DỰ BÁO BẰNG CÁC MÔ HÌNH XU THẾ UEL

1.1.Lí do chọn đề tài. Trong nền kinh tế thị trường hiện nay, để các cá nhân và doanh nghiệp có thể tồn tại và phát triển bền vững thì không thể bỏ qua công tác dự báo vì nó cung cấp thông tin giúp cho việc sử dụng và phân bổ nguồn lực khan hiếm một cách có hiệu quả. Dự báo ngày càng được sử dụng phổ biến ở hầu hết các bộ phận của doanh nghiệp trong quá trình xây dựng kế hoạch chiến lược, phân tích tình huống kinh doanh, lập kế hoạch ngân sách, vốn đầu tư,.. Tuy nhiên cũng phải tùy vào nhu cầu sử dụng cũng như dạng và tính chất của bộ dữ liệu mà nhà dự báo mới chọn mô hình cho phù hợp. Trong trường hợp thực tế kinh doanh ở công ty hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốn nhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất. Dự báo bằng các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng và logistics,..vì tính đơn gián và dễ thực hiện của nó trong thực tế. 1.2. Mục tiêu nghiên cứu. Sau khi nghiên cứu chương này, nhóm chúng tôi kỳ vọng sẽ đạt được các nội dung sau đây: Hiểu được tổng quan về các mô hình dự báo bằng phương pháp hồi quy hàm xu thế. Có khả năng nhận biết những trường hợp nào có thể áp dụng mô hình xu thế trong dự báo. Nhận biết và phân biệt được các hàm xu thế thường sử dụng. Biết cách sử dụng Eviews để thực hiện công tác dự báo nói chung và dự báo bằng mô hình xu thế nói riêng. 1.3. Phạm vi nghiên cứu. Về phạm vi nghiên cứu, đề tài chỉ tập trung vào dự báo các mô hình xu thế đơn thuần mà không có các yếu tố khác như yếu tố mùa vụ, chu kì … ảnh hưởng đến số liệu. Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm eviews để thực hiện các phép tính cũng như dự báo cho mô hình xu thế. Đề tài chỉ tập trung nghiên cứu sử dụng phương pháp bình phương tối thiểu OLS để thực hiện dự báo khoảng và dự báo điểm. Bên cạnh đó, sẽ giới thiệu cho mọi người biết thêm các kiểm định phương sai thay đổi, kiểm định xem mô hình có hiện tượng tự tương quan hay dữ liệu có phân phối chuẩn không. Nhưng không đi sâu tìm hiểu các bước tính toán và kiểm định. CHƯƠNG 2: TỔNG QUAN VỀ HÀM XU THẾ. 2.1. Khái niệm. Hàm xu thế. Sự vận động tăng hay giảm của dữ liệu trong một thời gian dài. Sự vận động này có thể mô tả bằng một đường thẳng (xu thế tuyến tính) hoặc có thể bởi một dạng đường cong toán học (xu thế phi tuyến). Chúng ta có thể mô hình hóa xu thế bằng cách thực hiện một hàm hồi quy thích hợp giữa biến cần dự báo (biến Y) và thời gian (biến t). Sau đó, hàm hồi quy này được sử dụng để tạo ra các giá trị dự báo trong tương lai. Phương pháp dự báo bằng mô hình hàm xu thế không cần phải dựa trên lý thuyết nào đó về sự ảnh hưởng của các biến độc lập (biến giải thích) lên biến phụ thuộc (biến được giải thích) như khi thực hiện dự báo bằng mô hình nhân quả mà nó dựa trên một giả định rằng dạng thức vận động của dữ liệu trong quá khứ sẽ còn tiếp tục trong tương lai. Nó sử dụng thời gian (biến Time) là biến giải thích, với Time bằng 1 tương ứng với quan sát đầu tiên, tăng dần theo chuỗi thời gian và bằng n tương ứng với quan sát cuối cùng. 2.2. Giới thiệu mô hình xu thế. 2.2.1. Phương pháp dự báo xu thế. Mô hình dự báo này sử dụng các