MÔ HÌNH ARIMA

I. Giới Thiệu Mô Hình ARIMA:
Như chúng ta đã biết, trong nghiên cứu định lượng, tồn tại 3 loại số liệu cơ bản là số liệu theo thời gian, số liệu chéo và số liệu hỗn hợp. Đối với các vấn đề kinh tế, loại số liệu chúng ta thường xuyên tiếp cận nhất có lẽ là số liệu theo thời gian, hay còn gọi là các chuỗi thời gian như chuỗi số liệu GDP, chỉ số VN-Index hay giá vàng theo thời gian…Tuy nhiên, chuỗi thời gian cũng gây ra không ít khó khăn cho các nhà nghiên cứu, bởi nhiều nghiên cứu đã cho thấy, trong nhiều trường hợp, các mô hình hồi quy cổ điển dường như không hiệu quả với loại dữ liệu này. Vậy, vấn đề đặt ra là làm thế nào chúng ta có thể nghiên cứu một chuỗi thời gian, rút ra những kết luận và sử dụng nó để dự báo một cách có hiệu quả? Để trả lời cho câu hỏi này có nhiều phương pháp khác nhau, tuy nhiên, có hai phương pháp được hầu hết các nhà nghiên cứu thừa nhận và sử dụng thường xuyên đó là hai mô hình: ARIMA và VAR. Mô hình Trung bình trượt, đồng liên kết, tự hồi quy ARIMA dựa trên triết lý “hãy để dữ liệu tự nói”, nó không sử dụng các biến ngoại sinh độc lập X 1, X2, X3.. để giải thích cho Y, mà nó sử dụng chính các giá trị trong quá khứ của Y để giải thích cho bản thân nó ở hiện tại. Nó cũng không giả định bất kỳ một mô hình cụ thể nào, mà việc xác định mô hình là dựa trên phân tích dữ liệu cụ thể từng trường hợp và cả một chút nghệ thuật của người sử dụng. Chính vì thế, ARIMA đôi khi còn được gọi là mô hình lý thuyết mới vì nó không dựa bất kỳ một lý thuyết kinh tế nào. Và cũng do đó, ARIMA có được tính linh hoạt và tiết kiệm hơn hẳn các phương pháp khác, đồng thời tính hiệu quả của ARIMA trong công tác dự báo cũng đã được thực tế chứng minh. Tất cả những điều ấy mang đến cho ARIMA một vị thế nhất định trong lĩnh vực nghiên cứu định lượng và ngày càng trở nên thông dụng hơn.

1

Y7)=Cov(Y10. Ví dụ Cov(Y2. Tính Dừng 1. 1. Cơ Sở Lý Thuyết 1.Y15)=Cov(Y30.Yt+6)… Quá trình ngẫu nhiên Yt được coi là không dừng nếu nó vi phạm ít nhất một trong ba điều kiện trên. Điển hình là hiện tượng hồi quy giả mạo: nếu mô hình tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc.Yt+5). ước lượng và dự báo không hiệu quả hay nói cách khác phương pháp OLS không áp dụng cho các chuỗi không dừng. phương sai không đổi và chúng không tương quan với nhau. Cụ thể.2 Hậu quả của Chuỗi không dừng. khi ước lượng mô hình ta có thể 2 . các giả thiết này bị vi phạm. Yt được gọi là dừng nếu:    Trung bình: E(Yt) = µ (∀t) Phương sai: Var(Yt)= E(Yt –µ)2 = σ2 (∀t) Đồng phương sai: Cov(Yt. có thể xem quá trình ngẫu nhiên là tổng thể và kết quả là một mẫu được của tổng thể đó.II. phương sai và hiệp phương sai tại cùng một độ trễ của nó không đổi theo thời gian.Yt+5) có thể khác Cov(Yt. Hay nói các khác.1 Khái niệm Dữ liệu của bất kỳ chuỗi thời gian nào đều có thể được coi là được tạo ra từ một quá trình ngẫu nhiên và một tập hợp dữ liệu cụ thể. Trong mô hình hồi quy cổ điển. Nhưng Cov(Yt. Một tính chất của quá trình ngẫu nhiên được các nhà phân tích về chuỗi thời gian đặc biệt quan tâm và xem xét kỹ lưỡng là Tính dừng. Một quá trình ngẫu nhiên Yt được coi là dừng nếu kỳ vọng.Y35)=…=Cov(Yt. các kiểm định t. có thể được coi là một kết quả (cá biệt) của quá trình ngẫu nhiên đó. ta giả định rằng sai số ngẫu nhiên có kỳ vọng bằng không.Yt+k) = E[(Yt – µ)(Yt+k – µ)]= γk (∀t) (1) (2) (3) Điều kiện thứ 3 có nghĩa là hiệp phương sai giữa Yt và Yt+k chỉ phụ thuộc vào độ trễ về thời gian (k) giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm t. Với dữ liệu là các chuỗi không dừng. F mất hiệu lực.

phần lớn các chuỗi thời gian đều là chuỗi không dừng. kết hợp với những hậu quả trình bày trên đây cho thấy tầm quan trọng của việc xác định một chuỗi thời gian có tính dừng hay không.3 Kiểm định tính dừng 1. Nhưng điều này có thể chỉ là giả mạo. Trong thực tế.1: Đồ thị VNIndex theo thời gian VNINDEX 700 600 500 400 300 200 50 100 150 200 250 300 350 400 450 500 Nhìn vào đồ thị của VNIndex theo thời gian ta thấy trung bình của nó có xu hướng tăng hoặc giảm theo từng thời kỳ. R 2 cao có thể là do hai biến này có cùng xu thế chứ không phải do chúng tương quan chặt chẽ với nhau.thu được các hệ số có ý nghĩa thống kê và hệ số xác định R 2 rất cao. có thể suy đoán rằng điều kiện một bị vi phạm và VNIndex là chuỗi không dừng. 1.3. Như vậy. Ta xét chuỗi chỉ số VNIndex từ ngày 2/1/2009 đến ngày 31/12/2010 có đồ thị theo thời gian như sau: Hình 1.1 Dựa trên đồ thị của chuỗi thời gian Một cách trực quan chuỗi Yt có tính dừng nếu như đồ thị Y=f(t) cho thấy trung bình và phương sai của quá trình Yt không đổi theo thời gian.3. 3 .

2. ký hiệu bằng ρk. ACF với độ trễ k. với những chuỗi thời gian có xu hướng không rõ ràng.3. ~ N(0.2 Dựa trên lược đồ tương quan 1. Bartlett đã chỉ ra rằng nếu một chuỗi là ngẫu nhiên và dừng.Phương pháp này cho ta cái nhìn trực quan. Tuy nhiên. được xác định như sau: Nếu vẽ đồ thị của ρk theo k. phương pháp này trở nên khó khăn và đôi khi không chính xác.3. với n khá lớn. là n-k-1 và của Đồ thị thể hiện ρk ở độ trễ k được gọi là lược đồ tương quan mẫu. đánh giá ban đầu về tính dừng của chuỗi thời gian. 1/n) (chuỗi dừng) Ta cần kiểm định giả thiết: H0: ρk = 0 H1: ρk ≠ 0 4 . trên thực tế chúng ta chưa có tổng thể mà chỉ có mẫu. 1. Tuy nhiên.1 Tự tương quan Một cách kiểm định đơn giản tính dừng là dùng hàm tự tương quan (ACF). thì các hệ số tự tương quan mẫu sẽ có phân phối xấp xỉ chuẩn với kỳ vọng toán bằng 0 và phương sai 1/n. Khi đó ta xây dựng hàm tự tương quan mẫu với: Trường hợp mẫu có khích thước nhỏ thì mẫu số của là n-1. ta được lược đồ tương quan tổng thể.

