MÔ HÌNH CHUỖI THỜI GIAN ĐƠN BIẾN

UNIVARIATE TIME SERIES MODELS

TÀI LIỆU ĐỌC
§Phạm Thị Tuyết Trinh và ctg (2016), chương 2
§Brooks (2014), chương 5
§Enders (2010), chương 2
§Asteriou và Hall (2011), chương 13
MỤC TIÊU
§Giải thích đặc điểm và hiểu được ứng dụng của các dạng quá trình
chuỗi thời gian đơn biến
§Xác định mô hình chuỗi thời gian phù hợp của một chuỗi dữ liệu thời
gian
§Hiểu được tiếp cận Box-Jenkins trong việc lựa chọn mô hình chuỗi
thời gian đơn biến
§Hiểu được ý nghĩa của dự báo và các phương pháp dự báo cơ bản
§Biết cách ước lượng và dự báo bằng mô hình ARIMA(p, d, q) bằng
phần mềm EViews
§Biết cách đánh giá tính chính xác của dự báo
NỘI DUNG
§Mô hình tự hồi qui (AR)
§Mô hình trung bình trượt (MA)
§Mô hình ARMA
§Quá trình tích hợp và mô hình ARIMA
§Hàm tự tương quan riêng phần (PACF)
§Xây dựng mô hình ARIMA theo tiếp cận Box-Jenkins
§Thực hành: Xây dựng mô hình ARMA cho lạm phát Mỹ theo tiếp cận Box-
Jenkins
§Dự báo bằng mô hình ARMA
§Thực hành: Dự báo lạm phát Mỹ bằng mô hình ARMA
§Thảo luận
§Bài tập
 ARIMA

Autoregression Integrated Moving average

Tự hồi qui Tích hợp Trung bình trượt
MÔ HÌNH TỰ HỒI QUI
AUTOREGRESSIVE MODEL (AR)

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):

­ Cách viết sử dụng toán tử trễ:

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

Đặc điểm mô hình AR:

­ Để đơn giản, xét mô hình AR(1):
­ Trung bình:

­ Phương sai, với μ = 0:

­ Tự hiệp phương sai, với μ = 0:

 Hãy để việc
tính toán cho
các phần mềm

Đặc điểm mô hình AR

­ Tự tương quan:

Lưu ý

­ Do , ACF của quá trình AR(1) hội tụ về 0 theo cấp

số nhân.
­ hội tụ (convergent) về 0 bên phần dương
­ hội tụ về 0 theo hình sine xung quanh giá trị 0
Đổi các dấu nguoợc lại
ACF của mô hình AR
Độ cao của thanh =
Giá trị hệ số tự
tương quan
ACF của mô hình AR
Điều kiện dừng của mô hình AR(p)
­ Tính dừng là một thuộc tính quan trọng đối với dự báo bằng
mô hình AR
­ Nếu mô hình AR dừng, các giá trị trong quá khứ sẽ có tác
động giảm dần lên giá trị hiện tại của Yt theo thời gian;
­ Nếu mô hình AR không dừng, không thể dự báo giá trị
tương lai của Yt dựa vào các giá trị trong quá khứ.
­ Tại sao?
Điều kiện dừng của mô hình AR(p)
­ Cho mô hình AR(p):
­ Mô hình AR(p) dừng khi: số tuyệt đối của tất cả nghiệm của phương
trình đặc trưng (characteristic equation) phải lớn hơn 1 (>1).

Hay: Phương trình

với z là biến số thực đặc trưng là gi?
­ Điều kiện này còn được phát biểu: các nghiệm của phương trình đặc
trưng phải nằm ngoài vòng tròn đơn vị (unit circle).
­ Hay: nghịch đảo nghiệm đăc trưng nằm trong vòng tròn đơn vị
 Hãy để việc tính
toán cho các
phần mềm

Điều kiện dừng của mô hình AR(p)

­ Ví dụ: cho phương trình AR(3)

­ Viết lại phương trình dưới dạng toán tử trễ:

­ Phương trình đặc trưng:

­ 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:

­ Viết dưới dạng ký hiệu tổng: hàm đa thức

(polynomial
function) của ut
­ Viết dưới dạng toán tử trễ:
Ứng dụng
­ Mô hình MA được sử dụng khi Yt phụ thuộc chủ yếu vào sai số ở
hiện tại và trước đó.
 Hãy để việc tính
toán cho các
phần mềm

Đặc điểm của mô hình MA(q)

­ Trung bình: E(Yt) = μ, nếu μ = 0, E(Yt) = 0
­ Phương sai phụ thuộc hệ số ước lượng θi:

­ Tự hiệp phương sai:

­ γs ≠ 0 với s ≤ q
­ γs = 0 với s > q
­ Tự tương quan:
­ τs ≠ 0 với s ≤ q
­ τs = 0 với s > q
ACF của mô hình MA
ACF của mô hình MA
Tính khả nghịch của mô hình MA
­ Chuỗi thời gian Yt là khả nghịch (invertible) nếu nó thể được trình
bày bởi một MA có bậc xác định hoặc một quá trình tự hồi qui hội tụ
­ Mô hình MA(q) khả nghịch khi nghiệm của phương trình đặc trưng:
θ(z) = 0 có giá trị tuyệt đối lớn hơn 1.
ĐỊNH LÝ PHÂN TÁCH WOLD
WOLD’S DECOMPOSITION THEOREM

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:

­ Viết dưới dạng toán tử trễ:

trong đó:
Đặc điểm:
Mô hình ARMA có cả đặc điểm dừng của AR và đặc điểm khả
nghịch của MA
ACF của mô hình ARMA
QUÁ TRÌNH TÍCH HỢP VÀ MÔ HÌNH ARIMA

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

Hệ số tự tương quan riêng phần tại bậc trễ k, ký hiệu !kk,

Đo lường tương quan giữa quan sát cách đó k thời điểm và thời
điểm hiện tại (t), sau khi đã loại trừ tác động của các bậc trễ
trung gian giữa k và t (các bậc trễ < k)
Ví dụ: !33 sẽ cho biết tương quan giữa Yt và Yt-3 sau khi đã loại
trừ tác động của Yt-1 và Yt-2.
PACF là biểu đồ có được khi vẽ các !kk lần lượt tại k = 1, 2, 3…
PACF của mô hình AR và MA
­ Tồn tại tương quan trực tiếp giữa Yt và Yt-s (s ≤ p), nên !ss ≠ 0 với s ≤
p;
­ Không tồn tại tương quan trực tiếp giữa Yt và Yt-s (s > p), nên !ss = 0
với s > p;
­ PACF của mô hình AR(p) giống ACF của mô hình MA(q) với p=q;
­ PACF của mô hình MA(q) giống ACF của mô hình AR(p) với p=q.
PACF của mô hình ARMA
XÂY DỰNG MÔ HÌNH ARIMA
THEO TIẾP CẬN BOX-JENKINS

Tiếp cận Box-Jenkins bao gồm 3 bước:

­ Nhận dạng (identification)
­ Ước lượng (estimation)
­ Kiểm định chẩn đoán (diagnostic test)
Nhận dạng: xác định loại mô hình chuỗi thời gian (AR, MA hay
ARMA) và bậc của mô hình. Gồm các bước:
­ Xác định tính dừng của chuỗi (bằng ACF)
­ Vẽ và so sánh hình dạng ACF và PACF của chuỗi dừng để xác định
bậc p, q của các quá trình ARMA được khuyến nghị theo lý thuyết.
­ Có thể xác định nhiều mô hình ARMA(p, q) khác nhau.
 Ước lượng:
§ Ước lượng những mô hình được khuyến nghị ở bước trên
§ Phương pháp ước lượng: OLS hoặc các phương pháp khác (chẳng hạn
maximum likelihood)
Kiểm định chẩn đoán: xác định sự phù hợp của mô hình được
khuyến nghị và ước lượng ở hai bước trên
§Kiểm định quá phù hợp (overfitting)
§Chẩn đoán phần dư (residual diagnostic)
Kiểm định chẩn đoán: Quá phù hợp
­ Quá phù hợp: Chỉ một mô hình lớn hơn yêu cầu được cố làm cho
phù hợp để nắm bắt sự vận động của chuỗi dữ liệu.
­ Kiểm định quá phù hợp còn được hiểu là lựa chọn mô hình trong số
những mô hình ước lượng ở bước 2.
­ Nguyên tắc lựa chọn: sự tiết kiệm (parsimony)
­ Mô hình tiết kiệm (parsimonious model) là mô hình mô tả được đầy đủ
đặc điểm và sự vận động của chuỗi dữ liệu bằng số lượng tham số ít nhất
 Hãy để việc tính
toán cho các
phần mềm

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

­ Schwarzs Bayesian Information Criterion (SBIC)