hàm đa thức. Mô hình hồi quy phi tuyến tính theo các tham số. Mô hình hồi quy tuyến tính theo tham số. 2.2.2. Ưu và nhược điểm của mô hình. Ưu điểm: Dự báo bằng mô hình xu thế là phương pháp đơn giản và hữu ích trong việc dự báo xu hướng vận động của các chuỗi thời gian trong giai đoạn tăng trưởng của chu kì kinh doanh hoặc dự báo tốc độ tăng trưởng của một số chỉ số kinh tếxã hội. Vì vậy, cần nghiên cứu mô hình để có thể ứng dụng vào thực tiễn. Nhược điểm: Các mô hình dự báo chỉ đơn thuần là những thống kê mô tả đơn giản các dữ liệu lịch sử của những công ty nào đó, việc sử dụng các mô hình này là quá cứng nhắc hoặc trên thực tế đôi khi nó không giống với những gì trên lý thuyết. Do đó, chúng ta không thể quyết định một chính sách dựa trên một khuôn khổ quá máy móc của một mô hình. Mô hình này tuy khắc phục được những khâu thu thập dữ liệu phức tạp nhưng chắc hẳn nó sẽ tiềm ẩn những sai lệch do xu thế thay đổi hay những biến động phức tạp xảy ra trong thực tế mà mô hình này không phản ánh hết được. 2.2.3. Ứng dụng của mô hình dự báo xu thế. Dự báo của các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị vận hành và quản trị chuỗi cung ứng… vì tính đơn giản cũng như dễ thực hiện trong thực tế. Trong thực tế, kinh doanh ở những công ty hay tổ chức của mình, chúng ta cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không có nhiều và cũng khó có thể thu thập được số liệu của nhiều biến khác có khả năng ảnh hưởng đến số cần dự báo trong giới hạn về điều kiện thời gian, kinh phí…Lúc đó, chúng ta cần nghĩ đến phương pháp dự báo bằng mô hình xu thế. 2.3. Quy trình thực hiện dự báo bằng mô hình xu thế. 2.3.1. Nhận dạng. Giả sử chúng ta có sẵn dữ liệu của biến Y_t theo thời gian thì làm sao chúng ta biết được xu thế trong dữ liệu sẽ tuân theo dạng hàm nào? Thì lúc đó, cách đơn giản nhất là người làm dự báo thường sẽ vẽ đồ thị của biến phụ thuộc (Yt) theo thời gian (Time), sau đó nhận dạng xem đồ thị được vẽ biến động gần với đồ thị của hàm số tương ứng với dạng hàm toán học nào. BẢNG 2.1: Một số dạng hàm xu thế điển hình. Dạng hàm xu thế Phương trình hồi quy tổng thể A Tuyến tính Yt =β0 +β1 Time + ut (5.1) B Bậc hai Yt =β0 +β1 Time + β2 Time2 +ut (5.2) C Bậc ba Yt =β0 +β1 Time + β2 Time2 + β3 Time3 + ut (5.3) D Tuyến tínhlog Yt =β0 +β1 ln(Time) + ut (5.4) E Nghịch đảo Yt =β0 +β1(1Time) + ut (5.5) F Tăng trưởng mũ Yt =e(β_0+β_1 Time+ut ) (5.6) G Logtuyến tính ln(Yt)= β0 +β1 Time + ut (5.7) Ba dạng hàm đầu tiên được gọi là các hàm đa thức. Ngoại trừ mô hình F là mô hình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại đều là các mô hình hồi quy tuyến tính theo tham số. Người ta không ước lượng mô hình F một cách trực tiếp bằng phương pháp OLS được, mà ước lượng nó gián tiếp qua mô hình G. Chúng ta có thể dễ dàng nhận thấy được nếu lấy ln hai vế của phương trình hồi quy ở mô hình F, sẽ có được kết quả như mô hình G. Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là u_tsai số của mô hình. Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế không phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khác thường tồn tại một sai số. Và sai số này càng nhỏ càng tốt.