khoảng tin cậy ρk của VNIndex là ±1.96/ ±0. Như vậy. và cuối cùng là xác định độ trễ k) Có thể thấy toàn bộ ρk của ACF tại 30 độ trễ đều khác 0 có ý nghĩa thống kê. +0. ta bác bỏ H0 (với mức ý nghĩa 5%). xác định biểu đồ tự tương quan của chuỗi gốc hay chuỗi sai phân bậc một. Sử dụng phần mềm EViews ta có bảng kết quả hàm ACF và lược đồ tương quan của VNIndex với 20 độ trễ như sau: Bảng 1. Nếu 504 = ∈(-0.2: Lược đồ tương quan và các kết quả đi kèm của chuỗi VNIndex Khoảng tin cậy 95% (Vào View/Correlogram … . Một cách trực quan ta có thể nhận 5 . bậc hai. Zα/2/ n ) thì chấp nhận giả thiết H0 với mức ý nghĩa α. Giá trị của các chỉ số Z tra trong bảng đã được tính toán sẵn. nếu không thuộc khoảng này. Với độ tin cậy 95%.087.Nếu ∈(-Zα/2/ n . ngược lại.087) ta chấp nhận giả thiết H0. VNIndex là chuỗi không dừng.087.3.

1.3. tương đối đều dặn theo độ trễ thì chuỗi không dừng.2 Tự tương quan riêng Các hệ số tự tương quan ρk (k≥2) phản ánh mức độ kết hợp tuyến tính của Yt và Yt+k. Q ~ Bác bỏ H0 khi Q >  Một dạng khác của Q là thống kê Ljung-Box (LB): 6 . Do định giả thiết đối với ρkk tương tự như với ρk. Do đó để đo độ kết hợp riêng rẽ giữa Yt và Yt-k ta sử dụng hàm tương quan riêng PACF với hệ số tương quan riêng ρkk được ước lượng theo công thức đệ quy của Durbin: Nếu chuỗi dừng thì các có phân phối đó.1/n). nếu đồ thị có xu hướng giảm chậm. Ngược lại nếu đồ thị giảm nhanh. mức độ kết hợp giữa hai biến còn có thể do một số biến khác gây ra. m: độ dài của trễ. 1. chuẩn kiểm N(0.2. ngẫu nhiên.2.3.định dựa trên lược đồ tương quan. không theo xu hướng thì chuỗi dừng. Trong trường hợp này là ảnh hưởng từ các biên Y t-1…Yt-k+1. Tuy nhiên.3 Kiểm định đồng thời  Box – Pierce đã đưa ra kiểm định về sự đồng thời bằng không của các hệ số tương quan: H0: ρ1=ρ2=…=ρm=0 H1: tồn tại ít nhất một ρk=0 Giả thiết H0 được kiểm định bằng thống kê Với n: kích thức mẫu.

3 Kiểm định nghiệm đơn vị (Unit root test) 1. phương sai không đổi và hiệp phương sai bằng không gọi là nhiễu trắng.3. Nếu ρ=1 thì Yt là bước ngẫu nhiên và không dừng.3. 1. Trong trường hợp này ta sử dụng tiêu chuẩn kiểm định DF như sau: 7 . thì Yt được gọi là bước ngẫu nhiên. Bác bỏ H0 khi LB > Thống kê LB được xem là tốt hơn với các mẫu số nhỏ so với thống kê Q. Điều này chứng tỏ Yt là chuỗi không dừng 1. Ta có: Y1=Y0+U1 Y2=Y1+U2=Y0+U1+U2 Yt=Y0+U1+U2+…+Ut Do Y0 là hằng số.3.3. Do đó để kiểm định tính dừng của Yt ta kiểm định giả thiết: H0: ρ=1 (chuỗi không dừng) H1: ρ≠1 Ở đây ta không thể sử dụng kiểm định t vì Yt có thể là chuỗi không dừng.3 Kiểm định nghiệm đơn vị Dickey – Fuller Xét mô hình Yt = ρYt-1+Ut với Ut là nhiễu trắng.Với .3. tức có kỳ vọng bằng không. phương sai không đổ bằng σ 2 nên: Var(Yt)=tσ2 (thay đổi theo t). Với Eviews.2. các Ui độc lập với nhau.3.3.2 Bước ngẫu nhiên Nếu Yt = Yt-1+Ut với Ut là nhiễu trắng. ta dễ dàng có được các giá trị của LB với các độ trễ khác nhau (cột Q-Stat) và xác suất nhỏ nhất để giả thiết H0 bị bác bỏ (cột Prob).  Xem xét hình 1.1 Nhiễu trắng: Một Ut đáp ứng đầy đủ các giả thiết của mô hình hồi quy tuyến tính cổ điển.3. ta có thể kết luận tổng thể rằng VNIndex là chuỗi thời gian không có tính dừng 1.

