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 X1, 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

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. phương sai không đổi và chúng không tương quan với nhau.Yt+6)… Quá trình ngẫu nhiên Yt được coi là không dừng nếu nó vi phạm ít nhất một trong ba điều kiện trên. ước lượng và dự báo không hiệu quả hay nói cách khác phương pháp OLS không áp dụng cho các chuỗi không dừng. các giả thiết này bị vi phạm. Ví dụ Cov(Y2. Cụ thể.Y15)=Cov(Y30. Hay nói các khác. Một quá trình ngẫu nhiên Yt được coi là dừng nếu kỳ vọng. ta giả định rằng sai số ngẫu nhiên có kỳ vọng bằng không.Yt+5). Trong mô hình hồi quy cổ điển. có thể xem quá trình ngẫu nhiên là tổng thể và kết quả là một mẫu được của tổng thể đó.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. phương sai và hiệp phương sai tại cùng một độ trễ của nó không đổi theo thời gian. Với dữ liệu là các chuỗi không dừng. Nhưng Cov(Yt.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.Yt+5) có thể khác Cov(Yt. Tính Dừng 1. F mất hiệu lực.2 Hậu quả của Chuỗi không dừng. 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. các kiểm định t.Y7)=Cov(Y10.Y35)=…=Cov(Yt. có thể được coi là một kết quả (cá biệt) của quá trình ngẫu nhiên đó. 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. 1. Cơ Sở Lý Thuyết 1.II. khi ước lượng mô hình ta có thể 2 .

3 Kiểm định tính dừng 1. 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 1.3. 1. Nhưng điều này có thể chỉ là giả mạo.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. 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.3. có thể suy đoán rằng điều kiện một bị vi phạm và VNIndex là chuỗi không dừng. 3 . Trong thực tế.thu được các hệ số có ý nghĩa thống kê và hệ số xác định R 2 rất cao. 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. phần lớn các chuỗi thời gian đều là chuỗi không dừng.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. Như vậy.

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

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. Một cách trực quan ta có thể nhận 5 .2: Lược đồ tương quan và các kết quả đi kèm của chuỗi VNIndex Khoảng tin cậy 95% (Vào View/Correlogram … . +0. VNIndex là chuỗi không dừng. bậc hai. Zα /2/ n ) thì chấp nhận giả thiết H0 với mức ý nghĩa α . 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.Nếu ∈(-Zα /2/ n .087. nếu không thuộc khoảng này.087) ta chấp nhận giả thiết H0.96/ ± 0.087.3. Giá trị của các chỉ số Z tra trong bảng đã được tính toán sẵn. Như vậy. khoảng tin cậy ρk của VNIndex là ± 1. xác định biểu đồ tự tương quan của chuỗi gốc hay chuỗi sai phân bậc một. Với độ tin cậy 95%. ngược lại. Nếu 504 = ∈(-0. ta bác bỏ H0 (với mức ý nghĩa 5%).

3. 1.2 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. nếu đồ thị có xu hướng giảm chậm. Do định giả thiết đối với ρkk tương tự như với ρk. Q ~ Bác bỏ H0 khi Q >  Một dạng khác của Q là thống kê Ljung-Box (LB): 6 . Tuy nhiên.2. Ngược lại nếu đồ thị giảm nhanh. tương đối đều dặn theo độ trễ thì chuỗi không dừng. 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). 1.2.3. m: độ dài của trễ.định dựa trên lược đồ tương quan. không theo xu hướng thì chuỗi dừng. chuẩn kiểm N(0.3 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. mức độ kết hợp giữa hai biến còn có thể do một số biến khác gây ra. Trong trường hợp này là ảnh hưởng từ các biên Y t-1…Yt-k+1. ngẫu nhiên.

3.3. thì Yt được gọi là bước ngẫu nhiên.3. ta có thể kết luận tổng thể rằng VNIndex là chuỗi thời gian không có tính dừng 1.Với . Trong trường hợp này ta sử dụng tiêu chuẩn kiểm định DF như sau: (chuỗi không dừng) 7 .1 Nhiễu trắng: Một Ut đáp ứng đầy đủ các giả thiết của mô hình hồi quy tuyến tính cổ điển. Điều này chứng tỏ Yt là chuỗi không dừng 1.2. tức có kỳ vọng bằng không. Do đó để kiểm định tính dừng của Yt ta kiểm định giả thiết: H0: ρ=1 H1: ρ≠1 Ở đây ta không thể sử dụng kiểm định t vì Yt có thể là chuỗi không dừng. 1. Với Eviews. phương sai không đổi và hiệp phương sai bằng không gọi là nhiễu trắng. Ta có: Y1=Y0+U1 Y2=Y1+U2=Y0+U1+U2 Yt=Y0+U1+U2+…+Ut Do Y0 là hằng số.3. Bác bỏ H0 khi LB > Thống kê LB được xem là tốt hơn với các mẫu số nhỏ so với thống kê Q.3.3.2 Bước ngẫu nhiên Nếu Yt = Yt-1+Ut với Ut là nhiễu trắng.3.3 Kiểm định nghiệm đơn vị Dickey – Fuller Xét mô hình Yt = ρYt-1+Ut với Ut là nhiễu trắng. phương sai không đổ bằng σ2 nên: Var(Yt)=tσ2 (thay đổi theo t). 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).3.3 Kiểm định nghiệm đơn vị (Unit root test) 1.  Xem xét hình 1. Nếu ρ=1 thì Yt là bước ngẫu nhiên và không dừng. các Ui độc lập với nhau.