TRƯỜNG ĐH KINH TẾ LUẬT – ĐH QUỐC GIA TP HCM

Giảng viên hướng dẫn:

Thầy Nguyễn Duy Tâm Thầy Phạm Tiến Dũng Sinh viên thực hiện:

Đặng Hải Ninh K134011722 Cao Thị Mỹ Hạnh K134011711 Trịnh Thái Bảo Trân K134010081 Phạm Thanh Tùng K134011736 Hoàng Văn Dũng K134011704

TP Hồ Chí Minh, ngày 26 tháng 09 năm 2015

MỤC LỤC

DANH MỤC BẢNG BIỂU.

Bảng 2.1: Một số dạng hàm xu thế điển hình

Bảng 2.2: Ước lượng các hàm xu thế trên Eview

Bảng 2.3: Dự báo điểm với hàm xu thế

Bảng 3.1: Số liệu giá trị xuất khẩu ngành hàng Gốm sứ của Việt Nam (triệu USD).Bảng 3.2: Kết quả dự báo trên Eviews

DANH MỤC HÌNH ẢNH.

Hình 2.1: Đồ thị một số dạng hàm xu thế điển hình

Hình 3.1: Đồ thị thể hiện giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam giai đoạn 1995- 2013

Hình 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews

Hình 3.3: Kiểm định LM của Breusch-Godfrey

Hình 3.4: Giản đồ tự tương quan của phần dư

Hình 3.5: Kiểm định phương sai thay đổi

Hình 3.6: Kiểm định Jarque- Bera

Hình 3.7 : Kết quả dự báo trên Eviews

Hình 3.8: Ước lượng mô hình xu thế bậc 2 trên Eviews

Hình 3.9: Kiểm định LM của Breusch-Godfrey

Hình 3.10 : Giản đồ tự tương quan của phần dư.

Hình 3.11: Kiểm định phương sai thay đổi

Hình 3.12: Kiểm định Jarque- Bera

Hình 3.13: Ước lượng mô hình xu thế bậc 3 trên Eviews

Hình 3.14: Ước lượng mô hình xu thế dạng hàm tăng trưởng trên Eviews

Hình 3.15: Kiểm định LM của Breusch-Godfrey

Hình 3.16: Giản đồ tự tương quan của mô hình

Hình 3.17: Kiểm định phương sai thay đổi

Hình 3.18: Kiểm định Jarque- Bera

DANH MỤC TỪ VIẾT TẮT

OLS: Phương pháp bình phương tối thiểu

CHƯƠNG 1: GIỚI THIỆU

1.1.Lí do chọn đề tài.

Trong nền kinh tế thị trường hiện nay, để các cá nhân và doanh nghiệp có thể tồntại và phát triển bền vững thì không thể bỏ qua công tác dự báo vì nó cung cấp thông tingiúp cho việc sử dụng và phân bổ nguồn lực khan hiếm một cách có hiệu quả Dự báongày càng được sử dụng phổ biến ở hầu hết các bộ phận của doanh nghiệp trong quá trìnhxây dựng kế hoạch chiến lược, phân tích tình huống kinh doanh, lập kế hoạch ngân sách,vốn đầu tư,

Tuy nhiên cũng phải tùy vào nhu cầu sử dụng cũng như dạng và tính chất của bộ

dữ liệu mà nhà dự báo mới chọn mô hình cho phù hợp Trong trường hợp thực tế kinhdoanh ở công ty hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào

đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốnnhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến

số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất

Dự báo bằng các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh,thiết lập và quản trị dự án, quản trị vận hành, quản trị chuỗi cung ứng và logistics, vì tínhđơn gián và dễ thực hiện của nó trong thực tế

1.2 Mục tiêu nghiên cứu.

Sau khi nghiên cứu chương này, nhóm chúng tôi kỳ vọng sẽ đạt được các nội dungsau đây:

- Hiểu được tổng quan về các mô hình dự báo bằng phương pháp hồi quy hàm xuthế

- Có khả năng nhận biết những trường hợp nào có thể áp dụng mô hình xu thế trong

dự báo

- Nhận biết và phân biệt được các hàm xu thế thường sử dụng

- Biết cách sử dụng Eviews để thực hiện công tác dự báo nói chung và dự báo bằng

mô hình xu thế nói riêng

Đề tài chỉ tập trung nghiên cứu sử dụng phương pháp bình phương tối thiểu OLS

để thực hiện dự báo khoảng và dự báo điểm Bên cạnh đó, sẽ giới thiệu cho mọi ngườibiết thêm các kiểm định phương sai thay đổi, kiểm định xem mô hình có hiện tượng tự

tương quan hay dữ liệu có phân phối chuẩn không Nhưng không đi sâu tìm hiểu các bướctính toán và kiểm định.

CHƯƠNG 2: TỔNG QUAN VỀ HÀM XU THẾ.