Ta có các lựa chon tương ứng với các dạng phương trình ở mục Include in test equation:     Intercept: nếu dùng phương trình (2) Trend and intercept: nếu dùng phương trình (3) None: nếu dùng phương trình (1). sẽ xuất hiện hộp thoại Unit Root Test. ta cải biên mô hình (3) thành mô hình: (4) Tiêu chuẩn DF áp dụng cho mô hình (4) được gọi là tiêu chuẩn mở rộng Dickey – Fuller (ADF). Tiêu chuẩn DF cũng được áp dụng cho các mô hình sau: (1) (2) (3) Với giả thiết H0: γ=0 (chuỗi dừng).3. Để tiến hành kiểm định nghiệm đơn vị trên Eviews ta chọn View/Unit Root Test …. Kết quả kiểm định chuỗi VNIndex bằng Eviews cho ta kết quả sau: Hình 1. Nếu Ut tự tương quan.4: Kết quả kiểm định nghiệm đơn vị chuỗi VNIndex 8 .Phân phối theo quy luật DF Nếu ta bác bỏ giả thiết H0 và kết luận chuỗi dừng. Trend and intercept và xác định độ trễ ở lựa chọn Lag length: nếu dùng phương trình (4).

Trường hợp tổng quát. 1. III… Các nghiên cứu đã chứng minh luôn tồn tại một giá trị d xác định để sai phân cấp d của Y t là chuỗi dừng. ‫׀‬0. với mọi chuỗi thời gian nếu sai phân cấp I của Y t chưa dừng ta tiếp tục lấy sai phân cấp II.Ta có ‫׀‬1.1: Biểu đồ chuỗi sai phân cấp I của VNIndex theo thời gian DVNINDEX 30 20 10 0 -10 -20 -30 50 100 150 200 250 300 350 400 450 500 9 .4. Ta lấy sai phân cấp I của Yt: D(Yt)=Yt-Yt-1=Ut.86 = ‫ ׀‬nhỏ hơn tất cả các giá trị ‫׀‬0. Sai phân cấp d được lấy như sau:  Sai phân cấp I của Yt: D(Yt)=Yt-Yt-1  Sai phân cấp II: D(D(Yt))=D2(Yt)=(Yt-Yt-1)-(Yt-1-Yt-2) ….  Sai phân cấp d: D(Dd-1(Yt)) Lấy sai phân cấp I của VNIndex ta được đồ thị theo thời gian như sau: Hình 1.01 ‫׀‬.05 ‫ ׀‬và ‫׀‬0. ký hiêu là I(d).1‫ ׀‬nên ta chấp nhận giả thiết H0: ρ=1 tức VNIndex là chuỗi không dừng. Trong trường hợp này D(Yt) là chuỗi dừng vì Ut là nhiễu trắng.4 Biến đổi chuỗi không dừng thành chuỗi dừng Xét bước ngẫu nhiên: Yt=Yt-1+Ut với Ut là nhiễu trắng. Khi đó Yt được gọi là liên kết bậc d.

Như vậy.2: Lược đồ tương quan chuỗi sai phân cấp I của VNIndex Hầu hết các hệ số tương quan khác 0 không có ý nghĩa thống kê. Và kết quả kiểm định Nghiệm đơn vị: Hình 1.Lược đồ tương quan Hình 1. và thông thường chuỗi dừng ở sai phân cấp I hoặc cấp II.4.1: Kết quả kiểm định nghiệm đơn vị chuỗi sai phân của VNIndex Từ kết quả trên có thể kết luận sai phân bậc nhất của VNIndex là một chuỗi dừng. lược đồ tương quan giảm nhanh sau độ trễ thứ 2 và không có xu hướng nhất định. 10 .4. để biến một chuỗi dừng thành chuỗi dừng ta áp dụng phương pháp lấy sai phân.

Ký hiệu MA(q) 2. Nhưng trong thực tế. Vậy làm cách nào để ứng dụng các mô hình trên trong thực tế? Câu trả lời chính là dùng phương pháp lấy sai phân để biến đổi một chuỗi thời gian không dừng thành chuỗi dừng trước khi áp dụng mô hình ARMA.4 Quá trình Trung bình trượt. nó có thể tuân theo nhiều quá trình khác nhau: 2. Đồng liên kết. có nhiều khả năng Y có cả đặc điểm của AR và MA. cả ba mô hình trên đều đòi hỏi chuỗi thời gian phải có tính dừng.2 Quá trình Trung Bình Trượt (MA) Nếu một chuỗi thời gian tuân theo mô hình: Với Y là chuỗi dừng và Ut là nhiễu trắng. khi đó ta nói Y tuân theo quá trình Trung bình trượt kết hợp Tự hồi quy. Ký hiệu AR(p) 2.2. Trung Bình Trượt (MA) và Mô Hình ARIMA Nếu một chuỗi thời gian có tính dừng. Ký hiệu I(d). Quá Trình Tự Hồi Quy (AR).3 Quá trình Trung bình trượt kết hợp Tự hồi quy (ARMA) Tất nhiên.q) Một quá trình ARMA(p. ta nói chuỗi liên kết bậc d.1 Quá trình Tự Hồi Quy (AR) Nếu một chuỗi thời gian tuân theo mô hình: Với Y là chuỗi dừng và Ut là nhiễu trắng. Tự hồi quy (ARIMA) Một chuỗi thời gian có thể tuân theo nhiều mô hình khác nhau. tồn tại rất nhiều chuỗi thời gian không dừng. tuy nhiên.q) sẽ có p số hạng tự hồi quy và q số hạng trung bình trượt như sau: Yt = Φ + [α1Yt -1 +…+ αpYt -p] + [β 1Ut-1 +…+ β qUt-q ]+ Ut 2. ta nói Y tuân theo quá trình Trung bình trượt bậc q. Ký hiệu ARMA(p. 11 . Nếu một chuỗi thời gian dừng ở sai phân bậc d. Kế hợp với quá trình ARMA ta có được mô hình Trung bình trượt. ta nói Y tuân theo quá trình Tự hồi quy bậc p.

