tiểu luận dự báo kinh tế dự báo giá trị các mặt hàng nhập khẩu của việt nam từ tháng 10 2019 đến tháng 5 2020

Ta thu được kết quả dự báo như sau:  Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 1658814 Trên cửa sổ Command dùng lệnh line import importh có biểu đồ sau:... Dự báo b

Chương I MÔ TẢ SỐ LIỆU

Nhấn đúp vào chuỗi import để mở cửa sổ series: IMPORT

Trên cửa sổ Series: IMPORT vào View/ Descriptive Statistics & Tests/ Stats Table.

Sau khi thực hiện câu lệnh trên ta có bảng thống kê như sau:

Mô tả thống kê quan trọng

Số quan sát (Observations) 69Giá trị trung bình (Mean) 16318996Giá trị lớn nhất (Maximum) 23072005Giá trị nhỏ nhất (Minimum) 9892473

Chương II DỰ BÁO TRỊ GIÁ CÁC MẶT HÀNG NHẬP KHẨU

Trong bài tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi

import (chuỗi số liệu về trị giá các mặt hàng nhập khẩu của Việt Nam) từ tháng 10 năm

2019 đến tháng 5 năm 2020 (2019M10 2020M5) bằng nhiều phương pháp khác nhau

San mũ là việc loại bỏ các yếu tố ngẫu nhiên để nhìn thấy bản chất của chuỗi,giúp cho việc dự báo trở nên dễ dàng hơn Phương pháp san mũ đơn loại bỏ yếu tốngẫu nhiên và dự báo giá trị mẫu (predict) nhưng không thể giúp dự báo ngoài mẫu(forecast) Phương pháp san mũ kép là việc lặp lai 2 lần của san mũ đơn Phương phápnày có thể dự báo ngoài mẫu

Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple

Exponential Smoothing.

Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn Double.

Chuỗi san kép là chuỗi importd, mẫu dự báo là 2014m01-2020m05.

Ta thu được kết quả dự báo như sau:

Trung bình bình phương sai số 1653508

Kết thúc giai đoạn: Trung bình 21822528

Yếu tố xu thế 158411.1Hằng số san kép: = 0.0620

 Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE =

1653508 Trên cửa sổ Command dùng lệnh line import importd có biểu đồ sau:

3

1.2 Dự báo bằng phương pháp san mũ Holt

Tổng quan về phương pháp san mũ Holt:

Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu thế T bằng cách loại

Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple

Exponential Smoothing Trên cửa sổ Exponential Smoothing, trong phần Smoothing method chọn Holt-Winters-No seasonal.

Chuỗi san Holt là chuỗi importh.

Ta thu được kết quả dự báo như sau:

 Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 1658814

Trên cửa sổ Command dùng lệnh line import importh có biểu đồ sau:

1.3 Dự báo bằng phương pháp san mũ Winters

Tổng quan về phương pháp san mũ Winters:

Phương pháp san mũ Winters dùng để dự báo các chuỗi có chứa cả yếu tố xu thế

Y nh là giá trị dự báo của Y sau h giai đoạn trong tương lai

S t là yếu tố thời vụ tại thời điểm t (Chỉ số mùa vụ qua các năm là không đổi)

k là số thời vụ trong một năm

S t k là yếu tố thời vụ tại thời điểm t của thời kỳ trước

Đầu tiên chúng ta phải xác định dạng mô hình của chuỗi:

 T.S.C.I Y

Từ đồ thị của chuỗi import, ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời

gian Vậy ta sử dụng mô hình nhân

Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple

Exponential Smoothing.

Trên cửa sổ Exponential Smoothing trong phần Smoothing method, chọn

Holt-Winters – Muliplicative.

Chuỗi san Winters là chuỗi importw

Ta thu được kết quả sau:

Xu thế 154234.1Mùa vụ: 2018M10 1.034432

2018M11 1.0222162018M12 1.0399122019M01 0.9463252019M02 0.8032082019M03 1.0498352019M04 0.9757882019M05 1.0682022019M06 1.0109442019M07 1.0250192019M08 1.0331852019M09 0.990935

 Hằng số san: = 0,2200, = 0,0000, = 0,0000

 Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 989161,6

 Chỉ số mùa vụ qua các năm không đổi và bằng:

Xác định chuỗi thuộc mô hình nhân hay mô hình cộng.