2.1 Khái niệm.

Hàm xu thế

Sự vận động tăng hay giảm của dữ liệu trong một thời gian dài Sự vận động này

có thể mô tả bằng một đường thẳng (xu thế tuyến tính) hoặc có thể bởi một dạng đườngcong toán học (xu thế phi tuyến)

Chúng ta có thể mô hình hóa xu thế bằng cách thực hiện một hàm hồi quy thíchhợp giữa biến cần dự báo (biến Y) và thời gian (biến t) Sau đó, hàm hồi quy này được sửdụng để tạo ra các giá trị dự báo trong tương lai

Phương pháp dự báo bằng mô hình hàm xu thế không cần phải dựa trên lý thuyếtnào đó về sự ảnh hưởng của các biến độc lập (biến giải thích) lên biến phụ thuộc (biếnđược giải thích) như khi thực hiện dự báo bằng mô hình nhân quả mà nó dựa trên một giảđịnh rằng dạng thức vận động của dữ liệu trong quá khứ sẽ còn tiếp tục trong tương lai

Nó sử dụng thời gian (biến Time) là biến giải thích, với Time bằng 1 tương ứng với quansát đầu tiên, tăng dần theo chuỗi thời gian và bằng n tương ứng với quan sát cuối cùng

2.2 Giới thiệu mô hình xu thế.

2.2.1 Phương pháp dự báo xu thế.

Mô hình dự báo này sử dụng các hàm đa thức

Mô hình hồi quy phi tuyến tính theo các tham số

Mô hình hồi quy tuyến tính theo tham số

2.2.2 Ưu và nhược điểm của mô hình.

Ưu điểm:

Dự báo bằng mô hình xu thế là phương pháp đơn giản và hữu ích trong việc dự báo

xu hướng vận động của các chuỗi thời gian trong giai đoạn tăng trưởng của chu kì kinhdoanh hoặc dự báo tốc độ tăng trưởng của một số chỉ số kinh tế-xã hội Vì vậy, cầnnghiên cứu mô hình để có thể ứng dụng vào thực tiễn

Nhược điểm:

Các mô hình dự báo chỉ đơn thuần là những thống kê mô tả đơn giản các dữ liệulịch sử của những công ty nào đó, việc sử dụng các mô hình này là quá cứng nhắc hoặctrên thực tế đôi khi nó không giống với những gì trên lý thuyết Do đó, chúng ta khôngthể quyết định một chính sách dựa trên một khuôn khổ quá máy móc của một mô hình

Mô hình này tuy khắc phục được những khâu thu thập dữ liệu phức tạp nhưng chắchẳn nó sẽ tiềm ẩn những sai lệch do xu thế thay đổi hay những biến động phức tạp xảy ratrong thực tế mà mô hình này không phản ánh hết được

2.2.3 Ứng dụng của mô hình dự báo xu thế.

Dự báo của các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh,thiết lập và quản trị dự án, quản trị vận hành và quản trị chuỗi cung ứng… vì tính đơngiản cũng như dễ thực hiện trong thực tế

Trong thực tế, kinh doanh ở những công ty hay tổ chức của mình, chúng ta cầnphải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không có nhiều và cũng khó

có thể thu thập được số liệu của nhiều biến khác có khả năng ảnh hưởng đến số cần dựbáo trong giới hạn về điều kiện thời gian, kinh phí…Lúc đó, chúng ta cần nghĩ đếnphương pháp dự báo bằng mô hình xu thế

2.3 Quy trình thực hiện dự báo bằng mô hình xu thế.

2.3.1 Nhận dạng.

Giả sử chúng ta có sẵn dữ liệu của biến theo thời gian thì làm sao chúng ta biếtđược xu thế trong dữ liệu sẽ tuân theo dạng hàm nào? Thì lúc đó, cách đơn giản nhất làngười làm dự báo thường sẽ vẽ đồ thị của biến phụ thuộc (Yt) theo thời gian (Time), sau

đó nhận dạng xem đồ thị được vẽ biến động gần với đồ thị của hàm số tương ứng vớidạng hàm toán học nào

BẢNG 2.1: Một số dạng hàm xu thế điển hình

Dạng hàm xu thế Phương trình hồi quy tổng thể

A Tuyến tính Yt =β0 +β1 Time + ut (5.1)

B Bậc hai Yt =β0 +β1 Time + β2 Time2 +ut (5.2)

C Bậc ba Yt =β0 +β1 Time + β2 Time2 + β3 Time3 + ut (5.3)

D Tuyến tính-log Yt =β0 +β1 ln(Time) + ut (5.4)

E Nghịch đảo Yt =β0 +β1(1/Time) + ut (5.5)

F Tăng trưởng mũ Yt = (5.6)

G Log-tuyến tính ln(Yt)= β0 +β1 Time + ut (5.7)

Ba dạng hàm đầu tiên được gọi là các hàm đa thức Ngoại trừ mô hình F là môhình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại đều là các mô hình hồiquy tuyến tính theo tham số Người ta không ước lượng mô hình F một cách trực tiếpbằng phương pháp OLS được, mà ước lượng nó gián tiếp qua mô hình G Chúng ta có thể

dễ dàng nhận thấy được nếu lấy ln hai vế của phương trình hồi quy ở mô hình F, sẽ cóđược kết quả như mô hình G

Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là -sai sốcủa mô hình Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế khôngphải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khác thường tồntại một sai số Và sai số này càng nhỏ càng tốt

2.3.2 Ước lượng mô hình xu thế.

