DỰ BÁO CHỈ SỐ GIÁ TIÊU DÙNG (CPI) GIAI ĐOẠN THÁNG 10 2021 đến THÁNG 10 2022 CỦA VIỆT NAM

Chính vì thể, dự báo chỉ số giá tiêu dùng CPI là hoạt động rất cần thiết và quan trọng đối với chính phủ và doanh nghiệp trong việc lập kế hoạch cho đơn vị của mình.. Không chỉ vậy, Broc

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN KHOA KẾ HOẠCH VÀ PHÁT TRIỂN

BÀI TẬP LỚN MÔN: DỰ BÁO PHÁT TRIỂN KINH TẾ - XÃ HỘI

ĐỀ TÀI: DỰ BÁO CHỈ SỐ GIÁ TIÊU DÙNG (CPI) GIAI ĐOẠN THÁNG

10-2021 ĐẾN THÁNG 10-2022 CỦA VIỆT NAM

Giảng viên hướng dẫn: PGS.TS Lê Huy Đức

Họ và tên sinh viên: Hoàng Nhật Anh

Mã sinh viên: 11180159

Hà Nội, 2021

Bài làm Lựa chọn đề tài: Dự báo chỉ số giá tiêu dùng (CPI) giai đoạn tháng 10-2021 đến tháng 10-2022 của Việt Nam

Quy trình thực hiện dự báo:

1 Thu thập và mô tả nguồn số liệu

- Các số liệu được thu thập trên trang web https://vietstock.vn/

- Chỉ số giá tiêu dùng CPI (đơn vị: %)

Ta có bảng số liệu thu thập được:

Thống kê chỉ số giá tiêu dùng giai đoạn 2016 – 2021 (Đơn vị: %)

Năm

Tháng

Nguồn: https://vietstock.vn/

1 Lựa chọn mô hình dự báo

` Chỉ số giá tiêu dùng CPI có thể đo lường được lạm phát trải qua bởi người tiêu dùng qua những gì mà họ chi trả tiêu dùng hàng ngày CPI được các thương nhân dùng để dự đoán giá cho tương lai hay người sử dụng lao động để tính toán tiền lương hay có thể là Chính Phủ để xác định mức tăng cho những quỹ bảo trợ xã hội Chính vì thể, dự báo chỉ số giá tiêu dùng (CPI) là hoạt động rất cần thiết và quan trọng đối với chính phủ và doanh nghiệp trong việc lập kế hoạch cho đơn vị của mình Dự báo càng chính xác thì việc hoạch định chính sách càng khả thi

Do biến động của tình hình kinh tế quốc gia và trên thế giới, việc dự báo chỉ số giá tiêu dùng CPI ngày càng trở nên khó khăn Trước tình hình đó trong vài thập

kỉ qua đã xuất hiện nhiều các mô hình để sự dụng cho việc dự báo CPI có thể kể đến như: Marcos Álvarez-Díaz & Rangan Gupta (2016) đã sử dụng mô hình bước ngẫu nhiên (random walk) và mô hình tự hồi quy bậc 1 (AR) để dự báo CPI của Mỹ, Al-Tamimi et al., (2011) đã sử dụng mô hình hồi quy bội để dự báo CPI của UEA giai đoạn 1990 - 2005, Hu et al., (2013) sử dụng thuật toán thống kê để dự báo CPI, Bernardi et at., (2015) sử dụng phương pháp dự báo san hàm mũ Holt –Winter để dự báo CPI của Italia giai đoạn 2004 – 2014 Với

sự phát triển, cải thiện của các công cụ dự báo bằng toán học như trên đã tạo ra những kỹ thuật dự báo chính xác và sai số thấp

Mỗi phương pháp dự báo đều có những ưu nhược điểm nhất định phụ thuộc vào từng dữ liệu thống kê Theo Robert et al., (1979) mô hình ARIMA rất phù hợp đối với những quan hệ tuyến tính giữa dữ liệu hiện tại và dữ liệu quá khứ Không chỉ vậy, Brockwell et al., (2001) còn cho rằng mô hình ARIMA sẽ

dự báo chính xác hơn khi số liệu được thống kê chi tiết theo từng tháng trong năm

Chính vì vậy, trong bài này em lựa chọn sử dụng mô hình ARIMA để dự báo chỉ số giá tiêu dùng (CPI) của Việt Nam trong giai đoạn từ tháng 10/2021 – 10/2022

2 Tiến hành dự báo

- Sử dụng phần mềm để tiến hành phân tích dữ liệu: SPSS 25

Bước 1: Kiểm định tính dừng của chuỗi thời gian

Nhập số liệu vào SPSS và đặt tên biến là CPI, ta chọn Analyze → Forecasting → Sequence Charts Ta có dữ liệu như sau:

Ta thu được

đồ thị:

Nhìn vào đồ thị ta thấy có chiều hướng tăng giảm xoay quanh trục cố định, vậy

có thể kết luận dãy số đã dừng Do đó có thể kết luận mô hình ARIMA mà ta xây dựng có d=0

Bước 2: Xác định hệ số p và q thông qua đồ thị ACF và PACF

Với sai phân bậc 0, tại giao diện chính của SPSS, ta chọn Analyze → Forecasting → Autocorrelations Ta có dữ liệu như sau:

Ta có kết quả như sau:

Từ đồ thị ACF, có cột 1 và cột 3 cao vượt quá giới hạn, vì vậy q=1 và q=3

Từ đồ thị PACF, có cột 1 và cột 2 cao quá giới hạn, vì vậy p= 1 và p=2.Ta xác định được các mô hình sau: ARIMA(1,0,1); ARIMA(1,0,3); ARIMA(2,0,1) ; ARIMA(2,0,3)

Bước 3: Thực hiện chạy các mô hình ARIMA đã xác định được trên phần mềm SPSS 25 để ước lượng, kiểm định và dự báo

Chọn mục Analyze / Forecast/ Creat Models Sau đó đưa biến CPI vào mục Dependent Variables.

- Ở thẻ Variables, trong khung Method chọn ARIMA để dự báo cho phương pháp này Trong mục Criteria chọn các giá trị p, d, q ở phần Nonseason (không

có yếu tố mùa vụ) đã xác lập để xem các mô hình dư báo Cứ mỗi mô hình thì điền p, d, q tương ứng vào rồi bấm Continute Sau đó bấm OK để chạy mô hình Phải tiến hành chạy tất cả các mô hình để có thể kiểm định được mô hình nào là phù hợp và chọn ra mô hình tốt nhất để có thể lựa chọn phục vụ công tác dự báo Mỗi mô hình chúng ta sẽ có được luôn kết quả dự báo cho các bước tiếp theo nhưng chỉ lấy kết quả dự báo của mô hình tốt nhất

- Trong thẻ Statistics chọn các mục như sau:

- Trong thẻ Plots chọn các mục như sau:

- Trong thẻ Options chọn 82 để dự báo cho 13 tháng tiếp theo từ 70 đến 82

Sau đó bấm OK Chạy lần lượt các mô hình ta được các kết quả được trình bày

ở dưới

Trong đó:

+ Tên mô hình được trình bày trong bảng Model Description.

+ Các chỉ tiêu thống kê như hệ số xác định của mô hình R2, hệ số xác định R2 điều chỉnh, các sai số dự báo như MSE, MAPE, MAE, BIC được trình bày trong bảng Model Fit

+ Các hệ số ước lượng của mô hình được trình bày trong bảng ARIMA Model Parameters

+ Giá trị dự báo chỉ số mùa vụ cho 13 tháng tiếp (từ quan sát 70 – 82) theo được

trình bày trong bảng Forecast.

+ Phần dư của mô hình được thể hiện bởi đồ thị Residual ACF và Residual PACF

+ Đồ thị của mô hình được vẽ cuối cùng sau đồ thị về phần dư

Mô hình ARIMA (1,0,1)

Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm trong giới hạn nên phần dư này là nhiễu trắng Do đó, mô hình này là phù hợp

Mô hình ARIMA (1,0,3)

Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm trong giới hạn nên phần dư này là nhiễu trắng Do đó, mô hình này là phù hợp

Mô hình ARIMA ( 2,0,1)

Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm trong giới hạn nên phần dư này là nhiễu trắng Do đó, mô hình này là phù hợp

Mô hình ARIMA ( 2,0,3)

Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm trong giới hạn nên phần dư này là nhiễu trắng Do đó, mô hình này là phù hợp

Bước 4: Lựa chọn mô hình phù hợp và đưa ra kết quả dự báo

ARIMA (1,0,1) Phần dư là nhiễu trắng 0,449 -1,416

ARIMA (1,0,3) Phần dư là nhiễu trắng 0,429 -1,385

ARIMA (2,0,1) Phần dư là nhiễu trắng 0,429 -1,449

ARIMA (2,0,3) Phần dư là nhiễu trắng 0,434 -1,303

Trong các mô hình bên trên, các mô hình ARIMA(1,0,1); ARIMA(1,0,3); ARIMA (2,0,1); ARIMA (2,0,3) đều phù hợp để thực hiện dự báo do có tất cả phần dư trên đồ thị ACF và PACF là nhiều trắng

Tuy nhiên mô hình ARIMA (2,0,1) là tốt nhất do có giá trị MSE và BIC nhỏ nhất

nên ta sẽ sử dụng kết quả dự báo của mô hình này

- Kết quả dự báo 13 tháng tiếp theo ứng với giá trị của các quan sát thứ 70 đến

82 trên bảng Forecast: