tiểu luận dự báo kinh tế dự báo lạm phát ở việt nam tháng cuối năm 2019 và 6 tháng đầu năm 2020

Số liệu thu thập được sử dụng trong mô hình là chuỗi số liệu chỉ số giá tiêu dùng đạidiện cho lạm phát ở nền kinh tế Việt Nam trong vòng 9 năm từ các báo cáo thống kêchỉ số giá tiêu dùng

Số liệu thu thập được sử dụng trong mô hình là chuỗi số liệu chỉ số giá tiêu dùng (đạidiện cho lạm phát) ở nền kinh tế Việt Nam trong vòng 9 năm từ các báo cáo thống kêchỉ số giá tiêu dùng trên Tổng cục thống kê.

Bộ số liệu gồm 107 quan sát Các quan sát kéo dài từ tháng 01/2011 đến tháng 11/2019

và sử dụng mô hình nhân để dự báo lạm phát.Từ bộ số liệu nhóm sử dụng một sốphương pháp khác nhau như dự báo bằng phương pháp dự báo thô, trung bình trượt,phương pháp san mũ, phương pháp phân tích và các phương pháp ARIMA

1.2 Khảo sát dữ liệu

1.2.1 Thống kê mô tả biến

Bảng 1.1 Thống kê mô tả biếnGiá trị trung bình 100.4266Giá trị trung vị 100.3100Giá trị lớn nhất 103.3200Giá trị nhỏ nhất 99.4700

Từ bảng 1.1 ta thấy, chuỗi số liệu có 107 quan sát, giá trị nhỏ nhất là 99.47%, giá trịlớn nhất là 103.32%, giá trị trung bình là 100.4266% Độ lệch chuẩn của chuỗi là 0.611với P-value=0.0000.

1.2.2 Đồ thị của chuỗi theo thời gian

Hình 1.1 Đồ thị của chuỗi CPI theo thời gian

CPI 104

(Nguồn: trích xuất từ EVIEWS)

Từ đồ thị hình 1.1 ta thấy chuỗi số liệu cần dự báo có biên độ dao động khá mạnh vàkhông đều nhau Đồ thị cho thấy chẫy có tính dừng và mùa vụ nhưng không rõ ràng.Nhóm tiến hành kiểm tra tính mùa vụ và tính dừng

1.2.3 Kiểm định mùa vụ

Hình 1.2 Đồ thị mùa vụ của CPI

CPI by Season 104

(Nguồn: trích xuất từ EVIEWS)

Từ hình 1.2 ta thấy đồ thị mùa vụ có các đường trung bình màu đỏ lệch nhau nhưngcác đoạn đứt trong đồ thị khá nhiều và lớn nên chuỗi có tính mùa vụ nhưng chưa rõ rệt

Để có thể khẳng định chính xác hơn, nhóm tiến hành kiểm định Kruskal-Wallis bằngphần mềm EVIEWS

Kiểm định Kruskal-Wallis với mô hình nhân thu được p-value=0.0089, với mô hìnhcộng thu được p-value=0.0088 Cả 2 giá trị p-value đều nhỏ hơn 0.05 nên chuỗi có yếu

tố mùa vụ Chuỗi có tính màu vụ nhưng không rõ là mô hình nhân hay mô hình cộng,sau khi thử tiến hành các dự báo thì nhóm quyết định sử dụng mô hình nhân vì mô hìnhnhân dự báo tốt hơn (sai số dự báo nhỏ hơn)

1.2.4 Kiểm định tính dừng

Sử dụng kiểm định nghiệm đơn vị bằng phần mềm EVIEWS để kiểm tra tính dừng chochuỗi gốc, thu được p-value=0.0000 <0.05 Vậy chuỗi CPI là chuỗi dừng.

Tiếp theo, nhóm tiến hành vẽ đồ thị tự tương quan và tự tương quan riêng phần của chuỗi

Hình 1.3 Giản đồ tự tương quan và tự tương quan riêng phần

Từ hình 1.3 ta thấy các hệ số tự tương quan ACF giảm xuống bằng 0 một cách nhanh chóng sau 4 độ trễ nên chuỗi là chuỗi dừng

1.2.5 Kết luận

Qua khảo sat ở trên, nhóm rút ra được đặc điểm của chuỗi CPI là chuỗi dừng, có tính mùa vụ và là mô hình nhân tính.

2 Lựa chọn mô hình dự báo.

Dựa vào các đặc điểm của chuỗi sau khi tiến hành khảo sát dữ liệu, có thể tiến hành dự báo chuỗi bằng các mô hình sau đây:

- Dự báo thô giản đơn

- Dự báo thô hiệu chỉnh mùa vụ

- Trung bình trượt giản đơn

- Trung bình trượt trung tâm

- Trung bình trượt trung tâm có trọng số

- San mũ Winter

- Phương pháp phân tích

- Mô hình ARMA

2.1 Mô hình dự báo thô giản đơn:

Đối với mô hình này, dự báo giá trị giai đoạn tới sẽ bằng với kết quả của giai đoạn hiện tại Ta có phương trình dự báo: ̂ +1 =

2.2 Mô hình dự báo thô điều chỉnh mùa vụ:

Đối với dữ liệu có tính mùa vụ, dự báo thô có thể được điều chỉnh như sau:

̂

+1 =

−

2.3 Mô hình dự báo trung bình trượt giản đơn:

Đối với mô hình này chúng ta sẽ quan tâm đến một số cố định (k) quan sát gần nhất, ta

có phương trình dự báo:

= ∗ = + −1+⋯+ − +1

+1

2.4 Mô hình dự báo trung bình trượt trung tâm giản đơn 2m+1 điểm:

Trung bình số học giản đơn của quan sát thời kì t, m quan sát trước đó và m quan sát sau đó, ta có phương trình dự báo như sau:

∗ = − + − +1 +⋯+ +⋯+

+ −1 +

+

2.5 Mô hình dự báo trung bình trượt có trọng số:

Sử dụng trung bình trượt trong đó các quan sát có các trọng số khác nhau ta có phương trình dự báo như sau:

Chú thích các phương trình trên:

̂

+1 : giá trị dự báo cho giai đoạn t+1

: giá trị thực tại thời điểm t

S: số mùa vụ trong năm

− : giá trị thực tại thời điểm t-k

San mũ Winter là phương pháp mở rộng của san mũ Holt đối với các dữ liệu có chứayếu tố mùa vụ Trong mô hình nhân, yếu tố mùa vụ ở năm sau được lặp lại với cường

độ cao hơn hoặc thấp hơn so với từng mùa của năm trước

San mũ Holt sử dụng 4 phương trình và 3 hằng số san:

(1) Ước lượng giá trị trung bình hiện tại:

L t = α* − + (1- α)*(L t-1 +T t-1 )

(2) Ước lượng giá trị xu thế:

Tt = β*( Lt - Lt-1) + (1- β)*Tt-1

(3) Ước lượng giá trị chỉ số mùa:

(4) Dự báo h giai đoạn trong tương lai:

̂

+ℎ = (Ln + h*Tn)*St

2.7 Dự báo bằng phương pháp phân tích

- Bước 1: Nhận dạng dữ liệu: kiểm tra xem mô hình nhân tính hay cộng tính

- Bước 2: Hiệu chỉnh yếu tố mùa vụ: tách yếu tố mùa vụ bằng phương pháp trungbình trượt trung tâm có trọng số, để triệt tiêu I, tách được S và làm C mờ nhạthơn Lúc này chuỗi hiệu chỉnh chủ yếu phụ thuộc vào T và C

Để thuận tiện, ta giả định không có yếu tố C Vì vậy, chuỗi hiệu chỉnh chỉ phụ thuộc và T

- Bước 3: Ước lượng hàm xu thế

Xu thế là sự vận động tăng hoặc giảm của dữ liệu trong thời gian dài Hàm xu thế là hàm có thể hồi quy theo biến thời gian

Sau khi ước lượng được hàm xu thế, tiến hành kiểm định nhiễu trắng

- Bước 4: Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng

̂ = *(T + h)

+ℎ 1 β 2 n

2.8 Dự báo bằng mô hình ARMA

Các chuỗi thời gian thường là kết hợp của mô hình tự hồi quy (AR) và mô hình trungbình trượt (MA)

Các bước tiến hành dự báo:

- Bước 1: Kiểm tra tính dừng Nếu chuỗi không dừng thì biến đổi để có chuỗi dừng (lấy log, sai phân,…)

- Bước 2: Vì chuỗi có tính mùa vụ nên phải tách yếu tố mùa vụ, sử dụng chuỗi đã hiệu chỉnh mùa vụ để ước lượng và dự báo

- Bước 3: Xác định p, q

- Bước 4: Ước lượng mô hình

- Bước 5: Kiểm tra mô hình và các giả định của mô

hình Độ trễ cao nhất có ý nghĩa thống kê không?

