tiểu luận dự báo kinh tế dự báo tăng trưởng kinh tế việt nam giai đoạn từ quý 4 năm 2019 đến quý 4 năm 2020

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8 Hình 1: Đồ thị thể hiện xu thế tăng trưởng Việt Nam từ quý 1/2006 đến quý 3/2019 Từ đồ thị, ta có thể thấy được chuỗi

I MỞ ĐẦU

I.1 Lý do thực hiện đề tài

Nền kinh tế Việt Nam đã trải qua những thời kỳ tăng trưởng biến động phức tạp, khólường, tiềm ẩn nguy cơ rủi ro tác động lớn đến tình hình kinh tế - xã hội của đất nước Dovậy, việc nghiên cứu để dự báo tăng trưởng có ý nghĩa rất lớn cả về mặt vĩ mô và vi mô,không chỉ góp phần nâng cao hiệu quả điều hành chính sách mà còn hướng đến mục tiêu ổnđịnh vĩ mô, tăng trưởng bền vững, nâng cao hiệu quả, sức cạnh tranh của các doanh nghiệp

và nền kinh tế, nâng cao chất lượng đời sống Xuất phát từ các nhu cầu thực tiễn trên, nhóm

nghiên cứu quyết định thực hiện đề tài: “Dự báo tăng trưởng kinh tế Việt Nam

giai đoạn từ Quý 4 năm 2019 đến Quý 4 năm 2020”

I.2 Khái quát tổng quan tình hình nghiên cứu

Trên thế giới và Việt Nam có rất nhiều nghiên cứu định lượng dự báo tăng trưởng,nổi bật là sử dụng mô hình trung bình trượt kết hợp tự hồi quy (ARIMA), các mô hình đabiến VAR và VECM, … Cụ thể, hàng năm có rất nhiều báo cáo đến từ các tổ chức khácnhau nghiên cứu về tăng trưởng của Việt Nam như: Báo cáo của Viện Nghiên cứu quản lýkinh tế Trung ương (CIEM), Báo cáo của Viện Nghiên cứu kinh tế và chính sách (VEPR),Báo cáo của MBS, … Để có thể so sánh cũng như đem lại cái nhìn toàn diện về tăngtrưởng của Việt Nam, trong bài nghiên cứu này, nhóm tác giả sẽ sử dụng ba mô hình: san

mũ, ARIMA và VAR để dự báo tăng trưởng tại Việt Nam theo quý với khoảng thời gian

dự báo được lựa chọn từ quý 4 năm 2019 đến quý 4 năm 2020, từ đó đưa ra các kết luậncho tăng trưởng Việt Nam trong thời gian tới

I.3 Mục tiêu dự báo

Thông qua việc nghiên cứu các biến GDP growth, CPI, Interest rate, Exchange ratecủa Việt Nam từ quý 1 năm 2006 đến quý 3 năm 2019, đề tài dự báo tăng trưởng tronggiai đoạn quý 4 năm 2019 đến quý 4 năm 2020 từ đó đưa ra các kết luận cho tăng trưởngViệt Nam trong thời gian tới

I.4 Biến cần dự báo

Biến cần dự báo trong mô hình là tăng trưởng GDP (GDP growth).

I.5 Thời gian dự báo

Thời gian dự báo của mô hình là từ quý 4 năm 2019 đến quý 4 năm 2020

I.6 Cấu trúc bài tiểu luận của nhóm gồm 4 chương

Chương I: Khảo sát dữ liệu

Chương II: Lựa chọn phương pháp dự báo

Chương III: Quy trình dự báo

Chương IV: Kết quả dự báo

II Khảo sát dữ liệu

II.1 Phương pháp thu thập số liệu và nguồn số liệu

Bộ dữ liệu của nhóm nghiên cứu bao gồm 55 quan sát từ quý 1 năm 2006 đến quý

3 năm 2019, được lấy từ nguồn thứ cấp sau, cụ thể như sau:

https://www.gso.gov.vn/

Exchange rate Tỷ giá hối đoái

Nguồn: Nhóm nghiên cứu tự tổng hợp

Bảng 1: Tên biến và nguồn dữ liệu

II.2 Khảo sát dữ liệu

II.2.1 Mô tả thống kê

Sau khi thu thập số liệu từ hơn 55 quý từ quý 1 năm 2006 đến quý 3 năm 2019,nhóm tác giả thu được 55 quan sát Bảng sau đây là bảng thống kê mô tả chung cho cácbiến thành phần:

Gdp_growth Cpi Interest_rate Exchange_rate

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Bảng 2: Mô tả thống kê các biến

Dựa vào bảng từ quá trình thống kê mô tả, nhóm nghiên cứu có số quan sát của biến

năm 2019 Độ lệch chuẩn của biến GDP_GROWTH là khoảng 1.085515, cho thấy cácquý được quan sát có sự biến động về tăng trưởng là không nhiều.

