BƯỚC 6: KIỂM ĐỊNH CHUẨN ĐOÁN MÔ HÌNH (LỰA CHỌN MÔ HÌNH PHÙ

HỢP)
Trải qua quá trình lựa chọn mô hình ARIMA và ước lượng các tham số của nó, tiếp theo
ta tìm hiểu xem mô hình lựa chọn có phù hợp với dữ liệu ở mức chấp nhận được hay
không.
Cơ sở để lựa chọn mô hình gồm:
(1) Tiêu chuẩn thông tin (Information Criteria)
Ba tiêu chuẩn thông tin phổ biến thường được sử dụng là tiêu chuẩn thông tin Akaike
Information Criterion (AIC); tiêu chuẩn thông tin Schwarzs-Bayesian Information
Criterion (SBIC) và tiêu chuẩn thông tin Hannan-Quinn Information Criterion (HQIC):
2k
AIC = ln(σ^2) +
T
k
SBIC = ln(σ^2) + lnT
T
2k
HQIC = ln(σ^2) + ln(lnT)
T

Akaike Information Criterion (AIC) là một chỉ số ước lượng của out-of-mẫu lỗi dự
đoán và chất lượng do đó tương đối của mô hình thống kê cho một tập hợp dữ liệu. Đưa
ra một tập hợp các mô hình cho dữ liệu, AIC ước tính lượng thông tin tương đối bị mất
bởi một mô hình nhất định: mô hình mất càng ít thông tin thì chất lượng của mô hình đó
càng cao. AIC đo độ biến động của sai số, đó cũng là lý do chỉ số AIC càng thấp càng
tôt, mô hình dự báo càng chính xác.
Schwarzs-Bayesian Information Criterion (SBIC) và Hannan-Quinn Information
Criterion (HQIC) là các tiêu chí tin cậy khác cho việc lựa chọn mô hình trong số các mô
hình hữu hạn, mô hình có SBIC hoặc HQIC càng thấp thì càng được ưu thích.
Bởi vì 3 tiêu chí thông tin trên đều phụ thuộc vào σ^2 là phương sai phần dư, nên các tiêu
chí trên càng nhỏ thì mô hình càng phù hợp.
(2) Sự phù hợp của mô hình thể hiện qua hệ số R2 và R2 hiệu chỉnh (Adjusted R2):
Mặc dù sự phù hợp của mô hình qua hệ số R2 hiệu chỉnh không được sử dụng làm cơ
sở ưu tiên lựa chọn mô hình chuỗi thời gian vì R2 thường trở nên lớn hơn khi tham số
được thêm vào mô hình. Nhưng sự phù hợp của mô hình là tiêu chí quan trong để đánh
giá khả năng giải thích của mô hình.
 R2 là hệ số xác định cho biết mức độ phù hợp của mô hình nghiên cứu với ý nghĩa là
các biến. Đồng thời còn giải thích nhân tố phụ thuộc đó đạt bao nhiêu phần trăm trong
quá trình nghiên cứu. Giá trị R2 càng cao chứng tỏ mô hình hồi quy càng phù hợp.
Adjusted R2 là hệ số hiệu chỉnh được nghiên cứu giúp khắc phục nhược điểm của R
bình phương thông thường. Hệ số này cho phép ta đo độ thích hợp khi ta thêm một tham
số nữa. Qua đó giúp giảm sự phức tạp của mô hình. Giá trị Adjusted R 2 càng cao chứng
tỏ mô hình hồi quy càng phù hợp.
Từ Bước 3 ta tiến hành lựa chọn 3 mô hình tốt nhất từ 10 mô hình tích hợp ARIMA
(p, d, q) với các tiêu chí 3 mô hình này phải vượt qua tất cả các kiểm định, có R 2 và
Adjusted R2 cao và 3 tiêu chuẩn thông tin thấp, so sánh các chỉ tiêu ta có bảng sau:

STT MÔ HÌNH R2 R
2
AIC SBIC HQIC

1 ARIMA (1,1,1) (2,1,2) 0.019 0.016 1.553 1.570 1.559

2 ARIMA (1,1,1) (3,1,5) 0.012 0.010 1.560 1.576 1.566

3 ARIMA (1,1,1) (10,1,5) 0.015 0.013 1.556 1.573 1.562

4 ARIMA (1,1,1) (15,1,19) 0.020 0.017 1.552 1.569 1.558

5 ARIMA (1,1,1) (14,1,18) 0.013 0,010 1.559 1.576 1.565

6 ARIMA (1,1,1) (8,1,26) 0.013 0.010 1.559 1.576 1.565

7 ARIMA (1,1,1) (26,1,28) 0.012 0.010 1.559 1.576 1.566

8 ARIMA (1,1,1) (30,1,31) 0.027 0.024 1.545 1.562 1.551

9 ARIMA (1,1,1) (15,1,34) 0.009 0.006 1.563 1.580 1.569

 10 ARIMA (1,1,1) (34,1,36) 0.009 0.007 1.563 1.579 1.569

Kết luận: Từ mô hình có thể thấy rõ Mô hình 1, 4 và 8 là 3 mô hình có R2 và Adjusted R2

(R2 hiệu chỉnh) cao nhất và tương ứng 3 tiêu chuẩn thông tin AIC, SBIC và HQIC thấp
nhất. Ngoài ra 3 mô hình này còn đạt tiêu chí AR dừng và MA khả nghịch. Với những
điều kiện trên Mô hình 1, 4 và 8 là 3 mô hình phù hợp nhất để lựa chọn dự báo tốt nhất.