kinh tế lượng trong dự báo và phân tích kinh tế

bài tập thuyết trình môn kinh tế lượng trong dự báo và phân tích kinh tế, ứng dụng phần mềm eviews để dự báo kinh tế trong những năm tiếp theo dành cho khoa kinh tế. trong đó có so sánh các mô hình khác nhau như mô hình tuyến tính, mô hình bậc 2, mô hình mũ

Bài tập “ Tìm hiểu sự biến đổi lượng khách quốc tế đến Việt Nam từ tháng 1/2006 đến tháng 8/2016

A Mô tả số liệu

Bảng: Lượng khách quốc tế đến Việt Nam từ tháng 1/2006 tháng 8/2016

lượt người) X

Y(nghìn lượt người) X

Y(nghìn lượt người)

2006M11 305.577 2010M11 428.295 2014M11 608.617

2006M12 324.625 2010M12 449.57 2014M12 657.304

2007M10 332.762 2011M10 518.477 2015M10 649.099

2007M11 359.225 2011M11 611.864 2015M11 732.74

2007M12 392.56 2011M12 593.408 2015M12 760.798

2008M8 342.461 2012M8 525.292 2016M8 899.738

2008M9 286.389 2012M9 460.238

2008M10 296.742 2012M10 495.576

2008M11 279.904 2012M11 655.701

2008M12 358.048 2012M12 614.673

2009M2 342.913 2013M2 570.476

2009M3 303.489 2013M3 587.366

2009M4 329.371 2013M4 613.919

2009M5 292.842 2013M5 558.751

2009M6 279.147 2013M6 567.291

2009M7 271.422 2013M7 658.325

2009M8 310.786 2013M8 676.719

2009M9 304.419 2013M9 614.827

2009M10 220.78 2013M10 628.695

2009M11 368.575 2013M11 731.034

2009M12 377.847 2013M12 722.449

Nguồn số liệu: http://www.vietnamtourism.gov.vn/index.php/cat/1205

1 Đồ thị

200

300

400

500

600

700

800

900

1,000

SER01

Nhìn vào đồ thị ta thấy lượng khách du lịch đến Việt Nam có xu hướng tăng qua các năm Trong các năm có sự biến động qua các tháng, lượng khách đến cao hơn vào đầu năm và cuối năm Chuỗi có thể có tính thời vụ Để biết chắc chắn ta đi vào xây dựng và kiểm định mô hình

B Xây dựng mô hình và lựa chọn mô hình dự báo tốt nhất cho chuỗi số liệu

1 Mô hình xu thế tuyến tính

Mô hình tổng quát: Yt= β0+β1*TIMEt

Trong đó: β0, β1 : các hệ số

TIMEt : biến thời gian

Yt: lượng khách quốc tế đến Việt Nam tại thời điểm t

 Bảng kết quả mô hình dự báo

Dependent Variable: SER01

Method: Least Squares

Date: 09/08/16 Time: 09:24

Sample: 2006M01 2016M03

Included observations: 123

Variable

Coefficie

nt Std Error t-Statistic Prob

C 239.6600 13.72947 17.45589 0.0000 TIME 3.885818 0.192163 20.22146 0.0000 R-squared 0.771658 Mean dependent var 480.5808 Adjusted

R-squared 0.769771 S.D dependent var 157.7040

S.E of regression 75.66982 Akaike info criterion 11.50676 Sum squared resid 692836.5 Schwarz criterion 11.55249 Log likelihood -705.6659

Hannan-Quinn

F-statistic 408.9073 Durbin-Watson stat 0.634317 Vậy ta có mô hình : Y= 239.66 + 3.885818* TIMEt

 Kiểm định hệ số hồi quy ở mức ý nghĩa α = 5%

Có giá trị t tra bảng t(0.025,121) = 2.2696366

/tβ0 / = 17.45589 >2.2696366 Vậy β0 có ý nghĩa thống kê /tβ1/= 20.22146 > 2.2696366 Vậy β1 có ý nghĩa thống kê

 Kiểm định mô hình

Ta có = = 3.91946446

Fkđ= 408.9073 > 3.91946446 Vậy mô hình có ý nghĩa thống kê ở mức ý nghĩa α= 5%

 Ý nghĩa của các tham số

• β0 =239.66 cho biết nếu biến TIME nhận giá trị 0 thì số lượt khách du lịch quốc tế là 239.66 lượt khách

• β1 = 3.885818 cho biết khi TIME tăng 1 đơn vị thì số lượt khách du lịch quốc tế đến Việt Nam tăng 3.885818đơn vị

• R2 = 0.771658 cho biết biến TIME có thể dự báo được 77,1658% sự biến động của

số lượt khách du lịch nước ngoài đến Việt Nam

 Đồ thị mô hình xu thế tuyến tính

-300

-200

-100

0

100

200

300

200 400 600 800 1,000

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Residual Actual Fitted

2 Mô hình xu thế bậc 2

Mô hình tổng quát có dạng: Yt= β0 + β1*TIMEt+ β2*TIMEt2

Trong đó: β0, β1, β2: các hệ số

TIMEt: biến thời gian

Yt: lượng khách quốc tế đến Việt Nam tại thời điểm t

 Bảng kết quả mô hình dự báo

Dependent Variable: SER01

Method: Least Squares

Date: 09/08/16 Time: 09:25

Sample: 2006M01 2016M03

Included observations: 123

Variable

Coefficie

nt Std Error t-Statistic Prob

C 286.1927 20.11323 14.22908 0.0000

TIME 1.652249 0.748812 2.206495 0.0293

TIME2 0.018013 0.005850 3.079070 0.0026

R-squared 0.788378 Mean dependent var 480.5808

Adjusted

R-squared 0.784851 S.D dependent var 157.7040

S.E of regression 73.14976 Akaike info criterion 11.44698

Sum squared resid 642106.5 Schwarz criterion 11.51557

Log likelihood -700.9894 Hannan-Quinn criter 11.47484

F-statistic 223.5238 Durbin-Watson stat 0.683382

Prob(F-statistic) 0.000000

Vậy ta có mô hình: Y= 286.1927 + 1.652249*TIME + 0.018013*TIME2

 Kiểm định hệ số hồi quy ở mức ý nghĩa α = 5%

Có giá trị t tra bảng t(0.025,120) = 2.269875

/tβ0 / = 14.22908>2.269875 Vậy β0 có ý nghĩa thống kê

/tβ1/= 2.206495<2.269875 Vậy β1 không có ý nghĩa thống kê

/tβ2/ = 3.079070>2.269875 Vậy β2 có ý nghĩa thống kê

 Kiểm định mô hình

Ta có = = 3.071779

Fkđ= 223.5238>3.071779 Vậy mô hình có ý nghĩa thống kê ở mức ý nghĩa α= 5%

 Đồ thị mô hình xu thế bậc 2

-200

-100

0

100

200

300

200 400 600 800 1,000

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Residual Actual Fitted

3 Mô hình xu thế dạng mũ

Yt = β0 *

Trong đó: β0, β1: các hệ số

TIMEt: biến thời gian

Yt: lượng khách quốc tế đến Việt Nam tại thời điểm t

 Bảng kết quả mô hình dự báo

Dependent Variable: SER01

Method: Least Squares

Date: 09/08/16 Time: 12:44

Sample: 2006M01 2016M03

Included observations: 123

Convergence achieved after 19 iterations

SER01=C(1)*EXP(C(2)*TIME)

Coefficie

nt Std Error t-Statistic Prob C(1) 276.8295 9.935950 27.86140 0.0000 C(2) 0.008217 0.000410 20.05198 0.0000 R-squared 0.785622 Mean dependent var 480.5808 Adjusted

R-squared 0.783850 S.D dependent var 157.7040

S.E of regression 73.31961 Akaike info criterion 11.44366 Sum squared resid 650467.6 Schwarz criterion 11.48939 Log likelihood -701.7851

Hannan-Quinn

Durbin-Watson

 Kiểm định hệ số hồi quy ở mức ý nghĩa α = 5%

Có giá trị t tra bảng t(0.025,121) = 2.2696366

/tβ0 / = 27.86140>2.2696366 Vậy β0 có ý nghĩa thống kê /tβ1/= 20.05198> 2.2696366 Vậy β1 có ý nghĩa thống kê

 Đồ thị mô hình xu thế dạng mũ

-200

-100

0

100

200

300

200 400 600 800 1,000

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Residual Actual Fitted

4 So sánh để lựa chọn mô hình xu thế tốt nhất

AIC

SE

DW

R²

Từ bảng trên ta nhận thấy mô hình xu thế bậc 2 là mô hình dự báo tốt nhất cho chuỗi số liệu

C Kiểm định tính thời vụ (4 bước)

1 Bước 1: Dùng OLS hồi quy mô hình không ràng buộc UR

Tạo các biến giả Di trong đó i=1,2,3,…,12

Bảng kết quả mô hình hồi quy như sau:

Dependent Variable: SER01

Method: Least Squares

Date: 09/08/16 Time: 13:15

Sample: 2006M01 2016M03

Included observations: 123

Variable

Coefficie

nt Std Error t-Statistic Prob

TIME 2.001102 0.609720 3.282001 0.0014

TIME2 0.015145 0.004764 3.178992 0.0019

D1 339.5756 23.13799 14.67610 0.0000

D2 354.3483 23.20077 15.27313 0.0000

D3 303.9623 23.25967 13.06821 0.0000

D4 310.6290 24.21421 12.82838 0.0000

D5 246.3054 24.28644 10.14168 0.0000

D6 219.1988 24.35450 9.000343 0.0000

D7 240.3722 24.41838 9.843907 0.0000

D8 269.8120 24.47811 11.02258 0.0000

D9 211.3649 24.53370 8.615288 0.0000

D10 233.6222 24.58520 9.502551 0.0000

D11 296.1001 24.63265 12.02064 0.0000

D12 309.0900 24.67609 12.52589 0.0000

R-squared 0.873707 Mean dependent var 480.5808

Adjusted

R-squared 0.858644 S.D dependent var 157.7040

S.E of regression 59.29247

Akaike info

Sum squared resid 383200.1 Schwarz criterion 11.42973

Log likelihood -669.2433

Hannan-Quinn

Durbin-Watson

Thu được SSR UR=383200.1

2 Bước 2: Dùng OLS hồi quy mô hình có ràng buộc R với già thuyết các hệ số mùa vụ bằng nhau Đó chính là hàm xu thế bậc 2

Vậy thu được SSRR= 642106.5

3 Bước 3: Tính Fqs

Ta có : Fqs=

Trong đó : m: số rang buộc trong mô hình m=11

k: số tham số trong mô hình k=14

Vậy ta tính được Fqs= 6.695006

4 So sánh Fqs với F tra bảng

Ta có F0.05(13,109)=1.810979 < Fqs= 6.695006

Vậy mô hình có tính thời vụ

D Thực hiện dự báo cho 5 quan sát còn lại ( Từ 2016M4 đến 2016M8)

Ta có mô hình hồi quy sau:

Yt= 2.001102*TIMEt + 0.015145*TIMEt2 + 339.5756*D1 + 354,3483*D2 +…+ 309.09D12

 Dự báo điểm

Thay các giá trị của D và TIME, TIME2 vào để tính Y dự báo (YT+h)

 Dự báo khoảng

Với độ tin cậy p=1-α của YT+h ta có

Cận dưới = Ŷt+h - σ^

Cận trên = Ŷt+h + σ^

Trong đó: Z: Giá trị tới hạn ở bảng chuẩn Z = 1,96

σ^: Sai số chuẩn của hồi quy xu thế σ^=59.29247

h: tầm xa của dự báo

Thực hiện trên Excel ta được bảng sau:

Thời gian Y thực tế TIME TIME2 Y dự báo Cận dưới Cận trên

2016M4 789.484 124 15376 791.6352 675.4219 907.8484

2016M5 757.244 125 15625 733.0838 616.8705 849.297

2016M6 700.446 126 15876 711.7797 595.5664 827.9929

2016M7 846.311 127 16129 738.7859 622.5726 854.9991

2016M8 899.738 128 16384 774.0887 657.8755 890.302

E Vẽ đồ thị dự báo và đánh giá dự báo

Đồ thị dự báo

Đánh giá dự báo: Nhìn vào đồ thị trên ta thấy từ tháng 4/2016 đến tháng 6/2016, giá trị

dự báo tương đối gần với giá trị thực tế, từ tháng 6/2016 đến tháng 8/2016 giá trị dự báo

có sự chênh lệch so với giá trị thực tế nhưng chênh lệch nhỏ Vậy mô hình dự báo này khá tốt