Professional Documents
Culture Documents
Khái niệm:
Cho chuỗi thời gian: Yt = {Y1, Y2, ..., YT}
Mô hình tự hồi qui là mô hình mà giá trị hiện tại của biến số, Yt, chỉ
phụ thuộc vào: (i) giá trị của chính nó ở những giai đoạn trước đó, Yt-
1, Yt-2…; và (ii) sai số, ut
Mô hình tự hồi qui bậc 1: AR(1)
Bậc của quá
với ut ~ iid (0, σ2) trình tự hồi
Mô hình tự hồi qui bậc p: AR(p) qui
Khái niệm:
Cách viết sử dụng ký hiệu tổng (sigma):
hàm đa thức
Hoặc: (polynomial
function) của Yt
Ứng dụng:
Mô hình AR được sử dụng khi hành vi theo thời gian của biến số chủ
yếu được quyết định bởi giá trị của chính nó ở những giai đoạn
trước đó.
Ví dụ: tăng trưởng, lạm phát
Hãy để việc
tính toán cho
các phần mềm
Lưu ý
Có nghiệm: z = 1, z = 2/3, z = 2
Kết luận: AR(3) không dừng vì có 2 nghiệm không nằm ngoài vòng
tròn đơn vị
Điều kiện dừng của mô hình AR(p)
Xét quá trình AR(1)
AR(1) dừng khi nghiệm của phương trình đặc trưng:
có giá trị tuyệt đối > 1.
Giả sử nghiệm là: |λ| > 1, khi đó:
=>
Khái quát hơn, điều kiện cần (nhưng chưa đủ) để mô hình AR(p)
dừng là tổng của các hệ số tự hồi qui phải nhỏ hơn 1:
MÔ HÌNH TRUNG BÌNH TRƯỢT
MOVING AVERAGE PROCESS (MA)
Khái niệm
Cho chuỗi thời gian {Y1, Y2, ..., YT} và ut là một quá trình nhiễu trắng.
Mô hình trung bình trượt bậc q, ký hiệu MA(q) của chuỗi có dạng
như sau:
Một quá trình ngẫu nhiên dừng bất kỳ có thể được phân tách
thành tổng của hai quá trình không liên quan: quá trình được xác
định (deterministic process) và quá trình ngẫu nhiên (stochastic
process).
Một quá trình AR(p) dừng với hằng số bằng 0 và không có số
hạng khác có thể được diễn đạt như một MA(∞)
Mô hình AR(p):
Có thể được viết lại là:
với:
Mô hình MA(q) có thể được viết lại như là mô hình AR (∞) có hệ
số giảm theo cấp số nhân
MÔ HÌNH ARMA
Khái niệm
Mô hình ARMA(p, q) được kết hợp từ mô hình AR(p) và MA(q).
Mô hình được viết như sau:
Mô hình ARMA chỉ có thể được ước lượng với các chuỗi dừng.
Phương pháp phổ biến để chuyển một chuỗi không dừng thành
chuỗi dừng là lấy sai phân (differencing).
Sai phân bậc 1 của chuỗi Yt
Nếu chuỗi sai phân bậc một dừng, chuỗi Yt lúc này còn được gọi
là chuỗi tích hợp bậc 1 (integrated to order one), ký hiệu I(1).
Nếu sau khi chuyển sai phân bậc 1 mà chuỗi chưa dừng, có thể
tiếp tục chuyển sai phân bậc 2 (ít gặp).
Một chuỗi thời gian được lấy sai phân d lần để có đặc điểm
dừng được gọi là chuỗi tích hợp bậc d, và ký hiệu I(d).
Ký hiệu I trong mô hình ARIMA phản ánh bậc dừng/ tích hợp của
quá trình ARMA đang xem xét.
Mô hình ARIMA tổng quát: ARIMA(p, d, q)
Ví dụ: ARIMA(2, 1, 3)
HÀM TỰ TƯƠNG QUAN RIÊNG PHẦN
PARTIAL CORRELATION FUNCTION, PACF
Tổng tham số
Kiểm định chẩn đoán: Quá phù hợp ước lượng
Cơ sở để lựa chọn : chuẩn thông tin (information criteria); và chỉ số sự
phù hợp của mô hình
Các chuẩn thông tin:
Akaike Information Criterion (AIC): Tổng số lượng
quan sát
Phương sai
phần dư
Hannan-Quinn Information Criterion, (HQIC)
Kiểm định chẩn đoán: Quá phù hợp
Các chuẩn thông tin:
Mô hình được lựa chọn là mô hình có chuẩn thông tin nhỏ nhất
Các chuẩn thông tin có thể cho kết quả khác nhau. Nên dựa vào chuẩn
thông tin nào?
Kiểm định chẩn đoán: Quá phù hợp
Dựa vào R2 và R2 hiệu chỉnh, phản ánh khả năng giải thích của mô hình.
Lựa chọn mô hình có R2 lớn nhất
Giữa chuẩn thông tin và R2 ưu tiên chuẩn thông tin
Kiểm định chẩn đoán: Chẩn đoán phần dư
Kiểm định hiện tượng tự tương quan của phần dư
Nếu phần dư có hiện tượng tự tương quan, mô hình được xác định ở
bước 1 chưa phù hợp để nắm bắt những đặc điểm của chuỗi dữ liệu
Thực hiện kiểm định tự tương quan:
Vẽ ACF, PACF của phần dư
Sử dụng kiểm định Ljung-Box để xác định ý nghĩa của các hệ số tự tương
quan hoặc tự tương quan riêng phần
Nếu các hệ số tự tương quan hoặc tự tương quan riêng phần = 0 hoặc
không có ý nghĩa thống kê, kết luận phần dư không có hiện tượng tự
tương quan; ngược lại, phần dư có hiện tượng tự tương quan.
THỰC HÀNH:
XÂY DỰNG MÔ HÌNH ARMA CHO LẠM PHÁT MỸ
THEO TIẾP CẬN BOX-JENKINS
Quá trình MA(q) có bộ nhớ phụ thuộc vào bâc của q, khoảng
cách có thể nhận thấy của dự báo bị giới hạn bởi q
MA(3), chỉ có thể dự báo tối đa 3-bước-trước, dự báo từ 4 bước
trước có giá trị bằng hằng số.
ft, s = E(Yt+s|t), s ≤ q
ft, s = µ, s > q
Quá trình AR(p) có bộ nhớ vô hạn, khoảng cách dự báo không bị
giới hạn
ft, s = E(Yt+s|t), với mọi s
Dự báo bằng mô hình ARMA bằng tổng dự báo của các thành
phần AR và MA của nó.
THỰC HÀNH 2:
DỰ BÁO LẠM PHÁT MỸ BẰNG MÔ HÌNH ARMA
Dynamic
forecast
THẢO LUẬN
§Đọc bài số 1 (Dự báo lạm phát quý I năm 2013 qua mô hình ARIMA
và trả lời các câu hỏi:
§Lý do nghiên cứu là gì?
§Mục tiêu nghiên cứu là gì?
§Phương pháp sử dụng trong nghiên cứu?
§Nghiên cứu có thực hiện đầy đủ các bước để ước lượng mô hình
ARIMA theo tiếp cận Box-Jenkins?
§Từng bước thực hiện có sai hay không?
BÀI TẬP