Tương tự, biến CPI, Interest_rate và Exchange_rate đều có 55 quan sát, với giá trịtrung bình lần lượt là 122.1307, 7.877273 và 19948.64 ứng với các trung vị 133.0073,6.5, và 20828 Độ lệch chuẩn của các biến CPI, Interest_rate và Exchange_rate đều ở mứctrung bình, cụ thể là 33.45031 với CPI, 2.700254 với Interest_rate, và 2488.456 vớiExchange_rate

II.2.2 Phương pháp đồ thị

 Khảo sát biến GDP_GROWTH

Đầu tiên, nhóm khảo sát đồ thị của GDP_GROWTH để tìm ra các đặc điểm của biến

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Hình 1: Đồ thị thể hiện xu thế tăng trưởng Việt Nam từ quý 1/2006 đến quý 3/2019

Từ đồ thị, ta có thể thấy được chuỗi số liệu cần dự báo có hình dạng mương nhỏ dần,

vì vậy mô hình dự báo sẽ là mô hình nhân tính Tăng trưởng của Việt Nam qua các quý từ

quý 1/2006 đến quý 3/2019 tuy có nhiều biến động, nhưng nhìn chung xu hướng tăngtrưởng là đi xuống (đường nét đứt), do vậy chuỗi số liệu có tính xu thế.

Tiếp đến, cần kiểm tra tính mùa vụ của chuỗi, nếu chuỗi có yếu tố mùa vụ rõ ràngthì cần tách yếu tố mùa vụ trước khi dự báo Do vậy, nhóm tiến hành kiểm tra tính mùa vụcủa chuỗi số liệu bằng đồ thị sau:

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Hình 2: Đồ thị thể hiện mùa vụ của tăng trưởng Việt Nam từ quý 1/2006 đến quý

3/2019

Hình 2 cho thấy khoảng cách biên độ tăng trưởng giữa các khoảng thời gian khálớn nên chuỗi số liệu này có tính yếu tố mùa vụ Vì vậy, khi chạy mô hình để dự báo chochuỗi số liệu này nên loại bỏ yếu tố mùa vụ để có kết quả dự báo chính xác hơn

 Khảo sát sai phân bậc 1 của biến GDP_GROWTH

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Hình 3: Đồ thị thể hiện sai phân biến GDP_GROWTH từ quý 1/2006 đến quý 3/2019

Từ đồ thị hình 3, nhận thấy đồ thị chuỗi số liệu lấy sai phân bậc 1 của GDP_Growth

có dạng hình mương Do đó, sử dụng mô hình nhân tính sẽ phù hợp hơn mô hình cộng tính.Ngoài ra, đồ thị cũng thể hiện tính mùa vụ của chuỗi sai phân bậc 1 của GDP_Growth

II.3 Phân tích giản đồ tự tương quan, tương quan riêng phần

 Khảo sát biến GDP_GROWTH

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Hình 4 Mô tả kiểm định tự tương quan và tương quan riêng phần của biến

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Hình 5: Mô tả kiểm định tự tương quan và tương quan riêng phần của sai phân bậc

1 biến GDP_GROWTH

II.4 Kiểm tra tính dừng của chuỗi

Nhóm kiểm tra tính dừng của chuỗi GDP_GROWTH trước tiên dựa vào việc quan sát

đồ thị của chuỗi số liệu, sau đó tiến hành kiểm tra tính chất này thông qua kiểm định nghiệm

đơn vị (unit root test) Kiểm định tính dừng với cặp giả thiết: H 0 - chuỗi có nghiệm

đơn vị (không dừng) và H 1 - chuỗi không có nghiệm đơn vị (dừng)

