Professional Documents
Culture Documents
¢ Thảo luận
Phân tích chuỗi thời gian nhằm:
¢ Dự báo chuỗi thời gian (time series forecasting): xây
dựng các mô hình dự báo hiệu quả để dự đoán giá trị
tương lai của biến số.
¢ Mô tả sự vận động bằng mô hình (dynamic modeling):
quan tâm đến việc hiểu cấu trúc của chuỗi thời gian - các
chuỗi thời gian phụ thuộc như thế nào vào thời gian, vào
chính nó và vào các biến só khác, nhằm hiểu được sự
vận động của nền kinh tế và kiểm định các giả thuyết.
CÁC KHÁI NIỆM CƠ BẢN
¢ Nhiễu trắng
¢ Quá trình thời gian dừng
¢ Tự tương quan
NHIỄU TRẮNG
WHITE NOISE
¢ Chuỗi εt là nhiễu trắng khi mỗi thành phần của εt có
phân phối đồng nhất (identical), độc lập
(independent) và trung bình bằng 0
¢ Ký hiệu: εt ~ iid (0, σ2) (iid: identical and
independent distribution)
¢ Đặc điểm của chuỗi nhiễu trắng:
Trung bình:
Phương sai:
Tự hiệp phương sai:
TỰ HIỆP PHƯƠNG SAI
AUTOCOVARIANCE
¢ Ký hiệu: γs (s là số bậc trễ)
¢ Cho biết Yt có quan hệ như thế nào với các giá trị
trước đó của chính nó.
Tự hiệp phương sai ở 0 bậc trễ bằng với phương sai của
Yt γ0 = cov(Yt, Yt-0) = var (Yt) = σ2
¢ Giátrị của tự hiệp phương sai phụ thuộc vào đơn vị
đo lường của Yt
HIỆP PHƯƠNG SAI
¢ Công thức tính hiệp phương sai của X, Y
TỰ TƯƠNG QUAN
AUTOCORRELATION
¢ Ký hiệu: τs (s là số bậc trễ)
¢ Giá trị chuẩn hóa của tự hiệp phương sai; được tính
bằng cách chia cho phương sai (hoặc tự hiệp phương
sai tại bậc trễ 0).
0
00 01 02 03 04 05 06 07 08 09 10
¢ Vẽ ACF:
Tại cửa sổ Series: ffr, chọn View/ Correlogram…
Tại cửa sổ Correlogram specification:
¢ Correlogram of: chọn Level (bậc gốc)
¢ Lags to include: nhập 24 để xem ACF đến 24 bậc trễ
¢ OK
Hoặc:
hàm đa thức
(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:
=>
¢ γs = 0 với s > q
Tự tương quan:
τ ≠ 0 với s ≤ q
¢ s
¢ 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):
với:
¢ Môhình 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:
¢ 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 τkk,
¢ 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: τ33 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 τkk lần lượt tại k
= 1, 2, 3…
¢ PACF của mô hình AR và MA
Do tồn tại tương quan trực tiếp giữa Yt và Yt-s (s ≤ p),
τss ≠ 0 với s ≤ p;
Do không tồn tại tương quan trực tiếp giữa Yt và Yt-s
(s > p), τss = 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)
Sai số phần trăm trị tuyệt đối trung bình (Mean absolute
percentage error)
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