MÔ HÌNH CHUỖI THỜI GIAN ĐƠN BIẾN

UNIVARIATE TIME SERIES MODELS

Ngành Tài chính – Ngân hàng
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
¢ Biết được mục đích của phân tích chuỗi thời gian
¢ Hiểu được các khái niệm cơ bản của kinh tế lượng chuỗi
thời gian
¢ Mô tả đặc điểm và nắm được ứng dụng của mô hình
chuỗi thời gian đơn biến
¢ 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)
¢ Biết cách đánh giá tính chính xác của dự báo
NỘI DUNG
¢ Các khái niệm cơ bản
¢ Thực hành 1: Kiểm định tính dừng lãi suất liên bang mỹ
(FFR) dựa vào ACF
¢ Các mô hình chuỗi thời gian đơn biến

¢ ACF và PACF của các mô hình chuỗi thời gian

¢ Xây dựng mô hình ARIMA theo tiếp cận Box-Jenkins

¢ Thực hành 2: Xây dựng mô hình ARMA cho CPI Mỹ theo

tiếp cận Box-Jenkins
¢ Dự báo bằng mô hình ARMA

¢ Thực hành 3: Dự báo CPI Mỹ bằng mô hình ARMA

¢ 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 hiệp phương sai

¢ 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).

— τs daođộng trong khoảng [-1, 1].

¢ Vẽ chuỗi τs cho các s = 0, 1, 2…, sẽ có sơ đồ được
gọi là hàm tự tương quan (autocorrection
function, ACF) hay còn gọi là biểu đồ/ giản đồ
tương quan (correlogram)
QUÁ TRÌNH THỜI GIAN DỪNG
STATIONARY TIME SERIES PROCESS
¢ Khái niệm dừng của chuỗi thời gian trong nghiên cứu
kinh tế chủ yếu là dừng yếu/ dừng hiệp phương sai
¢ Chuỗi thời gian Yt là dừng nếu:
— Trung bình: E(Yt) = 𝜇, ∀t, t= 1, 2, 3, …
— Phương sai:
— Tự hiệp phương:
¢ Đối với chuỗi dừng, tự hiệp phương sai chỉ phụ thuộc vào
khoảng cách giữa t và t-s
¢ Đặcđiểm dừng là đặc điểm quan trọng của dữ liệu
chuỗi thời gian
— Đối với một quá trình thời gian dừng, tác động của cú
sốc bất kỳ sẽ biến mất khi cú sốc lùi dần vào quá khứ
— Chuỗi thời gian không dừng không thể sử dụng cho
dự báo
— Nếu chuỗi thời gian không dừng, kết quả hồi qui sẽ bị
giả mạo (spurious regression)
KIỂM ĐỊNH TÍNH DỪNG CỦA CHUỖI
THỜI GIAN
¢ Để xác định tính dừng của chuỗi thời gian.
¢ Phương pháp kiểm định tính dừng:
— Sử dụng ACF
— Kiểm định nghiệm đơn vị (unit root) (hay được gọi là
kiểm định tính dừng)
 SỬ DỤNG ACF
¢ Nếu chuỗi Yt dừng, ACF sẽ giảm về 0; ngược lại,
nếu Yt không dừng, ACF sẽ không giảm về 0 hoặc
không có dấu hiệu giảm về 0.
¢ Kiểm định ý nghĩa của các hệ số tự tương quan
— Nếu hệ số tự tương quan khác 0 một cách có ý nghĩa:
ACF không giảm về 0. Kết luận, chuỗi không dừng
— Nếu hệ số tự tương quan không khác 0: ACF giảm về 0.
Kết luận, chuỗi dừng
¢ Kiểm định dựa vào vùng không thể bác bỏ
— Giả thuyết kiểm định: H0: τs = 0; H1: τs ≠ 0
— Nếu hệ số tự tương quan nằm ngoài vùng không thể
bác bỏ, giả thuyết H0 bị bác bỏ, hệ số tương quan
không bằng 0
— Nếu hệ số tự tương quan nằm trong vùng không thể
bác bỏ, giả thuyết H0 không thể bị bác bỏ, hệ số tự
tương quan bằng 0
¢ Kiểm định dựa vào trị thống kê Q
— Giả thuyết kiểm định:
¢ H0: τ1 = τ2 = ... = τm = 0, với m là số bậc trễ tối đa
¢ H1 : có một hoặc nhiều τs ≠ 0

— Trị thống kê kiểm định Q (Box và Pierce, 1970)

T là qui mô mẫu, m là số bậc trễ tối đa

— Trị thống kê Q* (Ljung và Box, 1978)
¢ Kiểm định dựa vào trị thống kê Q
— Nếu trị thống kê Q/ Q* > giá trị bác bỏ: bác bỏ giả
thuyết H0. Kết luận: các hệ số tự tương quan đến m
bậc trễ đều không đồng thời bằng 0, chuỗi không
dừng
— Nếu trị thống kê Q/ Q* < giá trị bác bỏ: không thể bác
bỏ giả thuyết H0. Kết luận: các hệ số tự tương quan
đến m bậc trễ đều đồng thời bằng 0, chuỗi dừng
¢ Nếu chuỗi thời gian không dừng, làm thế nào để
dừng?
¢ Lấy sai phân:
— Sai phân bậc 1 (first difference): ΔYt = Yt - Yt-1
— Sai phân bậc 2 (second difference):
Δ2Yt = Δ(Yt - Yt-1) = ΔYt - ΔYt-1
= (Yt - Yt-1) - (Yt-1 - Yt-2) = Yt - 2Yt-1 - Yt-2
THỰC HÀNH 1:
KIỂM ĐỊNH TÍNH DỪNG LÃI SUẤT LIÊN BANG MỸ (FFR)
DỰA VÀO ACF
FFR
7

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

¢ Lấy sai phân: genr dffr=d(ffr)

¢ ACF
của ffr
bậc
gốc
¢ ACF của
ffr sai
phân bậc
1
BÀI TẬP:
KIỂM ĐỊNH TÍNH DỪNG BẰNG ACF
¢ Sử dụng chuỗi vnidex và return collect trong bài
tập 1
¢ Kiểm định tính dừng của chuỗi vnindex và return
bằng ACF
 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
trình tự hồi qui
với ut ~ iid (0, σ2)
— Mô hình tự hồi qui bậc p: AR(p)
¢ Khái niệm:
— Cách viết sử dụng ký hiệu tổng (sigma):

— Cách viết sử dụng toán tử trễ:

— 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

¢ 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
QUÁ TRÌNH TỰ HỒI QUI tính toán cho
(AUTOREGRESSIVE PROCESS) 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
¢ 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).
Phương trình
Hay: đặc trưng là gi?
với z là biến số thực
— Điều kiện này còn được phát biểu: số tuyệt đối các
nghiệm của phương trình đặc trưng phải nằm ngoài
vòng tròn đơn vị (unit circle).
— Hay: số tuyệt đối của 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:

γ ≠ 0 với s ≤ q
¢ s

¢ 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):

¢ Có thể được viết lại là:

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:

— Viết dưới dạng toán tử trễ:

trong đó:
¢ Đặcđiểm:
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 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)

¢ 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

¢ Kiểm định chẩn đoán: Quá phù hợp

¢ Cơ sở để lựa chọn : chuẩn thông tin (information
criteria); và chỉ số sự phù hợp của mô hình
¢ Các chuẩn thông tin: Tổng tham số
¢ Akaike Information Criterion (AIC):
ước lượng
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

o Nhập dữ liệu vào Eviews

o Tính lạm phát hàng tháng của Mỹ, đặt tên infus, vẽ đồ
thị
o Loại bỏ yếu tố mùa bằng CensusX12 (chọn additive), đặt
tên infus_sa, vẽ đồ thị
o 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 trước-1-bước của Yt:

ft, 1 = E(Yt+1|t) = 0.4 + 0.3Yt + ut+1

ft, 1 = E(Yt+1|t) = 0.4 + 0.3Yt + 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
TỔNG QUAN VỀ DỰ BÁO
FORECAST
¢ Tại sao phải dự báo?
— Các quyết định kinh tế thường gắn liền với cam kết
nguồn lực trong dài hạn;
— Lợi nhuận phụ thuộc vào những gì sẽ xảy ra trong
tương lai khi nguồn lực được sử dụng;
— Những quyết định được thực hiện ngày hôm nay phản
ánh dự báo tình trạng của những gì xảy trong tương
lai.
¢ Dự báo trong mẫu và dự báo ngoài mẫu
— Dự báo trong mẫu (in-sample forecast) dự báo các
quan sát đã được dùng để ước lượng các tham số của
mô hình.
— Dự báo ngoài mẫu (out-of-sample forecast) dự báo
các quan sát không được sử dụng để ước lượng tham
số của mô hình
 VÍ DỤ: DỰ BÁO TRONG MẪU VÀ NGOÀI MẪU
¢ Mẫu nghiên cứu có dữ liệu tần suất tháng trong giai
đoạn 2000-2014
¢ Mục đích: Dự báo cho giai đoạn 2012-2014