GDP -3.540536 -4.960345 -3.441731 -6.072816

p-value nằm trong ngoặc vuông [ ] dưới mỗi giá trị thống kê t

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 8

Bảng 3: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của chuỗi

Trường hợp với hệ số chặn, kiểm tra tính dừng của chuỗi GDP_GROWTH sửdụng Unit root test, thu được P-value = 0.0108 Chuỗi dừng ở mức 5%, và không dừng ởmức 1% Do đó, lấy sai phân bậc 1 của chuỗi và sử dụng Unit root test, thu được P-value

= 0.0002 Chuỗi lấy sai phân bậc 1 của GDP_GROWTH là chuỗi dừng ở mức 1%

Trường hợp với hệ số chặn + Xu thế, kiểm tra tính dừng của chuỗi GDP_GROWTH

sử dụng Unit root test, thu được P-value = 0.0573 Chuỗi dừng ở mức 10%, và không dừng

ở mức 5% Lấy sai phân bậc 1 của chuỗi và sử dụng Unit root test, thu được P-value =0.0000 Chuỗi lấy sai phân bậc 1 của GDP_GROWTH là chuỗi dừng ở mức 1%

III Phương pháp dự báo

Trong thực tế, có rất nhiều mô hình có thể sử dụng để dự báo như mô hình san mũgiản đơn, mô hình san mũ, mô hình ARIMA (mô hình tự hồi quy tích hợp trung bìnhtrượt) và mô hình VAR (mô hình tự hồi quy vector) Tuy nhiên sau quá trình thực hiệnkhảo sát dữ liệu và đánh giá tính chất của dữ liệu Nhóm cho rằng ba phương pháp phùhợp nhất để thực hiện dự báo cho chuỗi dữ liệu này là phương pháp san mũ Holt-Winters,

mô hình ARIMA và mô hình VAR Do đó trong giới hạn của bài viết này, nhóm sẽ chỉ đềcập đến 3 mô hình:

 Mô hình ARIMA có dạng tổng quát như sau:

đồ tự tương quan (ACF) và độ trễ p bằng giản đồ tự tương quan riêng phần (PACF), (3)ước lượng mô hình ARIMA bằng phương pháp bình phương nhỏ nhất(OLS), (4) kiểm tracác vi phạm giả định của mô hình là mô hình khả nghịch và ổn định, nhiễu trắng và chấtlượng dự báo trong mẫu tốt (phần trăm sai số dự báo phải nhỏ hơn hoặc bằng 5%), (5) Dựbáo ngoài mẫu

 Mô hình VAR có dạng tổng quát như sau:

=

1 −1 + 1 −1+ + − − +1 + − + +Nếu mô hình ARIMA chỉ tiến hành phân tích trên một chuỗi thời gian thì mô hìnhVAR được sử dụng khi có nhiều chuỗi thời gian khác nhau và cần phải xem xét mối quan hệgiữa chúng Phương pháp luận của của mô hình VAR, về cơ bản, giống với phương pháp xâydựng mô hình phương trình đồng thời ở chỗ, các biến nội sinh được xem xét cùng với nhau

và giá trị trễ của tất cả các biến nội sinh trong mô hình Các bước tiến hành của mô hình:(1) Kiểm định tính dừng của các biến, thực hiện biến đổi đến khi được chuỗi dừng,phương pháp thực hiện lấy chuỗi dừng thông thường được sử dụng có thể là lấy sai phâncủa chuỗi hoặc sử dụng hàm log; (2) Tìm bậc trễ (p) thích hợp theo các tiêu chuẩn (FPE,LogL, LR, AIC, SBC, HQ), trong đó bậc trễ nào có nhiều tiêu chuẩn nhất với giá trị nhỏnhất sẽ được chọn để thực hiện dự báo(3) Kiểm định và lựa chọn mô hình theo 4 kiểmđịnh phù hợp với 4 tiêu chí: mô hình VAR có ổn định hay không, các biến trong mô hình

có mối quan hệ nhân quả hay không, mô hình có nhiễu trắng hay không, có bậc trễ nàokhông có ý nghĩa thống kê hay không (4) Phân tích và sử dụng kết quả phân tích (dự báo,hàm phản ứng, phân rã phương sai)

 Phương pháp san mũ:

Dựa trên tính chất của chuỗi số liệu đã nhận dạng thông qua quá trình khảo sát vàđánh giá dữ liệu ở trên, nhóm nhận định rằng mô hình san mũ Winter phù hợp với tính chấtchuỗi số liệu (số quan sát lớn, thời đoạn dự báo ngắn, chuỗi có tính thời vụ và tính xu thế)

Phương pháp san mũ Winter tổng quát tương ứng với các bước thực hiện dự báobằng san mũ Winter, gồm có 4 bước chính và được thể hiện qua 4 phương trình tổng quát,phụ thuộc vào tính chất của mô hình được tạo ra từ chuỗi dữ liệu:

- Với mô hình nhân:

Ước lượng giá trị trung bình hiện tại:

−1 +)

Trong đó:

Y t là giá trị hiện tại của chuỗi dữ liệu

L t là giá trị san mũ hiện tại của chuỗi dữ liệu

S t là giá trị ước lượng thời vụ

T t là giá trị ước lượng xu thế

α, β,γ lần lượt là hệ số san mũ, hệ số san mũ ước lượng xu thế và hệ số san mũ ước lượng

mùa vụ

h là số lượng thời hạn dự báo cho tương lai

IV Quy trình nghiên cứu

IV.1 Phương pháp san mũ Holt-Winters

IV.1.1 Mô hình cộng tính

Hệ số Hệ số san Hệ số san Hệ số san Giá trị ước Giá trị ước

mũ mùa vụ mũ xu thế lượng hiện lượng xu thế

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Bảng 4: Kết quả ước lượng trong mẫu của phương pháp san mũ Winters với mô

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Hình 6: Chuỗi số liệu thực so với kết quả của phương pháp san mũ Winter trên mô

hình cộng

Thông qua bảng kết quả ước lượng trong mẫu của phương pháp san mũ Winter với

mô hình cộng, nhóm nhận được hệ số RMSE là 0.53 và tính được hệ số MAPE của ước lượng trong mẫu là 6.35%, giá trị ước lượng trung bình hiện tại là 7.050933, giá trị ước lượng xu thế hiện tại là -0.011979, do đó nhóm rút ra hàm dự báo ngoài mẫu:

IV.1.2 Mô hình nhân tính

Tiếp theo, nhóm thực hiện ước lượng trong mẫu với phương pháp san mũ Winterscho mô hình nhân tính và nhận được bảng kết quả:

Hệ số Hệ số san Hệ số san Hệ số san Giá trị ước Giá trị ước

mũ mùa vụ mũ xu thế lượng hiện lượng xu thế

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Bảng 6: Kết quả ước lượng trong mẫu của phương pháp san mũ

Winters với mô hình nhân tính

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Hình 7: Chuỗi số liệu thực so với kết quả của phương pháp san mũ Winter trên mô

hình nhân

Thông qua bảng kết quả ước lượng trong mẫu của phương pháp san mũ Winter với

mô hình cộng, nhóm nhận được hệ số RMSE là 0.5802 và tính được hệ số MAPE của ước lượng trong mẫu là 6.938% Giá trị ước lượng trung bình hiện tại là 7.004696, giá trị ước lượng xu thế hiện tại là -0.011979, do đó nhóm rút ra hàm dự báo ngoài mẫu:

̂

+ℎ = (7.004696 − 0.011979ℎ)

Nguồn: Nhóm tác giả tính toán và tổng hợp với sự trợ giúp của Eviews 10

Bảng 7: Bảng kết quả dự báo ngoài mẫu cho phương pháp san mũ Winters mô hình

nhân

Nhóm nhận định rằng, giá trị ước lượng thời vụ của chuỗi dữ liệu chỉ phụ thuộcvào giá trị ước lượng thời vụ của mùa trước đó và giá trị ước lượng xu thế chỉ phụ thuộcvào giá trị xu thế trước đó của nó (do các hệ số san mũ ước lượng xu thế và hệ số ước

lượng mùa vụ β và γ đều bằng 0 ở cả hai mô hình) Ngoài ra hệ số RMSE của phương pháp san mũ Winter cho mô hình cộng bằng 0.53 nhỏ hơn hệ số RMSE của phương pháp san mũ Winter cho mô hình nhân bằng 0.58, đồng thời hệ số MAPE của phương pháp san

mũ Winter cho mô hình cộng là 6.35% và hệ số MAPE của phương pháp san mũ Winter cho mô hình nhân là 6.938%, do đó giữa hai mô hình nhân tính và cộng tính ta đã có thể

thấy rằng phương pháp với mô hình cộng tính có thể cho kết quả chính xác hơn

IV.2 Dự báo bằng mô hình tự hồi quy tích hợp Trung bình trượt (ARIMA)