Các mô hình xu thế có thể là mô hình hồi quy bội và cũng có thể làm mô hình hàmhồi quy đơn Với các mô hình xu thế tuyến tính theo tham số thì ta có thể dùng phươngpháp OLS để ước lượng Với Eview, chúng ta có thể dễ dàng ước lượng các mô hình bằngcách gõ lệnh tương ứng vào cửa sổ lệnh

Thao tác thực hiện chi tiết trên Eview sẽ được trình bày trong phần ứng dụng thực

tế bên dưới

BẢNG 2.2 : Ước lượng các hàm xu thế trên Eview

Phương trình hồi quy tổng thể Các lệnh trên Eviews

Ba trong số cá giả định của mô hình hồi quy tuyến tính cổ điển là: (1) sai số dự báotuân theo quy luật phân phối chuẩn, (2) phương sai của sai số không đổi, (3) mô hìnhkhông bị hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994) Nếu một trong số giảđịnh này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ

số độ dốc ước lượng sẽ bị chệch

Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là:

2.3.3.1 Sai số dự báo tuân theo quy luật phân phối chuẩn bằng kiểm định Jarque-Bera.

Xét cặp giả thuyết:

Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn

H1: Sai số không tuân theo quy luật phân phối chuẩn

Kết quả kiểm định này dễ dàng thực hiên trên Eview

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình có sai số

dự báo tuân theo quy luật phân phối chuẩn

2.3.3.2 Kiểm tra giả thuyết phương sai của sai số không đổi bằng kiểm định White.

Xét cặp giả thuyết:

Ho: không có hiện tượng phương sai thay đổi

H1: có hiện tượng phương sai thay đổi

Ho: Mô hình không có hiện tượng tự tương quan

H1: Mô hình có hiện tượng tự tương quan

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không cóhiện tượng tự tương quan

Nếu một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số ước lượng sẽ bị chệch

Kiểm định ý nghĩa thống kê của các hệ số hồi quy.

Xét cặp giả thuyết:

Sử dụng p-value để kiểm định Với là mức ý nghĩa, nếu p-value < thì bác bỏ Ho, tức là hệ

số hồi quy có ý nghĩa thống kê và ngược lại

2.3.4 Đánh giá độ phù hợp của mô hình.

Đánh giá độ phù hợp của mô hình thông qua để thấy được bao nhiêu % sự biến thiên củabiến phụ thuộc được giải thích bởi mô hình

Dưới đây là công thức để tính dự báo điểm với từng dạng mô hình

BẢNG 2.3: Dự báo điểm với hàm xu thế

Dạng hàm Hàm hồi quy mẫu

Tuyến tính t =0 +1 Time (5.8)

Bậc hai t =0 +1 Time + 2 Time2 (5.9)

Bậc ba t =0 +1 Time + 2 Time2 + 3 Time3 (5.10)

Tuyến tính-log t =0 +1 ln(Time) (5.11)

Nghịch đảo t =0 +1(1/Time) (5.12)

Log-tuyến tính = 0 +1 Time (5.13)

Tăng trưởng mũ t = (5.14)

: là giá trị dự báo điểm tại thời điểm dự báo.

se() : là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t

Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức sau:

Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp:

Cách một, vẽ đồ thị biểu diễn giá trị thực tế, và giá trị dự báo của hai mô hình lêncùng một đồ thị Sau đó, ta sẽ chọn mô hình nào có đường biểu diễn giá trị thức tế hơn.Tuy nhiên, có đôi khi bằng trực quan chúng ta không thể phân biệt được đường nào bám

sát đường giá trị thực tế hơn Do vậy, cách 2 là so sánh các chỉ tiêu đo lường độ chính xáccủa mỗi mô hình, chúng ta sẽ chọn mô hình nào có độ chính xác tốt hơn.

CHƯƠNG 3: ÁP DỤNG DỰ BÁO BẰNG MÔ HÌNH XU THẾ VÀO THỰC TẾ

Nhóm chúng tôi sẽ áp dụng dự báo mô hình xu thế cho giá trị xuất khẩu ngànhhàng gốm sứ của Việt Nam

Đây là lý do mà nhóm quyết định dự báo giá trị xuất khẩu ngành hàng gốm sứ củaViệt Nam theo mô hình xu thế

Nguồn: Tổng cục Thống kê Việt Nam.

