- NG D NG MÔ HÌNH ARIMA Đ D BÁO CH S GIÁ TIểU DỐNG Ở VI T NAM Huỳnh Tấn Nguyên Trường Đại học Công nghệ Đồng Nai Nguyễn Văn Lượng Trường Trung cấp Nghề số 9 Quảng Bình Tóm tắt. - Nghiên cứu này ứng dụng mô hình ARIMA trong dự báo chỉ số giá tiêu dùng CPI ở Việt Nam trong quý 2 năm 2016. - Kết quả cho thấy mô hình ARIMA(2,1,1) là thích hợp cho việc dự báo. - Kết quả dự báo CPI quý 2 năm 2016 lần lượt là . - Các nhà làm chính sách, các doanh nghiệp có thể sử dụng công cụ này cho công tác dự báo, hoạch định và lập kế hoạch. - ĐẶT V N ĐỀ Dự báo chỉ s giá tiêu dùng (CPI) là ho t động rất quan tr ng đ i với các chính phủ và các doanh nghi p trong vi c lập kế ho ch cho đơn v của mình. - Kết qu dự báo càng chính xác thì vi c ho ch đ nh chính sách càng kh thi. - Vài thập kỷ qua, có nhiều mô hình được sử dụng để dự báo CPI: 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(1)) để dự báo CPI của Mỹ [2], Al-Tamimi et al., (2011) đã sử dụng mô hình hồi quy bội để dự báo CPI của UEA giai đo n Hu et al., (2013) sử dụng thuật toán th ng kê để dự báo CPI [4], Bernardi et at., (2015) sử dụng phương pháp dự báo san hàm mũ Holt – Winter để dự báo CPI của Italia giai đo n . - Sự phát triển, c i thi n của các công cụ dự báo bằng toán h c như trên đã t o ra những kỹ thuật dự báo chính xác và sai s thấp. - Các phương pháp dự báo trên đều có những ưu và nhược điểm riêng phụ thuộc vào dữ li u th ng kê. - Nghiên cứu này ứng dụng mô hình ARIMA để dự báo chỉ s giá tiêu dùng của Vi t Nam trong quý 2 năm 2016. - CPI Vi t Nam giai đo n . - Mô hình ARIMA được kết hợp bởi 3 thành phần chính: AR (thành phần tự hồi quy), I (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt) [9]. - Theo Gujarati (2006) và R.Carter Hill et al., (2011) để sử dụng mô hình ARIMA trong dự báo chuỗi thời gian, cần tr i qua 4 bước như sau B ớc 1. - Nh n d ng mô hình Để sử dụng mô hình ARIMA(p,d,q) trong dự báo cần nhận d ng ba thành phần p,d và q của mô hình. - Thành phần d của mô hình được nhận d ng thông qua kiểm đ nh tính dừng của chuỗi thời gian. - Để kiểm đ nh tính dừng của chuỗi, chúng tôi sử dụng kiểm đ nh nghi m đơn v Dickey–Fuller c i biên (ADF) và kiểm đ nh Phillips-Perron [12]: ∆Yt = β0+ β1t + πYt−1 + (1) Kiểm đ nh gi thuyết sử dụng th ng kê student (ký hi u t) Sau khi kiểm đ nh tính dừng, ta sẽ xác đ nh bậc của quy trình tự hồi quy (AR) và quy trình trung bình trượt (MA) thông qua biểu đồ tự tương quan (ACF) và biểu đồ tự tương quan riêng phần (PACF). - Các d ng đồ th của mô hình ARIMA Lo i mô hình D ng đồ thị ACF D ng đồ thị PACF Gi m nhanh theo hàm mũ hoặc d ng AR(p) Có đỉnh ở tr thứ p hình sin, hoặc c hai MA(q) Có đỉnh sau tr q Gi m dần theo hàm mũ ARMA(p, q) Gi m nhanh theo hàm mũ Gi m nhanh theo hàm mũ (Nguồn: Gujarati et al., [10]) B ớc 2. - ớc l ng các tham s vƠ l a chọn mô hình Các tham s của mô hình sẽ được ước lượng bằng phần mềm Eview. - Quá trình lựa ch n mô hình là quá trình thực nghi m và so sánh các tiêu chí R2 hi u chỉnh, AIC và Schwarz cho đến khi ta ch n được mô hình t t nhất cho vi c dự báo. - Ki m định mô hình Để đ m b o mô hình là phù hợp, sai s của mô hình ph i là nhi u trắng. - Ta có thể sử dụng biểu đồ tự tương quan ACF hoặc kiểm đ nh Breusch-Godfrey kiểm tra tính tự tương quan của sai s . - Đ i với phương sai sai s thay đổi, ta có thể sử dụng kiểm đ nh White hoặc ARCH. - Bên c nh đó để đánh giá độ tin cậy của mô hình dự báo, nghiên cứu sử dụng chỉ s MAPE (Mean Absolute Percent Error). - Theo Lewis (1983) thì MAPE lớn hơn hoặc bằng 50% thì dự báo không chính xác, 20. - 50% là hợp l , 10%-20% là dự báo t t, dưới 10% là dự báo hoàn h o [13]. - Chỉ s MAPE được đ nh nghĩa như sau [14]: (5) trong đó xt, là giá tr thật và giá tr dự báo ở thời điểm t, n là tổng s dự báo. - D báo Sau khi kiểm đ nh sai s của các mô hình dự báo, nếu phù hợp sẽ được sử dụng vào vi c dự báo. - KẾT QU NGHIÊN C U 3.1. - Xơy d ng mô hình ARIMA Để xây dựng mô hình ARIMA, trước tiên ta ph i kiểm đ nh tính dừng của chuỗi CPI. - Kết qu kiểm đ nh Dickey-Fuller (ADF) và Phillips-Perron (PP) cho thấy giá tr /t-stat/ đều bé hơn giá tr tới h n. - Kiểm đ nh tính dừng chuỗi CPI Ki m định Giá trị t-sta Xác su t ADF PP Ghi chú: Các giá trị tới hạn ở mức ý nghĩa 1%, 5% và 10% tương ứng là B ng 3 cho thấy chuỗi CPI không dừng t i sai phân bậc 0 nên ph i lấy sai phân bậc 1 để kiểm đ nh tính dừng. - Kết qu kiểm đ nh ADF và PP được thể hi n ở B ng 4 và Hình 2. - Kiểm đ nh tính dừng chuỗi CPI sau khi lấy sai phân bậc 1 Ki m định Giá trị t sta Xác su t ADF PP Ghi chú: Các giá trị tới hạn ở mức ý nghĩa 1%, 5% và 10% tương ứng là CPI D(CPI Hình 2. - ớc l ng các tham s vƠ l a chọn mô hình Qua Hình 3 cho thấy: Để xác đ nh giá tr p, q của mô hình ARIMA cần ph i dựa vào biểu đồ ACF và PACF các h s tương quan khác 0 ở các độ tr 1, 2. - Để tìm ra mô hình dự báo phù hợp nhất ph i dùng phương pháp thực nghi m bằng cách so sánh các chỉ s R2 hi u chỉnh, AIC và Schwarz. - Kết qu so sánh cho thấy mô hình ARIMA(2,1,1) là mô hình phù hợp nhất đ i với bộ dữ li u đã cho. - B ng sau đây thể hi n kết qu hồi quy của mô hình đã được lựa ch n. - Kết qu hồi quy mô hình ARIMA(2,1,1) Dependent Variable: D(CPI) Method: Least Squares Sample (adjusted): 2010M04 2015M12 Included observations: 69 after adjustments Variable Coefficient Std. - Ki m định mô hình Để biết mô hình ARIMA(2,1,1) có vi ph m các gi đ nh của mô hình hồi quy không, cần thực hi n thêm một s kiểm đ nh. - Kiểm đ nh White cho thấy mô hình không có phương sai sai s thay đổi. - Kiểm đ nh Breusch-Godfrey cho thấy sai s không có tự tương quan, kiểm đ nh Jacque-Bera cho thấy sai s ngẫu nhiên có phân ph i chuẩn (Phụ lục). - Hơn nữa, vi c tính toán và so sánh chỉ s MAPE của 2 mô hình ARIMA(2,1,1) và ARIMA(1,1,1) đã cho thấy ARIMA(2,1,1) có độ chính xác cao hơn xét c về dữ li u tham kh o và dữ li u kiểm tra (B ng 6). - Tổng hợp các chỉ s đánh giá độ chính xác của mô hình dự báo. - Mô hình In-samples Đánh giá Out-of-sample Đánh giá ARIMA Hoàn h o 5.24 Hoàn h o ARIMA T t 11.07 T t (Nguồn: Tính toán của tác gi ) 3.4. - D báo Kết qu dự báo CPI từ mô hình ARIMA(2,1,1) như sau: B ng 7. - Kết qu dự báo CPI bằng mô hình ARIMA(2,1,1) Tháng Tháng 4/2016 Tháng 5/2016 Tháng 6/2016 CPI dự báo. - Nguồn: Tính toán của tác gi ) Kết qu dự báo ở B ng 7 cho thấy CPI tháng 6/2016 đ t có nghĩa là tăng 59.5234% so với năm làm g c 2009. - Như vậy, ứng dụng kết qu dự báo giúp các nhà ho ch đ nh chính sách có kế ho ch đ i phó với tình hình tăng giá hàng tiêu dùng trong tương lai, các nhà qu n lý doanh nghi p có thể sử dụng kết qu dự báo để lập kế ho ch kinh doanh, kế ho ch dự trữ hàng tồn kho đề phục vụ t t nhất nhu cầu của người tiêu dùng, đ i với nhà đầu tư khi xác đ nh được CPI có thể tính toán tỷ l sinh lời của dự án đầu tư một cách hợp lý,… 4. - KẾT LU N Nghiên cứu kh năng ứng dụng của mô hình ARIMA vào vi c dự báo CPI và mục đích tìm ra mô hình t t nhất cho vi c dự báo CPI t i Vi t Nam. - Kết qu nghiên cứu cho thấy, mô hình ARIMA(2,1,1) cho kết qu dự báo CPI t t và vi c ứng dụng mô hình ARIMA đã được thực hi n ở một s nghiên cứu trên thế giới. - Tuy nhiên, nghiên cứu này chưa so sánh kết qu dự báo với một s mô hình khác như: Mô hình dự báo Xám, mô hình chuỗi thời gian mờ. - [8] Tổng Cục Th ng kê Vi t Nam (2016