Mô hình Arima là một loại mô hình được sử dụng phổ biến trong kinh tế lượng.Đây là một phương pháp nghiên cứu độc lập thông qua việc dự đoán theo các chuỗi thờigian Sau đó, các nhà nghiên cứu sẽ sử dụng các thuật toán dự báo độ trễ để đưa ra môhình phù hợp

Mô hình ARIMA (p, d, q) được tạo thành bởi 3 thành phần chính là AR (thànhphần tự hồi quy); I (Tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt).Ngoài ra, đối với các chuỗi thời gian có yếu tố mùa vụ thì phải tách các yếu tố mùa vụ ratrước rồi tiến hành dự báo bằng ARIMA Mô hình này được gọi là SARIMA hay ARIMAđiều chỉnh yếu tố mùa vụ

Đối với chuỗi gdp_growth trên thì ta có thể thấy được rằng chuỗi đó có yếu tố mùa

vụ theo quý, chính vì vậy trong phần này ta sẽ sử dụng mô hình ARIMA được điều chínhyếu tố mùa vụ Trong bài tiểu luận này, nhóm sử dụng phương pháp trung bình trượt đểtách yếu tố mùa vụ ra khỏi chuỗi Dựa trên đồ thị của gdp_growth nhóm không xác địnhđược rõ ràng dạng mô hình là nhân tính hay cộng tính, chính vì vậy nhóm sẽ tiến hành dựbáo cho cả 2 mô hình

IV.2.1 Mô hình nhân

Bước 1: Tách yếu tố mùa vụ

Sau khi sử dụng phương pháp trung bình trượt, ta có hệ số mùa vụ trong mô hình nhân được trình bày theo 4 quý cho trong bảng dưới đây

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 8: Bảng hệ số mùa vụ mô hình ARIMA nhân

Bước 2: Kiểm tra tính dừng của chuỗi

Mô hình ARIMA cũng chỉ dự báo cho chuỗi dừng Nhóm sẽ kiểm định tính dừng chochuỗi đã tách yếu tố mùa vụ bằng kiểm định nghiệm đơn vị (Dickey – Fuller) Kiểm định tính

dừng với cặp giả thiết: H 0 - chuỗi có nghiệm đơn vị (không dừng) và H 1 - chuỗi

không có nghiệm đơn vị (dừng) Kết quả kiểm định được cho trong bảng dưới đây.

Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc 1 ADY -2.534545[0.1132] -7.277143[0.0000] -2.430886[0.3602] -7.295229[0.0000]

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 9: Bảng kiểm định tính dừng mô hình ARIMA nhân

Dựa vào kết quả kiểm định được đưa ra ở đây, có thể thấy chuỗi ADY là chuỗi tíchhợp bậc 1 Do đó d = 1 Giá trị sai phân của chuỗi được sử dụng để ước lượng mô hìnhARIMA Ký hiệu là d(ADY)

Bước 3: Lựa chọn bậc của 2 mô hình AR(p) và MA(q) bằng giản đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF)

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 10

Hình 8: Giản đồ tương quan và tương quan riêng phần của chuỗi sai phân bậc 1 của

ADY (ARIMA nhân)

Giản đồ tự tương quan và tự tương quan riêng phần được trình bày ở Biểu đồ 3.Theo Biểu đồ 3 nhìn vào giản đồ tự tương quan và tương quan riêng phần có thể lựa chọn

p = 1và q = 1, 2, 3, 22, 23, 24 Chính vì thế nhóm tiểu luận tiến hành ước lượng các môhình ARIMA tương ứng Sau khi chạy các mô hình ARIMA khác nhau nhóm đi đến kếtluận mô hình ARIMA với p=1 và q=24 cho ra kết quả tốt nhất với các chỉ tiêu Adjusted

R2 lón nhất và các kiểm định AIC, SC và HQ nhỏ nhất, kết quả cho trong bảng dưới đây:

Bước 4 Ước lượng mô hình ARIMA(p=0; q=24) và kiểm tra các giả định của mô hình

Kết quả ước lượng mô hình ARIMA(p=0; q=24) được cho trong bảng dưới đây:

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 11: Kết quả ước lượng mô hình ARIMA nhân(p=0; q=24)

Tiếp theo, cần kiểm tra xem nhiễu có phải là nhiễu trắng hay không bằng giản đồ

tự tương quan của nhiễu và kiểm định nghiệm đơn vị Dựa vào giản đồ tự tương quan củanhiễu, nhóm nhận thấy giá trị p-value (cột Prob) trong kiểm định lớn, tương ứng các hệ số

tự tương quan đều bằng 0 một cách có ý nghĩa thống kê Vì vậy nhiễu có tính dừng và làtrắng