Đây chính là triết lý “hãy để dữ liệu tự nói” III. q)  d: Đơn giản là số lần lấy sai phân để chuỗi dừng. chuỗi dừng ở sai phân bậc I. d. chúng tôi xin phép thực hiện việc lấy ln này trước.q) với p số hạng tự hồi quy và q số hạng trung bình trượt. Tự hồi quy ARIMA(p. Với chuỗi dữ liệu VNIndex của chúng ta. nếu dừng ngay tại chuỗi gốc thì d=0. d. d. nhưng để tránh mất thời gian. Tuy nhiên. Đây là công việc của bước 3. 12 . ta có d=1. Phương trình tổng quát như sau: Dd(Yt ) = Φ + [α1 Dd(Yt -1) +…+ αp Dd(Yt -p)] + [β 1Ut-1 +…+ β qUt-q ]+ Ut Như vậy. q ta sẽ mô hình hóa được chuỗi. Phương Pháp Luận BOX-JENKINS (BJ) Một câu hỏi lớn đặt ra đối với mô hình ARIMA là làm thế nào xác định các giá trị p. Đồng thời ta dễ dàng nhận ra. như đã thấy ở trên.d. và cần lấy sai phân bậc d đề chuỗi dừng. q và xác định mô hình phù hợp? Box-Jenkins đã đưa ra phương pháp để xác định mô hình này qua các bước: NHẬN DẠNG ƯỚC LƯỢNG KIỂM TRA DỰ BÁO Bước 1: Nhận Dạng (xác định các giá tri p. qua quá trình thực nghiệm.Đồng liên kết. xác định được các giá trị p. mô hình ARIMA chỉ sử dụng các giá trị quá khứ của bản thân nó chứ hoàn toàn không sử dụng thêm một biến độc lập nào khác. chúng tôi nhận thấy nếu lấy ln chuỗi dữ liệu trước khi thực hiện các bước sau sẽ cho mô hình phù hợp hơn.

Trong trường hợp này là chuỗi sai phân bậc I của chuỗi log(vnindex) Để xác định p. trong khung Enter equation nhập logvnindex=log(vnindex).q là dựa trên Lược đồ tương quan và Tương quan riêng phần của chuỗi đã được biến đổi thành chuỗi dừng. BJ đưa ra phương pháp nhận dạng như sau: một chuỗi dừng tự tương quan bậc p nếu:  Các hệ số tự tương quan giảm từ từ theo dạng mũ hoặc hình sin  Các hệ số tương quan riêng phần giảm đột ngột xuống giá tri bằng 0 có nghĩa ngay sau độ trễ p Một số dạng hình học tiêu biểu của mô hình AR(1) như sau: 13 .Để tạo ra chuỗi ln của VNIndex. Kiểm định nghiệm đơn vị trên chuỗi này cũng cho ta d=1  p: Công cụ chủ yếu để xác định p. ta vào Genr.

trên đồ thị tương quan riêng phần.Mô hình AR(2): Ta quan sát đồ thị tự tương quan và tương quan riêng phần sai phân bậc I của chuỗi log(vnindex): Dễ thấy.4.2. tồn tại bốn hệ số khác 0 có nghĩa tại các độ trễ 1.10 các hệ số tương quan riêng phần giảm đội ngột về giá trị bằng 0 có nghĩa.4 và 10. trong đó sau độ trễ 2. Đồng thời 14 .

10) có chặn. Một chuỗi dừng trung bình trượt bậc q nếu:  Các hệ số tương quan riêng phần giảm từ từ theo dạng mũ hoặc hình sin  Các hệ số tự tương quan giảm đột ngột xuống giá tri bằng 0 có nghĩa ngay sau độ trễ q Quan sát đồ thị tự tương quan và tương quan riêng phần sai phân bậc I chuỗi log(VNIndex) ta nhận thấy q có thể mang một trong các giá tri: 1. p có thể mang 1 trong 3 giá trị: 2. nhưng cũng có trường hợp phải sử dụng các phương pháp ước lượng phi tuyến.đồ thị tự tương quan cũng giảm theo hình sin. Như vây. Giả sử ta ước lượng mô hình ARIMA(4. Trong Eviews ta thực hiện như sau: 15 . đôi khi ta có thể thực hiện bằng phương pháp bình phương tối thiểu. 5.1. 4 hoặc 10. Ngày nay.q) với:  p ∈ {2.4.10}  q ∈ {1. với sự trợ giúp của các phần mềm thống kê.5.13} Bước 2: Ước lượng Để ước lượng các hệ số của mô hình.  q: Tương tự như cách xác định p. tuy nhiên đổi vai trò giữa các hệ số tương quan và tương quan riêng phần. ta có thể dễ dàng thực hiện điều này.1.10. 10 hoặc 13  Như vậy ta có mô hình ARIMA(p.