Tính CMA4 (nếu số liệu theo quý) hoặc CMA12 (nếu số liệu theo tháng)

Bước 2: Tách yếu tố mùa vụ:

Tách yếu tố mùa vụ ra khỏi chuỗi thu được chuỗi mới là Y

SAĐối với mô hình nhân: tính các tỉ số YtMA

Y

t

Đối với mô hình cộng: tính các hiệu Yt - YMAtPhương pháp MA có thể tách ảnh hưởng của cả 2 yếu tố chu kỳ (C) và (I) để chuỗichỉ còn phụ thuộc yếu tố xu thế (T) để dễ dàng ước lượng

Bước 3: Ước lượng chuỗi YSA bằng hàm xu thế và dự báo chuỗi hiệu chỉnh.

Tính giá trị trung bình chênh lệch:

Đối với mô hình nhân: tính Mi = 1x ∑ Y (j)i

m-1

MA Y

(j)i Đối với mô hình cộng: tính M =

1

x ∑ (Y -Y MA )

Đối với mô hình nhân:SRi =

M i

(M1 +M2+…+M11+M12)/12

Đối với mô hình cộng: SDi = Mi - (M1+M2+…+M11+M4)/12

Bước 4: Dự báo chuỗi gốc

Nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc

Đối với mô hình nhân:

Đối với mô hình cộng:

Ta đã xác định được chuỗi thuộc dạng mô hình nhân

Bước 2: Tách yếu tố mùa vụ:

Trên cửa sổ Series: IMPORT, vào Proc/Seasonal Adjustment/ Moving Average

Methods

Trên cửa sổ Seasonal Adjustment trong phần Adjustment methods chọn Ratio to

moving average-Multiplicative.

Chuỗi đã tách yếu tố mùa vụ là importsa, chỉ số mùa vụ là importsf

Ta có bảng kết quả chỉ số mùa vụ như sau:

Chuỗi gốc: IMPORTChuỗi dự báo: IMPORTSA

Kết quả thu được ở phần Scaling Factors là chỉ số mùa vụ chung qua từng tháng.

Bước 3: Ước lượng chuỗi importsa theo hàm xu thế và dự báo chuỗi hiệu chỉnh.

 Ước lượng importsa theo biến T:

Trên cửa sổ Command

Gõ lệnh genr t=@trend(2013M12) để tạo biến xu thế t

Gõ lệnh LS importsa c t để ước lượng importsa theo biến t

Thu được kết quả:

Variable Coefficient Std Error t-Statistic Prob

Theo kết quả ước lượng, với α = 0,05 ta thấy:

Hệ số chặn của t có P-value (Prob.) = 0,0000 < α = 0,05

 Bác bỏ H0, chấp nhận H1

11

 Hệ số hồi quy của T có ý nghĩa thống kê

 Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05

(vì mô hình chỉ có biến độc lập duy nhất T)

Kiểm định bỏ sót biến

Cặp giả thuyết: {H0 : Mô hình không bỏ sót biến

H1: Mô hình thiếu biến

Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET

OLS bị vi phạm, mô hình bị bỏ sót biến.

Ước lượng lại importsa theo t, t 2 , t 3

Trên cửa số Command gõ lệnh LS importsa c t t^2 t^3

Variable Coefficient Std Error t-Statistic Prob

T^3 -40.75149 19.93929 -2.043779 0.0450Prob(F-statistic) 0.000000

Mô hình: ̂ = 12715374 – 108095t + 6031,198 – 40,75149 Kiểm định giả thuyết thống kê về hệ số hồi quy

Cặp giả thuyết: { H0: βj = 0

H1: βj ≠ 0

12

Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0.