Kiểm tra nhiễu trắng

Kiểm tra chất lượng dự báo

- Bước 6: Kết hợp yếu tố mùa vụ vào và dự báo ngoài mẫu.

Các tiêu chí lựa chọn mô hình:

- Phần dư của mô hình dự báo phải là 1 chuỗi ngẫu nhiên

- Hệ số AIC, SBC, HQ càng nhỏ càng tốt

- Sai số dự báo MAPE càng nhỏ càng tốt

- Vẽ đồ thị so sánh giá trị dự báo và giá trị thực tế

- Hệ số hồi quy có ý nghĩa thống kê

3 Kết quả dự báo

3.1 Đối với các mô hình dự báo 1,2,3,4,5 mục II.

Tiến hành dự báo trong mẫu bằng phần mềm EVIEWS thu được kết quả MAPE của các mô hình là:

Bảng 3.1: Kết quả MAPE

Tên mô Mô hình dự Mô hình dự Mô hình dự Mô hình dự Mô hìnhhình báo thô giản báo thô điều báo trung báo trung dự báo

đơn chỉnh mùa bình trượt bình trượt trung

đơn(k=13) giản đơn trượt có

2m+1 trọng sốđiểm(m=6) s(s=12)MAPE 0.003465 0.004625 0.003049 0.003207 0.003140

(Nguồn: trích xuất từ EVIEWS)

Vì dữ liệu chuối thời gian theo tháng nên nhóm tác giả lựa chọn k=13 : quan tâm đến

13 quan sát cố định gần nhất và m=6: làm trung bình trượt số học giản đơn của quansát thời kì t, 6 quan sát trước đó và quan sát sau đó

3.2 Dự báo bằng san mũ Winter

Bảng 3.2: kết quả dự báo bằng san mũ Winter

3.3 Mô hình san mũ Winter:

Sai số dự báo của mô hình là MAPE=0.003155

3.4 Dự báo bằng phương pháp phân tích

Như đã nêu ở mục I.2, chuỗi số liệu là mô hình nhân tính

Hiệu chỉnh yếu tố mùa vụ thu được chuỗi số liệu đã hiệu chỉnh và kết quả Scaling Factors như sau:

Bảng 3.3: Hiệu chỉnh yếu tố mùa vụScaling Factors:

Ước lượng hàm xu thế:

Bảng 3.4: Kết quả ước lượng hàm xu thế

Biến Hệ số chặn se Thống kê t P-value

C 100.8557 0.103324 976.1099 0.0000

T -0.007974 0.001661 -4.801230 0.0000R2 0.180019 Akaike info criterion 1.589106

Log likelihood -83.01716 Schwarz criterion 1.639065

Hannan-Quinn criter 1.609359

Nguồn: trích xuất từ EVIEWS

Kiểm tra nhiễu trắng:

Bảng 3.5: Kết quả kiểm định nhiễu trắng

Kiểm định p-value

Phân phối chuẩn của nhiễu 0.0000

Nguồn: trích xuất từ EVIEWS

Các giá trị p-value đều bé hơn 0.05 nên nhiễu không trắng Vì vậy, không sử dụng mô hình dự báo bằng phương pháp phân tích

3.5 Dự báo bằng mô hình ARMA

Chuỗi số liệu là chuỗi dừng bậc 0, vì có yếu tố mùa vụ nên nhóm sử dụng chuỗi đãhiệu chỉnh ở mục III.7 để tiếp tục dự báo.

Dựa vào giản đồ tự tương quan và tự tương quan riêng phần từ phần mềm EVIEWS,nhóm rút ra được bậc của mô hình ARMA là p=1; q=1,2,3,4 Lần lượt ước lượng chotừng mô hình thu được kết quả dưới đây:

phân phối p-value=0.2062 p-value=0.0712 p-value=0.0002 p-value=0.0000chuẩn

Nguồn: trích xuất từ EVIEWS

(1) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2, 3,4

(2) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2, 3

(3) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1, 2

(4) Hồi quy cpism theo hệ số chặn, AR bậc 1, MA bậc 1

Từ kết quả kiểm định ta thấy mô hình (1) và (2) có nhiều trắng, mô hình (3) và (4)nhiều không trắng nên (3) và (4) bị loại Mô hình (2) có các chỉ số AIC, SBC và HQCđều nhé hơn mô hình (1) nên nhóm chọn mô hình (2) là mô hình ước lượng chophương pháp dự báo bằng mô hình ARMA