92Ut-4 + 0. sau khi ước lượng xong mô hình ta thực hiện: 16 .01Zt -2 – 0.37Ut-1 +0.0009 – 0.26Ut-5 – 0.05Ut-10 + Ut Bước 3: Kiểm tra Để kiểm tra tính phù hợp của mô hình ta kiểm tra xem phần dư của mô hình có phải là nhiễu trắng hay không? Trong Eviews.Ta được kết quả: Với phương trình: Đặt Zt= D1(lnYt ) Zt = 0.81Zt -4 + 0.14Zt -1 – 0.

ta dựa trên các tiêu chuẩn: Log likelihood (càng lớn càng tốt). Schwarz (càng nhỏ càng tốt) hay so sánh với dữ liệu quá khứ để lựa chọn mô hình thích hợp nhất. Thông thường.10) dường như là phù hợp nhất. 17 . chúng tôi đã thực hiện kiểm tra. các hệ số tương quan và tương quan riêng phần đều bằng 0 có nghĩa. Đó là lý do tại sao phương pháp lập mô hình ARIMA của Box-Jenkins được xem là nghệ thuật nhiều hơn là khoa học. Như vậy. một chuỗi dữ liệu có thể phù hợp với nhiều mô hình ARIMA khác nhau. ngoại trừ độ trễ 3. so sánh nhiều mô hình và nhận thấy mô hình ARIMA(4. có thể nói phần dư của mô hình là nhiễu trắng và mô hình phù hợp. Tuy nhiên.1. Akaike. Nếu mô hình không phù hợp ta quay lại bước 1.Ta được kết quả: Có thể thấy. Với ví dụ của chúng ta. do đó chúng ta cần thử nhiều mô hình để chọn được mô hình phù hợp nhất. Cần phải có kỹ năng tốt để lựa chọn đúng mô hình ARIMA thích hợp nhất.

Bước 4: Dự báo Một trong số các lý do về tính phổ biến của phương pháp lập mô hình ARIMA là thành công của nó trong dự báo. Tất nhiên. đặc biệt là đối với dự báo ngắn hạn. Để dự báo trong Eviews trước tiên ta mở rộng dữ liệu: Nhập lượng dữ liệu cần thiết trong khung Data range. từng trường hợp phải được kiểm tra cụ thể. Tại cửa số Forecast của hàm cần dự báo. trong ví dụ này ta dự báo từ giá trị 505 đến 508: 18 . các dự báo thu được từ phương pháp này tin cậy hơn so với các dự báo từ phương pháp lập mô hình kinh tế lượng truyền thống. Trong nhiều trường hợp. ta chọn khoảng dự báo.

37% 0. trường Đại học Kinh Tế Tp HCM. mô hình ARIMA đã được sử dụng rộng rãi trên toàn thế giới.  Tài Liệu Tham Khảo  Hoàng Ngọc Nhậm và cộng sự.3 483.Mở chuỗi VNIndexF.25% 0. tuy nhiên.0 481. cần có sự xem xét cẩn thận trong từng trường hợp để đạt được kết quả tốt nhất.1 483.7 481.9 Dự báo 485. 19 .35% Với độ tin cậy 95% dự báo này là có thể chấp nhận đươc. NXB Khoa học và kỹ thuật. Giáo trình kinh tế lượng.3 481. 2008  Nguyễn Quang Dong. ta có kết quả dự báo tại 4 giá trị cuối cùng của chuỗi. Kinh tế lương – Chương trình nâng cao.14% 0.9 482. tiết kiệm và khả năng dự báo tốt.6 Sai số 0. chuỗi bài đọc Kinh tế lượng căn bản. 2002  Phạm Trí Cao. Với tính linh hoạt. Kinh tế lượng nâng cao  Chương trình giảng dạy Kinh tế Fulbright. từ 505 đến 508 So sánh với giá trị thực tế ta có chênh lệch: Ngày 1/4/2011 1/5/2011 1/6/2011 1/7/2011 Thực tế 486.

Sign up to vote on this title
UsefulNot useful