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

Mục đích: xây dựng mô hình ARMA cho lạm phát Mỹ

File: cpius.xls
§Nhập dữ liệu vào Eviews
§Tính lạm phát hàng tháng của Mỹ, đặt tên infus, vẽ đồ thị
§Loại bỏ yếu tố mùa bằng CensusX12 (chọn additive), đặt tên
infus_sa, vẽ đồ thị
§Kiểm định tính dừng của chuỗi infus_sa bằng ACF
Bước 1: Nhận dạng mô
hình
­ Infus_sa dừng tại bậc gốc
­ Nhận dạng mô hình dựa
vào ACF và PACF
­ Lưu ý: đừng bỏ qua bất cứ
nghi ngờ nào để xem xét
mô hình; đừng lo lắng quá
nhiều mô hình à tăng khả
năng lựa chọn được mô
hình tốt nhất.
 Dạng mô hình
MA (1) (12) (13) MA(13), các hệ số bậc 2à11 đều = 0
AR (1) (2) (12) AR(12), các hệ số bậc 3à11 đều = 0
ARMA (1, 1)
ARMA (1, 2)
Bước 2: Ước lượng
các mô hình khuyến
nghị
­ Tại cửa sổ Equation
Estimate: ước lượng
mô hình MA(1)(12)(13)
­ Equation specification:
nhập cpius_sa c ma(1)
ma(12) ma(13)
­ Method: chọn LS-Least
square (NLS and
ARMA)
§Lưu lại giá trị R-squared, Adjusted R-squared, AIC, SBIC, HQIC
§Tiếp tục ước lượng các mô hình còn lại và lưu lại giá trị R-
square, Adjusted R-square, AIC, SBIC, HQIC
Dạng mô hình R_squared A. R_squared AIC SBIC HQIC
MA (1) (12) (13) 0.214 0.201 0.323 0.394 0.352
AR (1) (2) (12)
ARMA (1, 1)
ARMA (1, 2)
Xem nghiệm đặc trưng
­ Tại cửa sổ Equation, chọn
View/ ARMA structure...
­ Tại cửa sỏ ARMA Diagnostic
Views:
­ Select a Diagnostic: chọn Roots
để xem các nghiệm đặc trưng
­ Display: chọn Table để xem dưới
dạng bảng
Bước 3: Kiểm định chẩn
đoán
Lựa chọn mô hình tốt
nhất dựa trên chuẩn
thông tin và R_squared
Kiểm định chẩn đoán:
hiện tượng tự tương
quan
­ Vẽ ACF của phần dư
DỰ BÁO BẰNG MÔ HÌNH CHUỖI THỜI GIAN

Kỳ vọng không điều kiện (unconditional expectations) của Y là

giá trị kỳ vọng của Y không có bất kỳ tham chiếu nào về thời
gian, tức là trung bình không có điều kiện của Y
Kỳ vọng có diều kiện (conditional expectation): giá trị kỳ vọng
của Y tại thời điểm t+1 dựa trên điều kiện (|) có tất cả thông tin
đến thời điểm t (Ωt).
Ký hiệu:
VÍ DỤ: DỰ BÁO BẰNG KỲ VỌNG CÓ ĐIỀU KIỆN

Giả sử có mô hình AR(1): Yt = 0.4 + 0.3Yt-1 + ut

Dự báo kỳ vọng có điều kiện 1-bước-trước (1-step-ahead) của
Yt :
ft, 1 = E(Yt+1|t) = 0.4 + 0.3Yt + ut+1
ft, 1 = E(Yt+1|t) = 0.4 + 0.3 E(Yt+1|t) + E(ut+1|t)
¢Do tất cả thông tin cần thiết đều đã biết tại thời gian t, chẳng
hạn Yt = 0.05 và E(ut+1|t) = 0
ft, 1 = E(Yt+1|t) = 0.415
Trong ví dụ trên, nếu muốn dự báo 2-bước-trước của Yt thì có
thực hiện được không?
DỰ BÁO BẰNG MÔ HÌNH ARMA

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

§Mục đích: Dự báo lạm phát của US

§File: US_CPI_monthly
§Sử dụng kết quả ước lượng mô hình ARIMA cho chuỗi
infus_sa: MA(13)
§Yêu cầu:
­ dự báo trong mẫu giai đoạn 2014M1-2014M12
­ Dynamic forecast: sử
dụng giá trị dự báo để làm
input cho quan sát dự báo
kế tiếp
­ Static forecast: sử dụng
giá trị thực tế của quan
sát làm dự báo cho quan
sát kế tiếp
­ Dynamic forecast và static
forecast: 1-step-ahead
forecast là như nhau
 Static
forecast

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

§Thu thập dữ liệu CPI Việt Nam tần suất tháng

§Chuyển dữ liệu (bậc gốc) sang dạng tăng trưởng (lạm phát) so
với cùng kỳ năm trước (đặt tên inf)
§Ước lượng mô hình ARIMA chuỗi lạm phát Việt Nam theo tiếp
cận Box-Jenkins.
§Thực hiện dự báo lạm phát Việt Nam: trong 6 tháng tiếp theo
của năm
§Lưu lại kết quả dự báo của bạn và hãy xem bạn dự báo chính
xác như thế nào về lạm phát nền kinh tế trong những tháng tới.