การเปรียบเทียบตัวแบบพยากรณภาวะเงินเฟอระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย

ตัวแบบ Transfer Function และ ตัวแบบ VAR

โดย
นายธนาวุฒิ ศรีวิรักษ

วิทยานิพนธนี้เปนสวนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรมหาบัณฑิต
สาขาวิชาสถิติประยุกต
ภาควิชาคณิตศาสตร
บัณฑิตวิทยาลัย มหาวิทยาลัยศิลปากร
ปการศึกษา 2546
ISBN 974 –464 – 321- 8
ลิขสิทธิ์ของบัณฑิตวิทยาลัย มหาวิทยาลัยศิลปากร
A COMPARISON OF INFLATION FORECASTING MODELS: ARIMA INTEREST
RATE TRANSFER FUNCTION AND VECTOR AUTOREGRESSIVE MODELS

By
Thanawut Sriwirak

A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree

MASTER OF SCIENCE
Department of Mathematics
Graduate School
SILPAKORN UNIVERSITY
2003
ISBN 974 –464 – 321- 8
 บัณฑิตวิทยาลัย มหาวิทยาลัยศิลปากร อนุมัติใหวิทยานิพนธเรื่อง “การเปรียบ
เทียบตัวแบบพยากรณภาวะเงินเฟอระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ
Transfer Function และ ตัวแบบ VAR” เสนอโดย นายธนาวุฒิ ศรีวิรักษ เปนสวนหนึ่งของการ
ศึกษาตามหลักสูตรปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาสถิติประยุกต

………………………………………….
(ผูชวยศาสตราจารย ดร.จิราวรรณ คงคลาย)
คณบดีบัณฑิตวิทยาลัย
วันที่…….เดือน…………...พ.ศ. ……….

ผูควบคุมวิทยานิพนธ
1. รองศาสตราจารย ดร.สุดา ตระการเถลิงศักดิ์
2. ผูชวยศาสตราจารย ดร.ปราณี นิลกรณ

คณะกรรมการตรวจสอบวิทยานิพนธ

…………………………………ประธานกรรมการ
(รองศาสตราจารย วัฒนา เกาศัลย)
…………/…………/…………

…………………………………กรรมการ …………………………………กรรมการ
(รองศาสตราจารย ดร.สุดา ตระการเถลิงศักดิ์) (ผูชวยศาสตราจารย ดร.ปราณี นิลกรณ)
…………/…………/………… …………/…………/…………

…………………………………กรรมการ …………………………………กรรมการ
(รองศาสตราจารย วีรานันท พงศาภักดี) (ผูชวยศาสตราจารย ดร.วลัยลักษณ อัตธีรวงศ)
…………/…………/………… …………/…………/…………
K 43515003 : สาขาวิชาสถิติประยุกต
คําสําคัญ : อนุกรมเวลาหลายตัวแปร / อนุกรมเวลา /ภาวะเงินเฟอ
ธนาวุฒิ ศรีวิรักษ : การเปรียบเทียบตัวแบบพยากรณภาวะเงินเฟอระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย
ตัวแบบ Transfer Function และ ตัวแบบVAR ( A COMPARSION OF INFLATION FORECASTING MODELS: ARIMA,
INTEREST RATE, TRANSFER FUNCTION AND VECTOR AUTOREGRESSIVE MODELS ) อาจารยผูควบคุมวิทยานิพนธ :
รศ. ดร.สุดา ตระการเถลิงศักดิ์ และ ผ.ศ. ดร.ปราณี นิลกรณ 193 หนา. ISBN 974 –464 – 321- 8.

การวิจัยครั้งนี้มีวัตถุประสงคเพื่อ (1) ศึกษาลักษณะความผันแปรของภาวะเงินเฟอในประเทศไทย (2) หาตัวแบบ

พยากรณภาวะเงินเฟอของประเทศไทยโดยใชตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และ
ตัวแบบ VAR (3) เปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอของประเทศไทยระหวางตัวแบบ ทั้ง 4 ตัวแบบ โดยใชตัว
สถิติ Root Mean Square Error (RMSE) และ Mean Absolute Percent Error (MAPE) การทดสอบความเอนเอียง และการตรวจ
สอบการมีสวนรวมเปนเกณฑในการเปรียบเทียบประสิทธิภาพ ในการศึกษาใชขอมูลรายเดือนตั้งแตเดือนมกราคม 2540 ถึง
ธันวาคม 2544 ซึ่งประกอบดวยอนุกรมเวลาภาวะเงินเฟอ (I) อัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) ปริมาณเงินตามความหมายแคบ
(M1) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude) ปริมาณเงินตามความหมายกวาง (M2) และมูลคาสินคานําเขา (Import)

ผลการวิจัยพบวา
(1) ภาวะเงินเฟอของประเทศไทยมีแนวโนมเพิ่มขึ้นอยางชัดเจนในชวงเดือนมกราคม 2540 ถึงประมาณเดือน
กรกฎาคม 2541 และคอย ๆ ลดลงตั้งแตในชวงปลายป 2541 ตอเนื่องถึงไตรมาสแรกของป 2542 หลังจากนั้นภาวะเงินเฟอมีแนว
โนมเพิ่มขึ้นแตไมมากนักจนถึงเดือนสิงหาคม 2544 หลังจากนั้นลดลงเล็กนอย
(2) ในการพยากรณภาวะเงินเฟอ 4 ตัวแบบในแตละกรณีเปนดังนี้
ตัวแบบ ARIMA ที่เหมาะสม คือ
I t = 1.38413301I t −1 − 0.38413301I t − 2 + 0.38419358I t − 5 − 0.38419358I t − 6 + a t
ตัวแบบอัตราดอกเบี้ย ที่เหมาะสมคือ
ˆIt = TBt−1 − EˆRt−1 โดยที่ EˆR t −1 ไดจากตัวแบบ ln ER t − 1. 37000590 ln ER t − 1 = −0. 54018035 S t + a t
ตัวแบบ Transfer Function ตัวแบบที่ไดเหมือนกับตัวแบบ ARIMA
สวนตัวแบบ VAR ที่เหมาะสมคือ
I t = 0. 28638 I t − 1 + 0. 00965 TB t − 1 + 0. 0000000037 35 M 2 t − 1 + A 1, t
(3) จากการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอทั้งภายในชวงตัวอยางและนอกชวงตัวอยาง
ตัวแบบ VAR ใหคาพยากรณภาวะเงินเฟอที่มีความถูกตองมากที่สุด ตัวแบบอัตราดอกเบี้ยพยากรณภาวะเงินเฟอไดไมคอยดีทั้งใน
การพยากรณภายในชวงตัวอยางและนอกชวงตัวอยาง จากการทดสอบความเอนเอียงในการพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางพบวามีเพียงตัวแบบ VAR เทานั้นที่ใหคาพยากรณที่ไมมีความเอนเอียง และจากการตรวจสอบการมีสวนรวม
ในการพยากรณภาวะเงินเฟอภายในชวงตัวอยาง พบวาตัวแบบอัตราดอกเบี้ยไมไดใหสารสนเทศในการอธิบายความผันแปรของคา
สังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ ARIMA หรือตัวแบบ VAR ไดอธิบายไวแลว สําหรับการพยากรณภาวะเงินเฟอนอกชวงตัว
อยางพบวาตัวแบบแตละคูใหสารสนเทศในการพยากรณภาวะเงินเฟอคลายคลึงกัน

ภาควิชาคณิตศาสตร บัณฑิตวิทยาลัย มหาวิทยาลัยศิลปากร ปการศึกษา 2546

ลายมือชื่อนักศึกษา …………………………..
ลายมือชื่ออาจารยผูควบคุมวิทยานิพนธ 1.………………………..….…… 2…………..…………..……….…

ง
K43515003 : MAJOR : APPLIED STATISTICS
KEY WORD : MULTIVARIATE TIME SERIES / TIME SERIES/ INFLATION
THANAWUT SRIWIRAK: A COMPARISON OF INFLATION FORECASTING MODELS: ARIMA, INTEREST RATE,
TRANSFER FUNCTION AND VECTOR AUTOREGRESSIVE MODELS. THESIS ADVISORS: ASSO.PROF.SUDA
TRAGANTALERNGSAK, Ph.D., AND ASST.PROF.PRANEE NILAKORN, Ph.D. 193 pp. ISBN 974 –464 – 321- 8.

The objectives of this research were (1) to study the variation of inflation in Thailand (2) to
investigate four inflation forecasting models: ARIMA model, Interest Rate model, Transfer Function model and Vector
Autoregressive model (VAR ) and (3) to compare the efficiency of all four inflation forecasting models, using Root Mean
Square Error (RMSE) and Mean Absolute Percent Error (MAPE) statistics ,bias test and combined models.The monthly data
from January 1997 to Deccember 2001, composing of inflation (I), nominal interest repurchase rates(TB), narrow money (M1)
crude oil prices (Crude) , broad money (M2), and total imports (Import) were used.

The results of the study were :

(1) The inflation in Thailand showed an upward trend between January 1997 and July 1998 and
gradually decreased from the late 1998 to the first three months of 1999 , then slightly increased until August 2001 and then
slightly decreased.
(2) For each type of the model, the appropriate model was
ARIMA model :
I t = 1.38413301 I t − 1 − 0.38413301 I t − 2 + 0.38419358 I t − 5 − 0.38419358 I t − 6 + a t
Interest Rate model :
ˆIt = TBt−1 − EˆRt−1 by EˆR t −1 from ln ER t − 1. 37000590 ln ER t −1 = −0. 54018035 S t + at
Transfer Function model was the same as ARIMA model
and VAR model :
I t = 0. 28638 I t − 1 + 0. 00965 TB t − 1 + 0. 0000000037 35 M 2 t − 1 + A 1, t .
(3) For the efficiency of these models, it was found that for both in – sample and out - of- sample
forecasts, VAR model yielded most accurate inflation forecasting values . For out – of- sample forecasts , it was found that
VAR model gave more accurate forecasting values than ARIMA model. The Interest Rate model was rather poor for both in –
sample and out - of- sample forecasts. Only VAR model yielded unbiased forecasts, for both in - sample and out - of - sample
forecasts. For in-sample forecasts ,the interest rate provided no marginal information about inflation which was not already
included in the aforementioned ARIMA model or VAR model . For out- of - sample forecasts, each pair of models contained
similar information.

Department of Mathematics Graduate School, Silpakorn University Academic Year 2003

Student’s signature ……………………………
Thesis Advisors’ signature 1.….…………………..………….… 2………...….…………………………

จ
 กิตติกรรมประกาศ

วิทยานิพนธนี้สําเร็จลุลวงได เนื่องจากไดรับการอนุเคราะห ใหคําแนะนํา คําปรึกษา

ตรวจทาน ตลอดจนตรวจสอบแกไขขอบกพรองตาง ๆ เปนอยางดี ดวยความเมตตาตลอดเวลาที่
ทํางานวิจัยนี้จาก รองศาสตราจารย ดร.สุดา ตระการเถลิงศักดิ์ และผูชวยศาสตราจารย ดร.ปราณี
นิลกรณ ซึ่งเปนที่ปรึกษาของงานวิจัยนี้ ผูวิจัยขอกราบขอบพระคุณอาจารยเปนอยางสูงดวยความ
ซาบซึ้งและสํานึกในพระคุณ ไว ณ ที่นี้ดวย
นอกจากนี้ผูวิจัยขอกราบขอบพระคุณอาจารยทุกทานที่กรุณาใหแนวคิด และคําแนะนํา
อันมีคุณคา เพื่อเปนแนวทางในการเขียนวิทยานิพนธ ไดแก รองศาสตราจารย วัฒนา เกาศัลย
รองศาสตราจารย วีรานันท พงศาภักดี ผูชวยศาสตราจารย ดร. วลัยลักษณ อัตธีรวงศ ตลอดจน
คณาจารย สาขาวิชาสถิติประยุกต มหาวิทยาลัยศิลปากรทุกทาน
ขอกราบขอบพระคุณ คุณพอ คุณแม พี่สาว และญาติมิตรทุกทานที่ชวยสงเสริม
สนับสนุนการเรียนของผูวิจัยตลอดมา
สุดทายนี้ขอขอบคุณเพื่อน ๆ และนองนักศึกษาสาขาวิชาสถิติประยุกตทุกทานที่ให
ความชวยเหลือและคอยเปนกําลังใจตลอดเวลาที่ทํางานวิจัยนี้

ฉ
 สารบัญ
หนา
บทคัดยอภาษาไทย …………………………………………………………..……………… ง
บทคัดยอภาษาอังกฤษ ………………………………………………………….…….………จ
กิตติกรรมประกาศ ……………………………………………………………….….……… ฉ
สารบัญตาราง …………………………………………………………………….….……… ฌ
สารบัญภาพ …………………………………..……………………………………..……… ฎ
บทที่
1 บทนํา ……………………………………………………………………….………1
ความเปนมาและความสําคัญของปญหา ……………………………….………1
วัตถุประสงค …………………………………………………………………. 11
ขอบเขตของการศึกษา ……..………………………………………………… 11
ขั้นตอนการศึกษา……………………………………………………………….13
ประโยชนที่คาดวาจะไดรับ…………………………………………………… 13
แหลงที่มาของขอมูล…………………………………………………………...13
นิยามศัพท …………………………………………………………….…….. 13
2 ทฤษฎีและงานวิจัยที่เกี่ยวของ ………………………………………………….…. 16
ตัวแบบเชิงสถิติสําหรับการพยากรณอนุกรมเวลา……………………………. 16
การเปรียบเทียบประสิทธิภาพของตัวแบบ..…………………………….….… 44
งานวิจัยที่เกี่ยวของ ………………………………………………………….. 47
3 วิธีดําเนินการวิจัย ………………………………………………………………… 59
ขั้นตอนในการดําเนินงานวิจัย ……………..………………….……………. 59
4 ผลการวิจัย ………………………………………………………………………… 64
ลักษณะความผันแปรของภาวะเงินเฟอ ……..………….. …………………. 64
ตัวแบบที่เหมาะสมสําหรับพยากรณภาวะเงินเฟอ .……………….………….. 75
การเปรียบเทียบประสิทธิภาพระหวางตัวแบบ ……………………………..…152
5 สรุปผลการวิจัย อภิปรายผล และขอเสนอแนะ ………………………………… 159
สรุปผลการวิจัย ……………………………………………….………….... 159
อภิปรายผลการวิจัย.………………………………………………………... 161

ช
บทที่ หนา
ขอเสนอแนะเพื่อการวิจัยคนควาตอไป……………………………………………. 162
บรรณานุกรม ………………………………………………………………………………. 163
ภาคผนวก ………………………………………………………….. ……………………… 167
ภาคผนวก ก ขอมูลที่ใชในงานวิจัย…………………………………………….167
ภาคผนวก ข คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ ARIMA
ตัวแบบอัตราดอกเบี้ย ตัวแบบ VAR และคา RMSE กับคา MAPE
ของแตละตัวแบบ……………………………………………………………….180
ประวัติผูวิจัย …………………………………………………………………………………..193

ซ
 สารบัญตาราง
ตารางที่ หนา
1 ลักษณะทางทฤษฎีเกี่ยวกับACF และ PACF ของตัวแบบ ARIMA แบบตาง ๆ….….. 24
2 ลักษณะรูปแบบการแทรกแซง …………………………………………. ..……….… 27
3 ตัวอยางลักษณะของ Transfer Function สําหรับ r = 0 ………………………….….. 33
4 ตัวอยางลักษณะของ Transfer Function สําหรับ r = 1 …………………………….. 34
5 สัมประสิทธิ์สหสัมพันธระหวางภาวะเงินเฟอ ( I) อัตราดอกเบี้ยเฉลี่ยซื้อคืน( TB )
ปริมาณเงินตามความหมายแคบ ( M1 ) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก
(Crude) ปริมาณเงินตามความหมายกวาง (M2)
และมูลคาสินคานําเขา( Import )………………………………………………. 73
6 คาประมาณพารามิเตอรของตัวแบบ ARIMA(5,1,0) …………………………....…. 79
7 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ1 B − φ 5 B 5 ⎞⎟(1 − B )I t = a t …………… 79
⎝ ⎠
8 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ7 B 7 ⎞⎟(1 − B ) ln ER t = a t ……………….88
⎝ ⎠
9 คาประมาณพารามิเตอรของตัวแบบ (1 − φ1 B )(1 − B )ln ER t = ω0 S t + a t ……..….96
10 คาประมาณพารามิเตอรของตัวแบบ (1 − B ) ln TB t = ⎛⎜ 1 − θ 7 B 7 ⎞⎟a t …….... ….…..106
⎝ ⎠
11 คาของอนุกรม α และ β … ………………………………………………………112
12 คา Impulse Response Weight ν 0 ถึง ν15 ………………………………………..113
13 คา η t ที่ไดจากการคํานวณ…………………………………………………………..113
14 คาประมาณพารามิเตอรของตัวแบบ (1 − φ1 B )η t = a t …………………………..…117
15 คาประมาณพารามิเตอรของตัวแบบ
I ∗t - φ1 I ∗ t −1 = ω0 TB∗ t − 6 - ω1TB∗ t − 7 + a t …………………….……...120
16 คาประมาณพารามิเตอรของตัวแบบ I *t = φ1 I *t − 1 + a t …………………………...120
17 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ1 B − φ 5 B 5 ⎞⎟(1 − B )I t = a t
⎝ ⎠
ที่ไดจากตัวแบบ Transfer Function …………………………… ….…….…..122
18 คา AIC(p/) ของตัวแบบ VAR………………………………………………….……..143
19 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 1 ตัวในการพยากรณภาวะเงินเฟอ…….…….…..144
ฌ
 20 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 2 ตัวในการพยากรณภาวะเงินเฟอ………………145
21 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 3 ตัวในการพยากรณภาวะเงินเฟอ………………146
ตารางที่ หนา
22 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 4 ตัวในการพยากรณภาวะเงินเฟอ……………..147
23 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 5 ตัวในการพยากรณภาวะเงินเฟอ……………..148
24 คาประมาณพารามิเตอรของตัวแบบ (I − Φ 1 B )(1 − B )Z t = δ + A t
เมื่อ Zt = [I t , TB t , M 2 t ] ……………..……………………………….….…..149
25 การตรวจสอบความสอดคลองภายในชวงตัวอยางและนอกชวงตัวอยาง……...…....152
26 การทดสอบความเอนเอียงภายในชวงตัวอยาง……………………………….……..153
27 การทดสอบความเอนเอียงนอกชวงตัวอยาง……………………………….……….154
28 การตรวจสอบการมีสวนรวมภายในชวงตัวอยาง……………………….….………155
29 การตรวจสอบการมีสวนรวมภายนอกชวงตัวอยาง…………………………...……157
30 ดัชนีราคาผูบริโภครายเดือนตั้งแตป 2540-2545……………..………………..……168
31 อัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนตั้งแตป2540-2544…….……………….………170
32 ปริมาณเงินตามความหมายแคบตั้งแตป 2540-2544……………………….……...172
33 ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกตั้งแตป 2540-2544…………………….……..174
34 ปริมาณเงินตามความหมายกวางรายเดือนตั้งแต 2540-2544………………………176
35 มูลคาสินคานําเขารายเดือนตั้งแต 2540-2544……………………………….……..178
36 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ ARIMA
ภายในชวงตัวอยางและนอกชวงตัวอยาง………………………………....…181
37 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบตัวแบบอัตราดอกเบี้ย
ภายในชวงตัวอยางและนอกชวงตัวอยาง…………………………..………185
38 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบตัวแบบ VAR
ภายในชวงตัวอยางและนอกชวงตัวอยาง……………………………..……189

ญ
 สารบัญภาพ
ภาพที่ หนา
ก ลักษณะของ ACF ของอนุกรมเวลาแบบ Stationary ………………………………18
ข ลักษณะของ ACF ของอนุกรมเวลาแบบ Non - Stationary ……………………… 19
ค เขตวิกฤตของการทดสอบเดอรบิน – วัตสัน……………………………………….. 46
1 ภาวะเงินเฟอของประเทศไทยระหวางเดือนมกราคม 2540 ถึง ธันวาคม ..……..…. 64
2 อัตราดอกเบี้ยซื้อคืนเฉลี่ยระหวางเดือนมกราคม 2540 ถึง ธันวาคม ………..…...…66
3 ปริมาณเงินตามความหมายแคบระหวางเดือนมกราคม 2540 ถึง ธันวาคม……….…67
4 ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกระหวางเดือนมกราคม 2540 ถึง ธันวาคม ….…69
5 ปริมาณเงินตามความหมายกวางระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544…..70
6 มูลคาสินคานําเขาระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544………………….72
7 ACF ของอนุกรมเวลาภาวะเงินเฟอ…………………………………………………75
8 ผลตางอันดับ 1 ของอนุกรมเวลาภาวะเงินเฟอกับเวลา………………………………76
9 ACF ของผลตางอันดับ 1 ของอนุกรมเวลาภาวะเงินเฟอ……………………………77
10 PACF ของผลตางอันดับ 1 ของอนุกรมเวลาภาวะเงินเฟอ…………………………..78
11 ACF และPACF ของสวนเหลือจากการพยากรณภาวะเงินเฟอ
โดยวิธี Box-Jenkins………………..………………………….…………….…81
12 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาโดยวิธี Box-Jenkins …………..…..82
13 คาสังเกตภาวะเงินเฟอเทียบกับคาพยากรณภาวะเงินเฟอในชวงตัวอยางและ
นอกชวงตัวอยางโดยวิธีBox-Jenkins ที่ไดจากตัวแบบ ARIMA………………82
14 คาคาดหมายของผลตอบแทนที่แทจริงกับเวลา……………………………………….83
15 ACF ของอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริง……………………….84
16 ผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง………85
17 ACF ผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง...86
18 PACF ผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง.87
19 ACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่แทจริง
โดยวิธี Box- Jenkins……………………..……………………………….…....88
20 PACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่แทจริง
โดยวิธี Box-Jenkins…………………………..……………………………..…89

ฎ
ภาพที่ หนา
21 สวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่แทจริงกับเวลา
โดยวิธี Box-Jenkins ……………………………………………………….….90
22 คาคาดหมายผลตอบแทนที่แทจริงเทียบกับคาพยากรณคาคาดหมาย
ของผลตอบแทนที่จริงภายในชวงตัวอยาง…………………………………….91
23 ACF ของอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริง
โดยวิธี Box-Jenkins …………………………………………………………..93
24 ACF ผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมาย
ของผลตอบแทนที่แทจริงโดยวิธี Box-Jenkins ………….…………….….…..94
25 PACF ผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมาย
ของผลตอบแทนที่แทจริงโดยวิธี Box-Jenkins ………………….……………95
26 ACF และ PACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่แทจริง
โดยวิธี Box-Jenkins รวมกับการวิเคราะหการแทรกแซง………………..……97
27 สวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่แทจริงกับเวลาโดยวิธี
Box-Jenkins รวมกับการวิเคราะหการแทรกแซง………………….…….……98
28 คาคาดหมายผลตอบแทนที่แทจริงเทียบกับคาพยากรณคาคาดหมาย
ของผลตอบแทนที่จริงภายในชวงตัวอยางโดยวิธี Box-Jenkins รวมกับการ
วิเคราะหการแทรกแซง………………………………………………..………99
29 คาสังเกตภาวะเงินเฟอเทียบกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางโดยวิธี Box-Jenkinsรวมกับการวิเคราะหการแทรกแซง
ที่ไดจากตัวแบบอัตราดอกเบี้ย …….……..………….………..……...……...100
30 ACF ของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน……………….….….…...102
31 ผลตางอันดับ 1 ของคาลอกการิทึมของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ย
รายเดือนกับเวลา……………………………………………………….……103
32 ACF ผลตางอันดับ 1 ของคาลอกการิทึมอนุกรมเวลา
อัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน ………………………………….…… 104
33 PACF ผลตางอันดับ 1 ของคาลอกการิทึมอนุกรมเวลา
อัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน………………………….……….……..105
34 ACF และ PACF ของสวนเหลือจากการพยากรณของอนุกรม ˆa t ……….….….….107

ฏ
ภาพที่ หนา
35 สวนเหลือจากการพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนกับเวลา
โดยวิธี Box- Jenkins……………………………………….………….………108
36 คาสังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ยกับคาพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ย
ภายในชวงตัวอยางโดยวิธี Box-Jenkins ……….……….……………..……..109
37 CCF ระหวาง β และ α ………………………………………………….….………111
38 η t กับเวลา…………………………………..………………………….…………..114
39 ACF ของอนุกรมเวลา η t ……………………………………………..…….….…..115
40 PACF ของอนุกรมเวลา η t …………………………….…………………….……..116
41 ACF และ PACF ของสวนเหลือจากการพยากรณของอนุกรมเวลา
η t โดยวิธี Box- Jenkins………………….…………..…………………..….118
42 สวนเหลือจากการพยากรณ η t กับเวลา…………..………..……………….……….119
43 ACF และ PACF ของสวนเหลือจากการพยากรณภาวะเงินเฟอโดยวิธี
Box- Jenkins ที่ไดจากตัวแบบ Transfer Function……………………...….…121
44 ACF และ PACF ของสวนเหลือจากการพยากรณ
ที่ไดจากตัวแบบ Transfer Function………….………………………………..123
45 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาที่ไดจากตัวแบบ
Transfer Function ……………………………….…….…………………….124
46 CCF ระหวาง α t และ ˆa t ………………………………………………………..….125
47 คาสังเกตภาวะเงินเฟอกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางที่ไดจากตัวแบบ Transfer Function …..…..………...…126
48 ACF ของอนุกรมเวลาปริมาณเงินตามความหมายแคบรายเดือน……………………128
49 ผลตางอันดับ 1ของอนุกรมเวลาของ
ปริมาณเงินตามความหมายแคบรายเดือน……………………………..………129
50 ACF ของผลตางอันดับ 1ของอนุกรมเวลา
ปริมาณเงินตามความหมายแคบรายเดือน……………………….………….…130
51 ACF ของราคาเฉลี่ยของน้ํามันดิบในตลาดทั่วโลก……………….……..………..….131
52 ผลตางอันดับ 1 ของอนุกรมเวลา
ราคาเฉลี่ยน้ํามันดิบทั่วโลกรายเดือนกับเวลา…………….…….…………...…132

ฐ
ภาพที่ หนา
53 ACF ของผลตางอันดับ 1 อนุกรมเวลาของ
ราคาเฉลี่ยของน้ํามันดิบในตลาดทั่วโลกรายเดือน………………….…………133
54 ACF ของอนุกรมเวลาปริมาณเงินตามความหมายกวางรายเดือน….….………...…..134
55 ผลตางอันดับ 1ของอนุกรมเวลา
ของปริมาณเงินตามความหมายกวางรายเดือนกับเวลา………..……………...135
56 ACF ของผลตางอันดับ 1 ของอนุกรมเวลา
ปริมาณเงินตามความหมายกวางรายเดือน……………………………..……..136
57 ACFของอนุกรมเวลามูลคาสินคานําเขารายเดือน……..…………..………………..137
58 ผลตางอันดับ 1 ของอนุกรมเวลามูลคาสินคานําเขากับเวลา ……………..…………138
59 ACF ของผลตางอันดับ 1 ของอนุกรมเวลามูลคาสินคานําเขารายเดือน……………139
60 Sample autocorrelation matrix function ของตัวแบบ VAR…..………....…....…....140
61 Partial autoregression matrix ของตัวแบบ VAR………………..….…..………….142
62 เมทริกซสหสัมพันธของสวนเหลือจากการพยากรณภาวะเงินเฟอ
ที่ไดจากตัวแบบ VAR………………………………………………..….… 150
63 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาที่ไดจากตัวแบบ VAR ..….…..…150
64 คาสังเกตภาวะเงินเฟอเทียบกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางที่ไดจากตัวแบบ VAR ………………………..……....151

ฑ
 บทที่ 1
บทนํา

ความเปนมาและความสําคัญของปญหา
โดยทั่วไป บุคคลหรือครัวเรือน เมื่อมีรายไดจะนํารายไดมาใชจายในการซื้อสินคาและ
บริการ คาใชจายของบุคคลหรือของครัวเรือนในการซื้อสินคาและบริการจะมากหรือนอยยอมขึ้น
อยูกับภาวะราคาสินคาในปนั้น ๆ วาเปนอยางไร ภาวะราคาสินคาสูงยอมสงผลใหคาใชจายของครัว
เรือนสูงตามไปดวย และในขณะเดียวกันถาภาวะราคาสินคาต่ําก็จะสงผลใหคาใชจายในการซื้อสิน
คาและบริการของครัวเรือนต่ําไปดวย
การศึกษาภาวะราคาสินคาในประเทศใดประเทศหนึ่งเปนสิ่งจําเปน เพราะจะทําให
ทราบเสถียรภาพของราคาสินคาและบริการในประเทศนั้น ภาวะที่ระดับราคาสินคาสูงขึ้นเรื่อย ๆ
(Rising Price) หรือเกิดภาวะเงินเฟอ (Inflation) เปนภาวะการณที่ระดับราคาสินคาและบริการโดย
ทั่วไปเพิ่มขึ้นอยางตอเนื่อง หากภาวะเงินเฟอเพิ่มขึ้นแตเพียงเล็กนอยเปนปกติก็จะสรางสิ่งจูงใจแกผู
ประกอบการ แตหากภาวะเงินเฟอเพิ่มขึ้นมากและผันผวนก็จะสรางความไมแนนอนและกอใหเกิด
ปญหาตอระบบเศรษฐกิจ โดยเฉพาะตอการครองชีพของประชาชน และการขาดเสถียรภาพทาง
เศรษฐกิจ ซึ่งเปนอุปสรรคตอการพัฒนาเศรษฐกิจ ซึ่งจะทราบไดตองใชเวลาเปนเครื่องชี้ ยังไมมีนัก
เศรษฐศาสตรคนใดใหคําตอบอธิบายไดชัดเจนวา ระดับราคาสินคาจะตองสูงรวดเร็วเพียงใด และ
นานเทาไรจึงถือวาเกิดภาวะราคาขึ้น โดยทั่วไปก็ถือวา ถาระดับราคาสูงขึ้นเรื่อย ๆ ก็จัดวาเปนภาวะ
ราคาขึ้น หรือภาวะเงินเฟอ (Inflation) ดวยเหตุนี้ ภาวะราคาขึ้นจึงมีหลายขนาดแตกตางกันตาม
ความรุนแรงของระดับราคาสินคาที่สูงขึ้น เริ่มตั้งแตภาวะราคาขึ้นอยางออนที่ระดับราคาสูงขึ้นชา ๆ
จนถึงภาวะราคาขึ้นอยางรุนแรง (hyperinflation) ที่ระดับราคาสินคาสูงขึ้นรวดเร็ว ทําใหคาของ
เงินลดลง ซึ่งจะสงผลใหผูบริโภคซื้อสินคาไดนอยลงในจํานวนเงินเทาเดิม หรือถาตองการสินคา
ปริมาณเทาเดิมตองใชจํานวนเงินมากขึ้น ยิ่งทําใหประชาชนใชจายเงินมากขึ้น ซึ่งสงผลใหเกิดภาวะ
เงินเฟอรุนแรงมากขึ้น ทําใหเงินที่ออมไวเพื่อใชในอนาคตมีความสามารถในการจับจายนอยลงและ
ยังทําใหรายไดจากดอกเบี้ยเงินฝากมีคาลดลงดวย การที่ระดับราคาสินคาสูงขึ้นเรื่อย ๆ นั้นไมได
หมายความวาราคาสินคาทุกชนิดตองสูงขึ้น ราคาสินคาบางชนิดอาจลดลง ราคาสินคาบางชนิดอาจ
คงที่ก็ได สิ่งสําคัญคือราคาสินคาทั้งหมดรวมกันโดยเฉลี่ยแลวตองสูงขึ้น
1
 2

ถ า ภาวะราคาสิ น ค า ขึ้ น ลงอย า งรวดเร็ ว หรื อ ภาวะเงิ น เฟ อสูงอาจสงผลตอ การเจริญเติบโตของ

เศรษฐกิจของประเทศ ดังนี้
1. สําหรับผูสงออก หากภาวะเงินเฟอในประเทศใดสูงกวาประเทศคูคาหรือประเทศ
คูแขงทางการคาจะทําใหความสามารถในการแขงขันของภาคการสงออกลดลง เพราะคาจางแรง
งานและตนทุนการผลิตในประเทศจะเพิ่มขึ้นตามภาวะเงินเฟอที่สูง และถาสินคาสงออกของ
ประเทศนั้นแขงขันกับประเทศอื่นไมได ก็จะเปนผลเสียตอการเจริญเติบโตทางเศรษฐกิจ การจาง
งานและการผลิต
2. สําหรับประชาชนและผูบริโภค ราคาของสินคาและบริการที่เพิ่มสูงขึ้นจากภาวะเงิน
เฟอทําใหกําลังซื้อของผูบริโภคลดลง หรือจํานวนเงินเทาเดิมแตซื้อสินคาไดนอยลง
3. สําหรับผูออม ภาวะเงินเฟอที่อยูในระดับสูงทําใหเงินที่ออมไวเพื่อใชในอนาคตมี
ความสามารถในการจับจายนอยลงและยังทําใหรายไดจากดอกเบี้ยเงินฝากมีคาลดลงดวย
4. สําหรับภาคธุรกิจ ภาวะเงินเฟอสูงอยางตอเนื่องจะทําใหสาธารณชนและภาคธุรกิจมี
ความไมแนนอนในการวางแผนธุรกิจเนื่องจากไมแนใจวาตนทุนการผลิตในอนาคตจะเพิ่มสูงขึ้น
อยางไร นอกจากนี้อาจมีผลตอเนื่องถึงคาจางแรงงานที่อาจตองปรับสูงขึ้น ทําใหเกิดการคาดการณ
วาราคาสินคาจะแพงอยางตอเนื่องขึ้นในอนาคต สิ่งเหลานี้ลวนแตสรางความไมแนนอนใหแกภาค
ธุรกิจซึ่งไมเปนผลดีตอระบบเศรษฐกิจ
5. สําหรับระบบเศรษฐกิจโดยรวม ภาวะเงินเฟอที่อยูในระดับสูงทําใหการกระจายราย
ไดของคนในประเทศมีความไมเทาเทียมกันมากขึ้น ผูที่มีทรัพยสินคงทน เชน ที่ดิน หรือ ทองคํา
จะไมสูญเสียมูลคาที่แทจริงของทรัพยสินไปกับภาวะเงินเฟอ ในขณะที่ผูที่มีทรัพยสินในรูปของ
เงินสด หรือ เงินฝากตลอดจนผูมีรายไดประจําที่เปนตัวเงินคงที่จะสูญเสียมูลคาที่แทจริงของรายได
และทรัพยสินดังกลาวไปกับภาวะเงินเฟอ
โดยทั่วไปวิธีการวัดภาวะเงินเฟอสามารถวัดไดหลายแบบ ที่นิยมใชมี 2 แบบดวยกันคือ
1. วัดจากอัตราการเปลี่ยนแปลงของดัชนีราคาผูบริโภค (Consumer price index)
2. วัดจากอัตราการเปลี่ยนแปลงของ GNP deflator
ในประเทศไทยดัชนีราคาผูบริโภคจัดทําโดยกรมการคาภายใน กระทรวงพาณิชย ซึ่ง
คํานวณจากคาเฉลี่ยถวงน้ําหนักของราคาสินคาและบริการตางๆที่ผูบริโภคซื้อหาเปนประจํา โดย
น้ําหนักของสินคาและบริการแตละรายการกําหนดจากรูปแบบการใชจายของครัวเรือนซึ่งไดจาก
การสํารวจ
เนื่องจากภาวะเงินเฟอเปนปจจัยสําคัญอยางหนึ่งที่อาจมีผลตอความเจริญเติบโตของ
เศรษฐกิจ ภาวะเงินเฟอที่เกิดขึ้นอยางตอเนื่องและเปนเวลายาวนานอาจเปนอุปสรรคในการรักษา
 3

เสถียรภาพทางเศรษฐกิจของประเทศ ดังนั้นการพยากรณภาวะเงินเฟอในอนาคตจึงมีความสําคัญตอ
การกําหนดนโยบายและวางแผนงานขององคกรตาง ๆ ทั้งภาครัฐและเอกชน
การพยากรณภาวะเงินเฟอไดรับความสนใจจากนักเศรษฐศาสตรอยางมาก ตัวแบบที่นํา
มาใชในการพยากรณภาวะเงินเฟอมีหลายตัวแบบดวยกัน ซึ่งอาจแบงเปนกลุมตามวิธีการที่ใชได
3 กลุมดังนี้
1. การพยากรณเชิงดุลยพินิจ (Judgmental Forecasts) เปนการพยากรณโดยใชความ
คิดเห็นของผูเชี่ยวชาญในเรื่องนั้น ๆ และสารสนเทศบางอยางที่เกี่ยวของ คาพยากรณอาจไดจาก
การสํารวจความคิดเห็นของผูเชี่ยวชาญ แลวนําผลที่ไดมาทําการวิเคราะหสรุปเปนคาพยากรณ วิธี
การพยากรณแบบนี้มอี ยูหลายวิธี วิธีพยากรณที่นิยมใชกันมาก คือ วิธีเดลฟ (Delphi Method )
2. การพยากรณตัวแปรเดียว (Univariate Forecasts) เปนการพยากรณที่ขึ้นอยูกับคา
ปจจุบันและคาในอดีตของอนุกรมเวลาเพียงชุดเดียว วิธีการพยากรณแบบนี้มีอยูหลายวิธี วิธี
พยากรณที่นิยมใชกันมากคือ วิธี Box - Jenkins หรือ ตัวแบบ ARIMA (Autoregressive Integrated
Moving Average) ซึ่งเขียนอยูในรูปทั่วไปดังนี้
()
φp( B) ΦP Bs (1 − B )d ⎛⎜ 1 − B s ⎞⎟
⎝ ⎠
D
zt =
& ()
θq ( B) ΘQ Bs at

⎪ ⎧z t − µ ถา d = D = 0
โดยที่ &
zt = ⎨
⎪⎩z t ถา d > 0 หรือ D > 0
at คือความคลาดเคลื่อนสุม ณ เวลา t มีการแจกแจงแบบหนึ่ง (Fixed Distribution)
มีคาเฉลี่ย = 0 ความแปรปรวนคงที่ = σ 2
φp( B) = ⎛⎜ 1 − φ1 B − Λ − φ p B p ⎞⎟ คือพารามิเตอรอัตถดถอยอันดับ p
⎝ ⎠
θq ( B) = ⎛⎜ 1 − θ1B − Λ − θ q B q ⎞⎟ คือพารามิเตอรเฉลี่ยเคลื่อนที่อันดับ q
⎝ ⎠
ΘQ Bs () = ⎛⎜ 1 − Θ s B s − Θ 2s B 2s − Θ Qs B Qs ⎞⎟ คือพารามิเตอรเฉลี่ยเคลื่อนที่ของฤดู
⎝ ⎠
กาลอันดับ Q
ΦP Bs() = ⎛⎜ 1 − Φ s B s − Φ 2s B s − Λ Φ Ps B Ps ⎞⎟ คือพารามิเตอรอัตถดถอยของ
⎝ ⎠
ฤดูกาลอันดับ P
(1 − B )d คือ ผลตางในสวนที่ไมใชฤดูกาล
(1 − Bs )D คือ ผลตางในสวนของฤดูกาล
ซึ่งแทนตัวแบบนี้ดวย ARIMA (p , d , q)(P , D , Q)s
 4

แตในกรณีที่อนุกรมเวลาที่ศึกษาเกิดการเปลี่ยนแปลงอยางฉับพลันและสงผลกระทบตอ
การพยากรณคาในอนาคต จะใชตัวแปรดัมมี่รวมกับการใชตัวแบบ ARIMA เรียกตัวแบบนี้วา
ตัวแบบการแทรกแซง (Intervention Model) วิธีทั่วไปที่นิยมใชในการกําหนดตัวแปรดัมมี่มีดวยกัน
2 แบบ คือ ตัวแปรขั้นตอน และ ตัวแปรกระตุน เมื่อ
⎧0 กอนเกิดเหตุการณ ⎫ ⎧1 เกิดเหตุการณ ⎫
ตัวแปรขั้นตอน คือ S t = ⎨ ⎬ ; ตัวแปรกระตุน คือ Pt = ⎨ ⎬
⎩1 หลังเกิดเหตุการณ ⎭ ⎩0 ไมเกิดเหตุการณ ⎭
3. การพยากรณหลายตัวแปร (Multivariate Forecasts) คือการพยากรณที่ใชอนุกรม
เวลามากกวาหนึ่งชุด ตัวแบบการพยากรณในกลุมนี้ที่นิยมใชไดแก
ตัวแบบถดถอย (Regression Model) คือตัวแบบที่คาสังเกตของตัวแปรที่ศึกษาเรียกวา
ตัวแปรตามขึ้นอยูกับคาสังเกตของตัวแปรอื่นเรียกตัวแปรอิสระ ตัวแบบเขียนไดดังนี้
= βT x t + ε t
zt
โดยที่ z t คือคาสังเกตของตัวแปรตามที่เวลา t
x t คือเวคเตอรของตัวแปรอิสระที่เวลา t
β คือเวคเตอรของสัมประสิทธถดถอย
εt คือความคลาดเคลื่อนสุม ณ เวลา t ซึ่งมีขอสมมติวา ε t ~ N⎛⎜ 0, σ 2 ⎞⎟ ไมมีสหสัมพันธ
⎝ ⎠
กัน นั่นคือ Cov( ε i , ε j ) = 0 , i ≠ j และไมมีสหสัมพันธกับ x t
ตัวแบบTransfer Function คือตัวแบบที่คาสังเกตของตัวแปรตามเปนฟงกชันของ
คาสังเกตในอดีตและปจจุบันของอนุกรมเวลาของตัวแปรอิสระที่สัมพันธกันซึ่งเขียนไดเปน
z t = ν( B) x t + η t
โดยที่ ν( B) = ν 0 + ν1 B + ν 2 B 2 + ... เรียกเทอมนี้วา Transfer Function
ν 0 , ν1 , ν 2 ,... เรียกวา Impulse Response Weights
ηt คือความคลาดเคลื่อนสุมซึ่งเรียกวา Noise Model เราสามารถเขียน

ω h ( B) B b
ν ( B) =
δ r ( B)
โดยที่ ω h ( B ) = ω0 − ω1 B − ... − ω h B h
δr (B) = 1 − δ1 B − ... − δ r B r
ซึ่ง b เปน delay parameter ซึ่งเปนจํานวนคาบเวลากอนที่ตัวแปร x จะสงผลตอ z t
ตัวแบบ VARMA (Vector Autoregressive Moving Average Models) เปนตัวแบบที่
อธิบายลักษณะความสัมพันธซึ่งกันและกันระหวางอนุกรมเวลาหลายอนุกรม ตัวแบบ VARMA
 5

