo, đề tài sử dụng phương pháp ước lượng bình

ARIMA nhận dạng được

d Kiểm định mô hình

- Kiểm định phần dư là nhiễu trắng:

Phương pháp tốt nhất để kiểm định sự phù hợp của mô hình

là kiểm tra phần dư của mô hình có phải là nhiễu trắng không (Bruce and Richard) Nếu phần dư là nhiễu trắng thì chấp nhận mô hình Trong trường hợp ngược lại, đề tài phải tiến hành lại từ bước nhận dạng mô hình Các kiểm định được sử dụng là kiểm định Ljung-Box (LB) với trị thống kê Q, hoặc kiểm định LM

- Kiểm định các hệ số của mô hình phải khác 0:

Khi phần dư là nhiễu trắng thì ta có thể sử dụng kiểm định Student với thống kê t để xem xét các tham số trong mô hình có ý nghĩa thống kê hay không

- Kiểm tra hiện tượng thừa biến trong mô hình:

Đề tài sử dụng ma trận tự tương quan cho các tham số ước lượng để kiểm tra có tồn tại hiện tượng thừa tham số hay không

Sau tất cả các kiểm định trên, nếu tồn tại nhiều hơn một mô hình đúng, ta sẽ lựa chọn mô hình có các tiêu chuẩn thông tin AIC, SIC, RMSE cực tiểu Trong trường hợp 3 tiêu chuẩn trên không đồng thời cực tiểu, mô hình có AIC nhỏ nhất sẽ được lựa chọn (TS Nguyễn Thống, 2000)

- Kiểm định tính ổn định cấu trúc của mô hình:

Đề tài sử dụng kiểm định Chow với trị thống kê F để xem

liệu có sự thay đổi về mặt cấu trúc của mô hình giữa các giai đoạn khác nhau của chuỗi dữ liệu lạm phát (do thay đổi chính sách hoặc

cú sốc kinh tế) hay không

Nếu có sự thay đổi cấu trúc giữa các thời kì, đề tài sẽ thực hiện dự báo theo 2 hướng, dự báo mô hình ban đầu và dự báo mô hình kể từ điểm gãy cuối cùng Từ đó, ta so sánh và đưa ra nhận định

mô hình nào là mô hình phù hợp nhất để dự báo lạm phát Việt Nam

e Dự báo

Bước cuối cùng, dựa vào mô hình ARIMA xây dựng được,

đề tài tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của

dự báo cho chuỗi lạm phát bằng phần mềm Eviews với độ tin cậy là 95% và k=1.96 như sau:

Dự báo điểm: YÙt

Khoảng tin cậy: YÙt-k ( )

t e

t e

s (2.11)

2.3.2 Phương pháp thu thập và xử lí số liệu

Đề tài tiến hành nghiên cứu dự báo lạm phát Việt Nam theo phương pháp Box-Jenkins Theo đó, lạm phát Việt Nam được dự báo dựa trên việc nghiên cứu động thái của chính chuỗi lạm phát trong quá khứ Việt Nam sử dụng chỉ số giá tiêu dùng CPI để phản ánh lạm phát Bên cạnh đó, mô hình ARIMA đòi hỏi chuỗi thời gian phải có

ít nhất 50 quan sát, đặc biệt đối với các chuỗi thời gian có thành phần mùa thì chuỗi dữ liệu phải được quan sát từ 3 đến 10 năm Do vậy,

dữ liệu phục vụ cho đề tài là chuỗi số liệu CPI được lấy theo tháng từ tháng 1/2005 đến tháng 6/2014 sau khi đã xử lí sơ bộ Số liệu CPI được thu thập từ Tổng cục thống kê Việt Nam Để đảm bảo tính nhất quán của dữ liệu đầu vào cho mô hình, CPI từ tháng 1/2005 đến tháng 10/2009 được đưa về giá trị có cùng năm gốc tính toán gần đây nhất của các tháng còn lại là năm 2009 bằng phương pháp nội suy

KẾT LUẬN CHƯƠNG 2