Tiến hành dự báo trong mẫu bằng phần mềm EVIEWS thu được giá trị sai số dự báoMAPE=0.288494

3.6 Lựa chọn mô hình phù hợp nhất

Từ các kết quả trên, ta có bảng tổng hợp MAPE của các mô hình

Bảng 3.7: Kết quả MAPE tổng hợp

Tên Mô hình Mô hình Mô hình Mô hình Mô hình Sanmũ Mô hình

hình thô giản thô điều trung bình trung

đơn chỉnh bình trượt trượt bình

mùa vụ giản đơn trung tâm trượt có

(k=13) giản đơn trọng số

2m+1 s(s=12)điểm(m=

6)MAPE 0.003465 0.004625 0.003049 0.003207 0.003140 0.003155 0.288494

Từ bảng 3.7, mô hình trung bình trượt giản đơn có MAPE bé nhất Tuy nhiên, độ dài

dự báo của mô hình này rất ngắn hạn, mà mục tiêu dự báo của nhóm là 6 tháng đầunăm 2020 (có cả tháng 12 năm 2019 vì số liệu hiện tại mới có đến tháng 11 năm 2019).Với những dự báo có độ dài dự báo trung hạn, có thể dùng phương pháp san mũ, phântích thành phần chuỗi thời gian hoặc các mô hình ARIMA Vì vậy, mô hình san mũWinter (MAPE=0.003155) là mô hình thích hợp nhất để tiến hành dự báo lạm phát ởViệt Nam tháng cuối năm 2019 và 6 tháng đầu năm 2020

Sau khi chạy mô hình, thu được kết quả dự báo ở bảng 3.8 và đồ thị so sánh giá trị dựbáo với giá trị thực tế ở hình 3.1

Hình 3.1: so sánh CPI dự báo (SMWM) và CPI thực tế (CPI)

Bảng 3.8: Kết quả dự báo

2019M12 2020M01 2020M02 2020M03 2020M04 2020M05 2020M06100.8776 101.2349 101.3866 100.8459 101.0535 100.9581 100.8568

Nguồn: trích xuất từ EVIEWS

Kết quả dự báo chỉ số CPI như sau: Với giả định không có cú sốc lớn tác động đến nềnkinh tế và CPI chỉ chịu tác động của tính mùa vụ hằng năm và các yếu tố lũy kế từ giaiđoạn trước, kết quả dự báo lạm phát cho tháng cuối năm 2019 và 6 tháng đầu năm

2020 với chỉ số CPI (so sánh với tháng trước đó) như sau: tháng 12/2019 là 0.8776%,tháng 01/2020 là 1.2349%, tháng 02/2020 là 1.3864%, tháng 03/2020 là 0.8459%,tháng 04/2020 là 1.0535%, tháng 05/2020 là 0.9581%, tháng 06/2020 là 0.8568%

Năng lực dự báo của mô hình đối với lạm phát là có thể chấp nhận được vì sai số dựbáo MAPE bé và chất lượng dự báo có thể chấp nhận được Lạm phát thực tế của tháng11/2019 so với tháng 10/2019 là 0,96% trong khi đó kết quả của mô hình là 0.257%,với sai số không lớn (< 5%), đây là mức dự báo có thể chấp nhận được

KẾT LUẬN

Như vậy, sau khi lựa chọn mô hình phù hợp nhất là mô hình ARIMA, nhóm đã tiếnhành dự báo ngoài mẫu và đã cho ra bảng kết quả dự báo lạm phát của Việt Nam thángcuối năm 2019 và 6 tháng đầu năm ở trên, nhìn chung lạm phát không biến động nhiềungoại giữa các tháng

Lạm phát là biểu hiện của vấn đề mất cân đối vĩ mô rất phức tạp Mỗi lần xuất hiện ởmỗi hoàn cảnh và điều kiện khác nhau thì khác nhau Nó cũng chịu tác động bởi nhiềuyếu tố của thế giới, Bên cạnh đó, chúng ta có thể thấy rất rõ ảnh hưởng của lạm phátlên nền kinh tế cũng như đời sống rất phức tạp nên việc dự báo được lạm phát giúp cácnhà hoạch định có thể nắm bắt và đưa ra các chính sách tốt hơn để thúc đẩy nền kinh tếphát triển, đồng thời có thể hạn chế rủi ro hơn

DANH SÁCH TÀI LIỆU THAM KHẢO

4 Nghiên cứu “Dự báo lạm phát Việt Nam giai đoạn 8/2013 – 7/2014” của Vương

Quốc Duy và Huỳnh Hải Âu 19602.html

http://sj.ctu.edu.vn/ql/docgia/tacgia-2590/baibao-5 Bài nghiên cứu “Sử dụng mô hình ARIMA và VAR dự báo lạm phát tại Việt Nam” của Th.s Nguyễn Thị Thu Trang https://nif.mof.gov.vn/webcenter/portal/vclvcstc/r/m/ncvtd/ncvtd_chitiet?dDocName=MOFUCM117184&dID=122404

PHỤ LỤC

Date: 12/03/19 Time: 23:21

Sample: 2011M01 2019M11

Included observations: 107

Method: Holt-Winters Multiplicative Seasonal

Original Series: CPI

Forecast Series: SMWM

Sum of Squared Residuals 18.25082

End of Period Levels: Mean 101.0929

Seasonals: 2018M12 0.998006

2019M01 1.0016772019M02 1.0033152019M03 0.9981002019M04 1.0002912019M05 0.9994832019M06 0.9986152019M07 0.9977902019M08 1.0008562019M09 1.0034572019M10 1.0004892019M11 0.997920

Bảng 1: kết quả ước lượng bằng mô hình san mũ Winter

Date: 12/03/19 Time: 23:43

Sample: 2011M01 2019M11

Included observations: 107

Ratio to Moving Average

Original Series: CPI

Adjusted Series: CPISM

Dependent Variable: CPISM

Method: Least Squares

squared 0.172210 S.D dependent var 0.583247S.E of regression 0.530655 Akaike info criterion 1.589106Sum squared

resid 29.56746 Schwarz criterion 1.639065Log likelihood -83.01716 Hannan-Quinn criter 1.609359F-statistic 23.05181 Durbin-Watson stat 0.633823Prob(F-statistic) 0.000005

Bảng 3: Kết quả ước lượng bằng phương pháp phân tích

Bảng 4: Kết quả dự báo bằng mô hình ARMA cho mô hình (1)

Dependent Variable: CPISM

Method: Least Squares

Date: 12/05/19 Time: 21:52

Sample (adjusted): 2011M02 2019M11

Included observations: 106 after adjustments

Convergence achieved after 19 iterations

MA Backcast: 2010M10 2011M01

Variable Coefficient Std Error t-Statistic Prob

C 100.2515 0.016024 6256.140 0.0000AR(1) 0.845537 0.026557 31.83885 0.0000MA(1) -0.318641 0.105001 -3.034649 0.0031MA(2) -0.445043 0.099956 -4.452403 0.0000MA(3) -0.291321 0.099278 -2.934396 0.0041MA(4) 0.084801 0.105757 0.801847 0.4245R-squared 0.671226 Mean dependent var 100.4144Adjusted R-squared 0.654787 S.D dependent var 0.575391S.E of regression 0.338070 Akaike info criterion 0.723808Sum squared resid 11.42910 Schwarz criterion 0.874569Log likelihood -32.36184 Hannan-Quinn criter 0.784913F-statistic 40.83207 Durbin-Watson stat 1.992641Prob(F-statistic) 0.000000

Inverted AR Roots 85

Inverted MA Roots 98 22 -.44+.45i-.44-.45i

Dependent Variable: CPISM

Method: Least Squares

Date: 12/05/19 Time: 21:58

Sample (adjusted): 2011M02 2019M11

Included observations: 106 after adjustments

Convergence achieved after 15 iterations

MA Backcast: 2010M11 2011M01

Variable Coefficient Std Error t-Statistic Prob

C 100.2534 0.015970 6277.708 0.0000AR(1) 0.838587 0.026276 31.91412 0.0000MA(1) -0.284059 0.097890 -2.901828 0.0046MA(2) -0.444327 0.088057 -5.045918 0.0000MA(3) -0.241436 0.097722 -2.470645 0.0152R-squared 0.669852 Mean dependent var 100.4144Adjusted R-squared 0.656777 S.D dependent var 0.575391S.E of regression 0.337094 Akaike info criterion 0.709111Sum squared resid 11.47687 Schwarz criterion 0.834745Log likelihood -32.58289 Hannan-Quinn criter 0.760031F-statistic 51.23085 Durbin-Watson stat 2.031627Prob(F-statistic) 0.000000

Inverted AR Roots 84

Inverted MA Roots 98 -.35+.35i -.35-.35i

Bảng 5: Kết quả dự báo bằng mô hình ARMA cho mô hình (2)