Theo kết quả ước lượng, với α = 0,05 ta thấy:

t 0,289 > 0,05 Không bác bỏ Không có ý nghĩa thống kê

Giả thuyết thống kê: {H0 : Mô hình không bỏ sót biến

H1: Mô hình thiếu biến

Trên cửa sổ ước lượng vào View/Stability Diagnostics/ Ramsey RESET Test

F-statistic 3.518625(1, 64) 0.0652

 Không bác bỏ giả thuyết Ho

 OLS không bị vi phạm, mô hình không bỏ sót biến với mức ý nghĩa =

0,05

Kiểm định phân phối chuẩn của nhiễu.

Cặp giả thuyết: {H0 : Nhiễu phân phối chuẩn

H1: Nhiễu không phân phối chuẩn

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Histogram Normality Test

13

 Không có cơ sở bác bỏ Ho.

 Mô hình có nhiễu phân phối chuẩn với mức ý nghĩa = 0,05

Kiểm định phương sai sai số thay đổi

Cặp giả thuyết: {H0 : Phương sai sai số không đổi

H1: Phương sai sai số thay đổi

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Heteroskedasticity

Test Trên cửa sổ Heteroskedasticity Test chọn White

Ta thu được kết quả sau:

Heteroskedasticity Test: WhiteF-statistic 0.709533 Prob F(6,62) 0.6431Obs*R-squared 4.433428 Prob Chi-Square(6) 0.6182Scaled explained SS 5.727358 Prob Chi-Square(6) 0.4544

Ta thấy p-value = 0,6431 > = 0,05

 Không có cơ sở bác bỏ Ho

 Mô hình có phương sai sai số không đổi với mức ý nghĩa = 0,05

Kiểm định tự tương quan

H0: Mô hình không có tự tương quan

Cặp giả thuyết: {

H1: Mô hình có tự tương quan

14

Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM test

Ta có kết quả như sau:

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.948404 Prob F(2,63) 0.3928Obs*R-squared 2.016737 Prob Chi-Square(2) 0.3648

Ta thấy p-value = 0,3928 > = 0,05

 Không có cơ sở bác bỏ Ho

Mô hình không có tự tương quan với mức ý nghĩa = 0,05

 trong phần Forecast name điền importsaf

 trong phần Forecast Sample chọn mẫu từ 2014m01 2019m09

 trong phần Output/ Graph chọn Forecast & Actuals

Theil Inequality Coefficient 0.030022

Nhìn vào kết quả dự báo trong mẫu ta thấy:

Mean Abs Percent Error = 4,989032 < 5

Tức là sai số dự báo < 5%,  Có thể sử dụng mô hình này để dự báo ngoài mẫu

15

Mở lại cửa sổ Forecast

Trong phần Forecast sample chọn mẫu 2019M10 2020M5.

Ta thu được chuỗi dự báo importsaf.

Ta lấy chuỗi importsaf nhân với chỉ số mùa vụ importsf sẽ được chuỗi dự báo

importf.

Trên cửa sổ Command gõ lệnh genr importf=importsaf*importsf

Trên cửa sổ Command gõ lệnh line importf import thu được kết quả:

24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000

Mô hình ARIMA bậc p, d, q là mô hình với:

AR(p) là mô hình tự tương quan bậc pY(d) là chuỗi dừng khi lấy sai phân bậc dMA(q) là mô hình trung bình trượt bậc q

Có phương trình là:

Y(d) = c + Φ 1 Y(d) t-1 + … + Φ p Y(d) t-p + θ 1 u t-1 + … + θ q u t-q + u t

Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo

 Đối với chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo ARIMA với chuỗi gốc

16

 Đối với chuỗi có tính mùa vụ: tách yếu tố mùa vụ khỏi chuỗi gốc, sau đó kiểm tra tính dừng của chuỗi tách và tiến hành dự báo ARIMA với chuỗi tách.

hành dự báo ARIMA

với chuỗi et

Bước 2: Xác định độ trễ p, q.

