Professional Documents
Culture Documents
5 Chuong Ongnguyen
5 Chuong Ongnguyen
TÓM TẮT
Sự tác động của lạm phát có cả tích cực và tiêu cực theo những cách thức khác nhau tùy
thuộc vào cấu trúc của nền kinh tế, khả năng thích ứng với sự thay đổi liên tục của lạm phát
và mức độ tiên liệu một cách toàn diện về lạm phát. Vì vậy, dự báo lạm phát không chỉ có ý
nghĩa trong việc cung cấp các thông tin cho những nhà hoạch định chính sách mà còn đối với
cả các nhà kinh doanh trong việc điều chỉnh các chiến lược; Và tính ổn định kinh tế vĩ mô có
liên quan đến mức độ tương đồng hay khác biệt giữa các dự báo về lạm phát của các nhà
kinh doanh và của các nhà hoạch định chính sách. Mô hình ARIMA với phương pháp Box-
Jenkins được ứng dụng để dự báo lạm phát hàng tháng của Việt Nam với dữ liệu từ Tổng cục
Thống kê.
ABSTRACT
Inflation has positive and negative effects on economy in different ways. These effects depend
on the structure of economy, the adaptability and anticipation of inflation. Therefore,
forecasting inflation provides useful information for policy makers as well as businessmen; in
addition, macroeconomic stability is associated with the convergence or the divergence in
inflation, and expectations of businessmen and policy makers. The ARIMA models-The Box-
Jenkins approach are applied to forecast monthly inflation in Vietnam based on the data from
the General Statistics Office of Vietnam (GSO).
1. Giới thiệu
Nhiều nghiên cứu, đặc biệt là các nghiên cứu thực nghiệm cho thấy sự tác động của
lạm phát có cả tích cực và tiêu cực theo những cách thức khác nhau tùy thuộc vào cấu trúc
của nền kinh tế, khả năng thích ứng với sự thay đổi liên tục của lạm phát và mức độ tiên liệu
một cách toàn diện về lạm phát. Lạm phát cao có xu hướng làm thay đổi các cân bằng thực
của nền kinh tế làm chệch hướng các nguồn lực khi thực hiện các giao dịch; giảm tín hiệu
thông tin về giá tương đối vì vậy dẫn đến tình trạng phân bổ nguồn lực không hiệu quả. Khi
lạm phát tăng làm giá trị của tiền giảm khiến chức năng là đơn vị hạch toán của tiền thay đổi,
điều này làm cho việc hạch toán chi phí-lợi nhuận của doanh nghiệp trở nên khó khăn; tác hại
của lạm phát không dự kiến được gia tăng sự bất ổn định, dẫn đến tình trạng tái phân phối của
cải một cách tùy tiện (chẳng hạn, khi lạm phát cao hơn so với dự kiến người đi vay được lợi
và người cho vay bị thiệt).
Vì vậy, dự báo lạm phát không chỉ có ý nghĩa trong việc cung cấp các thông tin đối
với những nhà hoạch định chính sách kinh tế vĩ mô mà còn đối với cả các nhà kinh doanh
trong việc điều chỉnh các chiến lược kinh doanh.
Có nhiều phương pháp tiếp cận trong phân tích và dự báo lạm phát. Mục đích của bài
viết này nhằm ứng dụng mô hình ARIMA với phương pháp Box-Jenkins để dự báo lạm phát ở
Việt Nam.
George Box và Gwilym Jenkins (1976) đã nghiên cứu mô hình ARIMA
(Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình trượt), và tên
của họ thường được dùng để gọi tên các quá trình ARIMA tổng quát, áp dụng vào việc phân
tích và dự báo các chuỗi thời gian. Phương pháp Box-Jenkins với bốn bước lặp: nhận dạng
mô hình thử nghiệm; ước lượng; kiểm định bằng chẩn đoán; và dự báo.
Đối với dữ liệu tháng, nếu dịch chuyển đến “cùng tháng trong năm trước”, thì dùng
L , và ký hiệu là L12Yt = Yt-12.
12
Toán tử dịch chuyển lùi thuận tiện trong việc mô tả quá trình tính sai phân.
Sai phân bậc nhất: Yt = Yt - Yt - 1
Sử dụng toán tử dịch chuyển lùi, có thể viết lại như sau.
Yt = Yt - LYt = (1 - L)Yt
Lưu ý rằng sai phân bậc nhất được biểu diễn bởi (1 - L). Tương tự, nếu tính sai phân
bậc hai (nghĩa là, sai phân bậc nhất của sai phân bậc nhất), thì:
Sai phân bậc hai
2Yt Yt Yt 1 (1 2 L L2 )Yt (1 L) 2 Yt
Lưu ý sai phân bậc hai được ký hiệu là (1 - L)2. (Điều quan trọng là phải nhận thấy
được sai phân bậc hai không phải là sai phân thứ hai, được ký hiệu là 1 - L2. Tương tự, sai
phân thứ mười hai sẽ là 1 - L12, nhưng sai phân bậc mười hai sẽ là (1 - L)12)
Mục đích của việc lấy sai phân là để đạt được trạng thái dừng, và tổng quát nếu lấy sai
phân bậc thứ d sẽ đạt được dừng,
dYt = (1 - L)dYt là chuỗi dừng,
Phương pháp Box-Jenkins dựa vào:
1. Phân tích đồ thị
Vẽ đồ thị dữ liệu chuỗi thời gian, thông qua hình dạng của đồ thị thực nghiệm cung cấp
những gợi ý ban đầu về bản chất của chuỗi thời gian. Đồ thị cung cấp hình ảnh trực quan
cho phép chúng ta có thể đánh giá một chuỗi thời gian có dừng hay không.
2. Kiểm định bằng đồ thị tương quan thông qua hàm tự tương quan và hàm tự tương
quan từng phần.
( z t z )( z t k z ) n
rk =
t b
n (2.1) Trong đó
t b
zt
z
t b
( zt z) 2 n b 1
Bên cạnh hệ số tương quan rk, sai số chuẩn của rk gọi là srk và trị thống kê trk sẽ
được sử dụng để giúp chúng ta nhận dạng thử nghiệm một mô hình Box-Jenkins.
Sai số chuẩn của rk là
k 1
(1 2
j 1
r j2 )1 / 2
(2.2) ; Trị thống kê trk là t rk
rk
(2.3)
s rk 1/ 2
s rk
(n b 1)
Hàm tự tương quan của mẫu (SACF) là một hàm hay đồ thị của độ tự tương quan
của mẫu ở độ trễ k = 1, 2, . . .
SACF có thể được dùng để giúp chúng ta tìm ra một chuỗi thời gian dừng zb, zb+1,…,zn.
Việc này có thể được thực hiện vì chúng ta có thể liên kết động thái của SACF với sự dừng
của chuỗi thời gian. Tổng quát, với một chuỗi số liệu không có tính mùa có thể chỉ ra rằng:
1. Nếu SACF của chuỗi thời gian zb, zb+1,…, zn hoặc giảm thật nhanh hoặc giảm dần
khá nhanh thì giá trị của chuỗi thời gian được xem là dừng.
2. Nếu SACF của chuỗi thời gian zb, zb+1 ,…, zn giảm dần thật chậm thì chuỗi thời gian
được xem là không dừng.
Ý nghĩa chính xác của từ “khá nhanh” và “thật chậm” có phần tùy ý và tốt nhất được
xác định bằng kinh nghiệm. Hơn thế nữa, kinh nghiệm chỉ ra rằng với dữ liệu không với tính
mùa, việc SACF giảm khá nhanh, nếu có, thường xảy ra sau một độ trễ k bé hơn hay bằng 2.
Hàm tự tương quan từng phần của mẫu (Sample Partial Autocorrelation Function-
SPACF)
Chúng ta sẽ định nghĩa hàm tự tương quan từng phần của mẫu (SPACF).
1. Giá trị tương quan từng phần của mẫu tại độ trễ k là:
r1 khi k 1
k 1
rkk rk j1rk 1, j .rk j
(2.4)
k 1 khi k 2,3,
1 j1rk 1, j .rk j
Ở đây: rkj = rk-1,j - rkk .rk-1,k-j với j=1, 2, …, k-1
2. Sai số chuẩn của rkk là
srkk =1/(n-b+1)1/2 (2.5)
3. Trị thống kê trkk là
là trkk = rkk / srkk (2.6)
4. Hàm tự tương quan từng phần của mẫu (SPACF) là một danh sách hay đồ thị của
các trị số tự tương quan từng phần của mẫu ở các độ trễ k=1,2,…
Đại lượng này mô tả một cách trực giác các trị tự tương quan của mẫu đối với các giá
trị quan sát chuỗi thời gian ngăn cách bằng một độ trễ k lần đơn vị thời gian.