4: Kết quả kiểm định nghiệm đơn vị chuỗi VNIndex 8 . Kết quả kiểm định chuỗi VNIndex bằng Eviews cho ta kết quả sau: Hình 1. Nếu Ut tự tương quan. sẽ xuất hiện hộp thoại Unit Root Test. Trend and intercept và xác định độ trễ ở lựa chọn Lag length: nếu dùng phương trình (4).Phân phối theo quy luật DF Nếu ta bác bỏ giả thiết H0 và kết luận chuỗi dừng. 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 …. 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). 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).

86 = ‫ ׀‬nhỏ hơn tất cả các giá trị ‫׀‬0. Khi đó Yt được gọi là liên kết bậc d.01 ‫׀ . Ta lấy sai phân cấp I của Yt: D(Yt)=Yt-Yt-1=Ut. ký hiêu là I(d).Ta có ‫׀‬1. 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) ….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 . 1.4 Biến đổi chuỗi không dừng thành chuỗi dừng Xét bước ngẫu nhiên: Yt=Yt-1+Ut với Ut là nhiễu trắng.  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 1.4. với mọi chuỗi thời gian nếu sai phân cấp I của Yt chưa dừng ta tiếp tục lấy sai phân cấp II. III… Các nghiên cứu đã chứng minh luôn tồn tại một giá trị d xác định để sai phân cấp d của Yt là chuỗi dừng.׀‬0. Trong trường hợp này D(Yt) là chuỗi dừng vì Ut là nhiễu trắng.1‫ ׀‬nên ta chấp nhận giả thiết H0: ρ=1 tức VNIndex là chuỗi không dừng.05 ‫ ׀‬và ‫׀‬0. Trường hợp tổng quát.

lược đồ tương quan giảm nhanh sau độ trễ thứ 2 và không có xu hướng nhất định. để biến một chuỗi dừng thành chuỗi dừng ta áp dụng phương pháp lấy sai phân.4. và thông thường chuỗi dừng ở sai phân cấp I hoặc cấp II.4.2: 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. Như vậy.Lược đồ tương quan Hình 1.1: 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. 10 .

Đồng liên kết. Ký hiệu I(d). ta nói Y tuân theo quá trình Trung bình trượt bậc q.3 Quá trình Trung bình trượt kết hợp Tự hồi quy (ARMA) Tất nhiên. 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. ta nói chuỗi liên kết bậc d.2. Tự hồi quy (ARIMA) Một chuỗi thời gian có thể tuân theo nhiều mô hình khác nhau.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. ta nói Y tuân theo quá trình Tự hồi quy bậc p. Trung Bình Trượt (MA) và Mô Hình ARIMA Nếu một chuỗi thời gian có tính dừng. 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. tuy nhiên.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.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. có nhiều khả năng Y có cả đặc điểm của AR và MA. Ký hiệu ARMA(p. khi đó ta nói Y tuân theo quá trình Trung bình trượt kết hợp Tự hồi quy. cả ba mô hình trên đều đòi hỏi chuỗi thời gian phải có tính dừng.4 Quá trình Trung bình trượt.q) Một quá trình ARMA(p. nó có thể tuân theo nhiều quá trình khác nhau: 2. Ký hiệu AR(p) 2. Nhưng trong thực tế. 11 . tồn tại rất nhiều chuỗi thời gian không dừng. Ký hiệu MA(q) 2. Quá Trình Tự Hồi Quy (AR).

d. Đồng thời ta dễ dàng nhận ra. ta có d=1. Tự hồi quy ARIMA(p. 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. Đây là công việc của bước 3. q)  d: Đơn giản là số lần lấy sai phân để chuỗi dừng. nếu dừng ngay tại chuỗi gốc thì d=0.q) với p số hạng tự hồi quy và q số hạng trung bình trượt. nhưng để tránh mất thời gian. Tuy nhiên.d. 12 . 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. Đây chính là triết lý “hãy để dữ liệu tự nói” III. chúng tôi nhận thấy nếu lấy ln chuỗi dữ liệu trước khi thực hiện các bước sau sẽ cho mô hình phù hợp hơn. như đã thấy ở trên.Đồng liên kết. chúng tôi xin phép thực hiện việc lấy ln này trước. q ta sẽ mô hình hóa được chuỗi. qua quá trình thực nghiệm. Với chuỗi dữ liệu VNIndex của chúng ta. xác định được các giá trị p. d. chuỗi dừng ở sai phân bậc I. 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. d. 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.