Bước 3: Kiểm tra các điều kiện giả định của mô hình:

 Mô hình khả nghịch và ổn định (nghiệm đơn vị của các mô hình hồi quy phụ < 1)

 Nhiễu trắng (nhiễu không tự tương quan)

Bước 1: Kiểm tra tính mùa vụ và tách yếu tố mùa vụ nếu

có Trên cửa sổ Series: IMPORT vào View/ Graph Trên cửa

sổ Graph Options chọn Seasonal Graph Ta có biểu đồ sau:

17

IMPORT by Season

24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000

Means by Season

Các vạch đỏ trong hình là giá trị trung bình của từng mùa Nếu các vạch nàychênh nhau càng nhiều thì tính mùa vụ càng rõ ràng Ở đây, ta thấy có sự sai lệchchứng tỏ chuỗi giá trị sử dụng có yếu tố mùa vụ

Ta sẽ tiến hành dự báo cho chuỗi import bằng cách tách yếu tố mùa vụ.

Ta đã xác định được chuỗi thuộc dạng mô hình nhân

Tiến hành tách yếu tố mùa vụ ta thu được chuỗi importsa

Kiểm định tính dừng của chuỗi importsa

Cặp giả thuyết: {H0 : Chuỗi không dừng

H1: Chuỗi dừng

Trên cửa sổ Series: IMPORTSA vào View/ Unit Root Tests.

Trên cửa sổ Unit Root Test, phần Test for unit root in chọn Level.

Ta thu được kết quả:

Null Hypothesis: IMPORTSA has a unit rootExogenous: Constant

Lag Length: 2 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*Augmented Dickey-Fuller test statistic -0.269419 0.9231Test critical values: 1% level -3.533204

18

10% level -2.590628

Theo kết quả kiểm định ta thấy

P-value (Prob.) = 0,9231> α = 0,05

 Không có cơ sở bác bỏ H0

Chuỗi importsa không dừng

Vậy ta kiểm định tính dừng của chuỗi importsa sai phân bậc 1

Trên cửa sổ Series: IMPORTSA vào lại View/ Unit Root Tests.

Trên cửa sổ Unit Root Test, phần Test for unit root in chọn 1 st difference.

Thu được kết quả:

Null Hypothesis: D(IMPORTSA) has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -10.42442 0.0000

Test critical values: 1% level -3.533204

Trên cửa sổ Series: IMPORTSA vào View/ Correlogram

Trên cửa sổ Correlogram Specification chọn độ trễ phần Lags to include là 28

19

Từ đó, ta chọn độ trễ là 1 và 2 cho AR, độ trễ 1 và 24 cho MA.

Bước 3: Ước lượng mô hình và kiểm định khuyết tật

Ước lượng mô hình

Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ar(2) ma(1) ma(24)

Ta có kết quả hồi quy như sau:

MA Backcast: 2012M04 2014M03Variable Coefficient Std Error t-Statistic Prob

C 205025.4 59442.69 3.449127 0.0010AR(1) -0.703805 0.127351 -5.526505 0.0000AR(2) -0.318826 0.119496 -2.668092 0.0098MA(1) -0.045770 0.070795 -0.646513 0.5204MA(24) -0.844930 0.039367 -21.46265 0.0000Prob(F-statistic) 0.000000

Nhìn kết quả bên trên, loại MA(1) vì không có ý nghĩa thống kê

Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24) và lệnh LS

d(importsa) c ar(2) ma(24) thu được kết quả như bảng sau:

Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24)

Thu được Module của các nghiệm đơn vị:

Inverted AR Roots -.53Inverted MA Roots 99 96-.26i .96+.26i 86+.50iModule của các nghiệm đơn vị:

Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Serial Correlation

LM test Trên cửa sổ Lag Specification chọn độ trễ lags 20, được kết quả sau:

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 1.560371 Prob F(20,44) 0.1087

Obs*R-squared 27.73742 Square(20) 0.1158Test Equation:

Prob.Chi-Dependent Variable: RESIDMethod: Least Squares

Tại ô cửa sổ kết quả này, ta thấy giá trị P_value = 0,1087 > =0,05 nên mô hình không có tự tương quan của nhiễu

Bước 5: Dự báo ngoài mẫu

Dự báo cho chuỗi hiệu chỉnh importsa:

Trên cửa sổ ước lượng chọn Forecast

Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu từ 2017M01 2020M05

Ta có kết quả:

22

Root Mean Squared Error 1006313.