แทนในรูปทั่วไปดวย VARMA (p,q) ซึ่งสามารถเขียนในรูป

Φ(B)Z&t = Θ(B)At
โดยที่ Z&t = Z t − µ คือ เวคเตอรของคาสังเกต ณ เวลา t ของตัวแปรทั้งหมดในรูปของผล
ตางคาเฉลี่ย ในที่นี้สมมติมีอนุกรมเวลาของตัวแปรทั้งหมด m อนุกรม
A t คือ เวคเตอรของความคลาดเคลื่อนสุม ณ เวลา t
Φ(B), Θ(B) คือ เมทริกซโพลิโนเมียลของ backshift operator B อันดับ p และ q ตามลําดับ
เมื่อ Φ(B) = ⎛⎜ I − Φ 1 B − Φ 2 B 2 − Λ − Φ p B p ⎞⎟
⎝ ⎠
Θ(B) = ⎛⎜ I − Θ B − Θ B 2 − ... − Θ B q ⎞⎟
1 2 q ⎠
⎝
I คือ เมทริกซเอกลักษณ ขนาด m × m
Φ1 , Φ 2 , … , Φ p และ Θ1 , Θ 2 , … , Θ q คือ เมทริกซพารามิเตอรขนาด
m × m เมื่อ m คือจํานวนตัวแปรทั้งหมด
เนื่องจากการวิเคราะหขอมูลโดยพิจารณาจาก Sample autocorrelation matrix function
และ Partial autoregression matrix พบวาคาประมาณเมทริกซสหสัมพันธในตัวเองมีลักษณะลดลง
แบบเอกโปเนนเชียล และคาประมาณเมทริกซสัมประสิทธิ์อัตถดถอยบางสวนไมมีลักษณะของ
รูป MA (q = 0) ดังนั้นตัวแบบที่นาจะเปนไปไดคือตัวแบบ Vector Autoregressive อันดับ p แทน
ดวย VAR(p) ซึ่งตัวแบบทั่วไปเขียนไดเปน Φ(B)Z&t = A t
นอกจากนี้ยังมีตัวแบบที่นักเศรษฐศาสตรนิยมใชอยางมากในการพยากรณภาวะเงินเฟอ
อีกตัวแบบหนึ่ง คือ ตัวแบบอัตราดอกเบี้ย (Interest Rate Model)
ตัวแบบอัตราดอกเบี้ย (Interest Rate Model) คือตัวแบบการพยากรณภาวะเงินเฟอ
โดยใชคาสังกตของอัตราดอกเบี้ยที่เปนตัวเงิน จากสมการของฟชเชอร (Fisher Equation)
(Fisher 1963 อางใน Fama and Gibbons (1984) )
TB t −1 = ER t −1 + EI t −1 (1)
เมื่อ TB t −1 คือ อัตราดอกเบี้ยที่เปนตัวเงินซึ่งจะไดรับที่เวลา t เมื่อสังเกตที่เวลา t-1
ER t −1 คือ คาคาดหมายของผลตอบแทนที่แทจริงสําหรับเวลา t เมื่อสังเกตที่เวลา t-1
EI t −1 คือ คาคาดหมายของภาวะเงินเฟอที่ เวลา t เมื่อสังเกตที่เวลา t-1
ดังนั้นในการพยากรณคาคาดหมายของภาวะเงินเฟอจากตัวแบบอัตราดอกเบี้ยนี้ ตองหาคาคาดหมาย
ของผลตอบแทนที่แทจริง ER t −1 กอน วิธีที่นิยมใชในการหาคาคาดหมายของผลตอบแทนที่แทจริง
คือ
1. วิธี Box - Jenkins
 6

2. วิธีการปรับใหเรียบแบบเอ็กโปเนนเชียล
ตัวแบบอัตราดอกเบี้ยที่คาคาดหมายของผลตอบแทนที่แทจริงหาโดยใชวิธีปรับใหเรียบมีชื่อเรียกวา
ตัวแบบอัตราดอกเบี้ย Naive
Fama (1975) ใชแนวความคิดของตัวแบบอัตราดอกเบี้ยในการพยากรณภาวะเงินเฟอ
โดยมีขอสมมติวาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริง ER t −1 มีคาคงที่ และ
พยากรณภาวะเงินเฟอของสหรัฐอเมริกาในระหวางป ค.ศ.1953-1971 โดยใชตัวแบบถดถอย ซึ่งมี
ขอสมมติวาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริง ER t −1 รวมอยูใน β 0
I t = β 0 + β1TB t −1 + ε t
โดยที่ I t คือ คาสังเกตของภาวะเงินเฟอที่เวลา t
β 0 , β1 คือ พารามิเตอรถดถอย
εt คือ ความคลาดเคลื่อนสุม
Hess and Bicksler (1975) พบวาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่
แทจริงไมไดคงที่ แตผันแปรตามเวลา จากการศึกษาของ Fama (1976) , Garbade and Wachtel
(1978) และ Fama and Gibbons (1982) พบวาถาคาคาดหมายของผลตอบแทนที่แทจริงมีลักษณะ
เปน Random walk สามารถใชอัตราดอกเบี้ยในการพยากรณภาวะเงินเฟอไดดี จากการศึกษาของ
Fama and Gibbons (1984)โดยใชขอมูลอัตราดอกเบี้ยรายเดือนของสหรัฐอเมริกา ในป ค.ศ. 1953-
1977 พบวาการเปลี่ยนแปลงของอัตราดอกเบี้ยหลังหักอิทธิพลของภาวะเงินเฟอออกแลว
( TB t −1 - I t ) สามารถอธิบายไดดวยตัวแบบเฉลี่ยเคลื่อนที่ ดังนั้น อัตราดอกเบี้ยหลังหักอิทธิพลของ
ภาวะเงินเฟอออกไปแลว หรือ ผลตอบแทนที่แทจริงสําหรับเวลา t เขียนไดเปน
TB t −1 - I t = ER t −1 + ξ t (2)
เมื่อ ξ t คือ ความคลาดเคลื่อนของผลตอบแทนที่แทจริงที่เวลา t
และผลตางระหวาง ผลตอบแทนที่แทจริง ที่เวลา t และ t-1 คือ
( TB t −1 - I t ) - ( TB t − 2 - I t −1 ) = ∆ER t −1 + ξ t - ξ t −1 (3)
เมื่อ ∆ER t −1 คือ การเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริงระหวางเวลา t-1
กับ t ถา ER t −1 มีพฤติกรรมเปน Random walk ∆ER t −1 และ ξ t เปนกระบวนการ white
noise คือ ∆ER t −1 และ ξ t เปนตัวแปรสุม ซึ่งไดจากการแจกแจงแบบหนึ่งที่มีคาเฉลี่ยคงที่ มัก
สมมติวาเปนศูนย ความแปรปรวนคงที่ และไมมีสหสัมพันธในตัวเองเชนเดียวกับตัวแปร
ความคลาดเคลื่อน a t ดังนั้นจึงใชตัวแปร a t แทน ∆ER t −1 และ ξ t ผลตางระหวางผลตอบ
แทนที่แทจริง ที่เวลา t และ t-1 สามารถแทนดวยกระบวนเฉลี่ยเคลื่อนที่อันดับที่ 1 (first - order
moving average process) ดังนี้
 7

( TB t −1 - I t ) - ( TB t − 2 - I t −1 ) = a t - θa t −1 (4)
เมื่อ θ คือพารามิเตอรของตัวแบบเฉลี่ยเคลื่อนที่อันดับที่ 1 ดังนั้นคาพยากรณคาคาดหมายของผล
ตอบแทนที่แทจริงที่เวลา t สามารถคํานวณไดจากสมการ
EˆR t −1 = TB t − 2 - I t −1 - θ̂a t −1
จากตัวแบบในสมการ (1) สามารถคํานวณคาคาดหมายของภาวะเงินเฟอที่เวลา t ( EI t −1 )ซึ่งใชใน
การพยากรณภาวะเงินเฟอ (ˆIt )ไดดังนี้
ˆIt = EI t −1 = TB t −1 - EˆR t − 1 (5)
สําหรับตัวแบบอัตราดอกเบี้ย Naive ซึ่งใชเทคนิคการปรับใหเรียบแบบเอ็กโปเนนเชียล
กับคาคาดหมายของผลตอบแทนที่แทจริง ( ER t −1 ) เทคนิคที่นิยมใชในการทําใหเรียบ คือการใชคา
เฉลี่ยเคลื่อนที่ ให ERˆN t −1 เปนคาพยากรณของคาคาดหมายของผลตอบแทนที่แทจริงที่เวลา t ที่
ไดจากการทําใหเรียบ ดังนั้นคาพยากรณของภาวะเงินเฟอที่เวลา t คํานวณดังนี้
ˆIt = TB t −1 - ERˆN t −1
การตรวจสอบความสามารถในการพยากรณของตัวแบบที่ใชพยากรณนั้น อาจทําได
โดยใชการพยากรณ 2 แบบ คือ
1. คาพยากรณนอกชวงตัวอยาง (Out- of - sample forecasts) หรือ ทางเศรษฐศาสตร
เรียกวา ex ante forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบไปพยากรณคาในอนาคตของ
คาสังเกตที่อยูนอกชวงขอมูลที่ใชในการหาตัวแบบ
2. คาพยากรณภายในชวงตัวอยาง (In - sample forecasts) หรือ ทางเศรษฐศาสตร
เรียกวา ex post forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบพยากรณคาของขอมูลที่ใช
ในการกําหนดตัวแบบนั้น
การเปรียบเทียบประสิทธิภาพระหวางตัวแบบตาง ๆ ที่ใชในการพยากรณสามารถทําได
หลายลักษณะ โดยทั่วไปจะพิจารณาตามแนวทางตอไปนี้
1. การตรวจสอบความสอดคลองระหวางคาสังเกตกับคาพยากรณ ตัวแบบที่ดีควร
ใหคาพยากรณใกลเคียงคาสังเกต ตัวสถิติที่ใชในการตรวจสอบความสอดคลองมีหลายแบบ ที่ได
รับความนิยมคือ
⎛ 100 ⎞ n e
MAPE : (Mean Absolute Percent Error) MAPE = ⎜⎜ ⎟⎟ ∑ ˆa t I t
⎝ n e ⎠ t =1
1 ne
∑ (ˆa t )
2
RMSE : (Root Mean Square Error) RMSE =
n e i =1
 8

2
1 ne
MSE : (Mean Square Error) MSE = ∑ (ˆa t )
n e t =1
1 ne
MAE : (Mean Absolute Error ) MAE = ∑ ˆa t
ne t =1
โดยที่ ât คือ ความคลาดเคลื่อนในการพยากรณ ( I t − ˆI t ) หรือสวนเหลือ ณ เวลา t
It คือ คาสังเกตของอนุกรมเวลา ณ เวลา t
ˆIt คือ คาพยากรณของ It ที่ไดจากตัวแบบ
ne คือ จํานวนคาความคลาดเคลื่อนในการพยากรณ
ตัวแบบที่ดีควรใหคา MAPE , RMSE , MSE , MAE ต่ํา
2. การทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตกับคาพยากรณที่ได
จากตัวแบบในการตรวจสอบจะใชสมการถดถอยของคาสังเกตบนคาพยากรณจากตัวแบบที่ทดสอบ
I t = β 0 + β1ˆIt + ε t
เมื่อ I t คือคาสังเกตของอนุกรม ณ เวลา t
ˆIt คือคาพยากรณที่ไดจากตัวแบบทดสอบ
β 0 , β1 คือ พารามิเตอรถดถอย
ε t คือ ความคลาดเคลื่อนสุม ε t ~ N(0, σ 2 ) และ ε i , ε j ไมมีสหสัมพันธกัน (Uncorrelated)
ถาปฏิเสธสมมติฐานหลัก H 0 : β 0 = 0 และ/หรือ H 0 : β1 = 1 ที่ระดับนัยสําคัญที่กําหนดแลวจะ
สรุปคาพยากรณจากตัวแบบที่ทดสอบมีความเอนเอียง
3. การตรวจสอบการมีสวนรวมในการอธิบายภาวะเงินเฟอระหวางคาพยากรณที่
ไดจากแตละตัวแบบ โดยใชสมการถดถอยพหุคูณของคาสังเกตบนคาพยากรณจากตัวแบบ 2 ตัว
แบบใด ๆ I t = β 0 + β1ˆIti + β 2ˆItj + ε t
เมื่อ ˆIti และ ˆIt j คือ คาพยากรณที่ไดจากตัวแบบ i และตัวแบบ j ณ เวลา t ตามลําดับ
β 0 , β1 , β 2 คือ พารามิเตอรถดถอย
ε t ~ N(0, σ 2 )และ ε i , ε j ไมมีสหสัมพันธกัน (Uncorrelated)
ทําการทดสอบสมมติฐาน H 0 : β1 = β 2 = 0 , H1 : H 0 ไมเปนจริง ถาปฏิเสธสมมติฐาน
H 0 : β1 = β 2 = 0 ที่ระดับนัยสําคัญ α แสดงวาคาสังเกตมีความสัมพันธเชิงเสนกับคาพยากรณ
ของตัวแบบอยางนอยหนึ่งตัวแบบ และทําการทดสอบนัยสําคัญของพารามิเตอร H 0 : β j = 0
H 1 : β j ≠ 0 เมื่อ j = 1,2 ถายอมรับ H 0 : β 2 = 0 และปฏิเสธ H 0 : β1 = 0 แสดงวาคา
พยากรณจากตัวแบบ I j ไมไดใหสารสนเทศในการอธิบายความผันแปรของคาสังเกตของอนุกรม
 9

เวลาเพิ่มจากสวนที่ I i ไดอธิบายไวแลว ถายอมรับ H 0 : β1 = 0 และปฏิเสธ H 0 : β 2 = 0

แสดงวาคาพยากรณจากตัวแบบ I i ไมไดใหสารสนเทศในการอธิบายความผันแปรของคาสังเกต
ของอนุกรมเวลาเพิ่มจากสวนที่ I j ไดอธิบายไวแลว ถายอมรับทั้ง H 0 : β1 = 0 และ
H 0 : β 2 = 0 แสดงวาคาพยากรณจากตัวแบบทั้ง 2 ใหสารสนเทศเดียวกัน ถาปฏิเสธทั้ง
H 0 : β1 = 0 และ H 0 : β 2 = 0 แสดงวาทั้ง 2 ตัวแบบมีสวนรวมในการอธิบายความผันแปรของ
คาสังเกต
เนื่องจากการเกิดภาวะเงินเฟออยางสูงจะสงผลเสียกับเศรษฐกิจของประเทศในหลาย ๆ
ดานดวยกัน ดังนั้นการทราบคาภาวะเงินเฟอในอนาคตจึงมีความสําคัญ มีนักวิจัยหลาย ๆ ทาน
พยายามหาตัวแบบที่เหมาะสมเพื่อใชในการพยากรณภาวะเงินเฟอ

Fama and Gibbons (1984) ไดเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงิน

เฟอ 1 เดือนลวงหนา ระหวางตัวแบบARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบอัตราดอกเบี้ยแบบ
Naive และ เปรียบเทียบประสิทธิภาพในการพยากรณ 8 เดือนและ 14 เดือนลวงหนาระหวางวิธี
เหลานี้กับคาพยากรณจาก Livingston survey ซึ่งใชขอมูลดัชนีราคาผูบริโภคและอัตราดอกเบี้ยของ
พันธบัตรรายเดือนในสหรัฐอเมริการะหวางป ค.ศ. 1953-1977 นอกจากนั้นยังไดเปรียบเทียบตัว
แบบในการทดสอบความเอนเอียงและวิเคราะหการมีสวนรวมในการพยากรณภาวะเงินเฟอ 8 เดือน
และ 14 เดือนลวงหนาลวงหนาดวย

Hafer and Hien (1985) เปรียบเทียบความถูกตองของคาพยากรณภาวะเงินเฟอที่ได

จากตัวแบบ 3 ตัวแบบคือตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ยของ Fama and Gibbons และคา
พยากรณจากการสํารวจซึ่งจัดทําโดย ASA-NBER (American Statistical Association – National
Bureau of Economic Research) ซึ่งใชขอมูลGNP deflator และอัตราดอกเบี้ยพันธบัตรรายไตร
มาสในชวง 1953 ถึง 1969 โดยในการเปรียบเทียบใชคา MAE MSE และ RMSE ตลอดจนเปรียบ
เทียบโดยใชการทดสอบความเอนเอียงและมีการสวนรวมเชนกัน

Hafer and Hien (1990) ไดขยายการศึกษาโดยทําการเปรียบเทียบการพยากรณภาวะ

เงินเฟอระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย โดยใชขอมูลอัตราดอกเบี้ยและดัชนีราคาผู
บริโภคของประเทศตาง ๆ 6 ประเทศ
 10

Valle and H e ′ ctor (2002) ศึกษาภาวะเงินเฟอในประเทศกัวเตมาลา (Guatemala)

โดยใชดัชนีราคาผูบริโภค ตัวแบบที่ใชในการศึกษาคือ ตัวแบบ ARIMA และตัวแบบ VAR ซึ่ง
ประกอบดวยตัวแปร ภาวะเงินเฟอ ดัชนีทางเศรษฐกิจรายเดือน (Monthly Index of Economic
Activity) ราคาน้ํามันระหวางประเทศ (International Oil Price) อัตราดอกเบี้ยเงินฝากระยะยาว
(Long Term Deposit Rate) อัตราแลกเปลี่ยน (Exchange Rante) เงินตราที่นอกเหนือจากเงิน
ฝากรวมเงินสดที่ธนาคารเก็บไว (Emision (Currency Issue) = Currency outside deposit money
bank, plus cash in vault of the banks ) โดยใชตัวแบบ ARIMA และตัวแบบ VAR ธรรมดา

งานวิจัยเกี่ยวกับภาวะเงินเฟอในประเทศไทย
ภยันต บรรเทาทุกข (2537) ไดศึกษาผลกระทบของการปรับตัวของรายไดและรายจาย
ภาครัฐบาลที่มีตอภาวะเงินเฟอ บนพื้นฐานของสมมติฐานของ Aghevli-khan การศึกษาครั้งนี้ใชขอ
มูลรายไตรมาสของรายไดและรายจายของรัฐบาล ปริมาณเงิน ระดับราคาและผลิตภัณฑมวลรวม
รายไดในประเทศตั้งแตป 2520- 2533 ผลจากการศึกษาพบวาสมมติฐานของ Aghevli-khan ดัง
กลาวไมเปนจริง

กรรณิการ ตรีภักดีตระกูล (2538) ศึกษาการทดสอบความสัมพันธเชิงเหตุผลระหวาง

การเปลี่ยนแปลงของคาจางขั้นต่ํากับภาวะเงินเฟอในประเทศไทย ผลการศึกษาพบวาการเปลี่ยน
แปลงคาจางขั้นต่ําเปนสาเหตุหนึ่งที่ทําใหเกิดภาวะเงินเฟอ แตภาวะเงินเฟอไมไดเปนสาเหตุของการ
เปลี่ยนแปลงคาจางขั้นต่ํา

มนตทิพย สัมพันธวงศ (2539) ศึกษาความสัมพันธระหวางภาวะเงินเฟอและการออม

ครัวเรือน โดยใชขอมูลตั้งแตป พ.ศ. 2513 ถึง พ.ศ. 2537 พบวาปจจัยที่มีผลตอการเปลี่ยนแปลง
ภาวะเงินเฟออยางมีนัยสําคัญทางสถิติ คือ การเปลี่ยนแปลงของปริมาณเงิน และการเปลี่ยนแปลง
ราคาสินคานําเขา

นภาพร เลขาวิวัฒนกุล (2539) ใชสมการถดถอยเชิงเสนพหุคูณวิเคราะหปจจัยที่มีผล

กระทบตอภาวะเงินเฟอของประเทศ ในชวงป พ.ศ. 2514 - 2538 พบวาปจจัยที่มีผลกระทบตอ
ภาวะเงินเฟอที่ระดับนัยสําคัญ 0.01 ประกอบดวย ปริมาณเงิน อัตราคาจางขั้นต่ํา ดัชนีราคานําเขา
สินคาและบริการ ดัชนีราคาผูบริโภคในปที่ผานมา 1 ป
 11

จากความเปนมาที่ไดกลาวขางตน จะเห็นวาการทราบแนวโนมในอนาคตของภาวะเงิน
เฟอนั้นมีความสําคัญอยางยิ่ง ดังนั้นถาสามารถหาวิธีการพยากรณภาวะเงินเฟอที่เหมาะสมไดนาจะ
มีประโยชนในหลาย ๆ ดาน
จากการค น ควาพบว าการศึกษาเกี่ยวกับภาวะเงินเฟอในประเทศไทยสวนใหญมีจุด
ประสงคเพื่อศึกษาหาปจจัยตาง ๆ ที่สงผลตอภาวะเงินเฟอมากกวาการพยากรณคาภาวะเงินเฟอใน
อนาคต ดังนั้นผูวิจัยจึงสนใจศึกษาตัวแบบสําหรับการพยากรณภาวะเงินเฟอ เนื่องจากตัวแบบ
อนุกรมเวลาใชเพียงอนุกรมของคาภาวะเงินเฟอเพียงอยางเดียวในการวิเคราะห สวนตัวแบบอัตรา
ดอกเบี้ยพิจารณาคาคาดหมายของผลตอบแทนที่แ ทจ ริงในการพยากรณภาวะเงินเฟอดวยโดย
คํานวณจากผลตางระหวางอัตราดอกเบี้ยซื้อคืนเฉลี่ยกับคาพยากรณคาคาดหมายของผลตอบแทนที่
แทจริง แตเนื่องจากภาวะเงินเฟออาจไดรับอิทธิพลจากอัตราดอกเบี้ย ณ เวลาเดียวกันและในอดีต
ผูวิจัยจึงสนใจที่จะศึกษาการพยากรณภาวะเงินเฟอโดยใชตัวแบบ Transfer Function ดวย นอกจาก
นี้ผูวิจัยยังสนใจศึกษาปจจัยตาง ๆ ที่นาจะมีความสัมพันธกับภาวะเงินเฟอ ไดแก ขอมูลดัชนีราคาผู
บริโภค อัตราดอกเบี้ยซื้อคืนเฉลี่ย ปริมาณเงินตามความหมายแคบ ราคาเฉลี่ยน้ํามันดิบในตลาดทั่ว
โลก ปริมาณเงินตามความหมายกวาง และมูลคาสินคานําเขา ซึ่งภาวะเงินเฟอ อาจไดรับอิทธิพล
จากปจจัยเหลานี้และสงผลกระทบตอปจจัยเหลานี้ ณ เวลาเดียวกันและในอดีต ผูวิจัยจึงสนใจ
ศึกษาใชตัวแบบ VAR ในการวิเคราะหภาวะเงินเฟอในประเทศไทยดวย

วัตถุประสงคของการศึกษา
1. เพื่อศึกษาลักษณะความผันแปรของภาวะเงินเฟอในประเทศไทย
2. เพื่อหาตัวแบบพยากรณภาวะเงินเฟอของประเทศไทยโดยใชตัวแบบ ARIMA
ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR
3. เพื่อเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอของประเทศไทย
ระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR

ขอบเขตของการศึกษา
1. ขอมูลที่ใชในงานวิจัยเปนขอมูลทุติยภูมิประกอบดวย ดัชนีราคาผูบริโภค โดยใชป
2541 เปนปฐาน อัตราดอกเบี้ยซื้อคืนเฉลี่ย ปริมาณเงินตามความหมายแคบ ราคาเฉลี่ยน้ํามันดิบใน
ตลาดทั่วโลก ปริมาณเงินตามความหมายกวาง และมูลคาสินคานําเขา ขอมูลที่ใชเหลานี้เปนขอ
มูลรายเดือนตั้งแตเดือนมกราคม 2540 ถึง ธันวาคม 2544
 12

ซึ่งขอมูลดัชนีราคาผูบริโภค อัตราดอกเบี้ยซื้อคืนเฉลี่ย ปริมาณเงินตามความหมาย

แคบ ปริมาณเงินตามความหมายกวาง และมูลคาสินคานําเขาของประเทศไทย ไดจากธนาคาร
แหงประเทศไทย และราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก ไดจากวารสารนโยบายพลังงาน
กระทรวงพลังงาน
2. ในการกําหนดตัวแบบที่ใชในการพยากรณภาวะเงินเฟอในประเทศไทยโดยวิธีการที่
ไดกลาวมาขางตนจะใชขอมูลดังนี้
1. ตัวแบบ ARIMA ใชขอมูลดัชนีราคาผูบริโภค
2. ตัวแบบอัตราดอกเบี้ย ใชขอมูลดัชนีราคาผูบริโภค และ อัตราดอกเบี้ยซื้อคืน
เฉลี่ย
3. ตัวแบบ Transfer Function ใชขอมูลดัชนีราคาผูบริโภค และอัตราดอกเบี้ยซื้อ
คืนเฉลี่ย
4. ตัวแบบ VAR ใชขอมูลดัชนีราคาผูบริโภค อัตราดอกเบี้ยซื้อคืนเฉลี่ย
ปริมาณเงินตามความหมายแคบ ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก ปริมาณเงินตามความหมาย
กวาง และมูลคาสินคานําเขา
3. ในการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอในประเทศไทย ทําใน
3 แนวทางตามที่ไดกลาวมาแลวขางตนคือ
1. การตรวจสอบความสอดคลอง
1 ne ⎛ 100 ⎞ n e
∑ (ˆa t ) และMAPE =
2
โดยใชตวั สถิติ RMSE = ⎜⎜ ⎟⎟ ∑ ˆa t I t
ne i =1 ⎝ n e ⎠ t =1
โดยที่ ât คือ ความคลาดเคลื่อนในการพยากรณ ( I t − ˆI t ) หรือสวนเหลือ ณ เวลา t
It คือ คาสังเกตของอนุกรมเวลา ณ เวลา t
ˆIt คือ คาพยากรณของ It ที่ไดจากตัวแบบ
ne คือ จํานวนคาความคลาดเคลื่อนในการพยากรณ
2. การทดสอบความเอนเอียง (Bias Test)
3. การตรวจสอบการมีสวนรวม
เนื่องจากตัวสถิติ RMSE เปนตัวสถิติที่นิยมใชในการเปรียบเทียบความถูกตองในการ
พยากรณของตัวแบบตาง ๆ โดยใหน้ําหนักของความคลาดเคลื่อนขนาดใหญมากกวาความคลาด
เคลื่อนขนาดเล็ก สวนตัวสถิติ MAPE เปนตัวสถิติที่พิจารณาในรูปเปอรเซนตของคาความเคลื่อน
สมบูรณเฉลี่ย ซึ่งตัวแบบที่ดีควรใหคา RMSE และ MAPE ต่ํา
 13

ขั้นตอนการศึกษา
1. ศึกษาวิธีการพยากรณ ปจจัยตาง ๆ และตัวแบบตาง ๆ สําหรับใชในการพยากรณ
ภาวะเงินเฟอ เก็บรวบรวมขอมูล
2. ตรวจสอบขอมูลเบื้องตนเพื่อตรวจลักษณะของอนุกรมเวลาของคาสังเกตและตรวจ
หาคาผิดปกติ
3. วิเคราะหอนุกรมเวลาโดยใชตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย
ตัวแบบ Transfer Function และ ตัวแบบ VAR
4. เปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอของประเทศไทยระหวาง
ตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR
5. สรุปผลการวิจัยและขอเสนอแนะ

ประโยชนที่คาดวาจะไดรับ
1. ทราบถึงลักษณะการเปลี่ยนแปลงของภาวะเงินเฟอซึ่งอาจนํามาใชเปนแนวทางใน
การกําหนดนโยบายดานการเงิน การลงทุนของธุรกิจบริหารประเทศไดอยางเหมาะสม
2. ทราบถึงตัวแบบที่เหมาะสมสําหรับการพยากรณภาวะเงินเฟอของประเทศไทยใน
อนาคต
3. เพื่อเปนแนวทางในการศึกษาคนควา วิจัย วิธีพยากรณอื่น ๆ ที่มีประสิทธิภาพ
มากยิ่งขึ้นตอไป

แหลงที่มาของขอมูล
ขอมูลดัชนีราคาผูบริโภค อัตราดอกเบี้ยซื้อคืนเฉลี่ย ปริมาณเงินตามความหมายแคบ
ปริมาณเงินตามความหมายกวาง และมูลคาสินคานําเขา ไดจาก website http//www.bot.or.th ของ
ธนาคารแหงประเทศไทย เมื่อวันที่ 27 สิงหาคม พ.ศ. 2545 สวนราคาเฉลี่ยน้ํามันดิบในตลาดทั่ว
โลก ไดจากวารสารนโยบายพลังงาน กระทรวงพลังงาน

นิยามศัพท
1. ดัชนีราคาผูบริโภค (Consumer price index) คือ ดัชนีที่ใชวัดราคาโดยเฉลี่ยของสิน
คาเพื่อการบริโภคเทียบกับราคาในปฐานที่เทากับ 100 ในที่นี้ใชป 2541 เปนปฐาน
2. ภาวะเงินเฟอ (Inflation) หรือภาวะราคาสินคาขึ้น (Rising price) คือ ภาวะการณที่
ระดับราคาสินคาและบริการโดยทั่วไปเพิ่มขึ้นอยางตอเนื่อง
 14

3. อัตราดอกเบี้ยที่เปนตัวเงิน (Nominal interest rate) คือ อัตราดอกเบี้ยที่ระบุในสัญญา

กูหรือตราสารหนี้
4. อัตราดอกเบี้ยซื้อคืนเฉลี่ย (Nominal interest repurchase rates) คือ อัตราดอกเบี้ย
ในตลาดเงินที่ใชในการซื้อขายโดยเฉลี่ย (รอยละ)
5. อัตราดอกเบี้ยที่แทจริง (Real interest rate) หรือผลตอบแทนที่แทจริง คือ อัตรา
ดอกเบี้ยที่ไดขจัดเงินเฟอออกไปแลว
6. มูลคาสินคานําเขา (Total imports) คือ มูลคาสินคานําเขาทั้งหมดที่นําเขาใน
ประเทศ (ลานบาท)
7. ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude oil prices) คือ ราคาน้ํามันดิบในตลาด
ทั่วโลกซึ่งเปนคาเฉลี่ย (ดอลลาร/บารเรล)
8. คาพยากรณนอกชวงตัวอยาง (Out- of - sample forecasts) หรือ ทางเศรษฐศาสตร
เรียกวา ex ante forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบไปพยากรณคาในอนาคตของ
คาสังเกตที่อยูนอกชวงขอมูลที่ใชในการหาตัวแบบ
9. คาพยากรณภายในชวงตัวอยาง (In - sample forecasts) หรือ ทางเศรษฐศาสตร
เรียกวา ex post forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบพยากรณคาของขอมูลที่ใช
ในการกําหนดตัวแบบนั้น
10. ปริมาณเงินตามความหมายแคบ (Narrow money) คือปริมาณเงินที่หมุนเวียนในมือ
ประชาชน ประกอบดวยธนบัตรและเหรียญกษาปณในมือประชาชนและเงินฝากเผื่อเรียกของ
ประชาชนที่ระบบธนาคาร
11. ปริมาณเงินตามความหมายกวาง(Broad money) คือปริมาณเงินที่หมุนเวียนในมือ
ประชาชน นอกจากประกอบดวยธนบัตรและเหรียญกษาปณในมือประชาชนและเงินฝากเผื่อเรียก
แลว ยังรวมเงินฝากประจําและออมทรัพยที่ระบบธนาคารอีกดวย
12. ประสิทธิภาพของตัวแบบ คือความสอดคลองระหวางคาสังเกตกับคาพยากรณ
ความไมเอนเอียง และความสามารถในการอธิบายความผันแปรของคาพยากรณซึ่งวัดโดยพิจารณา
จากการมีสวนรวมของแตละคูของตัวแบบ
12.1 การตรวจสอบความสอดคลองระหวางคาสังเกตกับคาพยากรณ โดยใชตัว
สถิติ Root Mean Square Error และ Mean Absolute Percent Error ตัวแบบที่มีประสิทธิภาพดีควร
ใหคา Root Mean Square Error และคา Mean Absolute Percent Error ต่ํา
12.2 การทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตกับคาพยากรณที่ได
จากตัวแบบโดยใชสมการถดถอย I t = β 0 + β1ˆIt + ε t ถาปฏิเสธสมมติฐานหลัก H 0 : β 0 = 0
 15

และ/หรือ H 0 : β1 = 1 ที่ระดับนัยสําคัญที่กําหนด สรุปวาคาพยากรณที่ไดจากตัวแบบที่ทดสอบมี

ความเอนเอียง
12.3 การตรวจสอบการมีสวนรวมในการอธิบายภาวะเงินเฟอระหวางคาพยากรณ
ที่ไดจากแตละตัวแบบ โดยใชสมการถดถอยพหุคูณของคาสังเกตบนคาพยากรณจากตัวแบบ 2 ตัว
แบบใด ๆ ตัวแบบที่ไมใหสารสนเทศเพิ่มจากตัวแบบหนึ่งไดอธิบายไวแลว ถือวาเปนตัวแบบที่มี
ประสิทธิภาพดอยกวา
 บทที่2
ทฤษฎีและวรรณกรรมที่เกี่ยวของ

งานวิจัยนี้เกี่ยวของกับการวิเคราะหเพื่อหาตัวแบบและเปรียบเทียบประสิทธิภาพของตัว
แบบในการพยากรณภาวะเงินเฟอในประเทศไทย ดังนั้นในการเสนอทฤษฎีและวรรณกรรมที่เกี่ยว
ของจะแบงเปน 3 สวนดังนี้
สวนที่ 1 ตัวแบบเชิงสถิติสําหรับการพยากรณอนุกรมเวลา
สวนที่ 2 การเปรียบเทียบประสิทธิภาพของตัวแบบ
สวนที่ 3 งานวิจัยที่เกี่ยวของ

2.1 ตัวแบบเชิงสถิติสําหรับการพยากรณอนุกรมเวลา
การพยากรณเชิงสถิติ (Statistical Forecasting) คือ กระบวนการคํานวณคาพยากรณโดย
ใชสารสนเทศของคาสังเกตปจจุบันและคาสังเกตในอดีต วิธีการเชิงสถิติที่ใชในการพยากรณอาจ
แบงเปนกลุม 3 กลุมคือ
1. การพยากรณเชิงดุลยพินิจ (Judgemental Forecasts) เปนการพยากรณโดยใชความ
คิดเห็นของผูเชี่ยวชาญในเรื่องนั้น ๆ และสารสนเทศบางอยางที่เกี่ยวของ คาพยากรณอาจไดจาก
การสํารวจความคิดเห็นของผูเชี่ยวชาญ แลวนําผลที่ไดมาทําการวิเคราะหสรุปเปนคาพยากรณ วิธี
การพยากรณแบบนี้มีอยูหลายวิธี แตวิธีพยากรณที่นิยมใชกันมาก คือ วิธีเดลฟ (Delphi Method)
2. การพยากรณตัวแปรเดียว (Univariate Forecasts) เปนการพยากรณที่ขึ้นอยูกับคา
ปจจุบันและคาในอดีตของอนุกรมเวลาเพียงชุดเดียว วิธีการพยากรณแบบนี้มีอยูหลายวิธีวิธี
พยากรณแบบตัวแปรเดียวที่นิยมใชกันมากคือ วิธี Box – Jenkins
3. การพยากรณหลายตัวแปร (Multivariate Forecasts) เปนการพยากรณที่ใชอนุกรม
เวลาของตัวแปรมากกวาหนึ่งตัวแปรซึ่งมีอยูดวยกันหลายตัวแบบ เชน ตัวแบบการถดถอย
ตัวแบบ Transfer Function ตัวแบบ VARMA

16
 17

ในงานวิจัยนี้จะศึกษาเฉพาะการพยากรณตัวแปรเดียวและการพยากรณหลายตัวแปร

2.1.1 การพยากรณตัวแปรเดียว (Univariate Forecast)

การพยากรณตัวแปรเดียวเปนวิธีการพยากรณที่ใชคาสังเกตของอนุกรมเวลาเพียงชุด
เดียว วิธีการพยากรณตัวแปรเดียวมีหลายวิธีเชน วิธีแยกสวนประกอบ วิธีปรับใหเรียบ และวิธี
Box – Jenkins ฯลฯ ในงานวิจัยนี้จะใชเฉพาะวิธี Box – Jenkins
อนุกรมเวลาที่จะนํามาใชในการวิเคราะหอนุกรมเวลาโดยวิธี Box - Jenkins ตองเปน
อนุกรมเวลาที่คงที่ (Stationary) ซึ่งอนุกรมเวลาที่ Stationary คืออนุกรมเวลาที่คุณสมบัติทางสถิติ
ไมเปลี่ยนแปลงเมื่อเวลาเริ่มตนเปลี่ยนแปลงไป นั่นคือการแจกแจงความนาจะเปนรวมของคา
สังเกต m คา z t1 , z t 2 ,…, z t m ที่เกิดขึ้น ณ เวลา t1 , t 2 , … , t m จะเหมือนกับการแจกแจงความ
นาจะเปนของคาสังเกต m คา z t 1 + k , z t 2 + k ,…, z t m + k ที่เกิด ณ เวลา t 1 + k , t 2 + k ,…,
tm+k ในทางปฏิบัติเปนไปไดยากที่จะทราบคาฟงกชันการแจกแจงความนาจะเปนรวมของคา
สังเกตของอนุกรมเวลา ดังนั้นในการวิเคราะหอนุกรมเวลาจึงใชคุณสมบัติของการคงที่อยางออน
(Weak Stationarity) คือถาอนุกรมเวลา z t , t = 1,2,…,n มีคุณสมบัติทั้ง 3 ขอตอไปนี้
1. คาเฉลี่ยของอนุกรมเวลาคงที่ E(z1 ) = E(z 2 ) = …= E(z n )
2. ความแปรปรวนคงที่ V (z1 ) = V (z 2 ) = …= V (z n )
3. ความแปรปรวนรวมในตัวเอง (Autocovariance) ระหวาง z t กับ z t + k
γ k = Cov (z t , z t + k ) = E (z t − µ )(z t + k − µ ) จะคงที่ไมขึ้นกับเวลา t แตขึ้นกับชวงหางของเวลา k
(หรือ lag k )นั่นคือ Cov(z1 , z1 + k ) = Cov(z 2 , z 2 + k ) = …= Cov(z n − k , z n ) = γ k ทุกคา k
อนุกรมเวลาที่ไมสอดคลองกับคุณสมบัติที่กลาวมาขางตนคือมีคาเฉลี่ยไมคงที่หรือ
ความแปรปรวนไมคงที่หรือทั้ง 2 อยางเรียกวาอนุกรมเวลาที่มีลักษณะเชนนี้วา อนุกรมเวลาไมคงที่
(Non – stationary) อนุกรมเวลาที่มีลักษณะคลายกันเพียงแตมีระดับคาเฉลี่ยตางกัน Box – Jenkins
(1976) เรียกอนุกรมเวลาเชนนี้วา Homogenous Non stationary ซึ่งอนุกรมเวลาชนิดนี้สามารถ
ปรับใหเปนอนุกรมเวลาที่ Stationary ไดโดยการหาผลตาง
สําหรับอนุกรมเวลาที่มีความแปรปรวนไมคงที่ สามารถทําใหเปนอนุกรมเวลาที่มีความ
แปรปรวนคงที่โดยการใชคาลอกการิธึมของอนุกรมเวลา (lnzt) แทนคาอนุกรมเวลา (zt) (ถาการ
แปลงขอมูลโดยการใชคาลอกการิธึมยังไมทําใหไดอนุกรมเวลาใหมที่มีความแปรปรวนคงที่
ก็อาจใช Power Transformation อื่น แทน ) (Abraham and Ldolter1983:229)
 18

ในกรณีที่อนุกรมเวลาไมคงที่ทั้งระดับคาเฉลี่ยและความแปรปรวน จะตองทําการ
แปลงรูปเพื่อปรับใหเปนอนุกรมเวลาที่มีความแปรปรวนคงที่กอนแลวจึงปรับใหอนุกรมเวลามี
ระดับคงที่โดยการหาผลตางที่เหมาะสม (Wei 1990:77)
การตรวจสอบวาอนุกรมเวลาเปนแบบ Stationary หรือไมสามารถทําไดโดยการพลอต
กราฟอนุกรมเวลา ถาระดับของอนุกรมเวลามีลักษณะผันแปรรอบระดับคาหนึ่งแสดงวาอนุกรม
เวลามีคาเฉลี่ยคงที่ และถาการกระจายของขอมูลมีลักษณะคงที่แสดงวาความแปรปรวนอนุกรมเวลา
คงที่
สําหรับการตรวจสอบความแปรปรวนรวมในตัวเองนั้น เนื่องจากขนาดของ
ความแปรปรวนรวมขึ้นกับขนาดหนวยของขอมูล ดังนั้นในการศึกษาลักษณะความแปรปรวนรวม
ระหวางอนุกรมเวลาที่หางกัน k หนวยเวลา คือ z t กับ z t + k จึงนิยมใชคาสหสัมพันธในตัวเอง
(Autocorrelation)
E (z t − µ )(z t + k − µ ) Cov (z t , z t + k )
ρ(z t , z t + k ) = =
E ⎡(z t − µ )2 ⎤ E ⎡(z t + k − µ )2 ⎤ V (z t )V (z t + k )
⎢⎣ ⎥⎦ ⎢⎣ ⎥⎦
อนุกรมเวลาที่ Stationary จะมีความแปรปรวนคงที่ V (z t ) = V(z t + k ) และ Cov(z t , z t + k ) = γ (k )
ขึ้นกับคา k ดังนั้น ρ(z t , z t + k ) จะขึ้นกับชวงหางของเวลา k (หรือ lag k ) เชนกัน ดังนั้น
γ
ρ(z t , z t + k ) = ρ k = k
γ0
กราฟของคาสหสัมพันธในตัวเองกับ lag k เรียก ฟงกชันสหสัมพันธในตัวเอง
(Autocorrelation Function) หรือเรียกสั้น ๆวา ACF กราฟของ ACF นี้สามารถใชตรวจสอบวา
อนุกรมเวลาเปนแบบ Stationary หรือไมไดดังนี้ ถาอนุกรมเวลาเปนแบบ Stationary ลักษณะของ
ACF จะลดลงอยางรวดเร็วสู 0 เมื่อ lag k เพิ่มขึ้น ดังแสดงในภาพ (ก) แตถาอนุกรมเวลาเปน
Non – stationary ลักษณะของ ACF จะลดลงชาเมื่อ lag k เพิ่มขึ้น ดังแสดงในภาพ (ข)

ρk

ภาพ ก ลักษณะของ ACF ของอนุกรมเวลาแบบ Stationary

 19

ρk

k
ภาพ ข ลักษณะของ ACF ของอนุกรมเวลาแบบ Non – Stationary

เนื่องจาก ρ เปนคาพารามิเตอรซึ่งไมทราบคา จึงใชคาสังเกตของอนุกรมเวลาประมาณ

คาสัมประสิทธิ์สหสัมพันธในตัวเอง ที่ lag k ( ρ̂ k ) ดังนี้
n−k n
∑ (z t − z )(z t + k − z) ∑zt
t =1
t =1
ρ̂ k = โดยที่ z = , k = 0,1,2, …
n
∑ (z t − z ) 2 n
t =1
1
ความแปรปรวนของ ρ̂ k ประมาณดวย
n
สหสัมพันธในตัวเองบางสวน (Partial Autocorrelation) ใชสัญลักษณ φ kk แทน
สหสัมพันธในตัวเองบางสวนที่ lag k ซึ่งใชวัดความสัมพันธระหวางคาสังเกตของอนุกรมเวลาที่
หางกัน k หนวยเวลา (zt กับ zt+k) โดยตัดอิทธิพลของอนุกรมเวลาในชวง zt+1,zt+2,…,zt+k-1 ออกไป
สัมประสิทธิ์สหสัมพันธในตัวเองบางสวนที่ lag k สามารถคํานวณไดดังนี้
Pk*
φ kk = , โดยที่ Pk เปนเมทริกซสหสัมพันธในตัวเองขนาด k × k
Pk
1 ρ1 ρ2 … ρ k−1
ρ1 1 ρ1 … ρk −2
Pk = ρ2 ρ1 1 …. ρk −3

Μ Μ Μ Μ Μ
ρ k−1 ρk −2 ρk −3 1
⎡ ρ1 ⎤
⎢ ⎥
Pk* เปนเมทริกซ Pk ซึ่งคอลัมนสุดทายถูกแทนดวย ⎢ρ 2 ⎥
⎢ Μ⎥
⎢ ⎥
⎣ρ k ⎦
 20

φ̂ kk คือคาประมาณฟงกชันสหสัมพันธในตัวเองบางสวนที่ lag k หาไดโดยการแทนคา ρi ดวย

1
ρ̂ i ความแปรปรวนของ φ̂ kk ประมาณดวย
n
กราฟของสัมประสิทธิ์สหสัมพันธในตัวเองบางสวนกับคา lag เรียกฟงกชันสหสัมพันธ
ในตัวเองบางสวน (Partial Autocorrelation Function หรือ PACF)
ฟงกชันสหสัมพันธในตัวเอง ACF และฟงกชันสหสัมพันธในตัวเองบางสวน PACF
เปนเครื่องมือพื้นฐานในการกําหนดตัวแบบของอนุกรมเวลาซึ่งจะกลาวตอไป

ตัวแบบARIMA
ตัวแบบที่พิจารณาในที่นี้อาศัยแนวความคิดของ Yule(1921,1927) อางในBox – Jenkins
(1976) ที่วาอนุกรมเวลาที่มีลําดับตอเนื่องและมีสหสัมพันธในตัวเอง สามารถแสดงในรูปผลบวก
เชิงเสนของอนุกรมที่เปนอิสระกันคือ
∞
z t = µ + a t + ψ1a t −1 + ψ 2 a t − 2 + ... = µ + ∑ ψ ja t − j ………(1)
j= 0
z t = ψ (B )a t
หรือเขียนอยูในรูป Backshift Operator เปน &
∞
z t = z t − µ , ψ(B ) = ⎛⎜ 1 + ψ 1 B + ψ 2 B 2 + ... ⎞⎟ หรือ ∑ ψ j B j , ψ 0 = 1 และ
โดยที่ &
⎝ ⎠ j= 0
B ja t = a t − j
คือตัวแปรสุมที่มีการแจกแจงแบบหนึ่ง (Fixed Distribution) มีคาเฉลี่ย = 0
at
และความแปรปรวนคงที่ เรียกอนุกรม a t , a t −1 ,… วากระบวนการ White Noise
∞
ψj เปนน้ําหนักซึ่ง ∑ ψ 2j < ∞ เทอมของ ψ j อาจมีจํานวนจํากัด หรืออนันตก็ได
j= 0
ตัวแบบในสมการ(1) เปนการแทนอนุกรมเวลาในรูปแบบที่เรียกวา คาเฉลี่ยเคลื่อนที่
(Moving Average) หรือ MA ตัวแบบ MA นี้มีคาเฉลี่ย E(z t ) = µ
∞
ความแปรปรวน V (z t ) = γ 0 = σ 2 ∑ ψ 2j
j =0
∞
ความแปรปรวนรวมระหวาง z t กับ z t + k cov (z t , z t + k ) = γ k = σ 2 ∑ ψ jψ j+ k
j= 0
และสหสัมพันธในตัวเองระหวาง z t กับ z t + k
 21

∞
∑ ψ jψ j + k
j= 0
ρk = จากความแปรปรวนและสหสัมพันธในตัวเองซึ่งเปนผลบวกจํานวนอนันต
∞ 2
∑ψj
j= 0
∞
ของ ψ อนุกรมเวลาจะคงที่ก็ตอเมื่อ ∑ ψ 2j < ∞
j= 0
∞
ดังนั้นเงื่อนไข ∑ ψ 2j < ∞ จึงเปนเงื่อนไขสําหรับการคงที่ (Stationary Condition)
j= 0
ตัวแบบ ARIMA สามารถแทนในอีกรูปหนึ่งคือ เปนผลบวกเชิงเสนของคาสังเกตใน
อดีตกับความคลาดเคลื่อน z t = δ + π1 z t −1 + π 2 z t − 2 + ... + a t …..….(2)
หรือ &
z t = π1& z t − 2 + ... + a t เขียนอยูในรูป Backshift Operator หรือ π(B )&
z t −1 + π 2 & zt = at
∞
โดยที่ π(B ) = 1 − π1 B − π 2 B 2 − ... = 1 − ∑ π jB j โดย B jz t = z t − j
j =1
คือตัวแปรสุมที่มีการแจกแจงแบบหนึ่ง (Fixed Distribution) มีคาเฉลี่ย = 0
at
และความแปรปรวนคงที่ เรียกอนุกรม a t , a t −1 ,… วากระบวนการ White Noise π j เปน
∞
น้ําหนักซึ่ง ∑ π 2j < ∞ เทอมของ π j อาจมีจํานวนจํากัด หรืออนันตก็ได
j= 0
ตัวแบบในสมการ(2) เปนการแทนอนุกรมเวลาในรูปแบบที่เรียกวาอัตถดถอย
Autoregressive หรือ ตัวแบบ AR
ตัวแบบทั้งสองรูปแบบมีความสัมพันธกันคือ ตัวแบบ AR สามารถแทนในรูป MA ได
1
z t = ψ (B )a t =
ดังนี้ & at โดย ψ(B ) สอดคลองกับเงื่อนไขการคงที่ (Stationary Condition)
π(B )
∞ 2
∑ψj < ∞ ความสัมพันธนี้จะเปนไปไดก็ตอเมื่อรากของ π(B ) = 0 อยูนอกวงกลมรัศมี 1หนวย
j= 0
นั่นคือ ∑ π 2j < ∞ เรียกเงื่อนไขนี้วาเงื่อนไขการหาผกผันได (Invertible Condition)
รูปแบบขางตนเปนรูปแบบอัตถดถอยและเฉลี่ยเคลื่อนที่อยูในรูปแบบอนันตเทอมซึ่งไม
สามารถประมาณพารามิเตอรทั้งหมดในตัวแบบไดเพราะคาสังเกตของอนุกรมเวลามีจํานวนจํากัด
ดังนั้นจึงตองสรางตัวแบบใหมีพารามิเตอรจํากัด
ถาน้ําหนัก ψ ที่ไมเทากับ 0 มีอยูจํานวนจํากัด คือ
ψ1 = −θ1 , ψ 2 = −θ 2 ,..., ψ q = −θ q และ ψ k = 0 สําหรับ k > q อนุกรมเวลาจะมีตัวแบบ
 22

เฉลี่ยเคลื่อนที่อันดับ q หรือ MA(q) คือ z t = µ + a t - θ1a t −1 - θ 2 a t − 2 - …- θq a t − q

z t = θ q (B )a t เมื่อ &
หรือเขียนอยูในรูป Backshift Operator เปน & zt = zt − µ ,
θq ( B) = ⎛⎜ 1 − θ1B − Λ − θq B q ⎞⎟ , B i a t = a t − i
⎝ ⎠
โดยที่ คือคาเฉลี่ยของกระบวนการ
µ
θ i คือพารามิเตอรของตัวแบบที่ตองประมาณคา
a t คือความคลาดเคลื่อนสุม ซึ่งสมมติวามีการแจกแจงแบบหนึ่ง (Fixed
Distribution) มีคาเฉลี่ย = 0 และความแปรปรวน = σ 2 และ a t , a s ไมมีสหสัมพันธกันถา t ≠ s

ตัวแบบนี้มีคาเฉลี่ย E(z t ) = µ
⎛ q ⎞
ความแปรปรวน V (z t ) = γ 0 = σ 2 ⎜⎜ ∑ θ 2i ⎟⎟ โดย θ0 = 1
⎝ i =0 ⎠
ความแปรปรวนรวมระหวาง z t กับ z t + k
⎧⎪σ 2 (− θ + θ θ
cov (z t , z t + k ) = γ k = ⎨ k 1 k +1 + θ 2 θ k + 2 + ... + θ q − k θ q ) , k = 1, 2 ,..., q
⎪⎩0 ,k > q
และสหสัมพันธในตัวเองระหวาง z t กับ z t + k
⎧ − θ k + θ1θ k + 1 + θ 2 θ k + 2 +... + θ q − k θ q
⎪ k = 1, 2 ,..., q
ρk = ⎨ 1 + θ12 + θ 22 + ... + θ 2q ,k>0
⎪
⎩0 k>q

ในทํานองเดียวกัน ถาน้ําหนัก π ที่มีไมเทากับ 0 อยูจํานวนจํากัด เชน π1 = φ1 ,

π 2 = φ 2 ,..., π p = φ p และ π k = 0 สําหรับ k > p จะไดตัวแบบอัตถดถอยอันดับ p หรือAR(p)
คือ z t = δ + φ1z t −1 + φ 2 z t − 2 +…+ φ p z t − p + a t หรือเขียนอยูในรูป Backshift Operator เปน
φ p (B )&
zt = at z t = z t − µ , φp( B)
เมื่อ & = ⎛⎜ 1 − φ1 B − Λ − φ p B p ⎞⎟ , B jz t = z t − j
⎝ ⎠
โดยที่ δ คือ คาคงที่ของกระบวนการ
φ i คือ พารามิเตอรของตัวแบบที่ตองประมาณคา
a t คือ ความคลาดเคลื่อนสุม ซึ่งสมมติวามีการแจกแจงแบบหนึ่ง (Fixed
Distribution) มีคาเฉลี่ย = 0 และความแปรปรวนคงที่ = σ 2 และ a t , a t − k , k ≠ 0
ไมมีสหสัมพันธกัน
 23

δ
ตัวแบบนี้มีคาเฉลี่ย E(z t ) = µ = โดย φ0 = 1
p
∑ φj
j= 0
σ2
ความแปรปรวน V (z t ) = γ 0 =
1 − ρ1φ1 − ρ 2 φ 2 − ... − ρ p φ p
ความแปรปรวนรวมระหวาง z t กับ z t + k
cov (z t , z t + k ) = γ k = φ1 γ k −1 + φ 2 γ k − 2 + ... + φ p γ k − p , k > 0
และสหสัมพันธในตัวเองระหวาง z t กับ z t + k ρ k = φ1ρ k −1 + φ 2 ρ k − 2 + ... + φ p ρ k − p ,k > 0
ตัวแบบอนุกรมเวลาที่รวมตัวแบบอัตถดถอยอันดับ p และตัวแบบเฉลี่ยเคลื่อนที่อันดับ
q เรียกตัวแบบอัตถดถอย – เฉลี่ยเคลื่อนที่อันดับ p ,q หรือ ARMA(p,q) คือ
z t = δ + φ1 z t −1 + φ 2 z t − 2 +…+ φ p z t − p + a t - θ1a t −1 - θ 2 a t − 2 - …- θ q a t − q

หรือเขียนในรูป Backshift Operator เปน φ p (B )& zt = zt − µ ,

z t = θ q (B )a t &

φp( B) = ⎛⎜ 1 − φ1 B − Λ − φ p B p ⎞⎟
⎝ ⎠

θq ( B) = ⎛1 − θ B − Λ − θ Bq ⎞
⎜ 1 q ⎟⎠ , B i a t = a t − i , B jz t = z t − j
⎝
โดยที่ δ คือ คาคงที่ของกระบวนการ
φ i และ θ i เปนพารามิเตอรของตัวแบบที่จะตองประมาณคา
a t เปนความคลาดเคลื่อนสุม ซึ่งสมมติวามีการแจกแจงแบบหนึ่ง (Fixed
Distribution) มีคาเฉลี่ย = 0 และความแปรปรวน = σ 2 และ a t , a s ไมมีสหสัมพันธกันถา t ≠ s
δ
ตัวแบบนี้มีคาเฉลี่ย E(z t ) = µ = โดย φ0 = 1
p
∑ φj
j= 0
ความแปรปรวน V (z t ) = γ 0
= φ1γ1 + φ2γ2 + ... + φp γp + σ2 ⎛⎜1 − θ1 (φ1 − θ1 ) − θ2 (φ1 (φ1 − θ1 )) − ... − θq ⎛⎜φ1q −1 (φ1 − θ1 )⎞⎟⎞⎟
⎝ ⎝ ⎠⎠
ความแปรปรวนรวมระหวาง z t กับ z t + k
cov (z t , z t + k ) = γ k
= φ1 γ k −1 + φ 2 γ k − 2 + ... + φ p γ k − p , k ≥ q + 1
และสหสัมพันธในตัวเองระหวาง z t กับ z t + k
ρ k = φ1ρ k −1 + φ 2 ρ k − 2 ... + φ p ρ k − p , k ≥ q + 1
(Box ,Jenkins and Reinsel 1994 :78-79)
 24

สําหรับอนุกรมเวลาที่ Non –Stationary ในการวิเคราะหอนุกรมเวลาโดยวิธี Box –

Jenkins จะตองปรับอนุกรมเวลาที่ Non –Stationary ใหเปนอนุกรมเวลาแบบ Stationary กอนวิธีการ
ตรวจสอบและวิธีการปรับใหเปนอนุกรมเวลาที่ Stationary ไดกลาวไวแลวขางตน ตัวแบบทั่วไป
ของอนุกรมเวลาที่ไดจากการแปลงใหเปนอนุกรมเวลา Stationary โดยการหาผลตางเรียกวาตัวแบบ
ARIMA (Autoregressive Integrated Moving Average) หรือ ARIMA(p,d,q) รูป
แบบทั่วไปเปน
φp (B) (1 − B )d z t = θq (B) a t
โดยที่ d คือจํานวนครั้งของการหาผลตาง
φp( B) = ⎛⎜ 1 − φ1 B − Λ − φ p B p ⎞⎟ คือพารามิเตอรอัตถดถอยอันดับ p
⎝ ⎠
θq ( B) = ⎛1 − θ B − Λ − θ Bq ⎞ คือพารามิเตอรเฉลี่ยเคลื่อนที่อันดับ q
⎜ 1 q ⎟⎠
⎝
เครื่องมือที่สําคัญมากอยางหนึ่งในการกําหนดตัวแบบใหกับอนุกรมเวลา คือลักษณะทาง
ทฤษฎีของสหสัมพันธในตัวเองและสหสัมพันธในตัวเองบางสวน
ตารางที่ 1 เปนการสรุปคุณลักษณะทางทฤษฎีของสหสัมพันธในตัวเองและสหสัมพันธใน
ตัวเองบางสวนของตัวแบบทั่วไป ซึ่งสามารถใชเปนหลักเกณฑในการพิจารณากําหนดตัวแบบ
ทดสอบได

ตารางที่ 1 ลักษณะทางทฤษฎีเกี่ยวกับACF และ PACF ของตัวแบบ ARIMA แบบตาง ๆ

ตัวแบบ ACF PACF
AR(p) ลดลงแบบเอ็กโปเนนเชียล และหรือ cut off สูศูนยหลัง lag p
sine wave
MA(q) cut off สูศูนยหลัง lag q ลดลงแบบเอ็กโปเนนเชียล และ
หรือ sine wave
ARMA(p,q) ลดลงแบบเอ็กโปเนนเชียล และหรือ sine ลดลงแบบเอ็กโปเนนเชียล และ
wave หลัง lag q-p หรือ sine wave หลัง lag q-p

ที่มา : William W.S. Wei, Univariate and Multivariate Methods (California :Addison -
Wesley,1990),106.
 25

ตัวแบบอนุกรมเวลาที่มีฤดูกาล (Seasonal Time Series Models)

กรณีที่อนุกรมเวลามีอิทธิพลของฤดูกาล ลักษณะความสัมพันธของอนุกรมเวลาจะมีทั้ง
ความสัมพันธระหวางคาบของฤดูกาล (s) คือความสัมพันธระหวาง z t − s , z t , z t + s , z t + 2s ,...
และความสัมพันธภายในคาบของฤดูกาลคือความสัมพันธระหวางคาสังเกตภายในชวงระหวาง
z t , z t +1 , z t + 2 ,..., z t + s ดวย ตัวแบบทั่วไปเปน ARIMA (p , d , q)(P , D , Q)s หรือ
()
φp( B) ΦP Bs (1 − B )d ⎛⎜ 1 − B s ⎞⎟
⎝ ⎠
D
zt =
& ()
θq ( B) ΘQ Bs at

⎧⎪z t − µ ถา d = D = 0
โดยที่ zt = ⎨
&
⎪⎩z t ถา d > 0 หรือ D > 0

at คือความคลาดเคลื่อนสุม ณ เวลา t มีการแจกแจงแบบหนึ่ง (Fixed Distribution) มี

คาเฉลี่ย = 0 และความแปรปรวนคงที่ = σ 2
φp( B) = ⎛⎜ 1 − φ1 B − Λ − φ p B p ⎞⎟ คือพารามิเตอรอัตถดถอยอันดับ p
⎝ ⎠
θq ( B) = ⎛⎜ 1 − θ1B − Λ − θq B q ⎞⎟ คือพารามิเตอรเฉลี่ยเคลื่อนที่อันดับ q
⎝ ⎠
ΘQ Bs() = ⎛⎜ 1 − Θ s B s − Θ 2s B 2s − Θ Qs B Qs ⎞⎟ คือพารามิเตอรเฉลี่ยเคลื่อนที่ของฤดู
⎝ ⎠
กาลอันดับ Q
()
ΦP Bs = ⎛⎜ 1 − Φ B s − Φ B s − Λ Φ B Ps ⎞⎟
⎝ s 2s Ps ⎠
คือพารามิเตอรอัตถดถอยของ
ฤดูกาลอันดับ P
(1 − B )d คือ ผลตางของสวนที่ไมมีฤดูกาล
(1 − Bs )D คือ ผลตางของสวนที่มีฤดูกาล
ซึ่งแทนตัวแบบนี้ดวย ARIMA (p , d , q)(P , D , Q)s
ฟงกชัน ACF และ PACF ของตัวแบบที่มีฤดูกาลจะซับซอนยิ่งขึ้นแตยังคงมีลักษณะ
คลายกับกรณีไมมีฤดูกาลแตเพิ่มเติมลักษณะ cut off หรือลดลงแบบเอกโปเนนเชียล ที่ lag ของฤดู
กาล
วิธีที่ใชในการประมาณคาพารามิเตอรของตัวแบบ ARIMA มีหลายวิธี เชน
วิธีกําลังสองนอยที่สุด (Least –Squares Method ) วิธี Maximum Likelihood เปนตน โดยลักษณะ
การคํานวณจะเปนแบบยอนซ้ํา (Iterative) โดยโปรแกรมสําเร็จรูปกําหนดคาเริ่มตนใหคาพารา
มิเตอร หลังจากนั้นจะคํานวณคาประมาณพารามิเตอรคาใหมซึ่งใหคาผลบวกกําลังสองของสวน
 26

เหลือลดลง กระบวนการประมาณคาพารามิเตอรนี้จะทําซ้ําจนกวาจะไดผลลัพธซึ่งสอดคลองกับ
เงื่อนไขของการลูเขาที่กําหนด ซึ่งอาจประกอบดวยจํานวนรอบสูงสุดของการยอนซ้ํา การลดลงของ
ผลรวมของความคลาดเคลื่อนกําลังสองในรอบติดกันมีคานอยกวาคาที่กําหนด หรือคาสูงสุดของ
การเปลี่ยนแปลงคาพารามิเตอรนอยกวาคาที่กําหนด เปนตน (Wei 1990:146)
หลังจากการประมาณคาพารามิเตอรของตัวแบบ ARIMAแลว จะตองตรวจสอบความ
ถูกตองของตัวแบบซึ่งจะกลาวตอไปในขอ 2.1.3

ตัวแบบการแทรกแซง (Intervention Model)

ในกรณีที่อนุกรมเวลาที่ศึกษาไดรับผลกระทบจากปจจัยภายนอกทําใหเกิดการเปลี่ยน
แปลงอยางฉับพลันและสงผลกระทบตอการพยากรณคาในอนาคต การวิเคราะหอนุกรมเวลา
ลักษณะนี้อาจใชตัวแปรดัมมี่รวมกับการใชตัวแบบ ARIMA เรียกตัวแบบนี้วาตัวแบบการแทรกแซง
(Intervention Model) วิธีทั่วไปในการกําหนดตัวแปรดัมมี่มีดวยกัน 2 แบบ คือ ตัวแปรขั้นตอน
(Step Function) และ ตัวแปรกระตุน (Pulse Function)
⎧1 กอนเกิดเหตุการณ หรือ t < T
เมื่อ ตัวแปรขั้นตอน คือ S t = ⎨
⎩0 หลังเกิดเหตุการณ หรือ t ≥ T
⎧1 เกิดเหตุการณ หรือ t = T
ตัวแปรกระตุน คือ Pt = ⎨
⎩0 ไมเกิดเหตุการณ หรือ t ≠ T
ตัวแปรกระตุนและตัวแปรขั้นตอนมีความสัมพันธกันคือ ผลตางของตัวแปรขั้นตอนจะเทากับ
ตัวแปรกระตุน นั่นคือ S t − S t −1 = Pt = (1 − B )S t
ลักษณะของผลกระทบและรูปแบบการแทรกแซงตาง ๆ แสดงในตารางที่ 2
 27

ตารางที่ 2 ลักษณะรูปแบบการแทรกแซง
ชนิดของผลกระทบการแทรกแซง รูปแบบการ รูป
แทรกแซง
เปลี่ยนแปลงกระทันหันและผลกระทบ ωS t St
ยังคงอยูถาวร 1
0 T t
คอย ๆ เปลี่ยนแปลงที่ละนอยและผล ωB S St
t
กระทบคงอยูถาวร 1 − δB 1
0 T t
ω
เปลี่ยนเปลงเพิ่มขึ้นเรื่อย ๆ แบบเชิงเสน St St
1−δ
1
0 T t
เปลี่ยนแปลงกระทันหันและผลกระทบ Pt
คงอยูชั่วคราว ωPt 1
0 T t

ที่มา : Walter Vandaele, Applied Time Series and Box- Jenkins Models (New York :Academic
Press, 1983),335.

รูปแบบผลกระทบของการแทรกแซง มีหลายรูปแบบขึ้นอยูกับลักษณะการเกิดการแทรกแซงและ
b
ลักษณะของผลกระทบ รูปแบบทั่วไปของผลกระทบสามารถเขียนในรูปฟงกชันอัตราสวน ω(B)B
δ( B)
โดยที่ ω(B) = ω0 − ω1 B − ... − ωs B s คือคาคาดหมายของผลกระทบเริ่มแรกของการ
แทรกแซง
δ(B) = 1 − δ1 B − ... − δ r B r คือลักษณะของพารามิเตอรผลกระทบของการแทรกแซง
ωj คือน้ําหนักของโพลิโนเมียลของ ω(B) โดย j = 0,1,…,s
รูปแบบการแทรกแซงทั่วไปสามารถเขียนไดดังนี้
k ω j (B )B b j θ(B )
zt = ∑ I jt + at
j =1 δ j (B ) ψ(B )
โดยที่ I jt , j = 1,2,…,k คือ ตัวแปรขั้นตอน (Step Function) หรือ
 28

ตัวแปรกระตุน (Pulse Function) ณ เวลา t

j คือ จํานวนครั้งการแทรกแซง
bj คือ ระยะเวลาหลังจากที่เกิดเหตุการณครั้งที่ j จนเหตุการณนั้นสงผลกระทบตอคา
สังเกตของอนุกรมเวลา
ในที่นี้จะกลาวถึงเฉพาะกรณีการแทรกแซง 1 ครั้ง กรณี (j = 1)รูปแบบทั่วไป คือ
ω(B)B b θ(B )
zt = It + at
δ( B) ψ(B )
เนื่องจากอิทธิพลของการแทรกแซงอาจสงผลใหลักษณะของฟงกชัน ACF และ
PACF ของกระบวนการไมชัดเจนนัก และสหสัมพันธในตัวเองอาจผิดรูปไปเนื่องจากการแทรก
แซง ดังนั้นในการวิเคราะหกําหนดตัวแบบเริ่มตนจะใชขอมูลกอนเกิดเหตุการณหรือหลังเกิดเหตุ
การณในการหาตัวแบบ ARIMA โดยวิธี Box-Jenkins ซึ่งจะใชเปนตัวแบบชั่วคราว หลังจากนั้น
วิเคราะหรวมกับตัวแบบการแทรกแซง และทําการวิเคราะหสวนเหลือเพื่อปรับตัวแบบใหเหมาะสม
ยิ่งขึ้น (Wei 1990:184-187)

2.1.2 การพยากรณหลายตัวแปร (Multivariate Forecast)

การพยากรณหลายตัวแปรเปนการพยากรณโดยใชอนุกรมเวลาของตัวแปรมากกวา 1 ตัว
แปร ตัวแบบของการพยากรณหลายตัวแปรมีหลายตัวแบบ เชน
1. ตัวแบบการถดถอย คือ ตัวแบบที่ใชศึกษาความสัมพันธระหวางตัวแปร 2 ตัวขึ้นไป
ตัวแปรที่เราสนใจซึ่งเรียกวาตัวแปรตาม (Dependent Variable ) กับตัวแปรอื่น ๆ ซึ่งเรียกวาตัวแปร
อิสระหรือตัวแปรพยากรณ(Independent or Predictor Variable) ในกรณีที่ตัวแปรตามและตัวแปร
อิสระมีความสัมพันธเปนแบบเชิงเสนจะไดตัวแบบการถดถอยเชิงเสนดังนี้
z = β 0 + β1 x 1 + β 2 x 2 + ... + β q x q + ε
เมื่อ z คือ ตัวแปรตามซึ่งเปนตัวแปรสุม
xj , j = 1 , 2 , … , q คือ ตัวแปรอิสระ
β j , j = 0 , 1 , 2 , … ,q คือ พารามิเตอรถดถอย
ε เปนความคลาดเคลื่อนสุม
หรือเขียนในรูปเมทริกซไดดังนี้
Z = Xβ + ε
ให Z คือ เวคเตอรตัวแปรตามขนาด n × 1
X คือ เมตริกซตัวแปรอิสระขนาด n × (q + 1)
 29

β คือ เวคเตอรพารามิเตอรขนาด (q + 1) × 1
ε คือ เวคเตอรความคลาดเคลื่อนสุมขนาด n × 1
โดยมีขอสมมติวา ε i คือ ตัวแปรสุม , ε i ~ N(0, σ 2 ) , ε i , ε j ไมมีสหสัมพันธกัน
(Uncorrelated) นั่นคือ Cov( ε i , ε j ) = 0 , i ≠ j สําหรับ i = 1 , 2 , … , n
ในการประมาณคาพารามิเตอร β นิยมใชวิธีกําลังนอยที่สุด (Least Squares Method)
ถาสมมติความคลาดเคลื่อนขางตนเปนจริงตัวประมาณที่ไดเปนตัวประมาณคาเชิงเสนที่ไมเอนเอียง
ที่มีความแปรปรวนต่ําสุด ตัวประมาณคา β จากวิธีกําลังสองนอยที่สุด คือ βˆ = (X ′X )−1 X ′Z
(สุดา ตระการเถลิงศักดิ์ 2531)
2. ตัวแบบ Transfer Function คือตัวแบบที่อนุกรมเวลาของตัวแปรตามสัมพันธกับ
อนุกรมของตัวแปรอิสระหนึ่งหรือมากกวาหนึ่งอนุกรม ในที่นี้จะกลาวถึงเฉพาะกรณีตัวแปรอิสระ
หนึ่งตัวและคาสังเกตที่เวลาปจจุบันของอนุกรมเวลาของตัวแปรตามสัมพันธกับคาสังเกตของตัว
แปรอิสระที่เวลาปจจุบันและคาสังเกตในอดีตซึ่งเรียกวาตัวแบบเหตุผล (Causal Model)
( Wei 1990:129)
สมมติให z t และ x t เปนอนุกรมเวลาที่ Stationary ของตัวแปรตามและตัวแปรอิสระ
ตามลําดับ ตัวแบบTransfer Function แสดงความสัมพันธของอนุกรม z t กับ x t เขียนไดเปน
z t = ν( B) x t + η t หรือสามารถเขียนไดอีกรูปแบบหนึ่งคือ
z t = ν 0 x t + ν1 x t −1 + ν 2 x t − 2 + ... + η t
∞
โดยที่ ν( B) = ν 0 + ν1 B + ν 2 B 2 + ... = ∑ ν j B j , Box – Jenkins(1976) เรียกเทอมนี้วา
j =0
Transfer Function และเรียกเทอม ηt วา Noise Model ηt จะเปนอิสระกับอนุกรม x t
สัมประสิทธิ์ของ Transfer Function ν 0 , ν1 , ν 2 ,... เรียกวา Impulse Response Weights
∞
ตัวแบบ Transfer Function จะเปนแบบคงที่ (stable) ถา ∑ ν j < ∞
j =0
ในการสรางตัวแบบ Transfer Function จะตองกําหนดตัวแบบของ Transfer Function
ν( B) และ Noise Model ηt โดยใชสารสนเทศจากอนุกรม z t และ x t ดังนี้

กําหนด Transfer Function

ωh (B) Bb
Transfer Function ν( B) สามารถเขียนไดเปน ν(B) =
δr ( B)
 30

โดยที่ ωh (B) = ω0 − ω1 B − ... − ω h B h คือโพลิโนเมียลลําดับ h ของอนุกรม x ซึ่ง h

หมายถึงจํานวนคาในอดีตของอนุกรม x ที่มีอิทธิพลตอ z t
δr (B) = 1 − δ1 B − ... − δ r B r คือโพลิโนเมียลอันดับ r ของอนุกรม z โดย r แทน
จํานวนคาในอดีตของอนุกรม z ที่มีความสัมพันธกับ z t
b คือ delay parameter ซึ่งเปนจํานวนคาบเวลากอนที่ตัวแปร x จะสงผลตอตัวแปร z
นั่นคือ z t จะไดรับผลกระทบจากคาของตัวแปร x กอนหนานั้น b คาบ ( x t − b , x t − b −1 , x t − b − 2 ,…)
เครื่องมือที่สําคัญที่ชวยในการกําหนดรูปแบบอธิบายลักษณะความสัมพันธระหวาง
อนุกรม x t และ z t คือฟงกชันสหสัมพันธไขว (Cross-Correlation Function) เรียกสั้น ๆ วา CCF
ใชสัญลักษณ ρ xz
E[(x t − µ x )(z t + k − µ z )] γ ( k)
ρ xz = = xz
σx σz
สําหรับ k = 0, ±1, ±2,...,
σxσz
โดยที่ γ xz (k ) เปนความแปรปรวนรวม (Cross – Covariance) ซึ่งเปนความสัมพันธระหวางอนุกรม
x t และ z t ที่หางกัน k lag σ x คือสวนเบี่ยงเบนมาตรฐานของ x t

σ z คือสวนเบี่ยงเบนมาตรฐานของ z t
ฟงกชันสหสัมพันธไขวมีลักษณะไมสมมาตร ρ xz (k ) ≠ ρ xz (− k ) ดังนั้นในการ
วิเคราะหสหสัมพันธตองคํานวณทั้งขนาดและทิศทางดวย
ฟงกชันสหสัมพันธไขวตัวอยางของอนุกรมเวลา x t และ z t + k
( Sample Cross-Correlation Function) ( ρˆ xz ( k) ) สามารถคํานวณไดดังนี้
γ ( k)
ˆ xz ( k) = ˆ xz σ σ
ρ
ˆ xˆ z
⎧1 n−k
⎪ ∑ ( x t − x )( z t + k − z ), k≥0
⎪n t =1
⎪
เมื่อ ˆγ xz ( k) = ⎨
⎪ n
⎪1 ∑ ( x t − x )( z t + k − z ), k<0
⎪⎩ n t =1 − k
n n
∑ xt ∑ zt
x = t =1 คือคาเฉลี่ยของอนุกรม x t และ z = t =1 คือคาเฉลี่ยของอนุกรม z t
n n
γ̂ xz (k ) คือคาประมาณ Cross – Covariance Function ระหวางอนุกรม x t และ z t ที่หางกัน
k lag σ̂ x = γ̂ xx (0 ) , σ̂ z = γ̂ zz (0 )
1
ความแปรปรวนของ ρ̂ xz (k ) เทากับ โดยประมาณ
n−k
 31

ถาอนุกรม x เปน white noise และ z เปน white noise การทดสอบนัยสําคัญของสห

สัมพันธไขวระหวางอนุกรม x t และ z t H 0 : ρ xz (k ) = 0 H1 : ρ xz (k ) ≠ 0 ทุกคา k สามารถทํา
โดยการเปรียบเทียบ ρˆ xz ( k) กับสวนเบี่ยงเบนมาตรฐาน 1 เมื่อ n คือจํานวนสวนเหลือ
n−k
k คือ ชวงหางของ lag และใชกราฟของ ρ̂ xz (k ) ถาไมมีสหสัมพันธไขวระหวาง xt และ z t
ˆ xz ( k ) จะอยูในชวง ± 2
ρ
n−k
ฟงกชันสหสัมพันธไขว ρ xz (k ) มีความสัมพันธกับ Impulse Response Weights ดังนี้
σ
ρ xz (k ) = x [ν 0 ρ x (k ) + ν1ρ x (k − 1) + ν 2 ρ x (k − 2 ) + ...]
σz
σz
ถาอนุกรม x เปน white noise จะได ρ x (k ) = 0 ถา k ≠ 0 จะไดวา ν k = ρ xz (k )
σx
ในทางปฏิบัติอนุกรม x t ไมไดเปน white noise ดังนั้นจะตองปรับอนุกรม x t ให
เปน white noise กอนดังนี้
สมมติตัวแบบ ARMA ของอนุกรม x เปน φ x (B )x t = θ x (B )α t โดย α t เปน
φ x (B )
white noise ดังนั้น α t = xt เรียกอนุกรม α t วา prewhiten input series หลังจากนั้น
θ x (B )
φ x (B )
เปลี่ยนเปนอนุกรม z ตามแบบที่ใชกับอนุกรม x จะได β t = zt เรียกอนุกรม β t วา
θ x (B )
filtered output series
จากตัวแบบ Transfer Function z t = ν( B) x t + η t หลังจากเปลี่ยนรูปแลวจะได
ตัวแบบ Transfer Function เปน β t = ν( B) α t + ε t โดย ε t = θ −x 1 (B )φ x (B )η t
σ
ˆβ
น้ําหนัก ν j ของ Transfer Function นี้คํานวณไดจาก ˆυ k = ρ
ˆ αβ ( k) ดังนั้นขั้นตอนใน
σ
ˆα
การกําหนดตัวแบบ Transfer Function สรุปดังนี้
กําหนด Transfer Function
1. กําหนดตัวแบบ ARMA ของอนุกรม x เปน φ x (B )x t = θ x (B )α t สรางอนุกรม
φ x (B )
αt αt = x t ซึ่งก็คืออนุกรมของสวนเหลือของตัวแบบของ x t และเปน white noise
θ x (B )
โดยมีคาเฉลี่ย = 0 และความแปรปรวน = σ 2
φ x (B )
2. สรางอนุกรม β t โดย β t = zt
θ x (B )
3. คํานวณสหสัมพันธไขวตัวอยางระหวางอนุกรม α t และอนุกรม β t ; ρˆ αβ ( k)
 32

σ
ˆβ
เพื่อใชประมาณ ν k , ˆν k = ˆ αβ ( k) เมื่อ σ̂β
ρ คือ ตัวประมาณสวนเบี่ยงเบนมาตรฐานของ
σ
ˆα
βt σ̂ α คือ ตัวประมาณสวนเบี่ยงเบนมาตรฐานของ α t
4. กําหนดคา b,r,h โดยพิจารณาจาก CCF ของ α กับ β ซึ่งมีลักษณะสมมูลกับ
Impulse response weightsของตัวอยาง ( ν̂ k ) เปรียบเทียบกับลักษณะ Impulse response weights
ทางทฤษฎี ν k
โดยที่
b คือจํานวน lag แรกของ CCF ที่มีนัยสําคัญทางสถิติ
r แทนจํานวนคาในอดีตของอนุกรม z ที่มีความสัมพันธกับ z t ถาหลัง lag b กราฟ
CCF ไมไดแสดงลักษณะ ACF ของตัวแบบ AR จะกําหนดให r = 0 , ถาหลัง lag b กราฟ CCF
มีลักษณะลดลงแบบเอกโปเนนเชียลจะกําหนดให r =1 และถาหลัง lag b กราฟ CCF มีลักษณะ
ลดลงแบบ sine waves จะกําหนดให r =2
h คือ จํานวนคาในอดีตของอนุกรม x ที่มีอิทธิพลตอ z t ซึ่งจะเทากับจํานวน lag
หลังจาก lag b ที่ CCF เริ่มแสดงลักษณะของตัวแบบ AR (Bowerman and O’Connell 1993: 666-
667)

ตารางที่ 3 แสดงตัวอยางของลักษณะของ CCF ในทางทฤษฎี สําหรับ Transfer

Function บางแบบที่มี r = 0 จากรูปทั้ง 3 รูปในตารางนี้มีลักษณะที่เหมือนกัน คือ lag แรกที่มีนัย
สําคัญทางสถิติของ CCF คือ lag ที่ 2 ดังนั้นตัวแบบเหลานี้จึงมีคา b = 2 และหลัง lag 2 กราฟ
CCF ไมไดแสดงลักษณะของ ACF ของตัวแบบ AR ดังนั้น r = 0 รูปแรกหลัง lag 2 ไมมี lag
ใดมีนัยสําคัญทางสถิติ ดังนั้น h = 0 รูปที่ 2 มีอยูหนึ่ง lag หลังจาก lag 2 มีนัยสําคัญทางสถิติ
ดังนั้น h = 1 รูปที่ 3 มี 2 lag หลังจาก lag 2 มีนัยสําคัญทางสถิติ ดังนั้น h = 2
 33

ตารางที่ 3 ตัวอยางลักษณะของ Transfer Function สําหรับ r = 0

(b,r,h) Transfer Function Typical impulse weights
ρ xz
(2,0,0) ν(B )x t = ω0 x t − 2
0 1 2 k
ρ xz
(2,0,1) ν(B )x t = (ω0 − ω1 B )ω0 x t − 2
0 1 2 k
ρ xz
(2,0,2) ν (B )x t = ⎛⎜ ω 0 − ω 1 B − ω 2 B 2 ⎞⎟ x t − 2
⎝ ⎠
0 1 2 k

ที่มา : William W.S. Wei, Univariate and Multivariate Methods (California :Addison-
Wesley,1990),292.

ตารางที่ 4 แสดงตัวอยางของลักษณะของ CCF ในทางทฤษฎี สําหรับ Transfer

Function บางแบบที่มี r = 1 ทั้ง 3 รูปในตารางมีลักษณะเหมือนกัน คือ lag แรกที่มีนัยสําคัญทาง
ดานสถิติของ CCF คือ lag ที่ 2 ดังนั้นตัวแบบเหลานี้จึงมีคา b = 2 และหลัง lag 2 กราฟ CCF มี
ลักษณะเชนเดียวกับ ACF ของตัวแบบ AR คือลดลงแบบเอกโปเนนเชียล ดังนั้น r = 1 รูปแรก
ลักษณะของ AR แสดงใหเห็นตั้งแต lag 2 ดังนั้น h = 0 รูปที่ 2 ลักษณะของตัวแบบ AR ตั้ง
แต lag 3 ดังนั้น h = 3-2 = 1 รูปที่ 3 ลักษณะของAR แสดงใหเห็นตั้งแต lag 4
ดังนั้น h = 4-2 = 2
 34

ตารางที่ 4 ตัวอยางลักษณะของ Transfer Function สําหรับ r = 1

(b,r,h) Transfer Function Typical impulse weights
ρ xz
(2,1,0) ω0
ν(B )x t = x
(1 − δ1 B ) t − 2 0 1 2 k
ρ xz
⎛ ω − ω1 B ⎞
(2,1,1) ν(B )x t = ⎜⎜ 0 ⎟⎟ω0 x t − 2
⎝ 1 − δ1 B ⎠ 01 2 k
ρ xz
⎛⎜ ω − ω B − ω B 2 ⎞⎟
(2,1,2) 0 1 2 ⎠
ν(B )x t = ⎝ x t −2
1 − δ1 B 0 1 2 k

ที่มา : William W.S. Wei, Univariate and Multivariate Methods (California :Addison-
Wesley,1990),292.

กําหนด Noise Model

5. คํานวณอนุกรม η t ซึ่ง η t = z t − ˆν(B )x t = z t − ˆν0 x t − ˆν1x t −1 − ... − ˆνk x t −k
เมื่อ k = 0,1,2,3,… หลังจากนั้นกําหนดตัวแบบARMA ของอนุกรม η เปน φ(B )η t = θ(B )a t
6. รวม Transfer Function กับ Noise Model ไดตัวแบบ Transfer Function คือ
ω(B ) θ(B )
zt = x t−b + at
δ(B ) φ(B )

3. ตัวแบบ VARMA (Vector Autoregressive Moving Average Models)

เปนตัวแบบที่อธิบายลักษณะความสัมพันธซึ่งกันและกันระหวางอนุกรมเวลาหลายอนุกรม
แนวความคิดพื้นฐานของ Vector Autoregressive Moving Average Models มีดังนี้
สมมติให Z t = [Z1, t , Z 2 , t ,..., Z m , t ]′ คือ เวคเตอรของอนุกรมเวลาแบบ Stationary จํานวน m
อนุกรม , t = 0, ±1, ±2,..., โดยมีคาเฉลี่ย E (Z i, t ) = µ i , i =1,2,…,m นั่นคือ
 35

⎡ µ1 ⎤
⎢µ ⎥
เวคเตอรของคาเฉลี่ย E(Zt) = µ =⎢ 2⎥
⎢ Μ⎥
⎢ ⎥
⎣µ m ⎦
เมทริกซความแปรปรวนรวมของเวคเตอร Z t (Covariance Matrix) ใชสัญลักษณ Γ(k )
เปนดังนี้
Γ(k ) = COV (Z t , Z t + k ) = E (Z t − µ )(Z t + k − µ )′
⎡ Z1, t − µ1 ⎤
⎢Z −µ ⎥
= E⎢
⎢
2, t
[
2⎥
Z
Μ ⎥ 1, t + k
− µ1 Z 2 , t + k − µ 2 Λ Z m, t + k − µ m ]
⎢ ⎥
⎢⎣Z m , t − µ m ⎥⎦
⎡ γ 11 (k ) γ 12 (k ) Κ γ 1m (k ) ⎤
⎢ γ (k ) γ (k ) Κ γ (k )⎥
= ⎢ 21 22 2m ⎥
⎢ Μ Μ Μ ⎥
⎢ ⎥
⎣ γ m1 (k ) γ m 2 (k ) Κ γ mm (k )⎦

เมื่อ γ ij (k ) = E (Z i, t − µ i )(Z j, t + k − µ j )= E (Z i, t − k − µ i )(Z j, t − µ j ) สําหรับ k = 0

± 1, ±2 ,... , i=1,2,…,m และ j =1,2,…,m ถา i = j , γ ii (k ) คือ ฟงกชันความแปรปรวนรวมใน
ตัวเองของอนุกรมตัวที่ i ในเวคเตอร Z ( Z i, t ) ที่หางกัน k lag ; k = 0 ± 1, ±2,... ถา i ≠ j ,
γ ij (k ) คือ ฟงกชันความแปรปรวนรวมไขว (Cross -Covariance Function) ระหวาง Z i, t และ
Z j, t ที่หางกัน k lag ; k = 0 ± 1, ±2 ,...
ฟงกชันเมทริกซสหสัมพันธ ( Correlation Matrix Function) กําหนดดังนี้
ρ(k ) = D −1 / 2 Γ(k )D −1 / 2
เมื่อ D คือ เมทริกซทแยง (Diagonal Matrix) ที่สมาชิกในแถวที่ i ในแนวทแยงของ
เมทริกซทแยงคือความแปรปรวนของอนุกรมที่ i นัน่ คือ
D = diag [γ 11 (0 ), γ 22 (0 ), Κ , γ mm (0 )]
สมาชิกแนวทแยงตัวที่ i ของ ρ(k ) แทนดวยสัญลักษณ ρ ii (k ) คือฟงกชันสหสัมพันธในตัวเอง
(Autocorrelation Function ) ของอนุกรม Z i, t ที่หางกัน k lag สมาชิก (i,j) ของ ρ(k )
 36

γ ij (k )
ρ ij (k ) = เรียกวาฟงกชันสหสัมพันธไขว (Cross -Correlation
[γ ii (0 )γ jj (0 )] 1/ 2

Function) เปนสหสัมพันธระหวางคาสังเกตของอนุกรม Z i, t และอนุกรม Z j, t ซึ่งมีตําแหนงหาง

กัน k lag เนือ่ งจาก γ ij (k ) ≠ γ ij(− k ) ดังนั้น Γ(k ) ≠ Γ (− k ) และ ρ(k ) ≠ ρ(− k )
เนื่องจาก Γ และ ρ เปนคาพารามิเตอรซึ่งไมทราบคา จึงใชคาสังเกตของเวคเตอร
อนุกรมเวลาประมาณคาเมทริกซสัมประสิทธิ์สหสัมพันธที่ k lag , ρ̂(k ) ดังนี้ ρ̂(k ) = ρ̂ ij (k )
เมื่อ ρ̂ ij (k ) คือ คาประมาณสหสัมพันธไขวที่ i,j นั่นคือ
n−k
( )(
∑ Z i, t − Z i Z j, t + k − Z j )
ˆ ij (k ) =
ρ t =1
1/ 2
⎡n 2 n 2⎤
⎢ ∑ Z (
i, t − Z ) (
i ∑ Z j, t − Z j )⎥
⎣t 1
= t =1 ⎦
เมื่อ ตามลําดับ ความแปรปรวนของ ρ̂ ij (k )
Z i , Z j คือคาเฉลี่ยคาอนุกรม Z i, t และ Z j, t
ประมาณดวย 1/(n-k)
ฟงกชันเมทริกซสหสัมพันธในตัวเอง ( Sample Autocorrelation Matrix Function)
มีประโยชนอยางมากในการกําหนดอันดับของตัวแบบเฉลี่ยเคลื่อนที่ (MA) ถาเมทริกซสหสัมพันธ
cut off หลัง lag q แสดงวาควรใชตัวแบบ MA(q) สถิติอีกตัวหนึ่งซึ่งมีประโยชนในการกําหนดตัว
แบบคือ เมทริกซอัตถดถอยบางสวน (Partial Autocorrelation Matrix ) ใชสัญลักษณ P(s ) แทน
เมทริกซอัตถดถอยบางสวนที่หางกัน s lag ซึ่ง P(s ) เทากับเมทริกซสัมประสิทธิ์ตัวสุดทาย Φ s, s
ของ Mutivariate Linear Regression
Z t + s = Φ s ,1Z t + s −1Φ s , 2 Z t + s − 2 + ... + Φ s , s Z t + A s , t + s
เมื่อ A s, t + s คือ เวคเตอรความคลาดเคลื่อนสุม
Φ s, k คือ เมทริกซสัมประสิทธิ์ขนาด m × m k = 1,2,…,s
Tiao และ Box (1981) อางใน Wei (1990) ไดนิยาม

⎧Γ ′(1)[Γ(0 )]−1 ;s =1
⎪⎪
P(s ) = ⎨⎧
{
⎪⎨Γ(s ) − c ′(s )[H (s )] b(s )} Γ(0 ) − b ′(s )[H (s )] b (s )
⎪⎩⎩
−1 −1 }
−1
;s >1
 37

โดยที่
⎡ Γ(0 ) Γ′(1) Κ Γ′(s − 2 )⎤ ⎡ Γ ′(s − 1)⎤ ⎡ Γ (1) ⎤
⎢ Γ(1) Γ′(0 ) Λ Γ′(s − 3 )⎥ ⎥ ⎢ Γ ′(s − 2 )⎥⎥ ⎢ Γ (2 ) ⎥
H (s ) = ⎢ , b(s) = ⎢ , c(s) = ⎢ ⎥
⎢ Μ Μ Μ Μ ⎥ ⎢ Μ ⎥ ⎢ Μ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣Γ(s − 2 ) Γ(s − 3 ) Λ Γ(0 ) ⎦ ⎣ Γ ′(1) ⎦ ⎣Γ (s − 1)⎦
1 n −s
Γ̂ (s ) = ∑ (Z t − Z )(Z t + s − Z )′ , s =1,2,…; Z = ( Z1 , Z 2 , ..., Z m ) คือเวคเตอรของคาเฉลี่ย
n t =1
Γ ′(. ) เปน transpost ของ Γ(. )
⎧Φ p ,s = p
สําหรับตัวแบบ VAR(p) ; P(s ) = ⎨
⎩0 ,s > p
ดังนั้น P(s ) ของตัวแบบ VAR(p) จะ cut off หลัง lag p คาประมาณ P̂(s ) หาไดโดยการแทน
Γ (s ) ดวยคาประมาณ Γ̂ (s ) ความแปรปรวนของ P̂(s ) ประมาณ 1/n
เนื่องจากจํานวนอนุกรมเวลาเพิ่มขึ้นสงผลใหเมทริกซสหสัมพันธในตัวเอง เมทริกซอัต
ถดถอยบางสวน และกราฟสัมประสิทธิ์สหสัมพันธในตัวเอง กราฟสัมประสิทธิ์สหสัมพันธอัตถด
ถอยบางสวน มีความสลับซับซอนทําใหการพิจารณารูปแบบในการกําหนดตัวแบบทําไดยาก Tiao
และ Box (1981) อางใน Wei (1990) ไดกําหนดวิธีการและสัญลักษณ +, - , และ . แทนตําแหนง
(i,j) ของเมทริกซสหสัมพันธในตัวเองเพื่อชวยในการกําหนดตัวแบบ
โดยที่ + คือ คาประมาณเมทริกซสัมประสิทธิ์สหสัมพันธมากกวา 2SE
- คือ คาประมาณเมทริกซสัมประสิทธิ์สหสัมพันธนอยกวา -2SE
. คือ คาประมาณเมทริกซสัมประสิทธิ์สหสัมพันธอยูภายใน 2SE
ตัวแบบ VARMA (p,q) สามารถเขียนในรูป
Φ(B)Z&t = Θ(B)At
โดยที่ Z&t = Z t − µ คือ เวคเตอรของคาสังเกต ณ เวลา t ของตัวแปรทั้งหมดรูปของผล
ตางจากคาเฉลี่ย ในที่นี้สมมติมีอนุกรมเวลาของตัวแปรทั้งหมด m อนุกรม
A t คือ เวคเตอรของความคลาดเคลื่อนสุม
Φ(B), Θ(B) คือ เมทริกซโพลิโนเมียลของ backshift operator B อันดับ p และ q ตามลําดับ
เมื่อ Φ(B) = ⎛⎜ I − Φ 1 B − Φ 2 B 2 − Λ − Φ p B p ⎞⎟
⎝ ⎠
Θ(B) = ⎛⎜ I − Θ B − Θ B 2 − ... − Θ B q ⎞⎟
1 2 q ⎠
⎝
I คือ เมทริกซเอกลักษณ ขนาด m × m
 38

Φ1 , Φ 2 , … , Φ p และ Θ1 , Θ 2 , … , Θ q คือเมทริกซพารามิเตอรขนาด m × m
ถา q = 0 และ Θ(B) = I จะไดตัวแบบที่มีชื่อเรียกเฉพาะวา Vector Autoregressive อันดับ p ;
VAR(p) ตัวแบบทั่วไปเขียนไดเปน Φ(B)Z&t = A t
ถา p = 0 และ Φ(B)= I จะไดตัวแบบที่มีชื่อเรียกเฉพาะวา Vector Moving average อันดับ q ;
VMA(q) ตัวแบบทั่วไปเขียนไดเปน Z&t = Θ(B)A t
ซึ่งในงานวิจัยนี้จะใชตัวแบบ VAR ( Vector Autoregressive Model ) คือ
Z t = δ + Φ 1Z t −1 + Φ 2 Z t − 2 + ... + A t
หรือเขียนอยูในรูป Backshift Operator เปน Φ p (B )Z&t = A t เมื่อ Z&t = Z t − µ , B jZ t = Z t − j
โดยที่ δ คือ เวคเตอรคาคงที่ของกระบวนการ
Φ i คือ เมทริกซพารามิเตอรของตัวแบบที่ตองประมาณคา
A t คือ เวคเตอรความคลาดเคลื่อนสุม ซึ่งสมมติวามีการแจกแจงแบบหนึ่ง (Fixed
Distribution) เวคเตอรของคาเฉลี่ย = 0 เมทริกซความแปรปรวน = Σ 0 และ A t , A t − k
ไมมีสหสัมพันธกัน ถา k ≠ 0
δ
ตัวแบบ VAR นี้มีคาเฉลี่ย E(Zt) = µ = โดย Φ 0 = I
p
∑Φj
j= 0
เมทริกซความแปรปรวน Γ(0 ) = Γ ′(1)Φ 1′ + Γ ′ (2 )Φ ′2 + ... + Γ ′(p )Φ ′p + Σ 0
เมทริกซความแปรปรวนรวมระหวาง Z t กับ Z t + k
cov (Z t , Z t + k ) = Γ (k ) = Γ ′(k − 1)Φ 1′ + Γ ′ (k − 2 )Φ ′2 + ... + Γ ′(k − p )Φ ′p , k > p

และเมทริกซสหสัมพันธในตัวเองระหวาง Z t กับ Z t + k ρ(k ) = D −1 / 2 Γ(k )D −1 / 2

ในการกําหนดอันดับ p ของตัวแบบ VAR (p) จะพิจารณาจากคา AIC
(Akaike’s Information Criterion) โดยที่ AIC(p/) = ln Σˆ 0 ( p / ) + 2p/m2/n เมื่อ p = 1,2,3,…, p/
Σ̂ 0คือ ตัวประมาณเมทริกซความแปรปรวนของสวนเหลือ p/ คือคา lag สูงสุดของเมทริกซสห
สัมพันธในตัวเองที่มีนัยสําคัญทางสถิติ n คือ จํานวนคาสังเกต m คือจํานวนอนุกรมเวลา m
อนุกรม ซึ่งจะพิจารณา p/ ที่ใหคา AIC(p/) ต่ําสุด ( L &
u&tkepohl 1993 :129)
วิธีการที่ใชในการประมาณพารามิเตอรของตัวแบบ VAR มีหลายวิธีเชนเดียวกับที่ใช
ในตัวแบบ ARIMA หลังจากประมาณคาพารามิเตอรของตัวแบบ VAR แลวจะตองตรวจสอบ
ความถูกตองของตัวแบบซึ่งจะกลาวตอไปในหัวขอ 2.1.3
 39

ตัวแบบอัตราดอกเบี้ย (Interest Rate Model)

นอกจากตัวแบบที่กลาวขางตนแลวยังมีตัวแบบที่ไดรับความนิยมจากนักเศรษฐศาสตร
ในการพยากรณภาวะเงินเฟอ โดยเฉพาะคือ ตัวแบบอัตราดอกเบี้ย (Interest Rate Model) เปน
ตัวแบบการพยากรณภาวะเงินเฟอโดยใชคาสังเกตของอัตราดอกเบี้ยที่เปนตัวเงิน
จากสมการของฟชเชอร (Fisher Equation) ,Fisher (1930) อางในFama and Gibbon
(1984) TB t −1 = ER t −1 + EI t −1 (1)
เมื่อ TB t −1 คือ อัตราดอกเบี้ยที่เปนตัวเงินซึ่งจะไดรับที่เวลา t เมื่อสังเกตที่เวลา t-1
ER t −1 คือ คาคาดหมายของผลตอบแทนที่แทจริงสําหรับเวลา t เมื่อสังเกตที่เวลา t-1
EI t −1 คือ คาคาดหมายของภาวะเงินเฟอที่ เวลา t คํานวณที่เวลา t-1
ดังนั้นในการพยากรณภาวะเงินเฟอจากตัวแบบอัตราดอกเบี้ยนี้ ตองหาคาคาดหมายของผลตอบ
แทนที่แทจริง ER t − 1 กอน วิธีที่นิยมใชในการหาคาคาดหมายของผลตอบแทนที่แทจริง คือ
1. วิธี Box - Jenkins
2. วิธีปรับใหเรียบแบบเอกโปเนนเชียล ซึ่งมีผูที่นําไปใชเชน Hess and Bicksler
(1975) , Fama (1976) , Garbade and Wachtel (1978) , Nelson and Schwert(1977) , Fama and
Gibbons (1982) เปนตน Fama and Gibbons (1984) เรียกตัวแบบอัตราดอกเบี้ยที่คาคาดหมาย
ของผลตอบแทนที่แทจริงหาโดยใชวิธีปรับใหเรียบแบบเอกโปเนนเชียลนี้วาตัวแบบอัตราดอกเบี้ย
Naive เทคนิคที่นิยมใชในการทําใหเรียบ คือ การใชคาเฉลี่ยเคลื่อนที่
Fama (1975) ใชแนวความคิดของตัวแบบอัตราดอกเบี้ยในการพยากรณภาวะเงินเฟอ
โดยมีขอสมมติวาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริง ER t −1 มีคาคงที่ และ
พยากรณภาวะเงินเฟอของสหรัฐอเมริกาในระหวางป ค.ศ.1953-1971 โดยใชตัวแบบถดถอย โดยถือ
วาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริง ER t −1 รวมอยูใน β 0
I t = β 0 + β1TB t −1 + ε t
โดย I t คือ คาสังเกตของภาวะเงินเฟอที่เวลา t
β 0 , β1 คือ พารามิเตอรถดถอย
εt คือ ความคลาดเคลื่อนสุม
Hess and Bicksler (1975) พบวาการเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่
แทจริงไมไดคงที่ แตผันแปรตามเวลา จากการศึกษาของ Fama (1976) Garbade and Wachtel
(1978) และFama and Gibbons (1982) พบวาถาคาคาดหมายของผลตอบแทนที่แทจริงมีลักษณะ
 40

เปน Random walk สามารถใชอัตราดอกเบี้ยในการพยากรณภาวะเงินเฟอไดดี จากการศึกษาของ

Fama and Gibbons(1984) โดยใชขอมูลอัตราดอกเบี้ยรายเดือนของสหรัฐอเมริกา
ในป ค.ศ.1953-1977 พบวาการเปลี่ยนแปลงของอัตราดอกเบี้ยภายหลังหักอิทธิพลของภาวะเงิน
เฟอออกแลว ( TB t −1 - I t ) สามารถอธิบายไดดวยตัวแบบเฉลี่ยเคลื่อนที่ ดังนั้นอัตราดอกเบี้ยหลังหัก
อิทธิพลของภาวะเงินเฟอออกไปแลว หรือ ผลตอบแทนที่แทจริงที่เวลา t เขียนไดเปน
TB t −1 - I t = ER t −1 + ξ t (2)
เมื่อ ξ t คือ ความคลาดเคลื่อนของการพยากรณผลตอบแทนที่แทจริงที่เวลา t โดยใชคาคาด
หมายของผลตอบแทนที่แทจริง และผลตางระหวางผลตอบแทนที่แทจริง ที่เวลา t และ t-1 คือ
( TB t −1 - I t ) - ( TB t − 2 - I t −1 ) = ∆ER t −1 + ξ t - ξ t −1 (3)
เมื่อ ∆ER t −1 คือ การเปลี่ยนแปลงของคาคาดหมายของผลตอบแทนที่แทจริงระหวางเวลา t กับ
t-1 ถา ER t −1 มีพฤติกรรมเปน Random walk ∆ER t −1 และ ξ t เปนกระบวนการ white
noise คือ ∆ER t −1 และ ξ t เปนตัวแปรสุม ซึ่งไดจากการแจกแจงแบบหนึ่งที่มีคาเฉลี่ยคงที่
มักสมมติวาเปนศูนย ความแปรปรวนคงที่ และไมมีสหสัมพันธในตัวเองเชนเดียวกันตัวแปร a t
ดังนั้นจึงใชตัวแปร a t แทน ∆ER t −1 และ ξ t ผลตางระหวางผลตอบแทนที่แทจริง ที่เวลา t และ
t-1 สามารถแสดงดวยกระบวนเฉลี่ยเคลื่อนที่อันดับที่ 1 (first - order moving average process)
ดังนี้ ( TB t −1 - I t ) - ( TB t − 2 - I t −1 ) = a t - θa t − 1 (4)
เมื่อ θ คือพารามิเตอรของตัวแบบเฉลี่ยเคลื่อนที่อันดับที่ 1 ดังนั้นคาพยากรณของคาคาดหมายของ
ผลตอบแทนที่แทจริงที่เวลา t สามารถคํานวณไดจากสมการ
EˆR t −1 = TB t − 2 - I t −1 - θ̂a t −1
จากตัวแบบในสมการ (1) สามารถคํานวณคาคาดหมายของภาวะเงินเฟอที่เวลา t ( EI t −1 ) ซึ่งใช
เปนคาพยากรณภาวะเงินเฟอ (ˆIt ) ไดดังนี้
ˆIt = EI t −1 = TB t −1 - EˆR t −1 (5)
สําหรับตัวแบบอัตราดอกเบี้ย Naive ซึ่งใชเทคนิคการปรับใหเรียบแบบเอ็กโปเนนเชียล
ในการหาคาคาดหมายของผลตอบแทนที่แทจริง ( ER t −1 )ให ERˆN t − 1 เปนคาพยากรณของคาคาด
หมายของผลตอบแทนที่แทจริงที่ เวลา t ที่ไดจากการทําใหเรียบ ดังนั้นคาพยากรณภาวะเงินเฟอที่
เวลา t คํานวณดังนี้ ˆIt = TB t −1 - ERˆN t − 1

2.1.3 การตรวจสอบความถูกตองของตัวแบบ
 41

หลังจากกําหนดตัวแบบของอนุกรมเวลาและหาคาประมาณพารามิเตอรของตัวแบบ
แลวกอนที่จะนําตัวแบบไปใชในการพยากรณภาวะเงินเฟอ จะตองตรวจสอบความเหมาะสมของ
ตัวแบบกอน
การตรวจสอบวาตัวแบบเหมาะสมเพียงพอที่จะนําไปใชในการพยากรณตอไปหรือไม
สามารถแบงออกเปน 2 กลุมใหญ ๆ คือ การตรวจนัยสําคัญของพารามิเตอร และการตรวจสอบ
ขอสมมติของความคลาดเคลื่อน
1.การตรวจนัยสําคัญของพารามิเตอร
การตรวจนัยสําคัญของพารามิเตอร เปนการตรวจสอบวาพารามิเตอรนั้นควรอยูในตัว
แบบ หรือตัวแบบมีพารามิเตอรมากเกินความจําเปนหรือไม ดังนั้นเพื่อใหไดตัวแบบที่เหมาะสม
ในการพยากรณจึงควรตัดพารามิเตอรที่ไมมีนัยสําคัญออกจากตัวแบบ การทดสอบนัยสําคัญของ
พารามิเตอรทําโดยทดสอบสมมติฐาน H0 : θ = 0 กับ H1 : θ ≠ 0 และใชตัวสถิติ
ˆθ
t = เมื่อ ( ) คือ Standard error ของคาประมาณ θ̂
()
SE ˆθ
SE θ̂

ถา t > t α / 2, n − n p โดยที่ n คือจํานวนคาสังเกตของอนุกรมเวลาที่ Stationary

np คือจํานวนพารามิเตอรในตัวแบบ แสดงวาพารามิเตอร θ มีนัยสําคัญทางสถิติที่ระดับ α
ดังนั้นพารามิเตอรควรอยูในตัวแบบ
2. การตรวจสอบขอสมมติของความคลาดเคลื่อน
ในการวิเคราะหอนุกรมเวลามีขอสมมติวาความคลาดเคลื่อนเปนตัวแปรสุมที่ไมมี
สหสัมพันธกัน คาเฉลี่ยเทากับศูนย ความแปรปรวนคงที่ ดังนั้นถาตัวแบบที่กําหนดเหมาะสม
สวนเหลือซึ่งเปนคาประมาณความคลาดเคลื่อน ควรจะมีลักษณะสอดคลองกับขอสมมติดังกลาว
การตรวจสอบความคลาดเคลื่อนไมมีสหสัมพันธกัน
ในการตรวจสอบความคลาดเคลื่อนของตัวแบบมีสหสัมพันธกันหรือไมสามารถใชคา
ACF และ PACF ของสวนเหลือที่ไดจากตัวแบบสมมติฐานคือ ρ̂ k (ˆa t ) และ φ̂ kk (ˆa t ) ตาม
ลําดับโดยทดสอบสมมติฐาน H 0 : ρ k (ˆa t ) = 0 , H1 : ρ k (ˆa t ) ≠ 0 ทุกคา k โดยที่
ne ne
∑ (ˆa t − a t )(ˆa t − k − a ) ∑ ˆa tˆa t − k
ρ = t = k +1 = t = k +1
ˆ k (ˆa t )
ne ne
∑ (a t − a )
2 2
∑ ˆa t
t =1 t =1
เปรียบเทียบกับคาความคลาดเคลื่อนมาตรฐาน (SE) ของ ρˆ k (ˆa t ) ซึ่งประมาณดวย
 42

SE (ρ̂ k (ˆa t )) ≅ 1
ne
ถาคา ρ̂ k (ˆa t ) < 2SE แสดงวาสวนเหลือไมมีสหสัมพันธกันที่ระดับนัยสําคัญ α = 0. 05 ดังนั้น
ความคลาดเคลื่อนของการพยากรณก็นาจะเปนคาสุมที่ไมมีสหสัมพันธ
ในการตรวจสอบสหสัมพันธบางสวนของความคลาดเคลื่อนของตัวแบบโดยใช PACF
ของสวนเหลือที่ไดจากตัวแบบ จะทดสอบสมมติฐาน H 0 : φ kk (ˆa t ) = 0 , H1 : φ kk (ˆa t ) ≠ 0 ทุกคา
k ถาคา φ̂ kk (ˆa t ) < 2SE โดย SE เปนความคลาดเคลื่อนมาตรฐานของ φ̂ kk (ˆa t ) ซึ่งประมาณดวย
1
แสดงวาสวนเหลือไมมีสหสัมพันธกันที่ระดับนัยสําคัญ α = 0. 05 ดังนั้นความคลาดเคลื่อน
ne
ของการพยากรณก็นาจะเปนคาสุมที่ไมมีสหสัมพันธ
การตรวจสอบสหสัมพันธของความคลาดเคลื่อนของตัวแบบอีกแบบหนึ่งเปนการ
ทดสอบสหสัมพันธโดยรวมดวยตัวสถิติ Box – Ljung ทดสอบสมมติฐาน
H 0 : ρ1 (ˆa t ) = ρ 2 (ˆa t ) = Λ = ρ k (ˆa t ) = 0
H 1 : ρ1 (ˆa t ) = ρ 2 (ˆa t ) = Λ = ρ k (ˆa t ) ≠ 0
ตัวสถิติที่ใชทดสอบคือ
K 1 2
Q(K) = ne(ne+2) ∑ ρ
ˆ k (ˆa t ) ซึ่งมีการแจกแจงแบบ χ 2 องศาเสรี K − n p
k =1 n e − k
เมื่อ np คือ จํานวนพารามิเตอรในตัวแบบ
ne คือ จํานวนคาความคลาดเคลื่อน
K คือ จํานวนสหสัมพันธในตัวเองของสวนเหลือที่ใชในการคํานวณคา Q
k= 1 ,2,… K ถา Q(K) < χ 2 α, K − n p ยอมรับ H 0 : ρ1 (ˆa t ) = ρ 2 (ˆa t ) = Λ = ρ k (ˆa t ) = 0 ทุก
คา k แสดงวาสวนเหลือไมมีสหสัมพันธกันที่ระดับนัยสําคัญ α (Pankratz 1983:227-229)
การตรวจสอบคุณสมบัติการคงที่ของความแปรปรวนสามารถใชกราฟสวนเหลือกับ
เวลา ถากราฟที่ไดแสดงใหเห็นวาสวนเหลือมีลักษณะผันแปรอยางสุมรอบคาศูนย แสดงวาคาเฉลี่ย
เทากับศูนย และถาการกระจายของคาเหลานี้มีลักษณะสม่ําเสมอ กลาวไดวาความคลาดเคลื่อนมี
ความแปรปรวนคงที่
ในการวิเคราะหอนุกรมเวลาดวยตัวแบบ Transfer Function นั้นมีขอกําหนดวา a t เปน
กระบวนการ white noise ซึ่งเปนอิสระกับอนุกรม x t ดังนั้นอนุกรม a t จะตองเปนอิสระกับอนุกรม
α t ซึ่งเปน prewhitening ของ x t ดวย ดังนั้นในการตรวจสอบความเหมาะสมของตัวแบบ
 43

นอกจากจะตรวจสอบคุณสมบัติความเปนตัวแปรสุมที่มีคาเฉลี่ย 0 ความแปรปรวนคงที่ และความ

เปนอิสระของความคลาดเคลื่อนแลวยังจะตองตรวจสอบความเปนอิสระกันของความคลาดเคลื่อน
กับอนุกรมของตัวแปรอิสระ x t ดวย ซึ่งสามารถตรวจสอบโดยใชคาสหสัมพันธไขวระหวางสวน
เหลือ ˆa t กับอนุกรม α t ( ˆρ αˆa ( k) )โดยทดสอบสมมติฐาน H 0 : ρ αa (k ) = 0 , H1 : ρ αa (k ) ≠ 0
ทุกคา k ถา ˆρ αˆa ( k) จะอยูในชวง 2 เทาของสวนเบี่ยงเบนมาตรฐานทุกคา k นั่นคือ
ˆρ αˆa ( k ) ≤ 2 , ทุกคา k = ± 1, ±2,... เมื่อ ne คือ จํานวนคาความคลาดเคลื่อน
ne − k
k คือ ชวงหางของ lag แสดงวาอนุกรม α t และ ˆa t นาจะเปนอิสระกัน หรืออาจใชตัวสถิติ
K 1
ˆ αˆa (k ) ซึ่งมีการแจกแจงแบบ χ
Q0 = ne(ne+2) ∑ ρ 2 2 องศาเสรี ( K + 1) − n p
k =0 n e − k
ω( B)
เมื่อ np คือ จํานวนพารามิเตอรของ δ i และ ω j ใน Transfer Function ; ν(B) =
δ(B)
ne คือ จํานวนคาความคลาดเคลื่อน ˆa t , k = 0,1,2,3,…,K
K คือ จํานวนสหสัมพันธในตัวเองของสวนเหลือที่ใชในการคํานวณคา Q0
ถา Q0 < χ 2 α, K +1 − n p ยอมรับ H 0 : ρ αa (k ) = 0 ทุกคา k ที่ระดับนัยสําคัญ α แสดงวาอนุกรม
αt และ ˆa t นาจะเปนอิสระกัน (Wei 1990:301)
การตรวจสอบความเหมาะสมของตัวแบบVAR
การตรวจสอบความเหมาะสมของตัวแบบVAR นอกจากจะมีการตรวจนัยสําคัญของ
พารามิเตอรโดยใชตัวสถิติ t ซึ่งไดกลาวไวแลวขางตนแลว ยังมีการตรวจสอบขอสมมติของ
ความคลาดเคลื่อน คือตรวจสอบวาความคลาดเคลื่อนเปนตัวแปรสุมที่ไมมีสหสัมพันธกัน มีคา
เฉลี่ยเทากับศูนย และความแปรปรวนคงที่ซึ่งไดกลาวไวแลวขางตน ในการตรวจสอบความคลาด
เคลื่อนของตัวแบบวามีสหสัมพันธกันหรือไมสามารถใช Residual Correlation Matrices ของสวน
เหลือที่ไดจากตัวแบบ สมมติฐานในการทดสอบ H 0 : ρ ij (ˆA t ) = 0 , H1 : ρ ij (ˆA t ) ≠ 0 ทุกคา i,j
ne ne
∑ (ˆA i, t − A i )(ˆA j, t − k − A j ) ∑ ˆA i , t ˆA j, t − k
ρ = t = k +1 = t = k +1
ˆ ij ( ˆA t )
ne ne ne ne
( ) ( )
( ∑ ˆA i , t − A i 2 ∑ ˆA j, t − A j 2 ) 1 / 2 ( ∑ ˆA i , t ∑ ˆA 2j, t ) 1 / 2
2
t =1 t =1 t =1 t =1
เมื่อ Â t คือ เวคเตอรความคลาดเคลื่อนสุม ซึ่งสมมติวามีการแจกแจงแบบหนึ่ง (Fixed
Distribution) มีคาเฉลี่ยของเวคเตอร = 0 และเมทริกซความแปรปรวน = Σ 0 และไมมีสหสัมพันธ
กัน
A t คือ เวคเตอรคาเฉลี่ยของเวคเตอรความคลาดเคลื่อนสุม
 44

1
เปรียบเทียบกับคาความคลาดเคลื่อนมาตรฐาน (SE) ของ ρˆ ij ( ˆA t ) ซึ่งประมาณดวย ≅
ne
ถาคา ρˆ ij ( ˆA t ) < 2SE แสดงวาสวนเหลือไมมีสหสัมพันธกันที่ระดับนัยสําคัญ α = 0. 05 ดังนั้น
ความคลาดเคลื่อนของการพยากรณก็นาจะเปนคาสุมที่ไมมีสหสัมพันธกัน
การตรวจสอบสหสัมพันธของความคลาดเคลื่อนของตัวแบบอีกแบบหนึ่งเปนการ
ทดสอบสหสัมพันธดวยตัวสถิติ Q K ซึ่งตั้งสมมติฐานในการทดสอบวา
H 0 : E(A t A ′t − k ) = 0 , H 1 : E(A t A ′t − k ) ≠ 0
K 1
โดยใชตัวสถิติ Q K = n e2 ∑ tr ⎛⎜ Σ ˆ 0−1Σ
ˆ ′k Σ ˆ 0−1 ⎞⎟
ˆ kΣ
k =1 n e − k ⎝ ⎠
ne
∑ ˆA t ˆA t − k
โดยที่ Σ̂ k คือคาประมาณเมทริกซสหสัมพันธของสวนเหลือ Σˆ k = t = k +1
ne
k = 0,1,2,3,…,K
ne
∑ ˆA t ˆA t
Σ̂ 0 คือ คาประมาณเมทริกซความแปรปรวนของสวนเหลือ ˆ 0 = t =1
Σ
ne
ne คือ จํานวนคาความคลาดเคลื่อน
np คือ จํานวนพารามิเตอรในตัวแบบ
m คือ จํานวนอนุกรมของเวกเตอรสวนเหลือ m อนุกรม
K คือ จํานวนเมทริกซสหสัมพันธของสวนเหลือที่ใชในการคํานวณคา Q
ถา Q K < Q K ≈ χ 2 ⎛⎜ m 2 (K − n p )⎞⎟ นั่นคือยอมรับ H 0 : E(A t A ′t − k ) = 0 ทุกคา k ที่ระดับนัยสําคัญ
⎝ ⎠
α แสดงวาสวนเหลือไมมีสหสัมพันธกันที่ระดับนัยสําคัญ α ( L&
u&tkepohl 1993: 150-152)

2.2 การเปรียบเทียบประสิทธิภาพของตัวแบบ
ในการเปรียบเทียบประสิทธิภาพระหวางตัวแบบตาง ๆ ที่ใชในพยากรณสามารถทําได
หลายลักษณะ โดยทั่วไปจะพิจารณาตามแนวทางตอไปนี้
1. การตรวจสอบความสอดคลองระหวางคาสังเกตกับคาพยากรณ เนื่องจากตัวแบบที่
ดีควรใหคาพยากรณใกลเคียงคาสังเกต ดังนั้นในการตรวจสอบความสามารถในการพยากรณของ
ตัวแบบที่ใชพยากรณ อาจทําไดโดยใชคาพยากรณ 2 แบบ คือ
 45

1. คาพยากรณนอกชวงตัวอยาง (Out- of - sample forecasts) หรือ ทางเศรษฐ

ศาสตรเรียกวา ex ante forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบไปพยากรณคาใน
อนาคตของคาสังเกตที่อยูนอกชวงขอมูลที่ใชในการหาตัวแบบ
2. คาพยากรณภายในชวงตัวอยาง (In - sample forecasts) หรือ ทางเศรษฐศาสตร
เรียกวา ex post forecasting คือ การใชขอมูลทั้งหมดในการหาตัวแบบพยากรณคาที่ใชในการ
กําหนดตัวแบบนั้น
ตัวสถิติที่ใชในการตรวจสอบความสอดคลองมีหลายแบบ ที่ไดรับความนิยมมีดังนี้
⎛ 100 ⎞ n e
MAPE : (Mean Absolute Percent Error) MAPE = ⎜⎜ ⎟⎟ ∑ ˆa t I t
⎝ n e ⎠ t =1
1 ne
∑ (ˆa t )
2
RMSE : (Root Mean Square Error) RMSE =
ne i =1
2
1 ne
MSE : (Mean Square Error) MSE = ∑ (ˆa t )
n e t =1
1 ne
MAE : (Mean Absolute Error) MAE = ∑ ˆa t
ne t =1
โดยที่ ât คือ ความคลาดเคลื่อนในการพยากรณ ( I t − ˆI t ) หรือสวนเหลือ ณ เวลา t
It คือ คาสังเกตของอนุกรมเวลา ณ เวลา t
ˆIt คือ คาพยากรณของ It ที่ไดจากตัวแบบ
ne คือ จํานวนคาความคลาดเคลื่อน
ตัวแบบที่ดีควรใหคา MAPE , RMSE , MSE , MAE ต่ํา
2. การทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตกับคาพยากรณที่ได
จากตัวแบบ ในการตรวจสอบจะใชการถดถอยเชิงเสนอยางงายของคาสังเกตบนคาพยากรณจากตัว
แบบที่ทดสอบ
I t = β 0 + β1ˆIt + ε t
เมื่อ Itคือคาสังเกตของอนุกรมเวลา ณ เวลา t
ˆIt คือคาพยากรณที่ไดจากตัวแบบทดสอบ
β 0 β1 คือพารามิเตอรถดถอย
ε t คือความคลาดเคลื่อนสุม
จากการทดสอบนัยสําคัญของพารามิเตอรโดยทดสอบที่ละตัว H 0 : β 0 = 0 , H1 : β 0 ≠ 0 และ/
หรือ H 0 : β1 = 1 , H1 : β1 ≠ 1 ถาพบวา β 0 มีนัยสําคัญทางสถิติที่ระดับ α และ β1 แตกตาง
 46

จาก 1 อยางมีนัยสําคัญทางสถิติ แสดงวาคาพยากรณจากตัวแบบที่ทดสอบมีความเอนเอียงจากคา

สังเกตจริง
3. การตรวจสอบการมีสวนรวมในการอธิบายภาวะเงินเฟอระหวางคาพยากรณที่ไดจาก
แตละตัวแบบ ในการตรวจสอบจะใชการถดถอยเชิงเสนพหุคูณของคาสังเกตบนคาพยากรณจากตัว
แบบ 2 ตัวแบบใด ๆ
I t = β 0 + β1ˆIti + β 2ˆItj + ε t
เมื่อ ˆIti และ ˆIt j คือ คาพยากรณที่ไดจากตัวแบบ i และตัวแบบ j ณ เวลา t ตามลําดับ
β 0 , β1 , β 2 คือ พารามิเตอรถดถอย
ε t ~ N(0, σ 2 ) และ ε i , ε j ไมมีสหสัมพันธกัน(Uncorrelated)
ทําการทดสอบสมมติฐาน H 0 : β1 = β 2 = 0 , H1 : H 0 ไมเปนจริง ถาปฏิเสธสมมติฐาน
H 0 : β1 = β 2 = 0 ที่ระดับนัยสําคัญ α แสดงวาคาสังเกตจริงมีความสัมพันธเชิงเสนกับคา
พยากรณของตัวแบบอยางนอยหนึ่งตัวแบบ และทําการทดสอบนัยสําคัญของพารามิเตอรโดย
ทดสอบที่ละตัว H 0 : β j = 0 H 1 : β j ≠ 0 เมื่อ j = 1,2 ที่ระดับนัยสําคัญ α ถาปฏิเสธ
H 0 : β1 = 0 และยอมรับ H 0 : β 2 = 0 แสดงวาคาพยากรณจากตัวแบบ j, I j ไมไดใหสาร
สนเทศในการอธิบายความผันแปรของคาสังเกตของอนุกรมเวลาเพิ่มจากสวนที่ I i ไดอธิบายไว
แลว ถายอมรับ H 0 : β1 = 0 และปฏิเสธ H 0 : β 2 = 0 แสดงวาคาพยากรณจากตัวแบบ i, I i ไม
ไดใหสารสนเทศในการอธิบายความผันแปรของคาสังเกตของอนุกรมเวลาเพิ่มจากสวนที่ I j ได
อธิบายไวแลว ถายอมรับทั้ง H 0 : β1 = 0 และ H 0 : β 2 = 0 แสดงวาคาพยากรณจากตัวแบบ
ทั้ง 2ใหสารสนเทศเดียวกัน ถาปฏิเสธทั้ง H 0 : β1 = 0 และ H 0 : β 2 = 0 แสดงวาทั้ง 2 ตัวแบบ
มีสวนรวมในการอธิบายความผันแปรของคาสังเกต
เนื่องจากการในทดสอบความเอนเอียงใชการถดถอยเชิงเสนอยางงายและในการตรวจ
สอบการมีสวนรวมใชการถดถอยเชิงเสนพหุคูณ โดยมีขอสมมติวาความคลาดเคลื่อนสุม ε t ~ N
(0, σ 2 ) และตางไมมีสหสัมพันธกัน (Uncorrelated) ดังนั้นเพื่อตรวจสอบความสอดคลองกับขอ
สมมติของขอมูลในสวนของความคลาดเคลื่อนไมมีสหสัมพันธกัน จะทดสอบสหสัมพันธของ
ความคลาดเคลื่อน โดยตัวสถิติที่ใชในการทดสอบคือ ตัวสถิติเดอรบิน –วัตสัน (Durbin – Watson
Statistics) คํานวณโดย
ne
∑ (ˆa t − ˆa t −1 )
2

d = t=2
2
∑ ˆa t
 47

คาของ d อยูระหวาง 0 ถึง 4 ถาสวนเหลือไมมีสหสัมพันธกันคา d จะเขาใกล 2

ถาคา d เขาใกล 0 แสดงวาสวนเหลือตัวที่อยูติดกันมีสหสัมพันธทางบวก
ถาคา d เขาใกล 4 แสดงวาสวนเหลือตัวที่อยูติดกันมีสหสัมพันธทางลบ โดยพิจารณาจากตาราง
Durbin – Watson

มีสหสัมพันธ สรุป ไมมีสหสัมพันธ สรุป มีสหสัมพันธ

ทางบวก ไมได ไมได ทางลบ
0 dL dU 2 4 − dU 4 − dL 4
ภาพที่ ค เขตวิกฤตของการทดสอบเดอรบิน- วัตสัน (สุดา ตระการเถลิงศักดิ์ 2543: 68-69)

2.3 งานวิจัยที่เกี่ยวของ
งานวิจัยเกี่ยวกับภาวะเงินเฟอในตางประเทศ

Fama and Gibbons (1984 ) ศึกษาและเปรียบเทียบประสิทธิภาพในการพยากรณ

ภาวะเงินเฟอ1เดือนลวงหนา ระหวางตัวแบบARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบอัตราดอก
เบี้ย Naive และ เปรียบเทียบประสิทธิภาพในการพยากรณ 8 เดือนและ 14 เดือนลวงหนา ระหวาง
วิธีเหลานี้โดยใชขอมูลดัชนีราคาผูบริโภคและอัตราดอกเบี้ยของพันธบัตรรายเดือนในสหรัฐอเมริกา
ระหวางป ค.ศ. 1953-1977 กับคาพยากรณดัชนีราคาผูบริโภคซึ่งไดจากการสํารวจความเห็นของนัก
เศรษฐศาสตรซึ่งจัดทําโดย Livingston survey พบวา
สําหรับตัวแบบ ARIMA พบวาการเปลี่ยนแปลงของภาวะเงินเฟอมีลักษณะเปนแบบ
คาเฉลี่ยเคลื่อนที่อันดับหนึ่ง คาพยากรณภาวะเงินเฟอของตัวแบบ ARIMA ไดจากสมการ
ˆIt = I t −1 − 0. 8027ˆa t −1 โดย ˆa t −1 เปนสวนเหลือของการพยากรณที่เวลา t-1
สําหรับตัวแบบอัตราดอกเบี้ย เมื่อใชวิธี Box – Jenkins ไดสมการสําหรับพยากรณของ
คาคาดหมายของผลตอบแทนที่แทจริงเปน ER t −1 = ( TB t − 2 - I t −1 ) - 0. 9223ˆa t −1 คาพยากรณของ
ภาวะเงินเฟอที่เวลา t คํานวณจาก ˆIt = TB t −1 - EˆR t −1
สําหรับตัวแบบอัตราดอกเบี้ย Naive Fama and Gibbons (1984) ทดสอบวิธีการปรับ
คาคาดหมายของผลตอบแทนที่แทจริง ( ER t −1 )ใหเรียบหลายแบบตั้งแต 6 - 24 เดือน พบวาวิธีคา
เฉลี่ยเคลื่อนที่ 12 เดือนใหคาความคลาดเคลื่อนมาตรฐานต่ําสุด ให ERˆN t − 1 เปนคาพยากรณของคา
 48

คาดหมายของผลตอบแทนที่แทจริงที่ไดจากตัวแบบอัตราดอกเบี้ย Naive คาพยากรณภาวะเงินเฟอที่

เวลา t (ˆIt ) คํานวณดังนี้ ˆIt = TB t −1 - ERˆN t − 1
จากการเปรียบเทียบความสอดคลองกันของคาสังเกตกับคาพยากรณที่ไดจากแตละตัว
แบบ สามารถสรุปไดดังนี้
สําหรับการพยากรณนอกชวงตัวอยาง จากการพยากรณภาวะเงินเฟอระหวางเดือน
มกราคม 1978 ถึง มิถุนายน 1981 พบวาทั้ง 3 วิธีใหคาRMSE ใกลเคียงกันโดย RMSE ของตัวแบบ
อัตราดอกเบี้ย Naive ต่ําสุด รองลงมาคือตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ย ตามลําดับ
สําหรับการพยากรณแบบภายในชวงตัวอยางพบวาทั้ง 3 วิธีใหคา RMSE ใกลเคียงกัน
โดย RMSE ของตัวแบบอัตราดอกเบี้ยทั้ง 2 ตัวแบบต่ําสุด รองลงมาคือตัวแบบ ARIMA เมื่อแบง
การพิจารณาเปน 7 ชวงเทา ๆ กัน พบวาในชวง 1954/1 ถึง 1957/6 และชวง 1974/7 ถึง 1977/12
คา RMSE ของตัวแบบอัตราดอกเบี้ยต่ําสุด รองลงมาคือตัวแบบอัตราดอกเบี้ย Naïve และ
ตัวแบบ ARIMA ตามลําดับ
ในชวง 1957/7 ถึง 1960/12 และ 1971/7 ถึง 1974/6 พบวาคา RMSE ของตัวแบบ
อัตราดอกเบี้ย Naive ต่ําสุด รองลงมาคือ ตัวแบบอัตราดอกเบี้ย และตัวแบบ ARIMA ตามลําดับ
ในชวง 1961/1 ถึง 1964/6 และ 1968/1 ถึง 1971/6 พบวาคา RMSE ของตัวแบบ
อัตราดอกเบี้ยทั้ง 2 ตัวแบบต่ําสุด รองลงมาคือตัวแบบ ARIMA ตามลําดับ
ในชวง 1964/7 ถึง 1967/12 พบวา RMSE ของตัวแบบอัตราดอกเบี้ยต่ําสุด รองลงมา
คือตัวแบบ ARIMA และ ตัวแบบอัตราดอกเบี้ยNaive ตามลําดับ
จากการทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตภาวะเงินเฟอกับคา
พยากรณภาวะเงินเฟอที่ไดจากแตละตัวแบบโดยใชสมการถดถอย พบวาตัวแบบอัตราดอกเบี้ยทั้ง 2
ตัวแบบใหคาพยากรณที่ไมเอนเอียง
จากการทดสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอของคาสังเกตภาวะเงินเฟอ
กับคาพยากรณจากตัวแบบที่ละคูโดยใชสมการถดถอยพหุคูณ พบวาสําหรับคูของตัวแบบ ARIMA
กับตัวแบบอัตราดอกเบี้ย ตัวแบบ ARIMA ไมไดใหสารสนเทศในการอธิบายภาวะเงินเฟอเพิ่มจาก
ที่ตัวแบบอัตราดอกเบี้ยไดอธิบายไวแลว สําหรับคูตัวแบบ ARIMA กับตัวแบบอัตราดอกเบี้ย Naive
พบวาตัวแบบ ARIMA ไมไดใหสารสนเทศในการพยากรณภาวะเงินเฟอเพิ่มจากที่ตัวแบบอัตรา
ดอกเบี้ย Naive อธิบายไวแลวเชนกัน สําหรับคูตัวแบบอัตราดอกเบี้ยกับตัวแบบอัตราดอกเบี้ย Naive
คาความคลาดเคลื่อนมาตรฐานของสัมประสิทธิ์ถดถอยสูง เนื่องจากคาพยากรณภาวะเงินเฟอจาก
ตัวแบบอัตราดอกเบี้ยและที่ไดจากตัวแบบอัตราดอกเบี้ย Naive มีพหุสัมพันธสูง (high collinearity)
สหสัมพันธระหวางความคลาดเคลื่อนจากการพยากรณของตัวแบบอัตราดอกเบี้ย 2 ตัวแบบนี้มีคา
 49

เทากับ 0.987 ดังนั้นคาพยากรณภาวะเงินเฟอรายเดือนจากตัวแบบอัตราดอกเบี้ยแตละตัวแบบให

สารสนเทศที่อยูในตัวแบบอนุกรมเวลาและยังรวมสารสนเทศที่ไมไดอยูในตัวแบบ ARIMA ไวดวย
สําหรับการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอ 8 เดือนลวงหนา
และ 14 เดือนลวงหนาระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบอัตราดอกเบี้ย
Naive และ การสํารวจของ Livingston survey เมื่อใชการพยากรณนอกชวงตัวอยางพยากรณภาวะ
เงินเฟอในชวงเดือน มกราคม 1978 ถึง มิถุนายน 1981 พบวา ตัวแบบอัตราดอกเบี้ยทั้ง 2 ตัวแบบ
ใหคาRMSE ต่ํากวาตัวแบบ ARIMA และ การสํารวจของLivingston survey มักจะต่ํากวาคา
สังเกตจริง นอกจากนี้ยังพบวาเมื่อรวมตัวแบบอัตราดอกเบี้ยกับการสํารวจของ Livingston survey
พบวาตัวแบบรวมนี้สามารถพยากรณภาวะเงินเฟอไดดีขึ้น แตก็ยังใหคา RMSE สูงกวาการใชตัว
แบบอัตราดอกเบี้ย ดังนั้นการสํารวจของLivingston survey ไมใหสารสนเทศเพิ่มจากที่ตัวแบบ
อัตราดอกเบี้ยไดอธิบายไวแลว
เมื่อใชการพยากรณแบบภายในชวงตัวอยางพยากรณภาวะเงินเฟอในชวง 1953 ถึง
1977 พบวา RMSE ของตัวแบบอัตราดอกเบี้ยต่ําสุด รองลงมาคือตัวแบบอัตราดอกเบี้ย Naive ตัว
แบบ ARIMA และการสํารวจของLivingston survey ตามลําดับ
การทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณ
ภาวะเงินเฟอที่ไดจากแตละตัวแบบโดยใชสมการถดถอยพบวา
สําหรับการพยากรณภาวะเงินเฟอ 8 เดือนลวงหนา ตัวแบบอัตราดอกเบี้ยทั้ง 2 ตัวแบบ
และตัวแบบ ARIMA ใหคาพยากรณที่ไมเอนเอียง สําหรับการพยากรณภาวะเงินเฟอ 14 เดือนลวง
หนามีเพียงตัวแบบอัตราดอกเบี้ยเทานั้นที่ใหคาพยากรณที่ไมเอนเอียง
จากการวิเคราะหการมีสวนรวมในการพยากรณภาวะเงินเฟอ 8 เดือนลวงหนา และ 14
เดือนลวงหนาของคาสังเกตภาวะเงินเฟอกับคาพยากรณจากตัวแบบที่ละคูโดยใชสมการถดถอย
พหุคูณ พบวาสําหรับการพยากรณภาวะเงินเฟอ 8 เดือนลวงหนา คูของตัวแบบอัตราดอกเบี้ยกับ
การสํารวจของLivingston survey พบวาการสํารวจของLivingston survey ไมใหสารสนเทศในการ
อธิบายภาวะเงินเฟอเพิ่มจากที่ตัวแบบอัตราดอกเบี้ยอธิบายไวแลว คูของตัวแบบ ARIMA กับตัว
แบบอัตราดอกเบี้ย พบวาทั้งคูมีสวนรวมในการอธิบายภาวะเงินเฟอ คูของตัวแบบ ARIMA กับ
การสํารวจของLivingston survey พบวาทั้งคูมีสวนรวมในการอธิบายภาวะเงินเฟอ คูของตัวแบบ
ARIMA กับตัวแบบอัตราดอกเบี้ย Naive พบวาตัวแบบ ARIMA ไมไดใหสารสนเทศในการ
พยากรณภาวะเงินเฟอเพิ่มจากที่ตัวแบบอัตราดอกเบี้ยNaive อธิบายไวแลว คูของตัวแบบอัตราดอก
เบี้ยกับตัวแบบอัตราดอกเบี้ยNaive พบวาตัวแบบอัตราดอกเบี้ยNaive ไมไดใหสารสนเทศในการ
 50

พยากรณภาวะเงินเฟอเพิ่มจากที่ตัวแบบอัตราดอกเบี้ยไดอธิบายไวแลว คูของตัวแบบอัตราดอกเบี้ย
Naive กับการสํารวจของLivingston survey พบวาทั้งคูมีสวนรวมในการอธิบายภาวะเงินเฟอ
สําหรับการพยากรณภาวะเงินเฟอ 14 เดือนลวงหนา คูของตัวแบบอัตราดอกเบี้ยกับการ
สํารวจของ Livingston survey พบวาทั้งคูมีสวนรวมในการอธิบายภาวะเงินเฟอ คูของตัวแบบ
ARIMA กับตัวแบบอัตราดอกเบี้ย พบวาตัวแบบ ARIMA ไมไดใหสารสนเทศในการพยากรณ
ภาวะเงินเฟอเพิ่มจากที่ตัวแบบอัตราดอกเบี้ยอธิบายไวแลว คูของตัวแบบ ARIMA กับการสํารวจ
ของ Livingston survey พบวาตัวแบบ ARIMA ไมไดใหสารสนเทศในการพยากรณภาวะเงินเฟอ
เพิ่มจากที่การสํารวจของLivingston survey อธิบายไวแลว คูตัวแบบอัตราดอกเบี้ยNaive กับตัว
แบบ ARIMA พบวาตัวแบบ ARIMA ไมไดใหสารสนเทศในการพยากรณภาวะเงินเฟอเพิ่มจากที่
ตัวแบบอัตราดอกเบี้ย Naive อธิบายไวแลว คูของตัวแบบอัตราดอกเบี้ย Naive กับการสํารวจของ
Livingston survey พบวาทั้งคูมีสวนรวมในการอธิบายภาวะเงินเฟอ

Hafer and Hien (1985) เปรียบเทียบความถูกตองของวิธีการพยากรณภาวะเงินเฟอ 3

วิธีประกอบดวยการพยากรณอนุกรมเวลาตัวแปรเดียวโดยตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย
ของ Fama and Gibbons และคาพยากรณจากการสํารวจโดยASA-NBER ซึ่งสํารวจจากธุรกิจ 30-50
อยางที่เกี่ยวกับเศรษฐกิจและคาวัดตาง ๆ โดยใชขอมูล GNP deflator รายไตรมาส และอัตราดอก
เบี้ยพันธบัตรตั้งแตไตรมาสสองป 1953 ถึงไตรมาสสี่ป 1969 ซึ่งใช GNP deflator เปนตัววัดภาวะ
เงินเฟอ ผลเปนดังนี้
ในการพยากรณภาวะเงินเฟอโดยใชตัวแบบอัตราดอกเบี้ยของ Hafer and Hien
(1985) พบวาตัวแบบที่เหมาะสมสําหรับพยากรณคาคาดหมายของผลตอบแทนที่แทจริง คือ
(1 − B) ER t = a t − 0. 810a t −1 หลังจากนั้นนําคาพยากรณของคาคาดหมายของผลตอบแทนที่แท
จริง ( EˆR t −1 ) และคาสังเกตของอัตราดอกเบี้ยที่เปนตัวเงิน ณ เวลาสิ้นคาบที่ t-1 ( TB t −1 ) มาแทน
ในสมการ ˆIt = TB t −1 - EˆR t −1 จะไดคาพยากรณของภาวะเงินเฟอ ณ เวลา t
สําหรับตัวแบบ ARIMA ในการพยากรณภาวะเงินเฟอพบวาตัวแบบที่เหมาะสมคือ
(1 − B) I t = a t − 0. 7119a t −1
การพยากรณแบบนอกชวงตัวอยางตั้งแตไตรมาสแรกป 1970 ถึงไตรมาสสองป 1984
พบวาคาพยากรณจากการสํารวจโดย ASA-NBER ใหคา MAE , MSE และ RMSE ต่ําที่สุด รองลง
มาคือตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ย เนื่องจากในชวงเดือนสิงหาคม 1971 ถึงเมษายน
1974 ที่ศึกษานั้น มีเหตุการณบางอยาง เชน การควบคุมคาจาง ราคาน้ํามันที่สูงอยางกระทันหัน ซึ่ง
 51

อาจจะสงผลกระทบตอการพยากรณภาวะเงินเฟอ ดังนั้น Hafer and Hien จึงไดแบงชวงเวลาการ

วิเคราะหการพยากรณในการพยากรณนอกชวงออกเปนชวงยอย 3 ชวง ชวงละ 5 ปเทา ๆ กัน คือ
ไตรมาสหนึ่งป 1970 ถึง ไตรมาสสี่ป 1974 พบวาตัวแบบอัตราดอกเบี้ย ใหคา MAE
MSE และ RMSE ต่ําสุด รองลงมาคือคาพยากรณการสํารวจโดย ASA-NBER และตัวแบบ
ARIMA ตามลําดับ
ไตรมาสหนึ่งป 1975 ถึงไตรมาสสี่ป 1979 พบวาการสํารวจโดย ASA-NBER ใหคา
MAE MSE และ RMSE ต่ําสุด ตัวแบบอัตราดอกเบี้ย ใหคา MSE และ RMSE ต่ํารองลงมา
ตัวแบบ ARIMA ใหคา MAE ต่ํารองเปนอันดับ 2
ไตรมาสหนึ่งป 1980 ถึง ไตรมาสสองป 1984 พบวาคาพยากรณการสํารวจโดย ASA-
NBER ใหคา MAE ,MSE และ RMSE ต่ําสุด รองลงมาคือ ตัวแบบ ARIMA
Hafer and Hien อธิบายสาเหตุที่ผลที่ไดนี้ไมสอดคลองกับที่เสนอโดย Fama and
Gibbons (1984) ซึ่งพบวาตัวแบบอัตราดอกเบี้ยดีสุด รองลงมาคือตัวแบบ ARIMA วาเปนเพราะ
ใชคาวัดภาวะเงินเฟอตางกัน นอกจากนี้ในชวง 1980 ถึง 1984 ตัวแบบอัตราดอกเบี้ยพยากรณ
ภาวะเงินเฟอไดไมดีนัก เมื่อเปรียบเทียบกับตัวแบบ ARIMA และคาพยากรณจากการสํารวจโดย
ASA-NBER ที่เปนเชนนี้เพราะในชวงเวลาดังกลาวมีการกวัดแกวงของอัตราดอกเบี้ยระยะสั้นอยาง
มากซึ่งการกวัดแกวงนี้เปนผลมาจากปจจัยอื่น ๆ มากกวามาจากคาพยากรณของภาวะเงินเฟอ
จากการทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณ
ภาวะเงินเฟอที่ไดจากแตละตัวแบบโดยใชสมการถดถอย พบวาในชวงไตรมาสหนึ่งป 1970 ถึง
ไตรมาสสองป 1984 ตัวแบบอัตราดอกเบี้ยใหคาพยากรณภาวะเงินเฟอที่เอนเอียง และจากคา
Durbin-Watson = 1.39 ชี้วาความคลาดเคลื่อนมีสหสัมพันธกันในเชิงบวก สวนตัวแบบ ARIMA
และคาพยากรณจากการสํารวจโดย ASA-NBER แมจะใหคาพยากรณภาวะเงินเฟอที่ไมมีความเอน
เอียง แตจากคา Durbin-Watson = 1.45 และ 1.43 ตามลําดับ ชี้วาความคลาดเคลื่อนมีสหสัมพันธ
กันในเชิงบวก
ในชวงไตรมาสหนึ่งป 1970 ถึง ไตรมาสสี่ป 1974 พบวาตัวแบบ ARIMA และตัวแบบ
อัตราดอกเบี้ยใหคาพยากรณภาวะเงินเฟอที่ไมมีความเอนเอียง สวนคาพยากรณจากการสํารวจโดย
ASA-NBER ใหคาพยากรณภาวะเงินเฟอที่มีความเอนเอียง และพยากรณภาวะเงินเฟอไดต่ํากวาคา
จริงในชวงปลายป 1973 ถึง 1974
ในชวงไตรมาสหนึ่งป 1975 ถึงไตรมาสสี่ป 1979 พบวาทั้ง 3 ตัวแบบใหคาพยากรณ
ภาวะเงินเฟอที่ไมเอนเอียง
 52

ในชวงไตรมาสหนึ่งป 1980 ถึงไตรมาสสองป 1984 พบวาตัวแบบอัตราดอกเบี้ยใหคา

พยากรณภาวะเงินเฟอมีความเอนเอียง สวนตัวแบบ ARIMA และคาพยากรณจากการสํารวจโดย
ASA-NBER ใหคาพยากรณภาวะเงินเฟอที่ไมมีความเอนเอียง
จากการวิเคระหการมีสวนรวมในการพยากรณภาวะเงินเฟอของคาสังเกตภาวะเงินเฟอ
กับคาพยากรณจากตัวแบบแตละคูโดยใชสมการถดถอยพหุคูณ พบวา
สําหรับชวงไตรมาสหนึ่งป 1970 ถึง ไตรมาสสองป 1984 เมื่อพิจารณาคูของตัวแบบ
ARIMA กับตัวแบบอัตราดอกเบี้ย พบวาตัวแบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่ตัวแบบอัตรา
ดอกเบี้ยไดอธิบายไวแลว สําหรับคูของคาพยากรณจากการสํารวจโดย ASA-NBER กับตัวแบบ
อัตราดอกเบี้ยพบวาตัวแบบอัตราดอกเบี้ยไมใหสารสนเทศเพิ่มจากที่คาพยากรณจากการสํารวจโดย
ASA-NBERไดอธิบายไวแลว กรณีคูของคาพยากรณจากการสํารวจโดย ASA-NBER กับตัวแบบ
ARIMA พบวาตัวแบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่คาพยากรณจากการสํารวจโดย ASA-
NBER ไดอธิบายไวแลว
ชวงไตรมาสหนึ่งป 1970 ถึง ไตรมาสสองป 1974 คูของคาพยากรณจากการสํารวจโดย
ASA-NBER กับตัวแบบอัตราดอกเบี้ย พบวาตัวแบบอัตราดอกเบี้ยไมใหสารสนเทศเพิ่มจากที่คา
พยากรณจากการสํารวจโดย ASA-NBERไดอธิบายไวแลว กรณีคูของคาพยากรณจากการสํารวจ
โดย ASA-NBER กับตัวแบบ ARIMA พบวาตัวแบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่คา
พยากรณจากการสํารวจโดย ASA-NBER ไดอธิบายไวแลว คูของตัวแบบ ARIMA กับตัวแบบ
อัตราดอกเบี้ย พบวาทั้งสองตัวแบบมีสวนรวมในการอธิบายภาวะเงินเฟอ
ชวงไตรมาสหนึ่งป 1975 ถึงไตรมาสสี่ป 1979 คูของตัวแบบ ARIMA กับตัวแบบ
อัตราดอกเบี้ย พบวาตัวแบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่ตัวแบบอัตราดอกเบี้ยไดอธิบายไว
แลว สําหรับคูของคาพยากรณจากการสํารวจโดย ASA-NBER กับตัวแบบอัตราดอกเบี้ย พบวาตัว
แบบอัตราดอกเบี้ยไมใหสารสนเทศเพิ่มจากที่คาพยากรณจากการสํารวจโดย ASA-NBER ได
อธิบายไวแลว กรณีคูของคาพยากรณจากการสํารวจโดย ASA-NBER กับตัวแบบ ARIMA พบวาตัว
แบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่คาพยากรณจากการสํารวจโดย ASA-NBER ไดอธิบายไว
แลว
ชวงไตรมาสหนึ่งป 1980 ถึงไตรมาสสี่ป 1984 คูของคาพยากรณจากการสํารวจโดย
ASA-NBERกับตัวแบบอัตราดอกเบี้ย พบวาตัวแบบอัตราดอกเบี้ยไมใหสารสนเทศเพิ่มจากที่คา
พยากรณจากการสํารวจโดย ASA-NBERไดอธิบายไวแลว กรณีคูของคาพยากรณจากการสํารวจ
โดย ASA-NBER กับตัวแบบ ARIMA พบวาตัวแบบ ARIMA ไมใหสารสนเทศเพิ่มจากที่คา
 53

พยากรณจากการสํารวจโดย ASA-NBER ไดอธิบายไวแลว คูของตัวแบบ ARIMA กับตัวแบบอัตรา

ดอกเบี้ย พบวาทั้งสองตัวแบบใหสารสนเทศเดียวกัน

Hafer and Hien (1990) เปรียบเทียบการพยากรณภาวะเงินเฟอระหวางตัวแบบ

ARIMA กับตัวแบบอัตราดอกเบี้ย โดยใชขอมูลอัตราดอกเบี้ยและดัชนีผูบริโภค
( Consumer price index) หรือ CPI ของประเทศตาง ๆ 6 ประเทศ คือ เบลเยี่ยม แคนาดา
อังกฤษ ฝรั่งเศส เยอรมันนี และสหรัฐอเมริกา ตั้งแตเดือนมิถุนายน 1967 ถึง ธันวาคม 1977
พบวา ตัวแบบ ARIMA ที่เหมาะสมสําหรับพยากรณภาวะเงินเฟอเปนดังนี้ประเทศ
เบลเยี่ยม คือตัวแบบ (1 − B )I t = (1 − 0. 727 B )a t
สหรัฐอเมริกา คือตัวแบบ (1 − B )I t = (1 − 0. 776B )a t
แคนาดา คือตัวแบบ (1 − B )I t = (1 − 0. 853 B )a t
ฝรั่งเศส คือตัวแบบ (1 − B)I t = (1 − 0.698B)a t
เยอรมันนี คือตัวแบบ (1 − B )(1 − B 12 )I t = (1 − 0 . 845 B )(1 − 0 . 658 B 12 )a t
อังกฤษ คือตัวแบบ (1 − B )(1 − B 12 )I t = (1 − 0 . 675 B )(1 − 0 . 688 B 12 )a t
สําหรับตัวแบบอัตราดอกเบี้ย Hafer and Hien ไดใชวิธี Box - Jenkins หาคาพยากรณ
ของคาคาดหมายของผลตอบแทนที่แทจริง พบวาตัวแบบที่เหมาะสมสําหรับหาคาพยากรณของคา
คาดหมายของผลตอบแทนที่แทจริงของประเทศตาง ๆ มีดังนี้ประเทศ
เบลเยี่ยม คือตัวแบบ (1 − B )ER t = (1 − 0. 663B )a t
สหรัฐอเมริกา คือตัวแบบ (1 − B )ER t = (1 − 0. 912 B )a t
แคนาดา คือตัวแบบ (1 − B )ER t = (1 − 0. 820 B )a t
ฝรั่งเศส คือตัวแบบ (1 − B )ER t = (1 − 0. 730 B )a t
อังกฤษ ( ) ( )
คือตัวแบบ (1 − B ) 1 − B12 ER t = (1 − 0. 682 B ) 1 − 0. 673B12 a t
เยอรมันนี ( ) ( )
คือตัวแบบ (1 − B ) 1 − B12 ER t = (1 − 0. 716B ) 1 − 0. 772 B12 a t
เมื่อไดคาพยากรณของคาคาดหมายของผลตอบแทนที่แทจริง ( EˆR t −1 ) แลว นําคาที่ได
และคาสังเกตของอัตราดอกเบี้ยที่เปนตัวเงิน ( TB t −1 ) แทนในสมการ ˆIt = TB t −1 - EˆR t −1 จะได
คาพยากรณภาวะเงินเฟอของแตละประเทศ
จากการเปรียบเทียบประสิทธิภาพการพยากรณภาวะเงินเฟอของประเทศตาง ๆ 6
ประเทศขางตนระหวางตัวแบบ ARIMA ที่ไดจากวิธี Box – Jenkins และตัวแบบอัตราดอกเบี้ยโดย
ใชการพยากรณภายในชวงตัวอยางพบวาตัวแบบ ARIMA ใหคา MAE ต่ํากวาตัวแบบอัตราดอกเบี้ย
เมื่อพิจารณาจากคา RMSE พบวาสวนใหญตัวแบบ ARIMA ใหคา RMSE ต่ํากวาตัวแบบอัตราดอก
 54

เบี้ย ยกเวนประเทศสหรัฐอเมริกา และ อังกฤษเทานั้นที่ตัวแบบอัตราดอกเบี้ยดีกวาตัวแบบ

ARIMA
สําหรับการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอเมื่อใชการพยากรณ
แบบนอกชวงตัวอยางตั้งแตเดือนมกราคม 1978 ถึง ธันวาคม 1986 สําหรับทุกประเทศพบวาตัวแบบ
ARIMA ใหคา MAE และคา RMSE ต่ํากวาตัวแบบอัตราดอกเบี้ย โดยเฉพาะประเทศฝรั่งเศส
ตัวแบบ ARIMA ใหคา RMSE ต่ํากวาตัวแบบอัตราดอกเบี้ยอยางมาก สําหรับประเทศ อังกฤษ
เยอรมันนี และสหรัฐอเมริกา ตัวแบบ ARIMA ใหคา RMSE ต่ํากวาตัวแบบอัตราดอกเบี้ย
ไมมากนัก
จากการทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตภาวะเงินเฟอกับคา
พยากรณภาวะเงินเฟอที่ไดจากแตละตัวแบบโดยใชสมการถดถอย พบวาสําหรับตัวแบบอัตราดอก
เบี้ยของทุกประเทศใหคาพยากรณภาวะเงินเฟอที่เอนเอียง โดยคาพยากรณที่ไดมักจะสูงกวาคาภาวะ
เงินเฟอจริง ยิ่งกวานั้นคา Durbin-Watson ของตัวแบบของประเทศสหรัฐอเมริกา ฝรั่งเศส และ
เยอรมันนี แสดงวาความคลาดเคลื่อนมีสหสัมพันธกัน แตสําหรับตัวแบบ ARIMA นั้นมีเพียงคา
พยากรณภาวะเงินเฟอของประเทศอังกฤษและเยอรมันนีเทานั้นที่มคี วามเอนเอียง สําหรับ
ประเทศเบลเยี่ยม แคนาดา ฝรั่งเศส และสหรัฐอเมริกาใหคาพยากรณที่ไมมีความเอนเอียง
สําหรับประเทศสหรัฐอเมริกาแมคาพยากรณภาวะเงินเฟอจะไมมีความเอนเอียง แตจากคา Durbin-
Watson = 1.19 ชี้วาความคลาดเคลื่อนมีสหสัมพันธกันในเชิงบวก
นอกจากนี้ Hafer and Hien ไดเสนอวิธีการรวมคาพยากรณภาวะเงินเฟอที่ไดจากแตละ
ตัวแบบโดยใชสมการถดถอยพหุคูณและไดทดสอบกับการพยากรณภาวะเงินเฟอนอกชวงตัวอยาง
ของแตละประเทศ ในชวงเดือนมกราคม 1978 ถึง ธันวาคม 1986 พบวาตัวแบบรวมนี้ ใหคา RMSE
ต่ํากวาตัวแบบอัตราดอกเบี้ยและตัวแบบ ARIMA โดยเฉพาะอยางยิ่งของประเทศฝรั่งเศส ตัวแบบ
รวมใหคา RMSE ต่ํากวาอีก 2 ตัวแบบอยางเห็นไดชัด มีเพียงประเทศแคนดาที่ตัวแบบ ARIMA ให
RMSE ต่ํากวาตัวแบบรวมและตัวแบบอัตราดอกเบี้ย
สําหรับการพยากรณภาวะเงินเฟอภายในชวงตัวอยางพบวา มี 4 ประเทศที่ตัวแบบรวม
ใหคา RMSE ต่ํากวาตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ย มีเพียงประเทศแคนาดา และ
ฝรั่งเศสที่ตัวแบบรวมใหคา RMSE สูงกวาตัวแบบ ARIMA มีเฉพาะประเทศอังกฤษ และ
สหรัฐอเมริกา เทานั้นที่ตัวแบบรวมใหคา RMSE ต่ํากวาตัวแบบ ARIMA อยางชัดเจน

Valle and H e ′ ctor (2002) ศึกษาภาวะเงินเฟอในประเทศกัวเตมาลา (Guatemala) โดย

ใชดัชนีผูบริโภคเปนคาวัดภาวะเงินเฟอและเปรียบเทียบผลของการพยากรณภาวะเงินเฟอที่ไดจาก
 55

ตัวแบบ ARIMA กับตัวแบบ VAR ซึ่งประกอบดวยตัวแปรภาวะเงินเฟอดังนี้ ภาวะเงินเฟอ

ดัชนีทางเศรษฐกิจรายเดือน (Monthly Index of Economic Activity) ราคาน้ํามันระหวาง
ประเทศ (International Oil Price) อัตราดอกเบี้ยเงินฝากระยะยาว (Long Term Deposit Rate)
อัตราแลกเปลี่ยน (Exchange Rate) เงินตราที่นอกเหนือจากเงินฝากรวมเงินสดที่ธนาคารเก็บไว
(Emision (Currency Issue) = Currency outside deposit money bank, plus cash in vault of the
banks ) และ ฐานเงิน (monetary base) โดยใชขอมูลตั้งแต มกราคม 1993 ถึง เมษายน 2002 เนื่อง
จากขอมูลดัชนีราคาผูบริโภคในชวงมีนาคม 1983 ถึง ธันวาคม 2000 ใชขอมูลในชวง มี.ค. - เม.ย.
1983 เปนฐานและสําหรับขอมูลตั้งแต มกราคม 2001 ถึง เมษายน 2002 ไดมีการเปลี่ยนฐานเปน
ธันวาคม 2000 ดังนั้นจึงใชตัวแบบ ARIMA และตัวแบบ VAR ธรรมดา วิเคราะหขอมูลในชวง
มกราคม 1993 ถึง ธันวาคม 2000 สวนการวิเคราะหขอมูลตลอดชวงมกราคม 1993 ถึง เมษายน
2002 ไดใชตัวแบบการแทรกแซง (Intervention Model) ควบคูกับตัวแบบ ARIMA และตัวแบบ
VAR โดยกําหนดตัวแปรดัมมี่ 2 แบบ คือ
1. แบบถาวร กําหนดตัวแปรดัมมี่เปนตัวแปรขั้นตอน คือมีคาเทากับ 0 ในชวงมกราคม
1993 ถึง ธันวาคม 2000 และมีคาเทากับ 1 ในชวงมกราคม 2001 ถึง เมษายน 2002
2. แบบชั่วคราว กําหนดตัวแปรดัมมี่เปนตัวแปรกระตุนคือมีคาเปน 1 ในชวงมกราคม
2001 ถึง ธันวาคม 2001 นอกเหนือจากชวงนี้จะมีคาเปน 0
ตัวแบบ ARIMA พบวาตัวแบบที่เหมาะสมคือ
(1 + 0.787864B 12
) (
+ 0. 424795B 24 (1 − B )Z t = −0. 011024 + 1 − 0. 371872 B + 0. 351205B 4 + 0. 565482 B 5 a t )
จากการวิเคราะหขอมูลตลอดชวงมกราคม 1993 ถึง เมษายน 2002 สําหรับตัวแบบการ
แทรกแซงแบบถาวรควบคูกับตัวแบบ ARIMA ตัวแบบที่เหมาะสมคือ
z t − z t −1 = -0.010879+ 0.051013DUM1 +
(1 − 0.329322B + 0.406278B + 0.565953B )a
4 5
t
(1 + 0.751912B + 0.325762B )
12 24

สําหรับตัวแบบการแทรกแซงแบบชั่วคราวควบคูกับตัวแบบ ARMA พบวาตัวแบบที่

เหมาะสมคือ

z t − z t −1 = -0.011150+ 0.062372DUM2 +
(1 − 0.328679B + 0.407721 B + 0.571949B )a
4 5
t

(1 + 0.754012B + 0.314817B )
12 24

ในการกําหนดตัวแบบ VAR นั้น Valle and H e ′ ctor ไดพิจารณาตัวแบบ VAR ที่ lag12
และ lag18 ซึ่งประกอบดวยเซตของตัวแปรตาง ๆ กัน
จากการวิเคราะหขอมูลในชวงมกราคม 1993 ถึง ธันวาคม 2000 โดยตัวแบบ VAR
แบบ 12 lag พบวาตัวแบบที่ประกอบดวยตัวแปร ภาวะเงินเฟอ (I) อัตราแลกเปลี่ยน (ER) ดัชนี
 56

ทางเศรษฐกิจรายเดือน (MIEA) เงินตราที่นอกเหนือจากเงินฝากรวมเงินสดที่ธนาคารเก็บไว (EMI)

อัตราดอกเบี้ยเงินฝากระยะยาว (LIDTR) ราคาน้ํามันระหวางประเทศ ( IOILP) ใหคาRMSE ต่ําสุด
รองลงมาคือ ตัวแบบที่ประกอบดวยตัวแปร ภาวะเงินเฟอ (I) อัตราแลกเปลี่ยน (ER) ราคาน้ํามัน
ระหวางประเทศ ( IOILP) ฐานเงิน (Base) และ ภาวะเงินเฟอ (I) ดัชนีทางเศรษฐกิจรายเดือน
(MIEA) เงินตราที่นอกเหนือจากเงินฝากรายเดือนรวมเงินสดที่ธนาคารเก็บไว (EMI) อัตราดอกเบี้ย
เงินฝากระยะยาว (LIDTR) ตามลําดับ
สําหรับตัวแบบ VAR แบบ 18 lag ตัวแบบที่ประกอบดวยตัวแปรดังนี้ ภาวะเงินเฟอ
(I) ดัชนีทางเศรษฐกิจรายเดือน (MIEA) และราคาน้ํามันระหวางประเทศ (IOILP) ใหคาRMSE
ต่ําสุด รองลงมาคือ ตัวแบบที่ประกอบดวยตัวแปร ภาวะเงินเฟอ (I) ดัชนีทางเศรษฐกิจราย
เดือน (MIEA) อัตราดอกเบี้ยเงินฝากระยะยาว (LIDTR) และตัวแบบที่ประกอบดวยตัวแปร ภาวะ
เงินเฟอ (I) ดัชนีทางเศรษฐกิจรายเดือน (MIEA) และอัตราแลกเปลี่ยน (ER) ตามลําดับ
กรณีที่ใชตัวแบบการแทรกแซงกับตัวแบบ VAR Valle and H e ′ ctor (2002) ใชตัวแบบ
VAR 6 ตัวแบบขางตนพบวาตัวแบบที่ประกอบดวยตัวแปร ดัชนีทางเศรษฐกิจรายเดือน (MIEA)
อัตราดอกเบี้ยเงินฝากระยะยาว (LIDTR) ดูเหมาะสมที่สุด
จากการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอป 2000 จํานวน 12 เดือน
ของตัวแบบ VAR กับตัวแบบ ARIMA พบวาตัวแบบ VAR ใหคา RMSE ต่ํากวาตัวแบบ ARIMA
จากการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอภายในชวงตัวอยางคือ
พยากรณชวงมกราคม1993 ถึง เมษายน 2002 โดยใชการแทรกแซงแบบถาวรและแบบชั่วคราวกับ
ตัวแบบอนุกรมเวลาพบวาตัวแบบทั้ง 2 มีลักษณะไมแตกตางกันมากนัก
ผลจากการพยากรณภาวะเงินเฟอแบบนอกชวงตัวอยางในชวง 2002 พบวาตัวแบบ
ARIMA ตัวแบบ ARIMA ที่มีการแทรกแซงแบบถาวร ตัวแบบ ARIMA ที่มีการแทรกแซงแบบชั่ว
คราวใหผลการพยากรณภาวะเงินเฟอที่แตกตางกัน โดยที่ตัวแบบ ARIMA ที่มีการแทรกแซงแบบ
ถาวร กราฟพยากรณภาวะเงินเฟอมีแนวโนมเพิ่มขึ้นอยางชัดเจน ตัวแบบ ARIMA ที่มีการแทรก
แซงแบบชั่วคราว กราฟพยากรณภาวะเงินเฟอจะลดลงในชวงแรกและคอย ๆ เพิ่มขึ้น สวนตัวแบบ
ARIMA กราฟพยากรณภาวะเงินเฟอมีแนวโนมลดลงไปเรื่อย ๆ
จากการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอแบบนอกชวงตัวอยางใน
ชวง 2002 พบวาตัวแบบ VAR ที่ประกอบดวยตัวแปร ดัชนีทางเศรษฐกิจรายเดือน (MIEA)
อัตราดอกเบี้ยเงินฝากระยะยาว (LIDTR) ดูเหมาะสมที่สุด
 57

งานวิจัยเกี่ยวกับภาวะเงินเฟอในประเทศไทย

ภยันต บรรเทาทุกข (2537) ไดศึกษาผลกระทบของการปรับตัวของรายไดและรายจาย

ภาครัฐบาลตอภาวะเงินเฟอ โดยใชแนวคิดจากการศึกษาของ Aghevili-khan ซึ่งมีสมมติฐานเกี่ยว
กับกระบวนการที่เปนวงจรของปริมาณเงินและภาวะเงินเฟอวามีความสัมพันธระหวางภาวะเงินเฟอ
กับการปรับตัวของรายไดและรายจายของรัฐบาล ถาการปรับตัวทางดานรายจายตอระดับราคาที่เพิ่ม
ขึ้นเร็วกวาทางดานรายได ก็จะทําใหเกิดภาวะเงินเฟอขึ้นได ในการศึกษาใชขอมูลรายไตรมาสของ
รายไดและรายจายของรัฐบาล ปริมาณเงิน ระดับราคาและผลิตภัณฑมวลรวมรายไดในประเทศตั้ง
แตป 2520- 2533 เพื่อทดสอบสมมติฐานของ Aghevli-khan ที่วาการขาดดุลทางการคลังของรัฐ
บาลเปนสาเหตุทําใหระดับราคาเพิ่มขึ้น ผลจากการศึกษาพบวาสมมติฐานของ Aghevli-khan ที่
กลาวไววา การปรับตัวทางดานรายจายเร็วกวาทางดานรายไดจะทําใหเกิดภาวะเงินเฟอนั้นไมจริง

กรรณิการ ตรีภักดีตระกูล (2538) ศึกษาความสัมพันธระหวางคาจางขั้นต่ํากับภาวะเงิน

เฟอในประเทศไทยระหวางป 2526 - 2536 โดยมีวัตถุประสงคเพื่อทดสอบความสัมพันธเชิงเหตุผล
ระหวางการเปลี่ยนแปลงของคาจางขั้นต่ํากับภาวะเงินเฟอในประเทศไทย ผลการศึกษาพบวาโดย
สวนใหญแลวการเปลี่ยนแปลงของคาจางขั้นต่ําไมเปนไปในทิศทางเดียวกันกับภาวะเงินเฟอ และ
จากการทดสอบความสั มพั น ธในเชิงเหตุผลระหวางการเปลี่ยนแปลงของคาจางขั้นต่ําเฉลี่ยทั่ว
ประเทศกับภาวะเงินเฟอพบวาความสัมพันธมีลักษณะเปน Unidirectional Causality คือ การเปลี่ยน
แปลงคาจางขั้นต่ําเปนสาเหตุหนึ่งที่ทําใหเกิดภาวะเงินเฟอ แตภาวะเงินเฟอไมไดเปนสาเหตุของการ
เปลี่ยนแปลงคาจางขั้นต่ํา

มนตทิพย สัมพันธวงศ (2539) ศึกษาความสัมพันธระหวางภาวะเงินเฟอและการออม

ในครัวเรือน โดยมีแนวคิดในการศึกษาวาความสัมพันธระหวางภาวะเงินเฟอและการออมในครัว
เรือนมีความสัมพันธกันในทิศทางเดียวกันนั้น เกิดขึ้นจากการประมาณคาที่สูงเกินกวาความเปนจริง
ของสถิติขอมูลที่จัดเก็บ ในการศึกษาผูวิจัยคาดคะเนภาวะเงินเฟอโดยการใชตัวแปรตาง ๆ ที่คาดวา
จะมีผลตอการเปลี่ยนแปลงภาวะเงินเฟอมาทดสอบเพื่อหาปจจัยที่สามารถอธิบายการเปลี่ยนแปลง
ภาวะเงินเฟออยางมีนัยสําคัญทางสถิติ โดยใชขอมูลตั้งแตป พ.ศ. 2513 ถึง พ.ศ. 2537และใชตัวแบบ
ถดถอยโดยใชวิธีกําลังสองนอยที่สุด (OLS) ในการประมาณคาพารามิเตอรพบวาในการคาดคะเน
ภาวะเงินเฟอ ปจจัยที่มีผลตอการเปลี่ยนแปลงภาวะเงินเฟออยางมีนัยสําคัญทางสถิติ คือ การเปลี่ยน
แปลงของปริมาณเงิน และการเปลี่ยนแปลงราคาสินคานําเขา
 58

นภาพร เลขาวิวัฒนกุล (2539) ศึกษาดัชนีตาง ๆ ที่ใชวัดภาวะเงินเฟอในประเทศไทย

และวิเคราะหปจจัยที่มีผลกระทบตอภาวะเงินเฟอ ณ ประเทศไทย ในชวงป พ.ศ.2514-2538 โดยใช
ตัวแบบถดถอยเชิงเสนพหุคูณ วิเคราะหสาเหตุของภาวะเงินเฟอเมื่อพิจารณาปริมาณเงินในกรณี
ความหมายแคบ
Pt = β1 + β 2 M1t + β 3 MINWt + β 4 PM t + β 5 Pt −1 + ε t
เมื่อ Pt คือ ระดับราคาภายในประเทศ (ดัชนีราคาผูบริโภค ปฐานคือ ป พ.ศ.2533) รอยละ
M1 t คือ ปริมาณเงินตามความหมายแคบ (ลานบาท) (ประกอบดวย ธนบัตรและเหรียญ
กษาปณที่อยูในมือของประชาชน และเงินฝากเผื่อเรียกของภาคเอกชนอยูในธนาคารพาณิชย ซึ่งมี
ฐานะเสมือนเงินสด และมีสภาพคลองสูง ) ตัวแบบที่ใชในการวิเคราะห เปนดังนี้
MINWt คือ อัตราคาจางขั้นต่ํา (บาท )
PM t คือ ดัชนีราคานําเขาสินคาและบริการ ( ปฐานคือ ป พ.ศ.2533) รอยละ
Pt −1 คือ ระดับราคาภายในประเทศในชวงระยะเวลาที่ผานมาหนึ่งชวง ดัชนีราคาผูบริโภคใน
ชวงระยะเวลาที่ผานมาหนึ่งชวง ( ปฐานคือ ป พ.ศ.2533) รอยละ
β1 , β 2 , β 3 , β 4 , β 5 คือ พารามิเตอรถดถอย

εt คือ ความคลาดเคลื่อน
เมื่อพิจารณาปริมาณเงินในกรณีความหมายกวางตัวแบบถดถอยเชิงเสนที่ใชเปน
Pt = β1 + β 2 M 2 t + β 3 MINWt + β 4 PM t + β 5 Pt −1 + ε t
เมื่อ M 2 t คือ ปริมาณเงินตามความหมายกวาง (ลานบาท) (ประกอบดวย ปริมาณเงินความหมาย
แคบรวมกับเงินฝากของภาคเอกชนประเภทออมทรัพยและฝากประจําที่ฝากอยูในธนาคารพาณิชย
และอาจรวมสินทรัพยทางการเงินที่ประชาชนถืออยูในสถาบันการเงินประเภทอื่น ๆ ที่นอกเหนือ
จากธนาคารพาณิชย เชนเงินฝากในสถาบันการออมประเภทอื่นๆ เงินฝากในรูปของการถือ
ตั๋วสัญญาใชเงินของบริษัทเงินทุน ฯลฯ )
ผลที่ไดจากการศึกษาพบวาทั้งกรณีปริมาณเงินตามความหมายแคบและประมาณเงิน
ตามความหมายกวางปจจัยที่นํามาพิจารณาทั้ง 4 ปจจัยมีผลตอภาวะเงินเฟออยางมีนัยสําคัญทาง
สถิติที่ระดับนัยสําคัญ .01 และปจจัยที่มีผลกระทบตอระดับราคาภายในประเทศมากที่สุด คือระดับ
ราคาภายในประเทศในปที่แลว อัตราคาจางขั้นต่ํา ดัชนีราคานําเขาสินคาและบริการ ปริมาณเงิน
ตามความหมายแคบ และปริมาณเงินตามความหมายกวาง
 บทที่ 3
วิธีการดําเนินการวิจัย

การวิจัยครั้งนี้ผูวิจัยมีจุดประสงคเพื่อ
1. ศึกษาลักษณะความผันแปรของภาวะเงินเฟอในประเทศไทย
2. หาตัวแบบพยากรณภาวะเงินเฟอของประเทศไทยโดยใชตัวแบบ ARIMA
ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR
3. เปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอของประเทศไทย
ระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR
ในการวิจัยครั้งนี้ผูวิจัยดําเนินการวิจัยโดยมีรายละเอียดเกี่ยวกับระเบียบวิธีดําเนินการ
วิจัยและเครื่องมือที่ใชในการวิจัยดังนี้

ขั้นตอนในการดําเนินการวิจัย
ขั้นที่ 1 ศึกษาปจจัยตาง ๆ ที่นาจะมีอิทธิพลตอภาวะเงินเฟอในประเทศไทย
ขั้นที่ 2 เก็บรวบรวมขอมูลตาง ๆ ที่ใชในการวิจัยซึ่งประกอบดวยดัชนีราคาผูบริโภค
ซึ่งเปนคาวัดภาวะเงินเฟอ (I) อัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) ปริมาณเงินตามความหมายแคบ
(M1) ปริมาณเงินตามความหมายกวาง (M2) และมูลคาสินคานําเขา (Import) ซึ่งเปนขอมูลราย
เดือนตั้งแตเดือนมกราคม 2540 - ธันวาคม 2544 ที่ไดจากธนาคารแหงประเทศไทย และราคา
เฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude) ไดจากกระทรวงพลังงาน
ขั้นที่ 3 นําขอมูลอนุกรมเวลามาพล็อตกราฟเพื่อศึกษาลักษณะทั่วไปของอนุกรมเวลา สวนประกอบ
อนุกรมเวลา เชน แนวโนม ฤดูกาล และตรวจหาวามีคาผิดปกติในขอมูลหรือไม เปนอนุกรมเวลา
ที่ Stationary หรือไม
ขั้นที่ 4 วิเคราะหหาตัวแบบที่เหมาะสมของแตละวิธี ซึ่งแตละวิธีมีขั้นตอนในการวิเคราะหดังนี้