¢ Dự báo trong mẫu: Sử dụng hết tất cả quan sát để

ước lượng mô hình, sau đó thực hiện dự báo cho giai
đoạn 2012-2014.
¢ Dự báo ngoài mẫu: sử dụng quan sát trong giai đoạn
2000-2011 để ước lượng mô hình, sau đó thực hiện
dự báo cho giai đoạn 2012-2014.
¢ Dự báo trước 1 bước và dự báo trước nhiều bước
— Dự báo trước 1 bước (one-step-ahead forecast): dự
báo được thực hiện chỉ cho giai đoạn kế tiếp.
¢ Ví dụ: Sử dụng dữ liệu đến thời điểm 2014M12 để ước
lượng mô hình, dự báo trước-1-bước sẽ cho kết quả dự
báo của 2015M1
— Dự báo trước nhiều bước (multi-step-ahead forecast):
dự báo được thực hiện cho 2, 3, 4,…, s giai đoạn kế
tiếp.
¢ Ví dụ: Sử dụng dữ liệu đến thời điểm 2014M12 để ước
lượng mô hình, dự báo trước-3-bước sẽ cho kết quả dự
báo 2015M3
¢ Dự báo trước 1 bước và dự báo trước nhiều bước
— Lựa chọn dự báo trước-1-bước hay trước-nhiều-bước
phụ thuộc vào khoảng cách dự báo (forecasting
horizon) mà nhà nghiên cứu quan tâm.
— Khoảng cách dự báo càng xa thì tính chính xác của dự
báo càng giảm
¢ Mẫu chồng lấn và mẫu đệ quy
— Mô hình dự báo mẫu đệ quy (recursive sample) có số
quan sát đầu tiên được cố định nhưng quan sát cuối
cùng không cố định mà được thêm vào tại mỗi thời
điểm của giai đoạn ước lượng.
— Mô hình dự báo mẫu chồng lấn (rolling sample) có số
lượng quan sát trong mẫu để thực hiện ước lượng là
cố định, nhưng quan sát đầu tiên và quan sát cuối
cùng của mẫu sẽ liên tục gia tăng theo từng thời điểm
của giai đoạn dự báo.
 VÍ DỤ: DỰ BÁO PHƯƠNG PHÁP
MẪU CHỒNG LẤN VÀ MẪU ĐỆ QUI

¢ Mẫu nghiên cứu có dữ liệu tần suất tháng trong giai

đoạn 2000-2014
¢ Phương pháp dự báo ngoài mẫu: quan sát trong giai
đoạn 2000M1-2013M12 được dùng để ước lượng
mô hình, và thực hiện dự báo cho giai đoạn
2014M1-2014M12.
¢ Thực hiện dự báo trước 1, 2 và 3 bước với mẫu
chồng lấn và mẫu đệ qui.
 VÍ DỤ: DỰ BÁO PHƯƠNG PHÁP
MẪU CHỒNG LẤN VÀ MẪU ĐỆ QUI
Dự báo cho Dự liệu sử dụng để ước lượng
Trước 1 Trước 2 Trước 3 Mẫu chồng lấn Mẫu đệ qui
bước bước bước
2014M1 2014M2 2014M3 2000M1-2013M12 2000M1-2013M12
2014M2 2014M3 2014M4 2000M2-2014M1 2000M1-2014M1
2014M3 2014M4 2014M5 2000M3-2014M2 2000M1-2014M2
2014M4 2014M5 2014M6 2000M4-2014M3 2000M1-2014M3
2014M5 2014M6 2014M7 2000M5-2014M4 2000M1-2014M4
2014M6 2014M7 2014M8 2000M6-2014M5 2000M1-2014M5
… … … … …
TÍNH CHÍNH XÁC CỦA DỰ BÁO
¢ Tính chính xác (accuracy) của dự báo được đánh giá
dựa trên sai số dự báo (forecast error)
¢ Sai số dự báo đối với quan sát i được tính bằng
chênh lệch giữa giá trị thực tế của quan sát i và giá
trị dự báo cho nó.
¢ Sai số dự báo càng nhỏ, dự báo càng có tính chính
xác cao
 Hãy để việc
tính toán cho
các phần mềm
¢ Các thước đo tính chính xác của dự báo
— Sai số bình phương trung bình (Mean squared error)

— Sai số trị tuyệt đối trung bình (Mean absolute error)

— Sai số phần trăm trị tuyệt đối trung bình (Mean absolute
percentage error)

T là qui mô tổng mẫu (trong mẫu và ngoài mẫu), T1 là

quan sát dự báo ngoài mẫu đầu tiên
ĐÁNH GIÁ TÍNH CHÍNH XÁC CỦA DỰ BÁO
¢ Lưu ý, khi đánh giá tính chính xác của dự báo:
— Kết quả của các thước đo khác nhau không thể so
sánh với nhau
— Tính chính xác của dự báo từ các mô hình khác nhau
có thể so sánh với nhau dựa trên cùng thước đo
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
¢ Quátrình 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:
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.