Bên cạnh cột GTXK (Giá trị xuất khẩu) có biến T, với T=1 ở năm đầu tiên (1995),

T tăng dần ở các năm tiếp theo và bằng 19 ở nắm 2013

Từ bảng số liệu trên, ta tiến hành vẽ đồ thị để nhận dạng dữ liệu biến động theothời gian dưới dạng hàm nào

HÌNH 3.1: Đồ thị thể hiện giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam giai đoạn

1995- 2013

Nguồn: Nhóm nghiên cứu thực hiện.

Từ đồ thị trên, ta dự đoán giá trị xuất khẩu ngành hàng gốm sứ của Việt Nam cóthể là dạng hàm tuyến tính, bậc 2, bậc 3 hoặc dạng hàm tăng trưởng mũ

3.3 Ước lượng và kiểm định:

3.3.1 Ước lượng và kiểm định hàm tuyến tính:

Ước lượng mô hình xu thế tuyến tính

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews

Nguồn: Nhóm nghiên cứu thực hiện.

Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%

Kiểm định chẩn đoán

HÌNH 3.3: Kiểm định LM của Breusch-Godfrey.

Nguồn: Nhóm nghiên cứu thực hiện.

Xét cặp giả thuyết:

H0: (Mô hình không có hiện tượng tự tương quan)

H1: (Mô hình có hiện tượng tự tương quan)

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0.0703 > 0.05

Chấp nhận H0, bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tươngquan

HÌNH 3.4: Giản đồ tự tương quan của phần dư

Nguồn: Nhóm nghiên cứu thực hiện

Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cộtautocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống

kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan

Kiểm định phương sai thay đổi

HÌNH 3.5: Kiểm định phương sai thay đổi

Nguồn: Nhóm nghiên cứu thực hiện

Xét cặp giả thuyết:

H0: “Mô hình không có hiện tượng phương sai thay đổi”

H1: “Mô hình có hiện tượng phương sai thay đổi”

Kiểm định White cho thấy Prob của F-statistic là 0,0669 > 0,05

Chấp nhận H0, bác bỏ nên mô hình không có hiện tượng phương sai thay đổi

Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định Bera

Jarque-HÌNH 3.6: Kiểm định Jarque- Bera

Nguồn: Nhóm nghiên cứu thực hiện.

Xét cặp giả thuyết:

H0: Sai số dự báo có phân phối chuẩn

H1: Sai số dự báo không có phân phối chuẩn

Kiểm định Jarque-Bera cho Prob của F-statistic là 0,533 > 0,05

Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn

• Đánh giá mức độ phù hợp của mô hình hồi qui:.

H0: R2 =0

H1: R2 0

Thống kê F bằng 252,99 với Prob (F-statistic) =0.000 < 0.05

Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với dữ liệu

• Thực hiện dự báo

HÌNH 3.7 : Kết quả dự báo trên Eviews

Nguồn: Nhóm nghiên cứu thực hiện.

BẢNG 3.2: Kết quả dự báo trên Eviews

Nguồn: Nhóm

nghiên cứu thực hiện.

Nếu sử dụng mô hình xu thế tuyến tính để dự báo giá trị xuất khẩu hàng gốm sứcủa Việt Nam vào năm 2016 là 502,8168 triệu USD, ở độ tin cậy là 95% Giá trị xuấtkhẩu hàng gốm sứ của Việt Nam vào năm 2016 có khả năng nằm trong khoảng từ413,948 triệu USD đến 591,6857 triệu USD

3.3.2 Ước lượng và kiểm định dạng hàm bậc 2:

- Ước lượng mô hình xu thế bậc 2

HÌNH 3.8: Ước lượng mô hình xu thế bậc 2 trên Eviews.

Nguồn:Nhóm nghiên cứu thực hiện.

Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0,042 < 0,05 nên bác bỏ H0, chấp nhận H1

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%

H1: (Mô hình có hiện tượng tự tương quan)

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,1079 > 0,05

Chấp nhận H0, bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tươngquan

HÌNH 3.10 : Giản đồ tự tương quan của phần dư

Nguồn: Nhóm nghiên cứu thực hiện.

Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cộtautocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống

kê Q-Stat đều nhỏ hơn 0,05 nên có thể có dấu hiệu về hiện tượng tự tương quan

Kiểm định phương sai thay đổi