Hình 9: Giản đồ tự tương quan của nhiễu mô hình ARIMA nhân

Hệ số chặn Hệ số chặn + Xu thế Resid01 -2.534545 [0.1132]Chuỗi gốc -2.430886 [0.3602]Chuỗi gốc Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 12: Kiểm định nghiệm đơn vị để kiểm tra tính dừng của nhiễu mô hình

ARIMA nhân

Bước 5: Dự báo trong mẫu

Để đánh giá chất lượng dự báo nhóm tiến hành dự báo trong mẫu và sử dụng chỉ sốMAPE để đánh giá chất lượng dự báo Khoảng dự báo trong mẫu là từ 2006Q1 đến2019Q3 Nhóm tiền hành dự báo chuỗi ADY trong khoảng từ 2006Q1 đến 2019Q3, sau

đó sử dụng kết quả dự báo chuỗi ADY nhân với nhân tố mùa vụ để ra kết quả dự báo củachuỗi gdp_growth

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 10

Hình 10: Dự báo trong mẫu từ quý 1 năm 2006 đến quý 3 năm 2019 mô hình

ARIMA nhân

Theo kết quả tính toán MAPE của mô hình dự báo chuỗi GDP_growth là 13.253%,RMSE là 0.472 Kết quả này sẽ được sử dụng để làm tiêu chí so sánh với các mô hình khác

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 10

Hình 11: Biểu đồ biểu diễn giá trị dự báo và giá trị thực từ quý 1 năm 2006 đến quý

3 năm 2019

Bước 6: Dự báo ngoài mẫu

Kết quả dự báo tăng trưởng kinh tế cho Việt Nam từ quý 4 năm 2019 đến quý 4 năm

2020 bằng mô hình VAR thể hiện trong bảng dưới đây

21

Tăng trưởng kinh tế (dự báo) Tăng trưởng kinh tế

Nguồn: Nhóm tác giả tự tính toán và tổng hợp

Hình 12: Tăng trưởng kinh tế thực tế và dự báo 2006Q1 đến

2020Q4 mô hình ARIMA nhân

IV.2.2 Mô hình cộng

Bước 1: Tách yếu tố mùa vụ

Sau khi sử dụng phương pháp trung bình trượt, ta có hệ số mùa vụ trong mô hình cộng được trình bày theo 4 quý cho trong bảng dưới đây

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 14: Bảng hệ số mùa vụ mô hình ARIMA cộng

Bước 2: Kiểm tra tính dừng của chuỗi

Mô hình ARIMA cũng chỉ dự báo cho chuỗi dừng Nhóm sẽ kiểm định tính dừng chochuỗi đã tách yếu tố mùa vụ bằng kiểm định nghiệm đơn vị (Dickey – Fuller) Kiểm định tính

dừng với cặp giả thiết: H 0 - chuỗi có nghiệm đơn vị (không dừng) và H 1 - chuỗi

không có nghiệm đơn vị (dừng) Kết quả kiểm định được cho trong bảng dưới đây.

Hệ số chặn Hệ số chặn + Xu thế Chuỗi gốc Sai phân bậc 1 Chuỗi gốc Sai phân bậc 1 ADY -2.247963[0.1924] -6.561620[0.0000] -2.136753[0.5141] -6.590311[0.0000]

Nguồn: Tính toán và ước lượng với sự trợ giúp của phần mềm Eviews 10

Bảng 15: Bảng kiểm định tính dừng mô hình ARIMA cộng

Dựa vào kết quả kiểm định được đưa ra ở đây, có thể thấy chuỗi ADY là chuỗi tíchhợp bậc 1 Do đó d = 1 Giá trị sai phân của chuỗi được sử dụng để ước lượng mô hìnhARIMA Ký hiệu là d(ADY)

Bước 3: Lựa chọn bậc của 2 mô hình AR(p) và MA(q) bằng giản đồ tự tương quan (ACF) và tự tương quan riêng phần (PACF)

Nguồn: Tính toán và biểu diễn với sự trợ giúp của phần mềm Eviews 10

Hình 13 Giản đồ tương quan và tương quan riêng phần của chuỗi sai phân bậc 1 của

ADY mô hình ARIMA cộng