q là dựa trên Lược đồ tương quan và Tương quan riêng phần của chuỗi đã được biến đổi thành chuỗi dừng. Trong trường hợp này là chuỗi sai phân bậc I của chuỗi log(vnindex) Để xác định p. ta vào Genr. Kiểm định nghiệm đơn vị trên chuỗi này cũng cho ta d=1  p: Công cụ chủ yếu để xác định p. 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. trong khung Enter equation nhập logvnindex=log(vnindex).

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 và 10. Đồng thời 14 . trên đồ thị tương quan riêng phần.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. trong đó sau độ trễ 2.4.

13} Bước 2: Ước lượng Để ước lượng các hệ số của mô hình.4. đôi khi ta có thể thực hiện bằng phương pháp bình phương tối thiểu. 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: 1.10) có chặn. Như vây. tuy nhiên đổi vai trò giữa các hệ số tương quan và tương quan riêng phần.5. nhưng cũng có trường hợp phải sử dụng các phương pháp ước lượng phi tuyến. p có thể mang 1 trong 3 giá trị: 2. ta có thể dễ dàng thực hiện điều này. 10 hoặc 13  Như vậy ta có mô hình ARIMA(p. Ngày nay.10.q) với:   p ∈ {2. với sự trợ giúp của các phần mềm thống kê.  q: Tương tự như cách xác định p. 4 hoặc 10.1.10} q ∈ {1. 5. Trong Eviews ta thực hiện như sau: 15 .đồ thị tự tương quan cũng giảm theo hình sin. Giả sử ta ước lượng mô hình ARIMA(4.1.

0009 – 0.37Ut-1 +0.26Ut-5 – 0.01Zt -2 – 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.81Zt -4 + 0.14Zt -1 – 0.Ta được kết quả: Với phương trình: Đặt Zt= D1(lnYt ) Zt = 0.92Ut-4 + 0. sau khi ước lượng xong mô hình ta thực hiện: 16 .

Ta được kết quả: Có thể thấy. Nếu mô hình không phù hợp ta quay lại bước 1. chúng tôi đã thực hiện kiểm tra. Schwarz (càng nhỏ càng tốt) hay so sánh với dữ liệu quá khứ để lựa chọn mô hình thích hợp nhất. Akaike. Thông thường. Với ví dụ của chúng ta. Tuy nhiên. có thể nói phần dư của mô hình là nhiễu trắng và mô hình phù hợp. các hệ số tương quan và tương quan riêng phần đều bằng 0 có nghĩa. ta dựa trên các tiêu chuẩn: Log likelihood (càng lớn càng tốt). một chuỗi dữ liệu có thể phù hợp với nhiều mô hình ARIMA khác nhau. 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. 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. 17 .10) dường như là phù hợp nhất. ngoại trừ độ trễ 3.1. so sánh nhiều mô hình và nhận thấy mô hình ARIMA(4.

từng trường hợp phải được kiểm tra cụ thể. Tất nhiên. Tại cửa số Forecast của hàm cần dự báo. 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.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. 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.

9 Dự báo 485.14% 0. cần có sự xem xét cẩn thận trong từng trường hợp để đạt được kết quả tốt nhất.25% 0. chuỗi bài đọc Kinh tế lượng Kinh Tế Tp HCM. trường Đại học Nguyễn Quang Dong. Kinh tế lượng nâng cao Chương trình giảng dạy Kinh tế Fulbright. ta có kết quả dự báo tại 4 giá trị cuối cùng của chuỗi. 2008  Khoa học và kỹ thuật.3 483. Kinh tế lương – Chương trình nâng cao. 19 . Giáo trình kinh tế lượng. Với tính linh hoạt.3 481.37% 0.0 481.  Tài Liệu Tham Khảo  Hoàng Ngọc Nhậm và cộng sự.1 483. 2002   căn bản. mô hình ARIMA đã được sử dụng rộng rãi trên toàn thế giới.9 482.Mở chuỗi VNIndexF.35% Với độ tin cậy 95% dự báo này là có thể chấp nhận đươc. 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 486.7 481.6 Sai số 0. tuy nhiên. tiết kiệm và khả năng dự báo tốt. NXB Phạm Trí Cao.

Sign up to vote on this title
UsefulNot useful