Một lần nữa, để áp dụng phương pháp luận Box-Jenkins, chúng ta phải thử và cố gắng
phân loại động thái của SPACF. Đầu tiên, SPACF của một chuỗi thời gian không có tính mùa
có thể giảm thật nhanh. Điều này có ý nghĩa gì, ta nói rằng một đỉnh nhọn ở độ trễ k tồn tại
trong SPACF nếu rkk, trị tự tương quan từng phần của mẫu ở độ trễ k, là lớn theo nghĩa thống
kê. Kết luận rằng rkk là lớn theo nghĩa thống kê một cách cơ bản tương đương với việc loại bỏ
giả thuyết không cho rằng trị tự tương quan từng phần lý thuyết ở độ trễ k, ký hiệu là kk ,
bằng không. (H0 : kk = 0). Ta có thể đánh giá một đỉnh nhọn ở độ trễ k tồn tại trong SPACF
hay không bằng cách xem trị thống kê t tương ứng với rkk. Ở đây ta xem một đỉnh nhọn ở độ
rkk
trễ k tồn tại trong SPACF nếu trị tuyệt đối của t k là lớn hơn 2. Hơn thế nữa, chúng ta
s rkk
nói rằng SPACF giảm thật nhanh sau độ trễ k nếu không có đỉnh nhọn nào ở các độ trễ lớn
hơn k trong SPACF . Với dữ liệu không có tính mùa, kinh nghiệm chỉ ra rằng nếu SPACF tắt,
một cách tổng quát nó sẽ giảm thật nhanh sau một độ trễ bé hơn hay bằng 2. Thứ hai, chúng ta
nói rằng SPACF giảm dần nếu hàm này không giảm thật nhanh nhưng giảm đi theo một “dạng
ổn định”. SPACF có thể giảm dần theo (1) một dạng hàm mũ tắt dần (không dao động hoặc có
dao động), (2) một dạng sóng hình sin tắt dần hoặc (3) một dạng bị trội bởi một trong hai
dạng trên hoặc một tổ hợp của chúng. Hơn nữa, SPACF có thể giảm dần khá nhanh hoặc giảm
dần thật chậm.
Quá trình nhận dạng của một mô hình ARIMA không có tính mùa hay có tính mùa
phụ thuộc vào những công cụ thống kê - đó là, hệ số tự tương quan, hệ số riêng phần, và đồ
thị tương quan; và hiểu biết về quá trình đang nghiên cứu cũng như đòi hỏi kinh nghiệm và
phán đoán tốt (Newbold and Bos, 1994).
Mô hình ARIMA mở rộng bao gồm các yếu tố thời vụ được ký hiệu tổng quát là:
Dữ liệu được sử dụng là Chỉ số giá tiêu dùng (CPI) hàng tháng theo phương pháp liên
hoàn từ tháng 1 năm 1996 đến tháng 12 năm 2006 của Tổng Cục Thống kê công bố.
Tỷ lệ lạm phát hàng tháng sẽ được xác định2:
CPI t CPI t 1
t 100 (2.7)
CPI t 1
2
Có nhiều cách để xác định tỷ lệ lạm phát dựa vào các phương pháp tính chỉ số giá khác nhau như Chỉ số giá
sản xuất (PPI), Chỉ số điều chỉnh GDP (GDP deflator), Chỉ số giá “dây chuyền” (chained price index; hoặc tỷ
lệ lạm phát cơ bản (core inflation)-loại trừ những loại hàng hoá và dịch vụ mà giá cả của chúng biến động theo
thời vụ hoặc thất thường.
Hình 2.1. Tỷ lệ lạm phát hàng tháng (%)
2.5
1.5
0.5
0
0 12 24 36 48 60 72 84 96 108 120 132
-0.5
-1
-1.5
Hình 2.2. Đồ thị tương quan của dữ liệu sau khi biến đổi sai phân
Dựa vào hình dạng của đồ thị thực nghiệm của dữ liệu gốc (Hình 2.1) và đồ thị tương quan
của dữ liệu sau khi biến đổi sai phân (Hình 2.2).
Các mô hình được nhận dạng như sau:
Mô hình ARIMA(0,1,1)(0,1,1)12 (Mô hình 1)
hoặc
(1 - L)(1 - L12)Yt = (1 - 1L)(1 - 1L12)ut
Sai phân bậc nhất Sai phân bậc nhất MA(1) không MA(1) có
không có tính mùa có tính mùa có tính mùa tính mùa
Bảng 2.1. Kết quả các tham số của các mô hình được ước lượng4
Bảng 2.3. Kết quả dự báo lạm phát hàng tháng từ tháng 1 đến tháng 12 năm 2007
Tháng Tháng Tháng Tháng Tháng Tháng Tháng Tháng Tháng Tháng Tháng Tháng
1 2 3 4 5 6 7 8 9 10 11 12
0.79 1.46 -1.06 -0.10 0.60 0.44 0.20 0.31 0.34 0.48 0.89 0.76