Mean Abs Percent Error 3.984703 Theil Inequality Coefficient 0.025657

Variance Proportion 0.001601 Covariance Proportion 0.808411

Nhìn vào kết quả dự báo trong mẫu ta thấy

Mean Abs Percent Error (MAPE) = 3,984703 < 5

Tức là sai số dự báo < 5%  Có thể sử dụng mô hình này để dự báo ngoài mẫu

Mở lại cửa sổ Forecast Trong phần Forecast sample chọn mẫu

2014M01-2020M05 Ta thu được chuỗi dự báo importsaf.

Dự báo cho chuỗi gốc

Ta lấy chuỗi importsaf nhân với chỉ số mùa vụ importsf sẽ được chuỗi dự báo

importfarima.

Trên cửa sổ Command gõ lệnh genr importfarima=importsaf*importsf Trên

cửa sổ Command gõ lệnh line importfarima import thu được kết quả

Chương III KẾT LUẬN DỰ BÁO

Chọn các chuỗi import, importd, importh, importw, importf, importfarima: click

phải chuột chọn Open/ as Group.

Chọn các số liệu là kết quả của các phương pháp dự báo, ta có bảng số liệu sau:

import importd importf Importfarima importh importw2019m10 NA 21980939 22503064 23803340 22232904 225717872019m11 NA 22139350 22319687 23715707 22425231 224628852019m12 NA 22297761 22797106 24338844 22617557 230121452020m01 NA 22456172 21464535 23032351 22809883 210871252020m02 NA 22614583 17070275 18415438 23002210 180218922020m03 NA 22772994 22987271 24939389 23194536 237174922020m04 NA 22931405 21342287 23293376 23386863 221951412020m05 NA 23089816 23697324 26027014 23579189 24461938

Sau khi dựa vào kết quả chạy và những tính toán trong excel, ta có kết quả so sánhgiữa các mô hình:

importd 1653508 7,754360importh 1658814 7,454791importw 989161,6 4,993140importf 960050,3 4,989032

Dựa vào kết qủa dự báo ta thấy phương pháp phân tích (chuỗi importf) chính xác hơn so với các phương pháp còn lại với chỉ số RMSE và MAPE nhỏ nhất.

Vậy để lựa chọn phương pháp dự báo tốt nhất cho chuỗi, ta lựa chọn phương pháp phân tích

C KẾT LUẬN

Từ các phân tích như trên, nhóm xin đưa ra một số kết luận như sau:

Nhóm tác giả xin chọn kết quả dự báo theo phương pháp phân tích là kết quả choviệc phân tích và dự báo giá trị các mặt hàng nhập khẩu của Việt Nam từ tháng10/2019 đến tháng 5/2020

Thông qua việc thực hiện báo cáo, nhóm chúng em cũng rút ra được những bài học:

 Cách tìm kiếm và xử lý số liệu sao cho những quan sát đó phù hợp với mục tiêu nghiên cứu

 Áp dụng được lý thuyết về chuỗi thời gian, các phương pháp dự báo cùng các

mô hình, thông qua phần mềm Eviews vào thực tế

 Tăng khả năng tư duy và nhận biết các phương pháp và mô hình phù hợp cho từng trường hợp dự báo cụ thể

Nhập khẩu là một hoạt động quan trọng của thương mại quốc tế, nhập khẩu tácđộng một cách trực tiếp và quyết định đến sản xuất và đời sống Nhập khẩu là để tăngcường cơ sở vật chất kỹ thuật công nghệ tiên tiến, hiện đại cho sản xuất và các hànghoá cho tiêu dùng mà sản xuất trong nước không sản xuất được, hoặc sản xuất khôngđáp ứng nhu cầu Nhập khẩu còn để thay thế, nghĩa là nhập khẩu những thứ mà sảnxuất trong nước sẽ không có lợi bằng xuất khẩu, làm được như vậy sẽ tác động tích cựcđến sự phát triển cân đối và khai thác tiềm năng, thế mạnh của nền kinh tế quốc dân vềsức lao động, vốn, cơ sở vật chất, tài nguyên và khoa học kĩ thuật Vậy nên việc dự báođược kết quả trong tương lai gần của các giá trị nhập khẩu là rất quan trọng và có ýnghĩa lớn với các nhà hoạch định chính sách kinh tế của Việt Nam