1. ตัวแบบ ARIMA โดยวิธีBox-Jenkins ซึ่งใชขอมูลภาวะเงินเฟอ (I) ในการวิเคราะห

มีขั้นตอนดังนี้

59
 60

1.1 ตรวจสอบคุณสมบัติ Stationary ของอนุกรมเวลา ถาอนุกรมเวลา Non -

stationary ตองแปลงใหเปนอนุกรมเวลาที่ Stationary โดยใช power transformation
1.2 กําหนดตัวแบบ ARIMA (p,d,q)(P,D,Q)s โดยพิจารณาลักษณะACF และ
PACF ของขอมูลอนุกรมเวลาเทียบกับลักษณะ ACF และ PACF ทางทฤษฎีของตัวแบบที่จะ
กําหนดใหกับขอมูล
1.3 ประมาณคาพารามิเตอรในตัวแบบ
1.4 ตรวจสอบความเหมาะสมของตัวแบบ
2. ตัวแบบอัตราดอกเบี้ย ซึ่งใชขอมูลภาวะเงินเฟอ (I) และอัตราดอกเบี้ยซื้อคืนเฉลี่ย
(TB) ในการวิเคราะหมีขั้นตอนดังนี้
2.1 คํานวณคาคาดหมายของผลตอบแทนที่แทจริงโดยการหาผลตางระหวางอัตรา
ดอกเบี้ยที่เปนตัวเงินกับภาวะเงินเฟอ ในเดือนถัดไป ( ER t −1 = TB t −1 − I t )
2.2 หาตัวแบบARIMAโดยวิธี Box-Jenkins ของคาคาดหมายของผลตอบแทนที่
แทจริง จะไดคาพยากรณของคาคาดหมายของผลตอบแทนที่แทจริง ( EˆR t − 1 )
2.3 หาคาพยากรณของภาวะเงินเฟอโดยการหาผลตางระหวางอัตราดอกเบี้ย
ซื้อคืนเฉลี่ย( TB t − 1 ) กับคาพยากรณของคาคาดหมายของผลตอบแทนที่แทจริง
ˆIt = TB t −1 − EˆR t −1
2.4 ตรวจสอบความเหมาะสมของตัวแบบ
3. ตัวแบบ Transfer Function ซึ่งใชขอมูลภาวะเงินเฟอ (I) และอัตราดอกเบี้ยซื้อ
คืนเฉลี่ย (TB) ในการวิเคราะหมีขั้นตอนดังนี้
3.1 ตรวจสอบคุณสมบัติ Stationary ถาอนุกรมเวลา Non - stationary ตองแปลง
ใหเปนอนุกรมเวลาที่ Stationary โดยใช power transformation
3.2 หาตัวแบบ ARIMA (p,d,q)(P,D,Q)s ใหกับขอมูลอนุกรมเวลาอัตราดอกเบี้ย
ซื้อคืนเฉลี่ย (TB) โดยพิจารณาจากลักษณะ ACF และ PACF ของขอมูลเทียบกับลักษณะ ACF
และ PACF ทางทฤษฎี ประมาณคาพารามิเตอรในตัวแบบ และตรวจสอบความเหมาะสมของตัว
แบบ
3.3 ใชรูปแบบอนุกรมเวลาที่ไดจาก 3.2 หาคาพยากรณ และคํานวณผลตาง
ระหวางคาสังเกตของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ย (TBt) กับคาพยากรณที่ไดจากตัวแบบ
ในขอ 3.2 ซึ่งคือ ความคลาดเคลื่อน ( α t ) , ( α t =TBt- TˆB t )
3.4 ใชตัวแบบเดียวที่ใชในขอ 3.3 กับขอมูลอนุกรมเวลาภาวะเงินเฟอ (It) คา
ประมาณภาวะเงินเฟอ ที่ไดจากตัวแบบนี้เปน ( ~It ) แลวหาความคลาดเคลื่อน ( β t ) , ( β t =It- ~It )
 61

3.5 คํานวณสัมประสิทธิ์สหสัมพันธไขวของตัวอยางระหวาง α t และ β t

( σ̂ αβ ) และกําหนดคา b,r,h จากลักษณะความสัมพันธของสหสัมพันธไขว
หลังจากนั้นคํานวณ Impulse Response Weight ( υk )
σ
ˆβ
จะไดคาประมาณ Impulse Response Weight ˆυ k = σ
ˆ αβ ( k)
σ
ˆα
ω b
ˆ ( B)B
ดังนั้นคาประมาณ Transfer Function ˆυ(B) = h
ˆδr (B)
3.6 หาผลตางระหวางคาสังเกตภาวะเงินเฟอ (It) กับคาประมาณ Transfer
Function ˆυ( B) TB t − 1 จะได Noise ( ηt )
3.7 ตรวจสอบคุณสมบัติ Stationary ของอนุกรมเวลา ηt
3.8 กําหนดตัวแบบ ARIMA (p,d,q)(P,D,Q)s ใหกับอนุกรม ηt โดยพิจารณา
ลักษณะACF และ PACF ของขอมูลเทียบกับลักษณะ ACF และ PACF ทางทฤษฎี ประมาณคา
พารามิเตอรในตัวแบบ และตรวจสอบความเหมาะสมของตัวแบบ
3.9 รวมเทอมคาประมาณ Transfer Function ( ˆυ( B) TB t −1 ) กับเทอม Noise
( ηt ) จะไดตัวแบบ Transfer Function
3.10 ประมาณคาพารามิเตอรในตัวแบบ
3.11 ตรวจสอบความเหมาะสมของตัวแบบ
4. ตัวแบบ VAR ซึ่งใชขอมูลภาวะเงินเฟอ (I) อัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) ราคา
น้ํามันดิบเฉลี่ยในตลาดทั่วโลก (Crude) ปริมาณเงินตามความหมายแคบ (M1) ปริมาณเงินตาม
ความหมายกวาง (M2) และมูลคาสินคานําเขา (Import) ในการวิเคราะหมีขั้นตอนดังนี้
4.1 ตรวจสอบคุณสมบัติ Stationary ของอนุกรมเวลา ถาอนุกรมเวลา Non –
stationary แปลงใหเปนอนุกรมเวลาที่ Stationary
4.2 กําหนดรูปแบบ VAR โดยพิจารณาจากลักษณะของเมทริกซสหสัมพันธใน
ตัวเองเมทริกซอัตถดถอยบางสวน
4.3 กําหนดอันดับ p โดยใชเกณฑดังนี้
4.3.1 พิจารณาจากคา lag สูงสุดของเมทริกซสหสัมพันธในตัวเองที่มี
นัยสําคัญทางสถิติสมมติเปน p/ เมื่อไดคา p/ แลวนําคา p/ ที่ไดไปกําหนดรูปแบบ VAR(p)
ที่ p = 1,2,3,…, p/
4.3.2 คํานวณคา AIC(p/) ของแตละตัวแบบโดย
 62

AIC(p/) = ln Σˆ 0 ( p / ) + 2p/m2/n ; p = 1,2,3,…, p/ โดยที่ Σ̂ 0 คือ ตัวประมาณเมทริกซความ

แปรปรวนของสวนเหลือ n คือ จํานวนคาสังเกต m คือจํานวนอนุกรมเวลา m อนุกรม เลือกคา
p/ ที่ใหคา AIC(p/) ต่ําสุด หลังจากนั้นพิจารณาตัวแบบ VAR(p) ที่ตัวแปรอิสระตาง ๆ ประมาณ
คาพารามิเตอร
4.4 ตรวจสอบความเหมาะสมของตัวแบบ และใชตัวสถิติ t ทดสอบความมีนัย
สําคัญทางสถิติของพารามิเตอรของตัวแบบ

ขั้นที่ 5 ขั้นพยากรณ ใชตัวแบบแตละตัวแบบที่ได หาคาพยากรณภาวะเงินเฟอโดยใชการพยากรณ

2 แบบคือ
5.1 คาพยากรณนอกชวงตัวอยาง (Out- of - sample forecasts) โดยพยากรณภาวะเงิน
เฟอตั้งแตเดือนมกราคม 2545 ถึง ธันวาคม 2545
5.2 คาพยากรณภายในชวงตัวอยาง (In - sample forecasts) โดยพยากรณภาวะเงินเฟอ
ตั้งแตเดือนมกราคม 2540 ถึง ธันวาคม 2544
ขั้นที่ 6 เปรียบเทียบประสิทธิภาพระหวางตัวแบบโดยเกณฑที่ใชในการพิจารณาประกอบดวย
6.1 การตรวจสอบความสอดคลองระหวางคาสังเกตกับคาพยากรณ
1 ne ⎛ 100 ⎞ n e
∑ (ˆa t )
2
โดยใชตัวสถิติ RMSE = และ MAPE = ⎜⎜ ⎟⎟ ∑ ˆa t I t
n e i =1 ⎝ n e ⎠ t =1
โดยที่ ât คือ ความคลาดเคลื่อนในการพยากรณ ( I t − ˆI t ) หรือสวนเหลือ ณ เวลา t
It คือ คาสังเกตของอนุกรมเวลา ณ เวลา t
ˆIt คือ คาพยากรณของ It ที่ไดจากตัวแบบ
ne คือ จํานวนคาความคลาดเคลื่อนในการพยากรณ
ในการตรวจสอบจะพิจารณาความคลาดเคลื่อนในการพยากรณทั้งในกรณีพยากรณนอก
ชวงตัวอยาง และในชวงตัวอยาง
6.2 การทดสอบความเอนเอียง (Bias Test) ระหวางคาสังเกตภาวะเงินเฟอกับคา
พยากรณภาวะเงินเฟอที่ไดจากตัวแบบโดยใชการถดถอยของคาสังเกตบนคาพยากรณจากตัวแบบที่
ทดสอบ I t = β 0 + β1ˆIt + ε t เมื่อ I t คือคาสังเกตของอนุกรมเวลา ณ เวลา t ˆIt คือคา
พยากรณที่ไดจากตัวแบบทดสอบ และทดสอบสมมติฐานของพารามิเตอรที่ละตัว H 0 : β 0 = 0
H 1 : β 0 ≠ 0 และ/หรือ H 0 : β1 = 1 H 1 : β1 ≠ 1 ถาปฏิเสธ H 0 : β 0 = 0 และ/หรือ
H 0 : β1 = 1 แสดงวาคาพยากรณจากตัวแบบที่ทดสอบมีความเอนเอียงจากคาสังเกตจริง
 63

6.3 การตรวจสอบการมีสวนรวมในการอธิบายภาวะเงินเฟอระหวางคาพยากรณที่ได
จากแตละตัวแบบ โดยใชถดถอยพหุคูณของคาสังเกตบนคาพยากรณจากตัวแบบ 2 ตัวแบบใด ๆ
I t = β 0 + β1ˆIti + β 2ˆItj + ε t
เมื่อ ˆIti และ ˆIt j คือ การพยากรณที่ไดจากตัวแบบ i และตัวแบบ j ณ เวลา t ตามลําดับ
β 0 , β1 , β 2 คือ พารามิเตอรถดถอย
ε t คือความคลาดเคลื่อน ε t ~ N(0, σ 2 ) และ ไมมีสหสัมพันธกัน (Uncorrelated)
ทําการทดสอบสมมติฐาน H 0 : β1 = β 2 = 0 , H1 : H 0 ไมเปนจริง ถาปฏิเสธสมมติฐาน
H 0 : β1 = β 2 = 0 ที่ระดับนัยสําคัญ α แสดงวาคาสังเกตจริงมีความสัมพันธเชิงเสนกับคา
พยากรณของตัวแบบอยางนอยหนึ่งตัวแบบ และทําการทดสอบนัยสําคัญของพารามิเตอรโดย
ทดสอบทีละตัว H 0 : β j = 0 H 1 : β j ≠ 0 เมื่อ j = 1,2
ขั้นที่ 7 สรุปและรายงานผล

เครื่องมือที่ใชในการวิเคราะห
ในงานวิจัยนี้การคํานวณ การวิเคราะหขอมูล การกําหนดตัวแบบ การประมาณคาพารา
มิเตอร การตรวจสอบตัวแบบ และการพยากรณของตัวแบบทั้ง 4 ตัวแบบขางตนใชโปรแกรม
สําเร็จรูป SPSS 9.01 , SAS 8
 บทที่ 4
ผลการวิจัย

การนําเสนอผลการวิจัยนี้แบงเปน 3 สวนคือ สวนแรกศึกษาลักษณะความผันแปรของ

ภาวะเงินเฟอ สวนที่ 2 กําหนดตัวแบบที่เหมาะสมสําหรับพยากรณภาวะเงินเฟอโดยใชตัวแบบ
ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR สวนที่ 3
เปนการเปรียบเทียบประสิทธิภาพระหวางตัวแบบเหลานี้ ในการพยากรณภาวะเงินเฟอ

สวนที่ 1 ลักษณะความผันแปรของภาวะเงินเฟอ
ในสวนนี้เปนการศึกษาลักษณะความผันแปรของภาวะเงินเฟอ (I) ในประเทศไทย และ
ของลักษณะความผันแปรของปจจัยตาง ๆ ซึ่งปจจัยที่ใชในการศึกษานี้ ไดแก อัตราดอกเบี้ยซื้อคืน
เฉลี่ย( TB ) ปริมาณเงินตามความหมายแคบ ( M1 ) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก(Crude)
ปริมาณเงินตามความหมายกวาง (M2 ) และมูลคาสินคานําเขา ( Import )

1.1

1.0

.9

.8
I

JA 99

AP 00

JU 00

JA 00

AP 01

JU 00

O 001
JU 99

JA 99

AP 99

JU 99

O
JA

AP 997

JU 99

O 997

JA 99

AP 9

C 00

C
C
C

N
N

N
N

L
L
L

R
R

R
R

R 8

T
T
T

19

20

2
1

19

20

20
19

19
1

2
1
1

2
1

20
1

99
98

01
9

1
7

0
8
7

Date

ภาพที่ 1 ภาวะเงินเฟอของประเทศไทยระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544

64
 65

จากภาพที่ 1 พบวาภาวะเงินเฟอของประเทศไทยมีแนวโนมเพิ่มขึ้นอยางชัดเจนในชวง
เดือนมกราคม 2540 ถึงประมาณเดือนกรกฎาคม 2541 เนื่องจากในชวงป 2540 ถึง 2541 ประเทศ
ไทยไดเผชิญกับวิกฤติการณทางเศรษฐกิจ เกิดปญหาความมั่นคงของสถาบันการเงิน ปญหาหนี้ตาง
ประเทศจํานวนมาก ปญหาการขาดเสถียรภาพของคาเงินบาท ปญหาธุรกิจขาดสภาพคลอง ราคา
สินคาสูงขึ้น ฯลฯ เปนสาเหตุใหเศรษฐกิจชะลอตัว อํานาจการซื้อมีนอย การใชจายเพื่อการ
อุปโภคบริโภคภายในประเทศของทั้งภาครัฐและภาคเอกชนไดหดตัวลง (ธนาคารแหงประเทศไทย
2540,2541)
ในชวงปลายป 2541 ตอเนื่องถึงไตรมาสแรกของป 2542 ไดมีสัญญาณหลายประการที่
แสดงใหเห็นวา ระบบเศรษฐกิจอยูในภาวะต่ําสุดและเริ่มฟนตัว เชนคาเงินบาทที่แข็งตัวขึ้น
อัตราดอกเบี้ยลดลง การผลิตมีแนวโนมเพิ่มขึ้น ทุนสํารองระหวางประเทศเพิ่มขึ้น ดุลบัญชีเดิน
สะพัดเกินดุลในระดับสูงอยางตอเนื่อง การใชจายเพื่อการอุปโภคบริโภคเริ่มมีเสถียรภาพและ
คอย ๆ ฟนตัวจากจุดต่ําสุดสงผลใหภาวะเงินเฟอเริ่มลดลงจนถึงประมาณเดือนมิถุนายน 2542
(ธนาคารแหงประเทศไทย 2542) แตกระนั้นเศรษฐกิจของประเทศไทยยังคงเผชิญกับปญหาที่ตอง
เรงแกไขอีกหลายประการ โดยเฉพาะอยางยิ่งปญหาหนี้ที่ไมกอใหเกิดรายได ปญหาขาดสภาพ
คลองและปญหาการสงออกที่ยังชะลอตัว ภาวะการวางงานที่ยังอยูในระดับสูง ซึ่งสงผลใหภาวะเงิน
เฟอมีแนวโนมเพิ่มขึ้นแตไมมากนัก จนถึงเดือนสิงหาคม 2544 หลังจากนั้นภาวะเงินเฟอลดลงเล็ก
นอยเพราะเปนชวงที่เศรษฐกิจฟนตัว (ธนาคารแหงประเทศไทย 2543,2544)
 66

30

20

10
TB

0
JA

AP 199

JU 1 9 9

O 99

JA 199

AP 199

JU 1 9 9

O 99

JA 199

AP 199

JU 1 9 9

O 99

JA 199

AP 200

JU 2 0 0

O 00

JA 200

AP 200

JU 200

O 00
C

C
N

N
N

N
L

L
R 7

R 8

R 0

R 1
T

T 0

T
1

20
01
7

1
9
7

1
7

0
Date

ภาพที่ 2 อัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนระหวางเดือนมกราคม 2540 ถึงธันวาคม 2544

จากภาพที่ 2 พบวาในชวงป 2540 ถึงตนป 2541 อัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนเพิ่ม

ขึ้นอยางรวดเร็วและมีลักษณะการกวัดแกวงอยางชัดเจน ในชวงปลายไตรมาสแรกของป 2541
อัตราดอกเบี้ยซื้อคืนเฉลี่ยไดลดลงอยางรวดเร็ว เนื่องจากในป 2541 รัฐบาลไดประกาศมาตรการแก
ไขปญหาสถาบันการเงิน สงผลใหความเชื่อมั่นของตลาดดีขึ้นอยางชัดเจน สภาพคลองในระบบ
การเงินที่สูงขึ้น แตธุรกิจทั่วไปยังประสบปญหาการขาดสภาพคลองอยางรุนแรง ทั้งนี้เกิดจากการ
ระมัดระวังการปลอยสินเชื่อของสถาบันการเงินในประเทศ และการเรงรัดใหชําระหนี้คืนหนี้จาก
สถาบันการเงินระหวางประเทศรวมทั้งขาดความเชื่อมั่นทางธุรกิจ ทําใหธุรกิจไดรับเครดิตทางการ
คานอยลง (ธนาคารแหงประเทศไทย 2541)
ในป 2542 อัตราดอกเบี้ยซื้อคืนเฉลี่ยยังคงอยูในระดับต่ําเปนเพราะสภาพคลองในระบบ
การเงินยังอยูในเกณฑสูงอยางตอเนื่องตามนโยบายอัตราดอกเบี้ยต่ําของรัฐบาลเพื่อลดตนทุนและ
ภาระทางการเงินของผูประกอบการและเพื่อตองการใหประชาชนมีความสามารถในการใชจาย
(ธนาคารแหงประเทศไทย 2542 :1-18)
 67

ในชวงป 2543 และป 2544 พบวาอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนมีลักษณะทรงตัว

อยูในระดับต่ํา เนื่องมาจากสภาพคลองของระบบการเงินยังคงมีมาก และมีการปรับขึ้นเล็กนอยใน
ชวงกลางป 2544 (ธนาคารแหงประเทศไทย 2544)
600000

500000

400000
M1

300000
JA

AP 997

JU 9 9

O 997

JA 99

AP 998

JU 9 9

O 998

JA 9 9

AP 999

JU 9 9

O 999

JA 9 9

AP 000

JU 0 0

JA 0 0

AP 01

JU 0 0

O
C
C

C
N

N
N

N
L

L
R

R
T

T
1

20

20
2

20
1

1
1

2
1

20
00

01

01
7

1
7

0
Date

ภาพที่ 3 ปริมาณเงินตามความหมายแคบระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544

จากภาพที่ 3 พบวาในป 2540 ปริมาณเงินตามความหมายแคบลดลงในชวงตนปเนื่อง

จากเงินฝากเพื่อเรียกในระบบธนาคารพาณิยลดลง และสูงขึ้นในชวงปลายป เนื่องจากสินคาเกษตร
ปรับตัวสูงขึ้น (ธนาคารแหงประเทศไทย 2540)
ในชวงตนป 2541 ปริมาณเงินตามความหมายแคบมีแนวโนมลดลง เนื่องจากเงินสด
หมุนเวียนในมือประชาชนและธุรกิจลดลง การลงทุนทั้งภาครัฐและภาคเอกเชนลดลง และเงินฝาก
ในระบบธนาคารพาณิชยลดลง แตในชวงปลายป2541ปริมาณเงินตามความหมายแคบมีแนวโนม
เพิ่มสูงขึ้น เนื่องจากราคาสินคาเกษตรสูงขึ้น การออมของประชาชนเพิ่มขึ้น
(ธนาคารแหงประเทศไทย 2541)
ในป 2542 ปริมาณเงินตามความหมายแคบมีแนวโนมเพิ่มขึ้น เนื่องจากภาวะเศรษฐกิจ
ปรับตัวดีขึ้น อันเปนมาจากมาตรการกระตุนการใชจายของรัฐบาล อาทิ มาตรการปรับลดภาษีมูล
คาเพิ่ม และมาตรการเพิ่มการใชจายของภาครัฐเพื่อกระตุนเศรษฐกิจ หรือโครงการมิยาซาวา ที่เริ่ม
 68

ปรากฏผลตั้งแตไตรมาสที่ 2 และตอเนื่องจนถึงไตรมาสที่ 3 ประกอบกับอัตราดอกเบี้ยที่มีแนวโนม

ลดลงจูงใจใหประชาชนมีการใชจายมากขึ้น โดยดูไดจากยอดจําหนายสินคาอุปโภคบริโภคและ
สินคาคงทน อาทิ ยอดจําหนายรถยนตและรถจักรยานยนตเพิ่มขึ้น การลงทุนทั้งภาครัฐและเอกชน
และการจางงานปรับตัวดีขึ้น ในชวงปลายป 2542 ปริมาณเงินตามความหมายแคบสูงสุดเนื่อง
จากประชาชนไดถอนเงินสดออกไปเพื่อใชจายและเตรียมรับปญหา Y2K ตั้งแตตนเดือนธันวาคม
สงผลใหสภาพคลองในระบบการเงินตึงตัวขึ้น และธนาคารแหงประเทศไทยไดเขาไปเสริมสภาพ
คลองผานตลาดซื้อคืนพันธบัตร ทั้งนี้ธนาคารแหงประเทศไทยประเมินวาเงินสดหมุนเวียนที่มาก
กวาปกตินั้นมีจํานวนสูงถึงประมาณ 165 พันลานบาทในวันที่ 31 ธันวาคม
(ธนาคารแหงประเทศไทย 2542)
ในชวงตนป 2543 ปริมาณเงินตามความหมายแคบลดลงอยางรวดเร็วเนื่องจากภาวะ
เศรษฐกิจที่ชะลอตัว โดยเฉพาะการลงทุนของภาคเอกชนทางดานการกอสรางที่ซบเซา ราคาสินคา
เกษตรตกต่ํา สงผลใหประชาชนมีรายไดนอย ในชวงไตรมาสที่ 3 และไตรมาสที่ 4 ปริมาณเงิน
ตามความหมายแคบมีแนวโนมเพิ่มขึ้น เนื่องจากการลงทุนภาคเอกชน การจางงานเพิ่มขึ้น สภาพ
คลองของระบบการเงินยังคงมีมาก และจํานวนนักทองเที่ยวที่เพิ่มขึ้น
(ธนาคารแหงประเทศไทย 2543)
ในป 2544 ปริมาณเงินตามความหมายแคบมีแนวโนมเพิ่มขึ้น เนื่องมาจากภาวะ
เศรษฐกิจขยายตัวเพิ่มขึ้น ประกอบกับราคาสินคาเกษตรสูงขึ้น การลงทุนภาคเอกชนและการ
จางงานเพิ่มขึ้น และเงินฝากธนาคารพาณิชยขยายตัวอยางตอเนื่อง (ธนาคารแหงประเทศไทย 2544)
 69

40

30

20

10
Crude

0
JA

AP 997

JU 99

O 999

JA 99

AP 00

JU 00

JA 00
O

JA 99

AP 9 8

JU 99

JA 99

AP 999

JU 999

AP 0 1

JU 00

O
C
C

C
N

N
L

L
R

R
R

R
T
T

T
19

19

20

20
20
1

19

20
1

2
1

2
1

1
1

20
97

00
98

01

01
0
7

1
7

0
Date

ภาพที่ 4 ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544

จากภาพที่ 4 พบวาราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกมีแนวโนมลดลงตอเนื่องตลอด
ป 2540 ถึงเดือนกุมภาพันธ 2542 ในเดือนมีนาคม 2542 กลุมผูผลิตและสงออกน้ํามันไดมีขอตกลง
ที่จะจํากัดปริมาณการผลิต สงผลใหราคาน้ํามันดิบในตลาดโลกเพิ่มขึ้น
ในเดือนมกราคมป 2543 ประเทศซาอุดิอาระเบียไดประกาศวาจะยืดเวลาลดการผลิต
น้ํามันไปอีก ทําใหราคาน้ํามันในชวงตนปของป 2543 เพิ่มขึ้น นอกจากนี้ธนาคารกลางสหรัฐ
อเมริ ก าได ป ระเมิ น ว า สภาพเศรษฐกิ จ สหรั ฐ อเมริ ก าชะลอตั ว ลงอย า งหนั ก จนเกื อ บเป น ศู น ย
ประกอบกับการเก็งกําไรในตลาด ปญหากรอบดานภาษี และคาการกลั่น มีผลใหราคาเฉลี่ยน้ํามัน
ดิบในตลาดทั่วโลกยังคงอยูในระดับสูง แมหลังจากนั้นกลุมผูผลิตและสงออกน้ํามันไดเพิ่มปริมาณ
การผลิตถึง 3 ครั้งแลวก็ตามจนในเดือนกันยายนโอเปกไดเพิ่มกําลังการผลิตปริมาณน้ํามันดิบอีก
800,000 บารเรล/วันอีกเปนครั้งที่ 4 สงผลใหราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกลดลง
(www.thaipost.net/index.asp 2543)
ในชวงไตรมาส 1 ของป 2544 กลุมโอเปกลดปริมาณการผลิตน้ํามันดิบลง 1.5 ลานบาร
เรล/วันประกอบกับเปนชวงฤดูหนาวในซีกโลกเหนือ ทําใหราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก
ปรับเพิ่มขึ้นเล็กนอยตั้งแตเดือนมกราคมจนถึงกลางเดือนกุมภาพันธ ในชวงไตรมาส 2 ภาวะ
เศรษฐกิจโลกมีแนวโนมชะลอตัวลงอยางชัดเจน ทําใหความตองการใชน้ํามันของโลกลดลง สงผล
ใหราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกลดลง แมกลุมโอเปกลดปริมาณการผลิตน้ํามันดิบเปนครั้งที่
 70

2 ของปนี้อีก 1 ลานบารเรล/วันในวันที่ 1 เมษายน 2544 แลวก็ตาม ชวงไตรมาส 3 เปนชวงที่

ประเทศตาง ๆ เริ่มสํารองน้ํามันดิบไวใชในชวงไตรมาส 4 ซึ่งเปนชวงฤดูหนาว ประกอบกับโอเปก
ไดลดกําลังการผลิตน้ํามันดิบในวันที่ 1 กันยายน 2544 เปนครั้งที่ 3 ในรอบปนี้ทําใหราคาเฉลี่ย
น้ํามันดิบในตลาดทั่วโลกปรับตัวสูงขึ้น ในชวงหลังการเกิดเหตุการณการกอวินาศกรรมในสหรัฐ
อเมริกาในวันที่ 11 กันยายน 2544 ความตองการใชน้ํามันลดลงอยางมาก เพราะเหตุการณที่เกิดขึ้น
สงผลตอภาวะเศรษฐกิจของโลก การขยายตัวของการขัดแยง และการตอบโตของสหรัฐอเมริกาตอ
กลุมผูกอการรายสงผลใหภาวะเศรษฐกิจโลกถดถอยมากยิ่งขึ้น เนื่องจากความกังวลของผูโดยสาร
ตอการเดินทางโดยเครื่องบิน ทําใหความตองการใชน้ํามันของโลกโดยเฉพาะน้ํามันสําหรับเครื่อง
บินลดลงอยางมาก เนื่องจากความตองการใชน้ํามันลดลง ปริมาณน้ํามันดิบในตลาดมีมากกวา
ความตองการใช สงผลใหปริมาณสํารองน้ํามันดิบ ในชวงกอนเขาฤดูหนาวปนี้สูงกวาปที่ผานมา
ราคาน้ํามันดิบเฉลี่ยปรับตัวลดลง แมวาโอเปกไดลดกําลังการผลิตลงแลวถึง 3 ครั้งแตไมสามารถที่
จะพยุงราคาน้ํามันดิบที่ลดลงได สงผลใหราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกมีแนวโนมลดลงอยาง
เห็นไดชัดเจนในชวงปลายป 2544 (www.thaipost.net/index.asp 2544)

6000000

5000000

4000000
M2

3000000
JA

AP 99
JU 199

O 99

JA 199

AP 99
JU 199

O 99

JA 199

AP 99
JU 199

O 99

JA 199

AP 00
JU 200

O 00

JA 200

AP 00
JU 200

O 00
C

C
N

N
L

L
R 7

R 9

R 1
T

T
1

2
1

20
01
7

1
8

0
7

1
7

Date

ภาพที่ 5 ปริมาณเงินตามความหมายกวางระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544

 71

จากภาพที่ 5 พบวาในป 2540 ปริมาณเงินตามความหมายกวางมีแนวโนมสูงขึ้น เนื่อง

จากการระดมเงินฝากออมทรัพยและเงินฝากประจํา (ธนาคารแหงประเทศไทย 2540)
ในป 2541 ปริมาณเงินตามความหมายกวางมีแนวโนมสูงเนื่องจากจํานวนเงินฝาก
ประเภทออมทรัพยและเงินฝากประจําของธนาคารพาณิชยเพิ่มขึ้น และราคาสินคาเกษตรปรับตัว
สูงขึ้นในชวงปลายป (ธนาคารแหงประเทศไทย 2541)
ในป 2542 และป 2543 ปริมาณเงินตามความหมายกวางมีลักษณะคอนขางคงที่ เนื่อง
จากเศรษฐกิจภายในประเทศอยูในชวงฟนตัวจากวิกฤติเศรษฐกิจ สงผลใหประชาชนระมัดระวังการ
ใชจาย แมอัตราดอกเบี้ยในประเทศลดลง (ธนาคารแหงประเทศไทย 2542) ในป 2543 ปริมาณ
เงินในความหมายกวางมีแนวโนมเพิ่มขึ้นเนื่องจากเงินฝากประเภทออมทรัพยและเงินฝากประจํา
ของธนาคารพาณิชยเพิ่มขึ้น (ธนาคารแหงประเทศไทย 2543)
ในชวงตนป 2544 ปริมาณเงินในความหมายกวางมีแนวโนมเพิ่มขึ้นเนื่องมาจากการเพิ่ม
ขึ้นของเงินฝากในธนาคารพาณิชย เงินสดที่ภาคเอกชนเบิกถอนเพื่อใชจายในชวงเทศกาลปใหมและ
ตรุษจีนไดกลับเขาสูธนาคารพาณิชย สภาพคลองของระบบอยูในเกณฑที่สูง ประกอบกับรายจาย
ทางดานอุปโภคบริโภคมีการขยายตัวและการลงทุนภาคเอกชนเพิ่มขึ้น การจางงานปรับตัวดีขึ้นโดย
เฉพาะครึ่งหลังของป 2544 เนื่องมาจากผลจากโครงการกองทุนหมูบานและชุมชนเมืองแหงชาติ
และโครงการหนึ่งตําบลหนึ่งผลิตภัณฑ รวมทั้งผลจากมาตรการฟนฟูธุรกิจอสังหาริมทรัพยของรัฐ
บาลในการสรางงานแกชุมชนทําใหคนกลุมนี้มีงานทํามากขึ้น (ธนาคารแหงประเทศไทย 2544)
 72

280000

260000

240000

220000

200000

180000

160000

140000
Import

120000

100000
JA
AP 199
JU 199
O 99
JA 199
AP 199
JU 199
O 99
JA 199
AP 199
JU 199
O 99
JA 199
AP 200
JU 200
O 00
JA 200
AP 200
JU 200
O 00
C

C
N

N
L

L
R 7

R 0

R 1
T

T 0

T 1
1

20
01
7

9
8

9
7

1
7

0
Date

ภาพที่ 6 มูลคาสินคานําเขาระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544

จากภาพที่ 6 พบวาในชวงป 2540 มูลคาสินคานําเขามีแนวโนมสูงขึ้นเนื่องมาจากการสง

ออกเพิ่มขึ้นจากปกอน จึงมีการนําเขาวัตถุดิบและน้ํามันดิบเพิ่มขึ้น (ธนาคารแหงประเทศไทย
2540) ในป 2541 มูลคาสินคานําเขามีแนวโนมลดลงตามอุปสงคภายในประเทศหดตัวอยางรุนแรง
เนื่องจากปญหาสถาบันการเงินและการขาดสภาพคลอง สงผลใหภาคการผลิตชะงักงัน การนําเขา
น้ํามันดิบผลิตภัณฑน้ํามันโดยเฉพาะผลิตภัณฑน้ํามันสําเร็จรูป และสินคาที่ไมใชน้ํามันลดลงมาก
ทุกหมวดสินคา (ธนาคารแหงประเทศไทย 2541)
ในป 2542 มูลคาสินคานําเขามีแนวโนมเพิ่มขึ้น เนื่องจากมีการนําเขาน้ํามันดิบเพิ่มขึ้น
และสินคาที่ไมใชน้ํามันมีการนําเขาเพิ่มขึ้น โดยเฉพาะยานยนตและชิ้นสวน ประกอบกับอุปสงค
ภายในประเทศที่กระเตื้องขึ้นมาก นอกจากนี้การนําเขาวัตถุดิบและสินคาอุปโภคบริโภคลวนมี
มูลคาเพิ่มขึ้น (ธนาคารแหงประเทศไทย 2542)
ในป 2543 มูลคาสินคานําเขาเพิ่มขึ้นในชวงแรกและลดลงในชวงปลายปการนําเขา
น้ํามันดิบเพิ่มขึ้นและประกอบกับเปนชวงที่ราคาน้ํามันดิบของโลกสูงขึ้นจึงทําใหมูลคาสินคานําเขา
สูงตามไปดวย สงผลใหการนําเขาวัตถุดิบและสินคาอุปโภคบริโภคมูลคาเพิ่มขึ้น
ในชวงปลายป 2543 มูลคาสินคานําเขามีแนวโนมลดลงเล็กนอย และคงระดับกวัดแกวงในชวงแคบ
ๆ จนถึงไตรมาส 2 ป 2544 เนื่องจากอุปสงคภายในประเทศชะลอตัวลง การนําเขาเครื่องจักรกล
 73

ในอุตสาหกรรมและเครื่องใชไฟฟาลดลง หลังจากนั้นมูลคาสินคานําเขามีแนวโนมลดลงอยางชัด
เจน เนื่องจากการนําเขาสินคาทุนลดลงอยางมาก การสงออกและการใชจายของภาคเอกชนชะลอ
ตัวอยางตอเนื่อง (ธนาคารแหงประเทศไทย 2543,2544)

ตารางที่ 5 สัมประสิทธิ์สหสัมพันธระหวางภาวะเงินเฟอ ( I) อัตราดอกเบี้ยซื้อคืนเฉลี่ย ( TB )

ปริมาณเงินตามความหมายแคบ ( M1 ) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude ) ปริมาณเงิน
ตามความหมายกวาง (M2 ) และมูลคาสินคานําเขา ( Import )
Correlations

I TB M1 Crude M2 Import
I Pearson
1.000 -.600** .602** .271* .962** .528**
Correlation
Sig.
. .000 .000 .036 .000 .000
(2-tailed)
N 60 60 60 60 60 60
TB Pearson
-.600** 1.000 -.662** -.554** -.718** -.443**
Correlation
Sig.
.000 . .000 .000 .000 .000
(2-tailed)
N 60 60 60 60 60 60
M1 Pearson
.602** -.662** 1.000 .651** .731** .788**
Correlation
Sig.
.000 .000 . .000 .000 .000
(2-tailed)
N 60 60 60 60 60 60
Crude Pearson
.271* -.554** .651** 1.000 .355** .765**
Correlation
Sig.
.036 .000 .000 . .005 .000
(2-tailed)
N 60 60 60 60 60 60
M2 Pearson
.962** -.718** .731** .355** 1.000 .614**
Correlation
Sig.
.000 .000 .000 .005 . .000
(2-tailed)
N 60 60 60 60 60 60
Import Pearson
.528** -.443** .788** .765** .614** 1.000
Correlation
Sig.
.000 .000 .000 .000 .000 .
(2-tailed)
N 60 60 60 60 60 60
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

จากตารางที่ 5 แสดงสัมประสิทธิ์สหสัมพันธระหวาง ภาวะเงินเฟอ ( I) อัตราดอกเบี้ย

ซื้อคืนเฉลี่ย ( TB ) ปริมาณเงินตามความหมายแคบ ( M1 ) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก
 74

(Crude ) ปริมาณเงินตามความหมายกวาง (M2 ) และมูลคาสินคานําเขา ( Import ) พบวาภาวะ

เงินเฟอมีความสัมพันธเชิงเสนทางลบกับอัตราดอกเบี้ยซื้อคืนเฉลี่ย (r = -0.600) อยางมีนัยสําคัญที่
ระดับ 0.01 และมีความสัมพันธเชิงเสนทางบวกกับปริมาณเงินตามความหมายแคบ (r = 0.602)
มูลคาสินคานําเขา (r = 0.528) และปริมาณเงินตามความหมายกวาง (r = 0.962 ) อยางมีนัยสําคัญ
ที่ระดับ 0.01 นอกจากนี้ยังมีความสัมพันธเชิงเสนทางบวกกับราคาเฉลี่ยของน้ํามันดิบในตลาดทั่ว
โลก ( r = 0.272 ) อยางมีนัยสําคัญที่ระดับ 0.05
อัตราดอกเบี้ยซื้อคืนเฉลี่ยมีความสัมพันธเชิงเสนทางลบกับปริมาณเงินตามความหมาย
กวาง ปริมาณเงินตามความหมายแคบ และราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก อยางมีนัยสําคัญ
ที่ระดับ 0.01 โดยมีคาสัมประสิทธิ์สหสัมพันธเทากับ -0.718 , -0.662 ,-0.554 ตามลําดับ
ปริมาณเงินตามความหมายแคบมีความสัมพันธเชิงเสนทางบวกกับมูลคาสินคานําเขา
ปริมาณเงินตามความหมายกวาง และราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกอยางมีนัยสําคัญที่ระดับ
0.01 โดยมีคาสัมประสิทธิ์สหสัมพันธเทากับ 0.788, 0.731 ,0.651 ตามลําดับ
ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกมีความสัมพันธเชิงเสนทางบวกกับมูลคาสินคานํา
เขา อยางมีนัยสําคัญที่ระดับ 0.01 โดยมีคาสัมประสิทธิ์สหสัมพันธเทากับ 0.765
ปริมาณเงินตามความหมายกวางมีความสัมพันธเชิงเสนทางบวกกับมูลคาสินคานําเขา
อยางมีนัยสําคัญที่ระดับ 0.01 โดยมีคาสัมประสิทธิ์สหสัมพันธเทากับ 0.614
 75

สวนที่ 2 ตัวแบบที่เหมาะสมสําหรับพยากรณภาวะเงินเฟอ
ตัวแบบARIMA
จากกราฟของขอมูลภาวะเงินเฟอรายเดือนในภาพที่ 1 ของ (สวนที่ 1) จะเห็นวาภาวะ
เงินเฟอรายเดือนมีแนวโนมเพิ่มขึ้น การกระจายของขอมูลรายเดือนคอนขางสม่ําเสมอดังนั้น
อนุกรมเวลานาจะมีความแปรปรวนคงที่

Autocorrelations: I

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.

ØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà

1 .931 .126 . Ù****.**************54.684 .000

2 .857 .125 . Ù****.************ 101.842 .000
3 .780 .124 . Ù****.*********** 141.585 .000
4 .695 .123 . Ù****.********* 173.685 .000
5 .611 .122 . Ù****.******* 198.949 .000
6 .521 .120 . Ù****.***** 217.628 .000
7 .431 .119 . Ù****.**** 230.654 .000
8 .360 .118 . Ù****.** 239.902 .000
9 .290 .117 . Ù****.* 246.046 .000
10 .230 .116 . Ù***** 249.979 .000
11 .176 .115 . Ù****. 252.328 .000
12 .123 .114 . Ù** . 253.496 .000
13 .080 .112 . Ù** . 253.998 .000
14 .044 .111 . Ù* . 254.155 .000
15 .022 .110 . * . 254.194 .000
16 .006 .109 . * . 254.197 .000
17 -.003 .108 . * . 254.198 .000
18 -.004 .106 . * . 254.199 .000
19 -.005 .105 . * . 254.201 .000
20 -.001 .104 . * . 254.201 .000
21 .001 .102 . * . 254.201 .000
22 .001 .101 . * . 254.201 .000
23 -.003 .100 . * . 254.202 .000
24 -.010 .098 . * . 254.212 .000
25 -.013 .097 . * . 254.230 .000
26 -.015 .096 . * . 254.256 .000
27 -.020 .094 . * . 254.303 .000
28 -.030 .093 . *Ù . 254.410 .000
29 -.046 .091 . *Ù . 254.663 .000
30 -.063 .090 . *Ù . 255.156 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 7 ACF ของอนุกรมเวลาภาวะเงินเฟอ

 76

และจากการพิจารณา ACF ของอนุกรมเวลาภาวะเงินเฟอรายเดือนในภาพที่ 7 พบวา

ฟงกชันสหสัมพันธในตัวเองของภาวะเงินเฟอลดลงอยางชา ๆ แสดงวาอนุกรมเวลาภาวะเงินเฟอ
เปนแบบ Non – stationary จึงแปลงขอมูลอนุกรมเวลาโดยการหาผลตางอันดับ 1 เพื่อปรับใหเปน
อนุกรมเวลาแบบ Stationary ในภาพที่ 8 แสดงอนุกรมเวลาของผลตางอันดับ 1 ของภาวะเงินเฟอ

.03

.02

.01

0.00

-.01
I

4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number
Transforms: difference (1)

ภาพที่ 8 ผลตางอันดับ 1ของอนุกรมเวลาภาวะเงินเฟอกับเวลา

เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ1 ในภาพที่ 9 พบวาฟงกชัน

สัมประสิทธิ์สหสัมพันธในตัวเองมีลักษณะลดลงอยางรวดเร็ว แสดงวาอนุกรมเวลาของผลตาง
อันดับ1ของภาวะเงินเฟอเปนแบบ Stationary คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองหลัง
lag ที่ 5 ลดลงแบบเอกโปเนนเชียล และเมื่อพิจารณาประกอบกับคาประมาณสัมประสิทธิ์สห
สัมพันธในตัวเองบางสวนในภาพที่ 10 พบวา cut off หลัง lag ที่ 5 ดังนั้นตัวแบบที่นาเปนไปได
คือARIMA(5,1,0) หรือ ⎛⎜ 1 − φ1 B − φ 2 B 2 − φ 3 B 3 − φ 4 B 4 −φ 5 B 5 ⎞⎟(1 − B )I t = δ + a t
⎝ ⎠
โดยมีคาประมาณพารามิเตอรของตัวแบบเปนดังนี้
φ̂1 = 0.33009434 φ̂ 2 = 0.15843824 φ̂ 3 = 0.11267273 φ̂ 4 = -0.25946650 φ̂ 5 =0.35373922
และ δ̂ = 0.00202783 ซึ่งแสดงในตารางที่ 6
 77

Autocorrelations: I

Transformations: difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.

ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .357 .127 . Ù****.** 7.897 .005
2 .329 .126 . Ù****.** 14.742 .001
3 .282 .125 . Ù****.* 19.854 .000
4 .053 .124 . Ù* . 20.039 .000
5 .351 .122 . Ù****.** 28.267 .000
6 .185 .121 . Ù****. 30.589 .000
7 .208 .120 . Ù****. 33.572 .000
8 .079 .119 . Ù** . 34.008 .000
9 -.025 .118 . * . 34.052 .000
10 -.003 .117 . * . 34.053 .000
11 -.062 .115 . *Ù . 34.340 .000
12 .034 .114 . Ù* . 34.431 .001
13 -.142 .113 . ***Ù . 36.015 .001
14 -.181 .112 ****Ù . 38.623 .000
15 -.179 .111 ****Ù . 41.238 .000
16 -.158 .109 .***Ù . 43.331 .000
17 .007 .108 . * . 43.336 .000
18 .014 .107 . * . 43.352 .001
19 -.039 .105 . *Ù . 43.487 .001
20 -.128 .104 .***Ù . 44.987 .001
21 -.156 .103 .***Ù . 47.294 .001
22 -.106 .101 . **Ù . 48.380 .001
23 -.034 .100 . *Ù . 48.497 .001
24 .004 .099 . * . 48.499 .002
25 -.011 .097 . * . 48.511 .003
26 -.050 .096 . *Ù . 48.783 .004
27 .005 .094 . * . 48.787 .006
28 -.001 .093 . * . 48.787 .009
29 .015 .091 . * . 48.812 .012
30 .060 .090 . Ù* . 49.256 .015

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 9 ACF ของผลตางอันดับ 1 ของอนุกรมเวลาภาวะเงินเฟอ

 78

Partial Autocorrelations: I

Transformations: difference (1)

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .357 .130 . Ù****.**
2 .231 .130 . Ù*****
3 .132 .130 . Ù*** .
4 -.156 .130 . ***Ù .
5 .345 .130 . Ù****.**
6 -.005 .130 . * .
7 .061 .130 . Ù* .
8 -.213 .130 .****Ù .
9 .011 .130 . * .
10 -.124 .130 . **Ù .
11 .004 .130 . * .
12 -.016 .130 . * .
13 -.156 .130 . ***Ù .
14 -.131 .130 . ***Ù .
15 -.019 .130 . * .
16 .105 .130 . Ù** .
17 .111 .130 . Ù** .
18 .125 .130 . Ù*** .
19 -.054 .130 . *Ù .
20 -.078 .130 . **Ù .
21 -.061 .130 . *Ù .
22 -.005 .130 . * .
23 -.023 .130 . * .
24 -.047 .130 . *Ù .
25 .003 .130 . * .
26 -.019 .130 . * .
27 .127 .130 . Ù*** .
28 -.018 .130 . * .
29 -.016 .130 . * .
30 -.003 .130 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 10 PACF ของผลตางอันดับ1ของอนุกรมเวลาภาวะเงินเฟอ

 79

ตารางที่ 6 คาประมาณพารามิเตอรของตัวแบบ ARIMA(5,1,0)

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 53 .00090721 .00001680

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .33009434 .12682596 2.6027347 .01196715

AR2 .15843824 .13007500 1.2180530 .22859865
AR3 .11267273 .13264923 .8494035 .39947736
AR4 -.25946650 .13317659 -1.9482891 .05668407
AR5 .35373922 .13103508 2.6995764 .00929677
CONSTANT .00202783 .00160553 1.2630318 .21210613

จากตารางที่ 6 พบวามีเพียง φ1 และ φ5 เทานั้นที่มีนัยสําคัญทางสถิติที่ระดับ0.05 จึง

ปรับตัวแบบเปน ⎛⎜ 1 − φ1 B −φ 5 B 5 ⎞⎟(1 − B )I t = a t คาประมาณพารามิเตอรของตัวแบบใหม
⎝ ⎠
เปนดังตารางที่ 7

ตารางที่ 7 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ1 B −φ 5 B 5 ⎞⎟(1 − B )I t = a t

⎝ ⎠
Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 57 .00102304 .00001758

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .38413301 .10451525 3.6753775 .00052666

AR5 .38419358 .10657380 3.6049534 .00065728

ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนจากตัวแบบนี้โดยใช ACF และ

PACF ของสวนเหลือที่ไดจากตัวแบบ
I t = 1. 38413301 I t − 1 − 0. 38413301 I t − 2 + 0. 38419358 I t − 5 − 0. 38419358 I t − 6 + a t
 80

แสดงในภาพที่ 11 พบวาที่ทุก ๆ lag คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองของสวนเหลือ

ที่ไดจากวิธี Box-Jenkins ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบ
นี้ไมมีสหสัมพันธกัน
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยตัวสถิติ Box – Ljung
แสดงในภาพที่ 11 พบวาไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบ
นี้ไมมีสหสัมพันธกัน
 81

Autocorrelations: Error for I

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.056 .127 . *Ù . .193 .660
2 .072 .126 . Ù* . .521 .771
3 .237 .125 . Ù***** 4.145 .246
4 -.193 .124 .****Ù . 6.591 .159
5 .087 .122 . Ù** . 7.094 .214
6 -.002 .121 . * . 7.094 .312
7 .107 .120 . Ù** . 7.889 .342
8 -.002 .119 . * . 7.889 .444
9 .029 .118 . Ù* . 7.950 .539
10 -.043 .117 . *Ù . 8.087 .620
11 -.146 .115 . ***Ù . 9.681 .559
12 .034 .114 . Ù* . 9.771 .636
13 -.229 .113 *****Ù . 13.887 .382
14 -.125 .112 . **Ù . 15.130 .369
15 -.065 .111 . *Ù . 15.471 .418
16 -.111 .109 . **Ù . 16.501 .419

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

Partial Autocorrelations: Error for I

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.056 .130 . *Ù .
2 .069 .130 . Ù* .
3 .247 .130 . Ù*****
4 -.181 .130 .****Ù .
5 .036 .130 . Ù* .
6 -.026 .130 . *Ù .
7 .205 .130 . Ù****.
8 -.070 .130 . *Ù .
9 .041 .130 . Ù* .
10 -.144 .130 . ***Ù .
11 -.077 .130 . **Ù .
12 -.011 .130 . * .
13 -.171 .130 . ***Ù .
14 -.163 .130 . ***Ù .
15 -.107 .130 . **Ù .
16 .009 .130 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

ภาพที่ 11 ACF และPACF ของสวนเหลือจากการพยากรณภาวะเงินเฟอโดยวิธี Box-Jenkins

 82

.03

.02

.01

Err
or
for 0.00
I

-.01
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 12 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาโดยวิธี Box –Jenkins

จากภาพที่ 12 พบวาสวนเหลือจากการพยากรณภาวะเงินเฟอสวนใหญมีลักษณะผันแปร
อยางสุมรอบคาศูนย แสดงวาคาเฉลี่ยเทากับศูนย ยกเวนในชวงกลางป 2540 สวนเหลือในลําดับที่ 8
มีคาสูงผิดปกติกวาสวนเหลือตัวอื่น ๆ แสดงวาเดือนสิงหาคม 2540 คาพยากรณที่ไดต่ํากวา
คาสังเกตการกระจายของคาเหลานี้มีลักษณะสม่ําเสมอ ดังนั้นจึงนาจะกลาวไดวาความคลาดเคลื่อน
จากตัวแบบนี้มีความแปรปรวนคงที่
 83

1.1

1.0

.9

.8 Fit for I
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69

Sequence number

ภาพที่ 13 คาสังเกตภาวะเงินเฟอเทียบกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางโดยวิธี Box –Jenkins ที่ไดจากตัวแบบARIMA
จากภาพที่ 13 จะเห็นวาสําหรับการพยากรณในชวงตัวอยางคือระหวางเดือนมกราคม
2540 ถึง ธันวาคม 2544 คาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ ARIMA ใกลเคียงกับคาภาวะ
เงินเฟอจริงโดยใหคา RMSE = 0.00426 และคา MAPE = 0.29987 ตามลําดับ
สําหรับการพยากรณนอกชวงตัวอยางคือระหวางเดือนมกราคม 2544 ถึง ธันวาคม 2545
คาพยากรณภาวะเงินเฟอที่ไดมีแนวโนมลดลงและต่ํากวาคาสังเกตภาวะเงินเฟอ ในขณะที่คาสังเกต
ภาวะเงินเฟอจริงมีแนวโนมสูงขึ้น (คาของขอมูลแสดงไวในภาคผนวก ข) โดยใหคา
RMSE = 0.020616 และคา MAPE = 1.673535
 84

ตัวแบบอัตราดอกเบี้ย
ในการพยากรณภาวะเงินเฟอโดยใชตัวแบบอัตราดอกเบี้ยจะตองหาคาคาดหมายของผล
ตอบแทนที่แทจริง (ER) กอน ซึ่งคาคาดหมายของผลตอบแทนที่แทจริงหาไดจากผลตางระหวาง
อัตราดอกเบี้ยที่เปนตัวเงิน (TB) กับ ภาวะเงินเฟอ (I) ในเดือนถัดไป ในงานวิจัยนี้ใชวิธี Box –
Jenkins และวิธี Box –Jenkins รวมกับการวิเคราะหการแทรกแซง (Intervention) เพื่อหาตัวแบบ
สําหรับหาคาพยากรณคาคาดหมายของผลตอบแทนที่แทจริง

30

20

10
ER

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 14 คาคาดหมายของผลตอบแทนที่แทจริงกับเวลา

จากภาพที่ 14 พบวาคาคาดหมายของผลตอบแทนที่แทจริงมีการเปลี่ยนแปลงอยางรวด
เร็วในชวงแรกคือในชวงป 2540 (ขอมูลลําดับที่ 1-12) เนื่องจากเปนชวงที่ประเทศไทยประสบกับ
ภาวะวิกฤติทางดานเศรษฐกิจซึ่งอาจสงผลใหอัตราดอกเบี้ยเพิ่มสูงอยางมากและมีลักษณะกวัดแกวง
อยางมากและยังคงมีลักษณะเชนนี้ตอเนื่องมาจนถึงตนป 2541 หลังจากนั้นคาคาดหมายของผลตอบ
แทนที่แทจริงลดลงอยางรวดเร็วจนถึงกลางป 2542 (ขอมูลลําดับที่ 25) ในชวงกลางป 2542 ถึง
ประมาณตนป 2544 (ขอมูลลําดับที่ 25-52) จะเห็นวาคาคาดหมายของผลตอบแทนที่แทจริงมี
ลักษณะคอนขางคงที่ในระดับต่ํา และสูงขึ้นเล็กนอย ในชวงประมาณกลางป 2544 (ขอมูลลําดับที่
53-54) เนื่องจากรัฐบาลไดมีการออกพันธบัตรรัฐวิสาหกิจจํานวนมาก ประกอบกับในเดือน
มิถุนายน 2544 ธนาคารแหงประเทศไทยมีนโยบายปรับขึ้นอัตราดอกเบี้ย
 85

(ธนาคารแหงประเทศไทย 2544:2)
Autocorrelations: ER

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .954 .127 . Ù****.************** 56.502 .000
2 .918 .126 . Ù****.************* 109.764 .000
3 .882 .125 . Ù****.************* 159.725 .000
4 .829 .124 . Ù****.************ 204.677 .000
5 .762 .122 . Ù****.********** 243.328 .000
6 .696 .121 . Ù****.********* 276.221 .000
7 .616 .120 . Ù****.******* 302.513 .000
8 .521 .119 . Ù****.***** 321.681 .000
9 .443 .118 . Ù****.**** 335.805 .000
10 .372 .117 . Ù****.** 345.945 .000
11 .302 .115 . Ù****.* 352.783 .000
12 .226 .114 . Ù***** 356.687 .000
13 .161 .113 . Ù*** . 358.724 .000
14 .100 .112 . Ù** . 359.529 .000
15 .045 .111 . Ù* . 359.694 .000
16 .002 .109 . * . 359.694 .000
17 -.038 .108 . *Ù . 359.821 .000
18 -.079 .107 . **Ù . 360.362 .000
19 -.113 .105 . **Ù . 361.517 .000
20 -.140 .104 .***Ù . 363.326 .000
21 -.162 .103 .***Ù . 365.811 .000
22 -.182 .101 ****Ù . 369.039 .000
23 -.201 .100 ****Ù . 373.082 .000
24 -.217 .099 ****Ù . 377.925 .000
25 -.233 .097 *.***Ù . 383.655 .000
26 -.248 .096 *.***Ù . 390.352 .000
27 -.262 .094 *.***Ù . 398.053 .000
28 -.275 .093 *.***Ù . 406.824 .000
29 -.287 .091 **.***Ù . 416.693 .000
30 -.298 .090 **.***Ù . 427.693 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 61 Computable first lags: 58

ภาพที่ 15 ACF ของอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริง

ตัวแบบผลตอบแทนที่แทจริงโดยวิธี Box –Jenkins

จากที่ไดกลาวมาแลวขางตน คาคาดหมายของผลตอบแทนที่แทจริงมีระดับคาเฉลี่ยและ
ความแปรปรวนไมคงที่ และประกอบกับจากการพิจารณา ACF ของอนุกรมเวลา คาคาดหมายของ
ผลตอบแทนที่แทจริงในภาพที่ 15 พบวาฟงกชันสหสัมพันธในตัวเองของคาคาดหมายของผลตอบ
แทนที่แทจริงลดลงอยางชา ๆ แสดงวาอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริงเปน
แบบ Non – stationary จึงปรับอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริงเปนแบบ
Stationary โดยแปลงขอมูลคาคาดหมายของผลตอบแทนที่แทจริงเปนคาลอกการิทึมเพื่อปรับให
ความแปรปรวนของอนุกรมเวลาคงที่และหาผลตางอันดับ 1 เพื่อปรับใหระดับของอนุกรมเวลาคงที่
 86

ภาพที่ 16 แสดงอนุกรมเวลาของผลตางอันดับ 1 ของคาลอกการิทึมของคาคาดหมายของผลตอบ

แทนที่แทจริง

.6

.4

.2

-.0

-.2

-.4
ER

-.6
5 9 13 17 21 25 29 33 37 41 45 49 53 57 61

Sequence number
Transforms: natural log, difference (1)

ภาพที่ 16 ผลตางอันดับ1ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง

เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของคาลอกการิทึมของคาคาด

หมายของผลตอบแทนที่แทจริงในภาพที่ 17 พบวาฟงกชันสัมประสิทธิ์สหสัมพันธในตัวเองมี
ลักษณะลดลงอยางรวดเร็วแสดงวาอนุกรมเวลาของผลตางอันดับ1ของคาลอกการิทึมของคาคาด
หมายของผลตอบแทนที่แทจริงเปนแบบ Stationary คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเอง
หลัง lag ที่ 7 ลดลงแบบเอกโปเนนเชียล และเมื่อพิจารณาประกอบกับคาประมาณ
สัมประสิทธิ์สหสัมพันธในตัวเองบางสวนในภาพที่ 18 พบวา cut off หลัง lag ที่ 7 ดังนั้นตัวแบบที่
นาเปนไปไดคือ ⎛⎜ 1 − φ 7 B 7 ⎞⎟(1 − B )ln ER t = a t โดยมีคาประมาณพารามิเตอรของตัวแบบ เปนดัง
⎝ ⎠
นี้ φ̂7 = 0.37056358 ซึ่งแสดงในตารางที่ 8

Autocorrelations: ER
 87

Transformations: natural log, difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .126 .128 . Ù*** . .965 .326
2 .163 .127 . Ù*** . 2.610 .271
3 .217 .126 . Ù****. 5.588 .133
4 .217 .125 . Ù****. 8.621 .071
5 .099 .123 . Ù** . 9.264 .099
6 .128 .122 . Ù*** . 10.367 .110
7 .242 .121 . Ù***** 14.359 .045
8 -.107 .120 . **Ù . 15.160 .056
9 .057 .119 . Ù* . 15.388 .081
10 .027 .117 . Ù* . 15.442 .117
11 .062 .116 . Ù* . 15.724 .152
12 -.130 .115 . ***Ù . 17.007 .149
13 -.097 .114 . **Ù . 17.739 .168
14 -.149 .112 .***Ù . 19.492 .147
15 -.173 .111 .***Ù . 21.927 .110
16 -.085 .110 . **Ù . 22.525 .127
17 -.076 .109 . **Ù . 23.014 .149
18 -.069 .107 . *Ù . 23.430 .175
19 -.128 .106 .***Ù . 24.882 .164
20 -.045 .104 . *Ù . 25.065 .199
21 -.033 .103 . *Ù . 25.171 .240
22 -.078 .102 . **Ù . 25.758 .262
23 -.152 .100 .***Ù . 28.066 .213
24 -.032 .099 . *Ù . 28.168 .253
25 -.084 .097 . **Ù . 28.906 .268
26 -.137 .096 .***Ù . 30.936 .231
27 -.079 .094 . **Ù . 31.645 .245
28 -.063 .093 . *Ù . 32.108 .270
29 -.096 .091 . **Ù . 33.222 .269
30 -.088 .090 . **Ù . 34.181 .274

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 61 Computable first lags after differencing: 57

ภาพที่ 17 ACF ของผลตางอันดับ1ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง

 88

Partial Autocorrelations: ER

Transformations: natural log, difference (1)

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .126 .131 . Ù*** .
2 .149 .131 . Ù*** .
3 .188 .131 . Ù****.
4 .167 .131 . Ù*** .
5 .018 .131 . * .
6 .038 .131 . Ù* .
7 .164 .131 . Ù*** .
8 -.225 .131 *****Ù .
9 -.015 .131 . * .
10 -.043 .131 . *Ù .
11 .042 .131 . Ù* .
12 -.129 .131 . ***Ù .
13 -.127 .131 . ***Ù .
14 -.165 .131 . ***Ù .
15 -.057 .131 . *Ù .
16 -.012 .131 . * .
17 .060 .131 . Ù* .
18 .046 .131 . Ù* .
19 .047 .131 . Ù* .
20 .034 .131 . Ù* .
21 .064 .131 . Ù* .
22 -.053 .131 . *Ù .
23 -.154 .131 . ***Ù .
24 -.017 .131 . * .
25 -.057 .131 . *Ù .
26 -.124 .131 . **Ù .
27 -.115 .131 . **Ù .
28 -.089 .131 . **Ù .
29 -.040 .131 . *Ù .
30 .009 .131 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 61 Computable first lags after differencing: 57

ภาพที่ 18 PACFของผลตางอันดับ1ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง
 89

ตารางที่ 8 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ7 B 7 ⎞⎟(1 − B )ln ER t = at

⎝ ⎠

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 57 1.4394956 .02480809

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR7 .37056358 .13417054 2.7618847 .00772069

จากตารางที่ 8 พบวา φ7 มีนัยสําคัญทางสถิติที่ระดับ0.05 ดังนั้นตัวแบบเปน

ln ER t - ln ER t −1 -0.37056358 ln ER t − 7 + 0.37056358 ln ER t − 8 = a t

Autocorrelations: Error for ER

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .128 .128 . Ù*** . 1.006 .316
2 .133 .127 . Ù*** . 2.104 .349
3 .167 .126 . Ù*** . 3.878 .275
4 .156 .125 . Ù*** . 5.456 .244
5 .103 .123 . Ù** . 6.155 .291
6 .168 .122 . Ù*** . 8.039 .235
7 .044 .121 . Ù* . 8.172 .318
8 -.086 .120 . **Ù . 8.689 .369
9 .045 .119 . Ù* . 8.830 .453
10 -.024 .117 . * . 8.873 .544
11 .024 .116 . * . 8.917 .630
12 -.131 .115 . ***Ù . 10.218 .597
13 -.126 .114 . ***Ù . 11.441 .574
14 -.248 .112 *.***Ù . 16.318 .294
15 -.124 .111 . **Ù . 17.567 .286
16 -.046 .110 . *Ù . 17.742 .339

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 59 Computable first lags: 57

ภาพที่ 19 ACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่จริงโดย

วิธีBox –Jenkins
 90

Partial Autocorrelations: Error for ER

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .128 .131 . Ù*** .
2 .118 .131 . Ù** .
3 .141 .131 . Ù*** .
4 .114 .131 . Ù** .
5 .046 .131 . Ù* .
6 .112 .131 . Ù** .
7 -.031 .131 . *Ù .
8 -.160 .131 . ***Ù .
9 .007 .131 . * .
10 -.052 .131 . *Ù .
11 .041 .131 . Ù* .
12 -.136 .131 . ***Ù .
13 -.103 .131 . **Ù .
14 -.201 .131 .****Ù .
15 -.064 .131 . *Ù .
16 .057 .131 . Ù* .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 59 Computable first lags: 57

ภาพที่ 20 PACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่จริงโดย

วิธี Box –Jenkins

ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนของตัวแบบนี้โดยใช ACF และ

PACF ของสวนเหลือที่ไดจากการพยากรณผลตอบแทนที่แทจริงที่ไดจากตัวแบบ
ln ER t - ln ER t −1 -0.37056358 ln ER t − 7 + 0.37056358 ln ER t − 8 = a t แสดงในภาพที่ 19 และภาพที่ 20
พบวาที่ทุก ๆ lag คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองของสวนเหลือที่ไดจาก
ตัวแบบไมมีนัยสําคัญทางสถิติที่ระดับ0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไมมีสหสัมพันธกัน
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยตัวสถิติ Box – Ljung
ในภาพที่ 19 และภาพที่ 20 พบวาไมมีนัยสําคัญทางสถิติที่ระดับ0.05 แสดงวาสวนเหลือที่ไดจาก
ตัวแบบนี้ไมมีสหสัมพันธกัน
 91

.6

.4

.2

0.0
Error for ER

-.2

-.4
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 21 สวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่จริงกับเวลาโดยวิธี
Box –Jenkins

จากภาพที่ 21 พบวาสวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่จริง มี
ลักษณะผันแปรอยางสุมรอบคาศูนย ยกเวนในชวงป 2541 (สวนเหลือลําดับที่ 12- 24) ที่สวน
เหลือสวนใหญมีแนวโนมอยูต่ํากวาคาศูนย นั่นคือคาพยากรณคาคาดหมายของผลตอบแทนที่
แทจริงมีแนวโนมที่จะมีคามากกวาคาสังเกตของคาคาดหมายของผลตอบแทนที่แทจริง นอกจากนี้
สวนเหลือในลําดับที่ 53 ซึ่งมีคาสูงผิดปกติกวาคาสวนเหลือตัวอื่น ๆ อาจเนื่องจากในชวงประมาณ
กลางป 2544 รัฐบาลไดมีการออกพันธบัตรรัฐวิสาหกิจจํานวนมาก ประกอบกับในเดือนมิถุนายน
ธนาคารแหงประเทศไทยมีนโยบายปรับขึ้นอัตราดอกเบี้ย (ธนาคารแหงประเทศไทย 2544:2)
 92

30

20

10

ER

0 Fit for ER
1 7 13 19 25 31 37 43 49 55
4 10 16 22 28 34 40 46 52 58

Sequence number

ภาพที่ 22 คาคาดหมายผลตอบแทนที่แทจริงเทียบกับคาพยากรณคาคาดหมายผลตอบแทน
ที่แทจริงภายในชวงตัวอยาง

จากภาพที่ 22 จะเห็นวาสําหรับการพยากรณคาคาดหมายผลตอบแทนที่แทจริงภายใน
ชวงตัวอยางคือระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544 จะเห็นวาในชวงแรก คาพยากรณคา
คาดหมายผลตอบแทนที่แทจริงพยากรณคาคาดหมายผลตอบแทนที่แทจริงไดไมดีนัก อาจเนื่องจาก
เปนชวงที่ประเทศไทยประสบกับวิกฤติทางเศรษฐกิจ ซึ่งอาจสงผลกระทบตออัตราดอกเบี้ยทําให
คาคาดหมายผลตอบแทนที่แทจริงที่ไดมีการผันผวนตามอัตราดอกเบี้ยที่มีการเปลี่ยนแปลงอยางรวด
เร็ว หลังจากนั้นจนถึงประมาณไตรมาส 1 ป 2544 คาพยากรณคาคาดหมายผลตอบแทนที่แทจริง
คอย ๆ ใกลเคียงคาจริงมากขึ้น ในชวงไตรมาสที่ 2 ป 2544 (ขอมูลลําดับที่ 51-53) จะเห็นวาคาคาด
หมายผลตอบแทนที่แทจริงสูงขึ้นอยางกระทันหัน สงผลใหผลตอบแทนที่แทจริงสูงตามไปดวย ซึ่ง
ทําใหคาพยากรณคาคาดหมายผลตอบแทนที่แทจริงตางจากคาคาดหมายผลตอบแทนที่แทจริง หลัง
จากนั้นคาพยากรณคาคาดหมายผลตอบแทนที่แทจริงใหคาพยากรณใกลเคียงคาคาดหมายผลตอบ
แทนที่แทจริง โดยใหคา RMSE = 0.157968 และคา MAPE = 3.689239

ตัวแบบผลตอบแทนที่แทจริงโดยใชวิธี Box –Jenkins รวมกับการวิเคราะหการแทรกแซง

เนื่องจากในชวงป 2540 คาคาดหมายของผลตอบแทนที่แทจริงมีคาเพิ่มขึ้นอยางรวดเร็ว
และกวัดแกวงมาก ซึ่งตางจากลักษณะความผันแปรขอมูลในชวงอื่น ๆ และจากการวิเคราะหขอมูล
พบวาขอมูลในชวงแรก ๆ (ขอมูลลําดับที่ 1-9) ทําใหรูปแบบของขอมูลที่เหลือเปลี่ยนไปอยางมาก
 93

ดังนั้นอีกวิธีหนึ่งในการหาคาพยากรณคาคาดหมายของผลตอบแทนที่แทจริงจะใชวิธี Box –Jenkins

⎧0 t < 10
รวมกับการวิเคราะหการแทรกแซงโดยกําหนดตัวแปรดัมมี่ S t ดังนี้ S t = ⎨
⎩1 t ≥ 10
และจากการพิจารณาลักษณะการเกิดการแทรกแซงและผลกระทบ พบวาผลกระทบมีการเปลี่ยน
แปลงกระทันหันและคงอยูถาวร ซึ่งรูปแบบของผลกระทบการแทรกแซงที่ไดรับความนิยมคือ
ω0 S t และในการกําหนดตัวแบบอนุกรมเวลาทดลองเริ่มตน จะใชคาสังเกตของคาคาดหมายของผล
ตอบแทนที่แทจริงตั้งแตลําดับที่ 10 เปนตนมา จากการศึกษาลักษณะของคาสังเกตของคาคาดหมาย
ของผลตอบแทนที่แทจริงพบวาคาสังเกตของคาคาดหมายของผลตอบแทนที่แทจริงตั้งแตลําดับที่
10 เปนตนมา ระดับของคาสังเกตไมคงที่ และการกระจายของคาคาดหมายของผลตอบแทนที่แท
จริงไมสม่ําเสมอแสดงวาอนุกรมเวลานาจะมีความแปรปรวนไมคงที่ และจากการพิจารณา ACF
ของอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริงในภาพที่ 23 พบวาฟงกชันสหสัมพันธในตัว
เองของคาคาดหมายของผลตอบแทนที่แทจริงลดลงอยางชา ๆ แสดงวาอนุกรมเวลาคาคาดหมาย
ของผลตอบแทนที่แทจริงเปนแบบ Non – stationary จึงปรับอนุกรมเวลาคาคาดหมายของผลตอบ
แทนที่แทจริงเปนแบบ Stationary โดยแปลงขอมูลคาคาดหมายของผลตอบแทนที่แทจริงเปนคา
ลอกการิทึมเพื่อปรับใหความแปรปรวนของอนุกรมเวลาคงที่และหาผลตางอันดับ 1 เพื่อปรับให
ระดับของอนุกรมเวลาคงที่
 94

Autocorrelations: ER

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .918 .136 . Ù****.************* 45.568 .000
2 .871 .135 . Ù****.************ 87.403 .000
3 .824 .133 . Ù****.*********** 125.615 .000
4 .737 .132 . Ù****.********** 156.849 .000
5 .634 .130 . Ù****.******** 180.468 .000
6 .543 .129 . Ù****.****** 198.148 .000
7 .436 .128 . Ù****.**** 209.839 .000
8 .338 .126 . Ù****.** 217.025 .000
9 .268 .125 . Ù***** 221.655 .000
10 .185 .123 . Ù****. 223.912 .000
11 .117 .122 . Ù** . 224.843 .000
12 .061 .120 . Ù* . 225.100 .000
13 .022 .119 . * . 225.135 .000
14 -.011 .117 . * . 225.144 .000
15 -.042 .115 . *Ù . 225.279 .000
16 -.068 .114 . *Ù . 225.635 .000
17 -.089 .112 . **Ù . 226.261 .000
18 -.109 .110 . **Ù . 227.228 .000
19 -.126 .109 .***Ù . 228.576 .000
20 -.140 .107 .***Ù . 230.282 .000
21 -.152 .105 .***Ù . 232.364 .000
22 -.163 .104 .***Ù . 234.847 .000
23 -.175 .102 .***Ù . 237.801 .000
24 -.185 .100 ****Ù . 241.221 .000
25 -.195 .098 ****Ù . 245.173 .000
26 -.205 .096 ****Ù . 249.728 .000
27 -.215 .094 ****Ù . 254.953 .000
28 -.226 .092 *.***Ù . 260.943 .000
29 -.235 .090 *.***Ù . 267.740 .000
30 -.244 .088 *.***Ù . 275.374 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 51 Computable first lags: 50

ภาพที่ 23 ACF ของอนุกรมเวลาคาคาดหมายของผลตอบแทนที่แทจริงโดยวิธี Box –Jenkins

 95

Autocorrelations: ER

Transformations: natural log, difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .332 .137 . Ù****.** 5.864 .015
2 .095 .136 . Ù** . 6.357 .042
3 .151 .134 . Ù*** . 7.615 .055
4 .176 .133 . Ù****. 9.374 .052
5 .107 .132 . Ù** . 10.040 .074
6 .118 .130 . Ù** . 10.857 .093
7 .089 .129 . Ù** . 11.335 .125
8 -.017 .127 . * . 11.352 .183
9 .055 .126 . Ù* . 11.547 .240
10 .053 .124 . Ù* . 11.729 .304
11 .134 .122 . Ù*** . 12.919 .299
12 .004 .121 . * . 12.920 .375
13 -.109 .119 . **Ù . 13.757 .391
14 -.066 .118 . *Ù . 14.074 .444
15 -.031 .116 . *Ù . 14.144 .515
16 -.076 .114 . **Ù . 14.580 .556
17 -.050 .113 . *Ù . 14.778 .611
18 .003 .111 . * . 14.778 .677
19 .019 .109 . * . 14.808 .735
20 .043 .107 . Ù* . 14.967 .778
21 .042 .106 . Ù* . 15.128 .816
22 -.017 .104 . * . 15.156 .855
23 -.068 .102 . *Ù . 15.599 .872
24 -.058 .100 . *Ù . 15.930 .891
25 -.106 .098 . **Ù . 17.107 .878
26 -.178 .096 ****Ù . 20.544 .765
27 -.118 .094 . **Ù . 22.109 .732
28 -.106 .092 . **Ù . 23.434 .711
29 -.207 .090 ****Ù . 28.724 .480
30 -.135 .088 .***Ù . 31.076 .412

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 51 Computable first lags after differencing: 49

ภาพที่ 24 ACF ของผลตางอันดับ1ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง

โดยวิธี Box –Jenkins
 96

Partial Autocorrelations: ER

Transformations: natural log, difference (1)

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .332 .141 . Ù*****.*
2 -.017 .141 . * .
3 .140 .141 . Ù*** .
4 .097 .141 . Ù** .
5 .018 .141 . * .
6 .072 .141 . Ù* .
7 .003 .141 . * .
8 -.084 .141 . **Ù .
9 .068 .141 . Ù* .
10 -.017 .141 . * .
11 .135 .141 . Ù*** .
12 -.096 .141 . **Ù .
13 -.118 .141 . **Ù .
14 -.021 .141 . * .
15 -.037 .141 . *Ù .
16 -.053 .141 . *Ù .
17 .023 .141 . * .
18 .030 .141 . Ù* .
19 .084 .141 . Ù** .
20 .042 .141 . Ù* .
21 .016 .141 . * .
22 -.056 .141 . *Ù .
23 -.064 .141 . *Ù .
24 -.024 .141 . * .
25 -.106 .141 . **Ù .
26 -.147 .141 . ***Ù .
27 -.001 .141 . * .
28 -.058 .141 . *Ù .
29 -.154 .141 . ***Ù .
30 -.001 .141 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 51 Computable first lags after differencing: 49

ภาพที่ 25 PACF ของผลตางอันดับ1ของคาลอกการิทึมของคาคาดหมายของผลตอบแทนที่แทจริง

โดยวิธี Box –Jenkins

เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของคาลอกการิทึมของคาคาด

หมายของผลตอบแทนที่แทจริงในภาพที่ 24 พบวาฟงกชันสัมประสิทธิ์สหสัมพันธในตัวเองมี
ลักษณะลดลงอยางรวดเร็ว แสดงวาอนุกรมเวลาของผลตางอันดับ1ของคาลอกการิทึมของคาคาด
หมายของผลตอบแทนที่แทจริงเปนแบบ Stationary คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเอง
หลัง lag ที่ 1 ลดลงแบบเอกโปเนนเชียล และเมื่อพิจารณาประกอบกับคาประมาณสัมประสิทธิ์สห
สัมพันธในตัวเองบางสวนในภาพที่ 25 พบวา cut off หลัง lag ที่ 1 ดังนั้นตัวแบบที่นาเปนไปได
 97

คือ (1 − φ1 B )(1 − B )ln ER t = ω0 S t + a t โดยมีคาประมาณพารามิเตอรของตัวแบบเปนดังนี้

φ̂1 =0.37000590, ω0 = -0.54018035 ซึ่งแสดงในตารางที่ 9

ตารางที่ 9 คาประมาณพารามิเตอรของตัวแบบ (1 − φ1 B )(1 − B )ln ER t = ω0 S t + a t

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 56 1.3048672 .02324213

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .37000590 .12925516 2.8626006 .00590040

STEP10 -.54018035 .14298022 -3.7780075 .00038503

จากตารางที่ 9 พบวา φ1 และ ω0 มีนัยสําคัญทางสถิติที่ระดับ0.05 ดังนั้นตัวแบบเปน

(1 − 0. 37000590 B )(1 − B )ln ER t = −0. 54018035S t + a t
 98

Autocorrelations: Error for ER

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.094 .128 . **Ù . .538 .463
2 .071 .127 . Ù* . .851 .653
3 .222 .126 . Ù****. 3.983 .263
4 .091 .125 . Ù** . 4.521 .340
5 .128 .123 . Ù*** . 5.600 .347
6 -.028 .122 . *Ù . 5.652 .463
7 .103 .121 . Ù** . 6.378 .496
8 .013 .120 . * . 6.389 .604
9 -.008 .119 . * . 6.393 .700
10 -.041 .117 . *Ù . 6.517 .770
11 .044 .116 . Ù* . 6.659 .826
12 -.155 .115 . ***Ù . 8.470 .747
13 .001 .114 . * . 8.470 .812
14 -.124 .112 . **Ù . 9.683 .785
15 -.155 .111 .***Ù . 11.633 .707
16 .020 .110 . * . 11.668 .766

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 59 Computable first lags: 57

Partial Autocorrelations: Error for ER

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.094 .131 . **Ù .
2 .063 .131 . Ù* .
3 .238 .131 . Ù*****
4 .140 .131 . Ù*** .
5 .131 .131 . Ù*** .
6 -.072 .131 . *Ù .
7 .020 .131 . * .
8 -.043 .131 . *Ù .
9 -.029 .131 . *Ù .
10 -.090 .131 . **Ù .
11 .032 .131 . Ù* .
12 -.164 .131 . ***Ù .
13 .000 .131 . * .
14 -.131 .131 . ***Ù .
15 -.120 .131 . **Ù .
16 .020 .131 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 59 Computable first lags: 57

ภาพที่ 26 ACF และ PACF ของสวนเหลือจากการพยากรณคาคาดหมายผลตอบแทนที่แทจริง

โดยวิธี Box- Jenkins รวมกับการวิเคราะหการแทรกแซง

ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนของตัวแบบนี้โดยใช ACF และ

PACF ของสวนเหลือที่ไดจากตัวแบบ (1 − 0. 37000590 B )(1 − B )ln ER t = −0. 54018035S t + a t
แสดงในภาพที่ 26 พบวาที่ทุก ๆ lag คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองของสวนเหลือ
 99

ที่ไดจากตัวแบบไมมีนัยสําคัญทางสถิติที่ระดับ0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไมมีสห
สัมพันธกัน
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยตัวสถิติ Box – Ljung
แสดงในภาพที่ 26 พบวาไมมีนัยสําคัญทางสถิติที่ระดับ0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้
ไมมีสหสัมพันธกัน

.6

.4

.2

0.0
Error for ER

-.2

-.4
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 27 สวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่จริงกับเวลาโดยวิธี
Box –Jenkins รวมกับการวิเคราะหการแทรกแซง

จากภาพที่ 27 พบวาสวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่แทจริง
มีลักษณะผันแปรอยางสุมรอบคาศูนย โดยในชวงป 2540 สวนเหลือจากการพยากรณคาคาด
หมายของผลตอบแทนที่จริงมีแนวโนมที่จะอยูทางดานบวกเนื่องจากคาพยากรณคาคาดหมายของ
ผลตอบแทนที่จริงสวนใหญนอยกวาคาคาดหมายของผลตอบแทนที่แทจริง ในชวงป 2541 สวน
เหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่จริงมีแนวโนมที่จะต่ํากวาคาศูนย เนื่องจาก
คาพยากรณคาคาดหมายของผลตอบแทนที่จริงสวนใหญมีคาสูงกวาคาคาดหมายของผลตอบแทนที่
แทจริง หลังจากนั้นจะเห็นวาสวนเหลือจากการพยากรณคาคาดหมายของผลตอบแทนที่แทจริงมี
ลักษณะผันแปรอยางสุมรอบคาศูนยจนถึงชวงปลายป 2544 นอกจากนี้คาสวนเหลือในลําดับที่ 53 มี
คาสูงผิดปกติกวาสวนเหลือตัวอื่น ๆ แสดงวาที่เดือนพฤษภาคมป 2544 นี้ คาพยากรณคาคาดหมาย
ของผลตอบแทนที่แทจริงที่ไดต่ํากวาคาคาดหมายของผลตอบแทนที่แทจริง
 100

30

20

10

ER

0 Fit for ER
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 28 คาคาดหมายของผลตอบแทนที่แทจริงเทียบกับคาพยากรณคาคาดหมายของผลตอบแทน
ที่แทจริงภายในชวงตัวอยางโดยวิธี Box –Jenkins รวมกับการวิเคราะหการแทรกแซง

จากภาพที่ 28 จะเห็นวาในชวงแรกป 2540 คาพยากรณคาคาดหมายของผลตอบแทนที่

แทจริงมีแนวโนมที่จะใหคาต่ํากวาคาคาดหมายผลตอบแทนที่แทจริง ในชวงป 2541 จะเห็นวาคา
พยากรณคาคาดหมายของผลตอบแทนที่แทจริงมีแนวโนมใหคาพยากรณสูงกวาคาคาดหมายของ
ผลตอบแทนที่แทจริงเล็กนอย ในชวงขอมูลป 2542- 2544 (ขอมูลลําดับที่25-48) จะเห็นวาคา
พยากรณคาคาดหมายผลตอบแทนที่แทจริงมีคา ใกลเคียงคาจริงมากขึ้น ยกเวนในขอมูลลําดับที่ 53
คาคาดหมายผลตอบแทนที่แทจริงสูงกวาคาพยากรณคาคาดหมายผลตอบแทนที่แทจริง หลังจาก
นั้นคาพยากรณคาคาดหมายผลตอบแทนที่แทจริงใกลเคียงคาคาดหมายผลตอบแทนที่แทจริง โดย
วิธี Box-Jenkins รวมกับการวิเคราะหการแทรกแซงโดย ใหคา RMSE = 0.150382 และคา
MAPE = 3.313215
จากการพิจารณาตัวแบบในการพยากรณคาคาดหมายของผลตอบแทนที่แทจริงโดยใช
วิธี Box –Jenkins และวิธี Box –Jenkins รวมกับการวิเคราะหการแทรกแซง (Intervention) พบ
วาตัวแบบที่ไดจากวิธี Box –Jenkins รวมกับการวิเคราะหการแทรกแซง (Intervention) สามารถ
พยากรณคา คาดหมายของผลตอบแทนที่แทจริงไดดีกวาตัวแบบที่ไดจากวิธี Box –Jenkins
โดยใหคา RMSE = 0.150382 และคา MAPE =3.313215 ดังนั้นจะใชตัวแบบที่ไดจากวิธี Box
–Jenkins รวมกับการวิเคราะหการแทรกแซง (Intervention) พยากรณภาวะเงินเฟอ คือ
(1 − 0. 37000590 B )(1 − B )ln ER t = − 0. 54018035 S t + a t
 101

10

0
I

-2 Fit for I
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69

Sequence number

ภาพที่ 29 คาสังเกตภาวะเงินเฟอเทียบกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยางและนอกชวง
ตัวอยางโดยวิธี Box-Jenkins รวมกับการวิเคราะหการแทรกแซงที่ไดจากตัวแบบอัตรา
ดอกเบี้ย

จากภาพที่ 29 พบวาสําหรับการพยากรณภาวะเงินเฟอภายในชวงตัวอยางคือระหวาง
เดือนมกราคม 2540 ถึง ธันวาคม 2544 (คาสังเกตลําดับที่ 1-60) จะเห็นวาในชวงป 2540 – 2541
ตัวแบบอัตราดอกเบี้ยพยากรณภาวะเงินเฟอไดไมคอยดีนัก โดยเฉพาะในเดือนตุลาคมป 2540
ตัวแบบนี้ใหคาพยากรณภาวะเงินเฟอสูงกวาคาสังเกตภาวะเงินเฟออยางมาก ในชวงป 2542 – 2544
(คาสังเกตลําดับที่ 33-60) ตัวแบบนี้ใหคาพยากรณภาวะเงินเฟอไดใกลเคียงกับคาภาวะเงินเฟอจริง
ตัวแบบอัตราดอกเบี้ยใหคา RMSE = 1.05359022 และคา MAPE = 44.28495
สําหรับการพยากรณนอกชวงตัวอยาง คือคาพยากรณภาวะเงินเฟอระหวางเดือน
มกราคม 2545 ถึง ธันวาคม 2545 (คาสังเกตลําดับที่ 61-72)จะเห็นวาคาพยากรณภาวะเงินเฟอที่ได
จะลดลงเล็กนอยในชวงตนป 2545และหลังจากนั้นจะมีลักษณะคงที่ ในขณะที่คาสังเกตภาวะ
เงินเฟอในชวงป 2545 (คาของขอมูลแสดงในภาคผนวก ข) มีลักษณะคงที่ และมีคาสูงกวาคา
พยากรณภาวะเงินเฟอ โดยใหคา RMSE = 0.595597 และคาMAPE = 56.34211
 102

ตัวแบบ Transfer Function

ในการพยากรณภาวะเงินเฟอดวยตัวแบบ Transfer Function โดยใชอนุกรมเวลาอัตรา
ดอกเบี้ ย ซื้ อ คื น เฉลี่ ย เป น ตั ว แปรอิ ส ระ เนื่ อ งจากอนุ ก รมเวลาที่ นํามาใช ใ นการวิ เ คราะห
Transfer Function จะตองเปนอนุกรมเวลาที่ Stationary จากที่กลาวมาแลวในหัวขอ 2.1.2 พบวา
อนุกรมภาวะเงินเฟอเปนอนุกรมเวลาที่มีความแปรปรวนคงที่แตมีระดับไมคงที่เมื่อแปลงรูปโดย
การหาผลตางอันดับ 1 จะไดอนุกรมเวลาคงที่ นั่นคือ I ∗t = I t − I t −1 สําหรับอนุกรมเวลาอัตรา
ดอกเบี้ยซื้อคืนเฉลี่ย (ในภาพที่ 2 ของสวนที่ 1 ) ก็เชนกันจะตองทําใหเปนอนุกรมเวลาคงที่ และ
กอนที่จะกําหนดรูปแบบของตัวแบบ Transfer Function จะตองทําใหอนุกรมเวลาอัตราดอกเบี้ยซื้อ
คืนเฉลี่ยไมมีสหสัมพันธในตัวเองเรียกการทําใหขาว (Prewhitening )
 103

Autocorrelations: TB
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .954 .126 . Ù****.************** 57.432 .000
2 .919 .125 . Ù****.************* 111.583 .000
3 .882 .124 . Ù****.************* 162.381 .000
4 .830 .123 . Ù****.************ 208.097 .000
5 .762 .122 . Ù****.********** 247.419 .000
6 .697 .120 . Ù****.********* 280.934 .000
7 .619 .119 . Ù****.******* 307.831 .000
8 .524 .118 . Ù****.***** 327.479 .000
9 .446 .117 . Ù****.**** 341.999 .000
10 .375 .116 . Ù****.** 352.453 .000
11 .306 .115 . Ù****.* 359.539 .000
12 .230 .114 . Ù***** 363.629 .000
13 .166 .112 . Ù***. 365.799 .000
14 .105 .111 . Ù** . 366.690 .000
15 .050 .110 . Ù* . 366.898 .000
16 .007 .109 . * . 366.902 .000
17 -.032 .108 . *Ù . 366.993 .000
18 -.072 .106 . *Ù . 367.451 .000
19 -.106 .105 . **Ù . 368.475 .000
20 -.133 .104 .***Ù . 370.119 .000
21 -.155 .102 .***Ù . 372.399 .000
22 -.174 .101 .***Ù . 375.371 .000
23 -.193 .100 ****Ù . 379.104 .000
24 -.208 .098 ****Ù . 383.582 .000
25 -.223 .097 ****Ù . 388.883 .000
26 -.238 .096 *.***Ù . 395.080 .000
27 -.251 .094 *.***Ù . 402.203 .000
28 -.264 .093 *.***Ù . 410.309 .000
29 -.276 .091 **.***Ù . 419.451 .000
30 -.287 .090 **.***Ù . 429.635 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 30 ACF ของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน

.6

.4

.2

0.0

-.2
TB

-.4
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number
Transforms: natural log, difference (1)
 104

ภาพที่ 31 ผลตางอันดับ 1 ของคาลอกการิทึมของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน

กับเวลา

จากกราฟของขอมูลอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายจะเห็นวาอัตราดอกเบี้ยซื้อคืนเฉลี่ยราย
เดือนมีการเปลี่ยนแปลงอยางรวดเร็วในชวงแรก หลังจากนั้นมีลักษณะคอนขางคงที่ในระดับต่ํา
แสดงวาอัตราดอกเบี้ยซื้อคืนเฉลี่ยมีระดับของคาสังเกตไมคงที่ และการกระจายของอัตราดอกเบี้ย
ซื้อคืนเฉลี่ยรายเดือนไมสม่ําเสมอแสดงวาอนุกรมเวลานาจะมีความแปรปรวนไมคงที่ จากการ
พิจารณา ACF ของอนุกรมเวลาของอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนในภาพที่ 30 พบวา
ฟงกชันสหสัมพันธในตัวเองของอนุกรมเวลาของอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนลดลงอยางชา
ๆ แสดงวาอนุกรมเวลาของอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนเปนแบบ Non – stationary จึงปรับ
อนุกรมเวลาของอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนใหเปนแบบ Stationary โดยการแปลงขอมูล
อัตราดอกเบี้ยเปนคาลอกการิทึมเพื่อปรับใหความแปรปรวนของอนุกรมเวลาคงที่และหาผลตาง
อันดับ 1 เพื่อปรับใหระดับของอนุกรมเวลาคงที่ ภาพที่ 31 แสดงอนุกรมเวลาของผลตางอันดับ 1
ของลอกการิทมึ ของอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือน ซึ่งแทนดวย TB∗t = ln TB t − ln TB t −1
 105

Autocorrelations: TB
Transformations: natural log, difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .069 .127 . Ù* . .295 .587
2 .174 .126 . Ù*** . 2.210 .331
3 .259 .125 . Ù***** 6.517 .089
4 .245 .124 . Ù***** 10.431 .034
5 .093 .122 . Ù** . 11.005 .051
6 .141 .121 . Ù*** . 12.357 .054
7 .289 .120 . Ù****.* 18.151 .011
8 -.179 .119 .****Ù . 20.408 .009
9 .018 .118 . * . 20.430 .015
10 -.001 .117 . * . 20.430 .025
11 .042 .115 . Ù* . 20.565 .038
12 -.183 .114 .****Ù . 23.129 .027
13 -.073 .113 . *Ù . 23.549 .036
14 -.157 .112 .***Ù . 25.514 .030
15 -.218 .111 ****Ù . 29.412 .014
16 -.096 .109 . **Ù . 30.175 .017
17 -.081 .108 . **Ù . 30.738 .021
18 -.077 .107 . **Ù . 31.256 .027
19 -.154 .105 .***Ù . 33.403 .022
20 -.066 .104 . *Ù . 33.801 .028
21 -.049 .103 . *Ù . 34.028 .036
22 -.066 .101 . *Ù . 34.455 .044
23 -.137 .100 .***Ù . 36.336 .038
24 -.017 .099 . * . 36.366 .051
25 -.060 .097 . *Ù . 36.742 .061
26 -.098 .096 . **Ù . 37.781 .063
27 -.057 .094 . *Ù . 38.149 .076
28 -.051 .093 . *Ù . 38.447 .090
29 -.068 .091 . *Ù . 38.997 .102
30 -.065 .090 . *Ù . 39.518 .115

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 32 ACF ของผลตางอันดับ1 ของคาลอกการิทึมของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ย

รายเดือน
 106

Partial Autocorrelations: TB
Transformations: natural log, difference (1)

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .069 .130 . Ù* .
2 .170 .130 . Ù*** .
3 .245 .130 . Ù*****
4 .216 .130 . Ù****.
5 .015 .130 . * .
6 .017 .130 . * .
7 .193 .130 . Ù****.
8 -.309 .130 *.****Ù .
9 -.133 .130 . ***Ù .
10 -.110 .130 . **Ù .
11 .057 .130 . Ù* .
12 -.107 .130 . **Ù .
13 -.074 .130 . *Ù .
14 -.160 .130 . ***Ù .
15 -.037 .130 . *Ù .
16 -.003 .130 . * .
17 .076 .130 . Ù** .
18 .070 .130 . Ù* .
19 .083 .130 . Ù** .
20 -.010 .130 . * .
21 .058 .130 . Ù* .
22 -.066 .130 . *Ù .
23 -.203 .130 .****Ù .
24 -.093 .130 . **Ù .
25 -.047 .130 . *Ù .
26 -.066 .130 . *Ù .
27 -.079 .130 . **Ù .
28 -.108 .130 . **Ù .
29 -.024 .130 . * .
30 .058 .130 . Ù* .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 33 PACF ของผลตางอันดับ1 ของคาลอกการิทึมของอนุกรมเวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ย

รายเดือน
 107

เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของคาลอกการิทึมของอัตรา

ดอกเบี้ยซื้อคืนเฉลี่ยในภาพที่ 32 พบวาฟงกชันสัมประสิทธิ์สหสัมพันธในตัวเองมีลักษณะลดลง
อยางรวดเร็วแสดงวาอนุกรมเวลาของผลตางอันดับ1 ของคาลอกการิทึมอัตราดอกเบี้ยซื้อคืนเฉลี่ย
รายเดือนเปนแบบ Stationary คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเอง cut off หลังจาก lag ที่
7 และเมื่อพิจารณาประกอบกับคาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองบางสวนในภาพที่ 33
พบวาหลัง lag ที่ 7 ลดลงแบบเอกโปเนนเชียล ดังนั้นตัวแบบที่นาเปนไปไดคือ
TB∗t = ⎛⎜ 1 − θ 7 B 7 ⎞⎟a t หรือ (1 − B ) ln TB t = ⎛⎜ 1 − θ 7 B 7 ⎞⎟a t โดยมีคาประมาณพารามิเตอรของตัว
⎝ ⎠ ⎝ ⎠
แบบเปนดังนี้ θ̂ 7 = -0.49718279 ซึ่งแสดงในตารางที่ 10

ตารางที่ 10 คาประมาณพารามิเตอรของตัวแบบ (1 − B ) ln TB t = ⎛⎜ 1 − θ 7 B 7 ⎞⎟a t

⎝ ⎠

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 58 .90588301 .01510128

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

MA7 -.49718279 .13089093 -3.7984510 .00035102

จากตารางที่ 10 พบวา θ7 มีนัยสําคัญทางสถิติที่ระดับนัยสําคัญ 0.05 ดังนั้นตัวแบบ

คือ ln(TB t ) = ln(TB t −1 ) + 0.49718279at-7 + at
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนจากตัวแบบนี้โดยใช ACF และ
PACF ของสวนเหลือที่ไดจากตัวแบบ ln(TB t ) = ln(TB t −1 ) + 0.49718279at-7 + at แสดงในภาพที่
34 พบวาที่ทุก ๆ lag คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองของความคลาดเคลื่อนที่ไดจาก
ตัวแบบไมมีนัยสําคัญทางสถิติที่ระดับนัยสําคัญ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไม
มีสหสัมพันธกัน
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยสถิติ Box – Ljung
แสดงในภาพที่ 34 พบวาไมมีนัยสําคัญทางสถิติที่ระดับนัยสําคัญ 0.05 แสดงวาสวนเหลือที่
ไดจากตัวแบบนี้ไมมีสหสัมพันธกัน
 108

Autocorrelations: Error for ˆa t

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .023 .127 . * . .033 .856
2 .114 .126 . Ù** . .857 .651
3 .223 .125 . Ù****. 4.047 .256
4 .133 .124 . Ù*** . 5.200 .267
5 .111 .122 . Ù** . 6.021 .304
6 .178 .121 . Ù****. 8.172 .226
7 -.026 .120 . *Ù . 8.218 .314
8 -.110 .119 . **Ù . 9.077 .336
9 -.011 .118 . * . 9.085 .429
10 -.077 .117 . **Ù . 9.520 .484
11 .025 .115 . * . 9.566 .570
12 -.185 .114 .****Ù . 12.196 .430
13 -.123 .113 . **Ù . 13.372 .420
14 -.126 .112 .***Ù . 14.649 .403
15 -.172 .111 .***Ù . 17.064 .315
16 -.038 .109 . *Ù . 17.188 .374

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

Partial Autocorrelations: Error for ˆa t

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .023 .130 . * .
2 .114 .130 . Ù** .
3 .221 .130 . Ù****.
4 .124 .130 . Ù** .
5 .071 .130 . Ù* .
6 .118 .130 . Ù** .
7 -.096 .130 . **Ù .
8 -.215 .130 .****Ù .
9 -.117 .130 . **Ù .
10 -.097 .130 . **Ù .
11 .089 .130 . Ù** .
12 -.119 .130 . **Ù .
13 -.047 .130 . *Ù .
14 -.055 .130 . *Ù .
15 -.116 .130 . **Ù .
16 .029 .130 . Ù* .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

ภาพที่ 34 ACF และ PACF ของสวนเหลือจากการพยากรณของอนุกรม ˆa t

 109

.4

.3

.2

.1

0.0

-.1

-.2
Error for TB

-.3

-.4
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 35 สวนเหลือจากการพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนกับเวลาโดยวิธี
Box-Jenkins

จากภาพที่ 35 พบวาสวนเหลือที่ไดจากการพยากรณอัตราดอกเบี้ยเฉลี่ยซื้อคืนรายเดือน
มีลักษณะผันแปรอยางสุมรอบคาศูนย ยกเวนในชวงป 2541 ขอมูลลําดับที่ 12- 24 ที่สวนเหลือสวน
ใหญมีแนวโนมอยูต่ํากวาคาศูนย นั่นคือคาพยากรณอัตราดอกเบี้ยเฉลี่ยซื้อคืนมีแนวโนมที่จะมีคา
มากกวาคาสังเกตอัตราดอกเบี้ยเฉลี่ยซื้อคืน นอกจากนี้สวนเหลือในลําดับที่ 53 ซึ่งมีคาสูงผิดปกติ
กวาคาสวนเหลือตัวอื่น ๆ อาจเนื่องจากในชวงประมาณกลางป 2544 รัฐบาลไดมีการออกพันธบัตร
รัฐวิสาหกิจจํานวนมาก ประกอบกับในเดือนมิถุนายนธนาคารแหงประเทศไทยมีนโยบายปรับขึ้น
อัตราดอกเบี้ย (ธนาคารแหงประเทศไทย 2544:2)
 110

30

20

10

TB

0 Fit for TB
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 36 คาสังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ยกับคาพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ยโดย
วิธี Box-Jenkins ในชวงตัวอยาง

จากภาพที่ 36 จะเห็นวาสําหรับการพยากรณภายในชวงตัวอยางคือระหวางเดือน
มกราคม 2540 ถึง ธันวาคม 2544 ในชวงแรกคาพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ยพยากรณคา
สังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ยไดไมดีนัก อาจเนื่องจากเปนชวงที่ประเทศไทยประสบกับวิกฤติ
ทางเศรษฐกิจ อาจสงผลกระทบตออัตราดอกเบี้ยซื้อคืนเฉลี่ยทําใหอัตราดอกเบี้ยซื้อคืนเฉลี่ยมีการ
ผันผวนอยางมากหลังจากนั้นจนถึงประมาณไตรมาส 1 ป 2544 คาพยากรณอัตราดอกเบี้ยซื้อคืน
เฉลี่ยคอย ๆ ใกลเคียงคาจริงมากขึ้น ในชวงไตรมาสที่ 2 ป 2544 (ขอมูลลําดับที่ 51-53) จะเห็นวา
คาสังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ยสูงขึ้นอยางกระทันหัน ทําใหคาพยากรณอัตราดอกเบี้ยซื้อคืน
เฉลี่ยตางจากคาสังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ย หลังจากนั้นคาพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ย
ใหคาพยากรณใกลเคียงคาสังเกตอัตราดอกเบี้ยซื้อคืนเฉลี่ย ตัวแบบนี้ใหคา RMSE = 0.00442023
และคา MAPE = 0.07958274
ให α t เปนอนุกรมเวลาของสวนเหลือของการพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ยดวย
ตัวแบบขางตน α t = lnTBt-lnTBt-1 –0.49718279at-7 หรือ α t = TB∗t − 0. 49718279a t − 7
เนื่องจากอนุกรมเวลาภาวะเงินเฟอที่ใชในตัวแบบ Transfer Function จะตองเปน
อนุกรมเวลาที่ Stationary จากที่ไดกลาวมาแลววาอนุกรมเวลาภาวะเงินเฟอมีระดับไมคงที่
แตมีความแปรปรวนคงที่ดังนั้นจึงปรับใหเปนอนุกรมเวลาคงที่ โดยการหาผลตางอันดับ 1 คือ
 111

I ∗t = I t − I t −1 และเพื่อรักษาลักษณะความสัมพันธของอัตราดอกเบี้ยซื้อคืนเฉลี่ยกับภาวะเงินเฟอ
(I) ใหคงเดิมจะใชตัวแบบขางตนกับอนุกรมภาวะเงินเฟอแลวหาอนุกรมเวลาของสวนเหลือจากตัว
แบบ β t ดังนี้ β t = I t − I t − 1 − 0.49718279 β t − 7 หรือ β t = I ∗ t − 0. 49718279 β t − 7
หลังจากนั้นใชอนุกรมเวลา α และ β หาตัวแบบ Transfer Function โดยพิจารณา
ลักษณะของฟงกชันสหสัมพันธไขวระหวางอนุกรม α และ β แสดงในภาพที่ 37 จะเห็นวา CCF
ระหวางอนุกรม β และ α มีนัยสําคัญทางสถิติที่ระดับนัยสําคัญ 0.05 ที่ lag 6 และที่ lag -2
แตสําหรับตัวแบบ Transfer Function จะใชเฉพาะ lag ทางบวกเพราะทําภายใตขอสมมติวา α
สงผลกระทบตอ β (อีกนัยหนึ่ง x สงผลตอตัวแปร z) ดังนั้นผูวิจัยจึงพิจารณาเฉพาะที่ lag 6 ซึ่ง
แสดงวาอัตราดอกเบี้ยซื้อคืนเฉลี่ยจะสงผลตอภาวะเงินเฟอในอีก 6 เดือนขางหนา นั่นคือ b = 6
เพราะเปน lag แรกที่มีนัยสําคัญทางสถิติ r = 0 เพราะ CCF ไมมีรูป AR
h = 0 เพราะวาถัดจาก lag ที่ 6 ไมมี lag ใดมีนัยสําคัญทางสถิติ จึงลองพิจารณาตัวแบบที่มีคา
(b,r,h) = (6,0,0) ดังนั้นตัวแบบ Transfer Function คือ
I * t = ω0 TB* t − 6 + Noise Model (η t )
รูปแบบของ η t สามารถหาไดจากการพิจารณาตัวแบบ
ηt = I t − ν 0 TB t − ν1TB t −1 − ν 2 TB t − 2 − Κ − ν15TB t −15
Impulse Response Weights ; ν j j = 0,1,2,3,…,15 คํานวณไดดังนี้
σ
ˆβ
νj = ˆγ αβ ( j)
σ
ˆα
σ̂β คือสวนเบี่ยงเบนมาตรฐานของอนุกรม β และ σ̂ α คือสวนเบี่ยงเบนมาตรฐานของอนุกรม α
โดยคา σ̂β และคา σ̂ α ไดจากอนุกรม β และอนุกรม α ในตารางที่ 11
 112

Cross Correlations: β
α
Cross Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
-15 -.212 .151 . ****Ù .
-14 -.098 .149 . **Ù .
-13 -.016 .147 . * .
-12 -.154 .146 . ***Ù .
-11 -.134 .144 . ***Ù .
-10 -.068 .143 . *Ù .
-9 -.095 .141 . **Ù .
-8 .098 .140 . Ù** .
-7 .196 .139 . Ù**** .
-6 .087 .137 . Ù** .
-5 .084 .136 . Ù** .
-4 .213 .135 . Ù****.
-3 .121 .134 . Ù** .
-2 .399 .132 . Ù****.***
-1 .214 .131 . Ù****.
0 .012 .130 . * .
1 .061 .131 . Ù* .
2 .143 .132 . Ù*** .
3 -.103 .134 . **Ù .
4 -.076 .135 . **Ù .
5 -.247 .136 *****Ù .
6 -.337 .137 **.****Ù .
7 -.170 .139 . ***Ù .
8 -.189 .140 . ****Ù .
9 -.218 .141 . ****Ù .
10 -.152 .143 . ***Ù .
11 -.144 .144 . ***Ù .
12 -.028 .146 . *Ù .
13 .016 .147 . * .
14 -.091 .149 . **Ù .
15 -.083 .151 . **Ù .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 59 Computable 0-order correlations: 59

ภาพที่ 37 CCF ระหวาง β และ α

 113

ตารางที่ 11 คาของอนุกรม α และ β

t α β t α β t α β
1 0 0 21 -0.14795 -0.00747 41 -0.02817 0.00119
2 0 0 22 0.05794 -0.00549 42 0.00079 -0.00056
3 0 0 23 -0.17059 -0.00451 43 -0.02496 0.00494
4 0 0 24 -0.15612 0.00299 44 0.02297 0.00306
5 0 0 25 0.11294 0.0005 45 -0.00288 -0.00438
6 0 0 26 -0.00106 -0.00127 46 -0.014 0.00268
7 0 0 27 -0.05372 -0.00128 47 0.06866 0.00015
8 0.42173 0.004 28 -0.01699 -0.00029 48 0.014 0.00141
9 -0.35425 0.008 29 -0.11404 0.00173 49 -0.01551 0.00628
10 0.06438 0.008 30 0.05593 0.00424 50 -0.03435 -0.00245
11 0.25706 0 31 -0.02652 0.00251 51 -0.01142 0.00548
12 0.05863 0.011 32 -0.06432 0.00075 52 -0.02007 0.00618
13 -0.09535 0.007 33 0.00053 0.00263 53 0.26849 -0.00433
14 0.01623 0.011 34 0.02671 0.00163 54 0.05008 -0.00008
15 -0.32047 0.00501 35 0.00845 0.00314 55 -0.02247 -0.0017
16 0.00322 0.00102 36 0.04017 0.00214 56 0.01161 -0.00012
17 0.05061 0.00202 37 -0.03618 0.00189 57 0.01318 -0.00378
18 -0.34213 0.001 38 0.02571 -0.00125 58 0.00568 -0.00472
19 -0.26457 -0.00147 39 -0.00178 -0.00337 59 -0.01774 -0.00607
20 -0.25867 -0.00548 40 -0.13809 -0.00031 60

ซึ่งคา σ̂β = 0.003962 และคา σ̂ α = 0.127913

คา ν k ตัวอื่น ๆ คํานวณในทํานองเดียวกัน ดังแสดงในตารางที่ 12
คา γ̂ αβ ( j) , j = 0,1,2,3,…,15 ไดจากคอลัมนที่ 2 ในภาพที่ 37
 114

ตารางที่ 12 คา Impulse Response Weights ν 0 ถึง ν15

k νk k νk k νk k νk
0 0.000372 4 -0.00235 8 -0.00585 12 -0.00087
1 0.001889 5 -0.00765 9 -0.00675 13 0.000496
2 0.004429 6 -0.01044 10 -0.00471 14 -0.00282
3 -0.00319 7 -0.00527 11 -0.00446 15 -0.00257

คา η t ที่ไดจากการคํานวณ โดยใชคาน้ําหนักทั้งหมด 16 คา คือ ν 0 ถึง ν15 เนื่องจาก

จํานวนขอมูลอัตราดอกเบี้ยซื้อคืนเฉลี่ยและภาวะเงินเฟอทั้งหมด 59 คาสูญเสียขอมูล 15 คาในการ
คํานวณ η t ตัวแรก ดังนั้นจํานวนขอมูลในอนุกรมเวลา η t มีทั้งหมด 44 คา
η1 = 0.005- (0.000372)(-0.17291)-( 0.001889)(-0.11079) - … -(-0.00257)(0.250774)
= 0.009437
คา η t ตัวอื่น ๆ คํานวณในทํานองเดียวกันแสดงในตารางที่ 13 นําคา η t ไปหาตัวแบบ
โดยวิธี Box- Jenkins

ตารางที่ 13 คา η t ที่ไดจากการคํานวณ

t ηt t ηt t ηt t ηt
1 0.00944 12 -0.01175 23 -0.00344 34 0.00487
2 0.01043 13 -0.01124 24 -0.00525 35 -0.00082
3 0.00301 14 -0.00906 25 -0.00084 36 0.00631
4 0.00518 15 -0.00619 26 0.00052 37 0.00393
5 -0.00024 16 -0.0026 27 0.00009 38 -0.00327
6 -0.0025 17 -0.00596 28 0.00488 39 -0.00069
7 -0.00237 18 -0.00478 29 0.00308 40 -0.00319
8 -0.00697 19 -0.00594 30 -0.00687 41 0.0028
9 -0.00315 20 -0.00295 31 -0.00111 42 -0.00461
10 -0.00514 21 -0.00188 32 -0.00113 43 -0.00048
11 -0.00876 22 -0.00058 33 0.00102 44 -0.00007
 115

.02

.01

0.00

-.01
NT

-.02
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43

Sequence number

ภาพที่ 38 η t กับเวลา

จากภาพที่ 38 จะเห็นวา η t มีระดับของคาสังเกตคงที่ การกระจายของขอมูลคอนขาง

สม่ําเสมอซึ่งอยูในชวง (-0.01- 0.01) ดังนั้นอนุกรมเวลานาจะมีความแปรปรวนคงที่ และจากการ
พิจารณา ACF ของอนุกรมเวลา η t ในภาพที่ 39 พบวาฟงกชันสหสัมพันธในตัวเองของอนุกรม
เวลา η t ลดลงอยางรวดเร็วแสดงวาอนุกรมเวลาของ η t Stationary ซึ่งคาประมาณสัมประสิทธิ์สห
สัมพันธในตัวเองหลัง lag ที่ 1 ลดลงแบบเอกโปเนนเชียล และเมื่อพิจารณาประกอบกับคาประมาณ
สัมประสิทธิ์สหสัมพันธในตัวเองบางสวนในภาพที่ 40 cut off หลัง lag ที่ 1 ดังนั้นตัวแบบที่นา
เปนไปไดคือ (1 − φ1 B )η t = a t โดยมีคาประมาณพารามิเตอรของตัวแบบเปนดังนี้
φ̂1 = 0.70561459 แสดงในตารางที่ 14
 116

Autocorrelations: ηt
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .619 .146 . Ù*****.****** 18.007 .000
2 .464 .144 . Ù*****.*** 28.391 .000
3 .356 .142 . Ù*****.* 34.658 .000
4 .174 .141 . Ù*** . 36.183 .000
5 .200 .139 . Ù**** . 38.263 .000
6 .084 .137 . Ù** . 38.635 .000
7 .059 .135 . Ù* . 38.822 .000
8 -.014 .133 . * . 38.834 .000
9 -.168 .132 . ***Ù . 40.468 .000
10 -.251 .130 *****Ù . 44.206 .000
11 -.257 .128 *****Ù . 48.258 .000
12 -.196 .126 .****Ù . 50.695 .000
13 -.214 .124 .****Ù . 53.682 .000
14 -.231 .122 *****Ù . 57.276 .000
15 -.211 .120 .****Ù . 60.373 .000
16 -.215 .118 .****Ù . 63.729 .000
17 -.224 .115 .****Ù . 67.480 .000
18 -.139 .113 . ***Ù . 68.995 .000
19 -.123 .111 . **Ù . 70.210 .000
20 -.166 .109 .***Ù . 72.543 .000
21 -.171 .107 .***Ù . 75.121 .000
22 -.204 .104 ****Ù . 78.955 .000
23 -.166 .102 .***Ù . 81.611 .000
24 -.075 .099 . **Ù . 82.183 .000
25 -.026 .097 . *Ù . 82.256 .000
26 -.029 .094 . *Ù . 82.347 .000
27 .052 .092 . Ù* . 82.671 .000
28 -.068 .089 . *Ù . 83.254 .000
29 -.076 .086 .**Ù . 84.039 .000
30 .044 .083 . Ù* . 84.316 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 44 Computable first lags: 43

ภาพที่ 39 ACF ของอนุกรมเวลา η t

 117

Partial Autocorrelations: ηt
Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .619 .151 . Ù*****.******
2 .132 .151 . Ù*** .
3 .042 .151 . Ù* .
4 -.153 .151 . ***Ù .
5 .168 .151 . Ù*** .
6 -.130 .151 . ***Ù .
7 .045 .151 . Ù* .
8 -.139 .151 . ***Ù .
9 -.156 .151 . ***Ù .
10 -.172 .151 . ***Ù .
11 .069 .151 . Ù* .
12 .067 .151 . Ù* .
13 -.095 .151 . **Ù .
14 -.097 .151 . **Ù .
15 .009 .151 . * .
16 -.014 .151 . * .
17 -.086 .151 . **Ù .
18 .090 .151 . Ù** .
19 -.103 .151 . **Ù .
20 -.192 .151 . ****Ù .
21 -.069 .151 . *Ù .
22 -.015 .151 . * .
23 -.043 .151 . *Ù .
24 .061 .151 . Ù* .
25 .034 .151 . Ù* .
26 -.150 .151 . ***Ù .
27 .119 .151 . Ù** .
28 -.233 .151 .*****Ù .
29 -.006 .151 . * .
30 .056 .151 . Ù* .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 44 Computable first lags: 43

ภาพที่ 40 PACF ของอนุกรมเวลา η t

 118

ตารางที่ 14 คาประมาณพารามิเตอรของตัวแบบ (1 − φ1 B )η t = a t

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 43 .00060908 .00001394

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .70561459 .10490439 6.7262639 .00000002

จากตารางที่ 14 พบวา φ1 มีนัยสําคัญทางสถิติที่ระดับ 0.05 ดังนั้นตัวแบบเปน

η t = 0 . 70561459 η t − 1 + a t
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนจากตัวแบบนี้โดยใช ACF และ
PACF ของสวนเหลือที่ไดจากตัวแบบ η t = 0 . 70561459 η t − 1 + a t แสดงในภาพที่ 41 พบวาที่
ทุก ๆ lag คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองของสวนเหลือที่ไดจากตัวแบบ
η t = 0 . 70561459 η t − 1 + a t ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัว
แบบนี้ ไมมีสหสัมพันธกัน
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยตัวสถิติ Box – Ljung
ในภาพที่ 41 พบวามีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ ไมมีสห
สัมพันธกัน
 119

Autocorrelations: Error for ηt

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.183 .146 . ****Ù . 1.581 .209
2 .024 .144 . * . 1.609 .447
3 .123 .142 . Ù** . 2.354 .502
4 -.205 .141 . ****Ù . 4.487 .344
5 .196 .139 . Ù**** . 6.486 .262
6 -.092 .137 . **Ù . 6.935 .327
7 .064 .135 . Ù* . 7.158 .413
8 .089 .133 . Ù** . 7.599 .474
9 -.091 .132 . **Ù . 8.082 .526
10 -.123 .130 . **Ù . 8.986 .533
11 -.099 .128 . **Ù . 9.591 .567
12 .072 .126 . Ù* . 9.915 .623
13 -.030 .124 . *Ù . 9.975 .696
14 -.071 .122 . *Ù . 10.314 .739
15 -.019 .120 . * . 10.339 .798
16 -.021 .118 . * . 10.370 .847

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 44 Computable first lags: 43

Partial Autocorrelations: Error for ηt

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.183 .151 . ****Ù .
2 -.010 .151 . * .
3 .130 .151 . Ù*** .
4 -.168 .151 . ***Ù .
5 .138 .151 . Ù*** .
6 -.052 .151 . *Ù .
7 .087 .151 . Ù** .
8 .047 .151 . Ù* .
9 -.003 .151 . * .
10 -.224 .151 . ****Ù .
11 -.130 .151 . ***Ù .
12 .054 .151 . Ù* .
13 .006 .151 . * .
14 -.108 .151 . **Ù .
15 -.067 .151 . *Ù .
16 .013 .151 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 44 Computable first lags: 43

ภาพที่ 41 ACF และ PACF ของสวนเหลือจากการพยากรณของอนุกรมเวลา η t

โดยวิธีBox- Jenkins
 120

.0 2

.0 1

0 .0 0

- .0 1
Error for ηt

- .0 2
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43

S equence num ber

ภาพที่ 42 สวนเหลือจากการพยากรณ η t กับเวลา

จากภาพที่ 42 พบวาสวนเหลือที่ไดจากการพยากรณของอนุกรมเวลา η t มีลักษณะ

ผันแปรอยางสุมรอบคาศูนย และการกระจายของคาเหลานี้มีลักษณะสม่ําเสมอ ดังนั้นจึงกลาวไดวา
ความคลาดเคลื่อนจากตัวแบบนี้มีความแปรปรวนคงที่
at
เมื่อรวมตัวแบบ Transfer Function I ∗t = ω0 TB∗ t − 6 กับ ตัวแบบ Noise η t =
1 − φ1 B
at
โดยที่ I ∗t = I t − I t −1 , TB∗t = ln TB t − ln TB t −1 จะไดตัวแบบ I ∗t = ω0 TB∗ t − 6 +
1 − φ1 B
I ∗t - φ1 I ∗ t −1 = ω0 TB∗ t − 6 - ω0 φ1TB ∗ t − 7 + a t
ดังนั้นตัวแบบที่นาเปนไปไดคือ I ∗t - φ1 I ∗ t −1 = ω0 TB∗ t − 6 - ω1TB ∗t − 7 + a t เมื่อ
ω1 = ω0 φ1 โดยมีคาประมาณพารามิเตอรเปนดังนี้ φ̂1 = 0.52598088, ω̂0 =0.00132437,
ω̂1 =0.00025997 ซึ่งแสดงในตารางที่ 15
 121

ตารางที่ 15 คาประมาณพารามิเตอรของตัวแบบ I ∗t - φ1 I ∗ t −1 = ω0 TB∗ t − 6 - ω1TB∗ t − 7 + a t

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 49 .00069801 .00001416

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .52598088 .12081130 4.3537390 .00006798

TB t − 6 .00132437 .00286242 .4626732 .64564682
TB t − 7 .00025997 .00277000 .0938533 .92560838

จากตารางที่ 15 พบวา ω0 และ ω1 ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 ดังนั้นจึงปรับ

ตัวแบบเปน I *t = φ1 I *t − 1 + a t ไดคาประมาณ φ̂1 = 0.48090966 ซึ่งคาประมาณพารามิเตอร
แสดงในตารางที่ 16

ตารางที่ 16 คาประมาณพารามิเตอรของตัวแบบ I *t = φ1 I *t − 1 + a t

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 58 .00125776 .00002159

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .48090966 .11470113 4.1927196 .00009539

จากภาพที่ 43 ACF, PACF ของสวนเหลือที่ไดจากการพยากรณภาวะเงินเฟอ จะเห็นวา

คาประมาณสัมประสิทธิ์สหสัมพันธในตัวเองหลัง lag ที่ 5 ลดลงแบบเอกโปเนนเชียล และคา
ประมาณสัมประสิทธิ์สหสัมพันธในตัวเองบางสวน cut off หลัง lag ที่ 5 ดังนั้นจึงปรับตัวแบบ
เปน ⎛⎜ 1 − φ1 B − φ5 B 5 ⎞⎟(1 − B )I t = a t โดยมีคาประมาณพารามิเตอรของตัวแบบดังนี้
⎝ ⎠
φ̂1 = 0.38413301, φ̂ 5 = 0.38419358 ซึ่งแสดงในตารางที่ 17
 122

Autocorrelations: Error for I

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.217 .127 .****Ù . 2.914 .088
2 .110 .126 . Ù** . 3.678 .159
3 .203 .125 . Ù****. 6.330 .097
4 -.276 .124 *.****Ù . 11.300 .023
5 .367 .122 . Ù****.** 20.287 .001
6 -.028 .121 . *Ù . 20.341 .002
7 .150 .120 . Ù*** . 21.901 .003
8 .016 .119 . * . 21.919 .005
9 -.085 .118 . **Ù . 22.439 .008
10 .046 .117 . Ù* . 22.595 .012
11 -.102 .115 . **Ù . 23.376 .016
12 .157 .114 . Ù*** . 25.261 .014
13 -.109 .113 . **Ù . 26.192 .016
14 -.081 .112 . **Ù . 26.722 .021
15 -.047 .111 . *Ù . 26.903 .030
16 -.125 .109 . **Ù . 28.202 .030

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

Partial Autocorrelations: Error for I

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.217 .130 .****Ù .
2 .066 .130 . Ù* .
3 .253 .130 . Ù*****
4 -.213 .130 .****Ù .
5 .264 .130 . Ù*****
6 .099 .130 . Ù** .
7 .227 .130 . Ù*****
8 -.141 .130 . ***Ù .
9 -.001 .130 . * .
10 -.134 .130 . ***Ù .
11 -.038 .130 . *Ù .
12 .021 .130 . * .
13 -.077 .130 . **Ù .
14 -.157 .130 . ***Ù .
15 -.116 .130 . **Ù .
16 .007 .130 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

ภาพที่ 43 ACF และ PACF ของสวนเหลือจากการพยากรณภาวะเงินเฟอโดยวิธี Box-Jenkins

ที่ไดจากตัวแบบ Transfer Function

ตารางที่ 17 คาประมาณพารามิเตอรของตัวแบบ ⎛⎜ 1 − φ1 B − φ 5 B 5 ⎞⎟(1 − B )I t = a t ที่ไดจาก

⎝ ⎠
ตัวแบบ Transfer Function
 123

Analysis of Variance:

DF Adj. Sum of Squares Residual Variance

Residuals 57 .00102304 .00001758

Variables in the Model:

B SEB T-RATIO APPROX. PROB.

AR1 .38413301 .10451525 3.6753775 .00052666

AR5 .38419358 .10657380 3.6049534 .00065728

จากตารางที่ 17 พบวา φ1 และ φ5 มีนัยสําคัญทางสถิติที่ระดับ 0.05 ดังนั้นตัวแบบ

พยากรณภาวะเงินเฟอเปน
I t − 1. 38413301 I t − 1 + 0. 38413301 I t − 2 − 0. 38419358 I t − 5 + 0. 38419358 I t − 6 = a t
จะเห็นวาตัวแบบที่ไดเหมือนกับตัวแบบ ARIMA และคาพารามิเตอรของอัตราดอกเบี้ย
ซื้อคืนเฉลี่ยรายเดือนไมมีนัยสําคัญตอการพยากรณภาวะเงินเฟอ
ผลการตรวจสอบสหสัมพันธของความคลาดเคลื่อนจากตัวแบบนี้โดยใช ACF และ
PACF ของสวนเหลือที่ไดจากตัวแบบ แสดงในภาพที่ 44 พบวาที่ทุก ๆ lag คาประมาณ
สัมประสิทธิ์สหสัมพันธในตัวเองของความคลาดเคลื่อนที่ไดจากตัวแบบไมมีนัยสําคัญทางสถิติที่
ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไมมีสหสัมพันธกัน
จากการตรวจสอบสหสัมพันธของความคลาดเคลื่อนโดยรวมดวยตัวสถิติ Box – Ljung
ในภาพที่ 44 พบวาไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไม
มีสหสัมพันธกัน
 124

Autocorrelations: Error for I

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.056 .127 . *Ù . .193 .660
2 .072 .126 . Ù* . .521 .771
3 .237 .125 . Ù***** 4.145 .246
4 -.193 .124 .****Ù . 6.591 .159
5 .087 .122 . Ù** . 7.094 .214
6 -.002 .121 . * . 7.094 .312
7 .107 .120 . Ù** . 7.889 .342
8 -.002 .119 . * . 7.889 .444
9 .029 .118 . Ù* . 7.950 .539
10 -.043 .117 . *Ù . 8.087 .620
11 -.146 .115 . ***Ù . 9.681 .559
12 .034 .114 . Ù* . 9.771 .636
13 -.229 .113 *****Ù . 13.887 .382
14 -.125 .112 . **Ù . 15.130 .369
15 -.065 .111 . *Ù . 15.471 .418
16 -.111 .109 . **Ù . 16.501 .419

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

Partial Autocorrelations: Error for I

Pr-Aut- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.056 .130 . *Ù .
2 .069 .130 . Ù* .
3 .247 .130 . Ù*****
4 -.181 .130 .****Ù .
5 .036 .130 . Ù* .
6 -.026 .130 . *Ù .
7 .205 .130 . Ù****.
8 -.070 .130 . *Ù .
9 .041 .130 . Ù* .
10 -.144 .130 . ***Ù .
11 -.077 .130 . **Ù .
12 -.011 .130 . * .
13 -.171 .130 . ***Ù .
14 -.163 .130 . ***Ù .
15 -.107 .130 . **Ù .
16 .009 .130 . * .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 58

ภาพที่ 44 ACF และ PACF ของสวนเหลือจากการพยากรณที่ไดจากตัวแบบ Transfer Function

 125

.03

.02

.01

0.00
Error for I

-.01
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 45 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาที่ไดจากตัวแบบ Transfer Function

จากภาพที่ 45 พบวาสวนเหลือที่ไดจากการพยากรณภาวะเงินเฟอ มีลักษณะผันแปร

อยางสุมรอบคาศูนย แสดงวาคาเฉลี่ยเทากับศูนย ยกเวนในชวงกลางป 2540 สวนเหลือในลําดับที่
8 มีคาสูงผิดปกติกวาสวนเหลือตัวอื่น ๆ แสดงวาที่เดือนสิงหาคม 2540 คาพยากรณที่ไดต่ํากวาคา
สังเกต และการกระจายของคาเหลานี้มีลักษณะสม่ําเสมอ ดังนั้นจึงกลาวไดวาความคลาดเคลื่อน
จากตัวแบบนี้มีความแปรปรวนคงที่
 126

Cross Correlations: αt
ˆa t
Cross Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
-15 .076 .186 . Ù** .
-14 -.187 .183 . ****Ù .
-13 .077 .180 . Ù** .
-12 .087 .177 . Ù** .
-11 .032 .174 . Ù* .
-10 .376 .171 . Ù******.*
-9 .106 .169 . Ù** .
-8 -.006 .167 . * .
-7 .347 .164 . Ù*******
-6 .138 .162 . Ù*** .
-5 -.032 .160 . *Ù .
-4 .074 .158 . Ù* .
-3 -.012 .156 . * .
-2 .091 .154 . Ù** .
-1 .093 .152 . Ù** .
0 -.161 .151 . ***Ù .
1 -.030 .152 . *Ù .
2 -.066 .154 . *Ù .
3 .020 .156 . * .
4 -.087 .158 . **Ù .
5 -.135 .160 . ***Ù .
6 .024 .162 . * .
7 -.181 .164 . ****Ù .
8 -.024 .167 . * .
9 -.014 .169 . * .
10 -.072 .171 . *Ù .
11 .064 .174 . Ù* .
12 -.013 .177 . * .
13 -.288 .180 .******Ù .
14 .108 .183 . Ù** .
15 .060 .186 . Ù* .

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 44 Computable 0-order correlations: 44

ภาพที่ 46 CCF ระหวาง α t และ ˆa t

 127

จากการตรวจสอบ CCF ระหวาง α t และ ˆa t ดวยตัวสถิติ Q0 ในภาพที่ 46 พบวาคา

ประมาณสัมประสิทธิ์สหสัมพันธไขวระหวาง α t กับ ˆa t ที่ lag ทางดานบวกมีคานอยกวา 2SE
ทุกคาแตที่ lag ทางดานลบมีคาประมาณสัมประสิทธิ์สหสัมพันธไขวที่ lag –10 และlag –7 มีนัย
สําคัญทางสถิติที่ระดับ 0.05 อนุกรม α t และ ˆa t มีสหสัมพันธกันที่ lag ทางดานลบ ซึ่งแสดงวา
เปนความสัมพันธยอนกลับจากภาวะเงินเฟอสงไปยังอัตราดอกเบี้ยซึ่งสอดคลองกับภาพที่ 37 ซึ่ง
แสดงใหเห็นวาคาประมาณสัมประสิทธิ์สหสัมพันธไขวของ β กับ α มีนัยสําคัญที่ lag ทางบวก
(lag ที่ 6) และ lag ทางลบ (lag ที่-2) แสดงวา β สงผลกระทบตอ α และ α ก็สงผลกระทบตอ
β เชนกัน (อีกนัยหนึ่ง อัตราดอกเบี้ยสงผลกระทบตอภาวะเงินเฟอ และภาวะเงินเฟอสงผลกระทบ
ตออัตราดอกเบี้ย)
ตัวแบบ Transfer Function เปนตัวแบบที่พิจารณาทางดานเดียวคือพิจารณาเฉพาะ
ความสัมพันธวาอัตราดอกเบี้ยสงผลตอภาวะเงินเฟอเพียงดานเดียว ในกรณีที่ตัวแปรมีความ
สัมพันธซึ่งกันและกันควรใชตัวแบบ VAR ซึ่งจะกลาวตอไปในหัวขอถัดไป

1.1

1.0

.9

.8 Fit for I
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69

Sequence number

ภาพที่ 47 คาสังเกตภาวะเงินเฟอกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางที่ไดจากตัวแบบ Transfer Function
 128

จากภาพที่ 47 จะเห็นวาสําหรับการพยากรณภายในชวงตัวอยางระหวางเดือนมกราคม
2540 ถึง ธันวาคม 2544 คาสังเกตภาวะเงินเฟอมีคาใกลเคียงกับคาพยากรณภาวะเงินเฟอแสดงวา
ภาวะเงินเฟอสามารถที่จะพยากรณภาวะเงินไดดี โดยใหคา RMSE = 0.00426 และ
คา MAPE = 0.29987
สําหรับการพยากรณนอกชวงตัวอยาง คือใชคาพยากรณระหวางเดือนมกราคม 2545
ถึง ธันวาคม 2545 คาพยากรณภาวะเงินเฟอไดมีแนวโนมลดลงและต่ํากวาคาสังเกตภาวะเงินเฟอ
ในขณะที่คาสังเกตภาวะเงินเฟอจริงมีแนวโนมสูงขึ้น (คาของขอมูลแสดงไวในภาคผนวก ข)
โดยใหคา RMSE = 0.020616 และคา MAPE = 1.673535

ตัวแบบ VAR (Vector Autoregressive Model)

ในการกําหนดตัวแบบ VAR สําหรับพยากรณภาวะเงินเฟอในงานวิจัยนี้ใชอนุกรมเวลา
ของตัวแปรตอไปนี้ คือ ภาวะเงินเฟอ (I) อัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) ปริมาณเงินตามความ
หมายแคบ (M1) ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude) ปริมาณเงินตามความหมายกวาง
(M2) และมูลคาสินคานําเขา (Import) เนื่องจากอนุกรมเวลาที่ใชในการวิเคราะหจะตองเปนอนุกรม
เวลาแบบ Stationary จึงตองตรวจสอบและปรับใหอนุกรมเวลาเหลานี้เปนอนุกรมเวลาแบบ
Stationary กอน การตรวจสอบและการแปลงอนุกรมเวลาภาวะเงินเฟอใหเปนอนุกรมเวลาแบบ
Stationary ไดกลาวไวแลวในหัวขอตัวแบบ ARIMA สวนการตรวจสอบและการแปลงอนุกรม
เวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ยรายเดือนใหเปนอนุกรมเวลาแบบ Stationary ไดกลาวไวแลวในหัว
ขอตัวแบบ Transfer Function
จากกราฟของขอมูลปริมาณเงินตามความหมายแคบรายเดือนในภาพที่ 3 (สวนที่ 1)
ซึ่งแสดงลักษณะปริมาณเงินตามความหมายแคบรายเดือน จะเห็นวาปริมาณเงินตามความหมาย
แคบรายเดือนมีลักษณะกวัดแกวงในชวงแคบในชวงแรกจนกระทั่งปลายป 2542 หลังจากนั้นมีแนว
โนมสูงขึ้นอยางชัดเจนและลดลงในชวงตนป 2543 จนถึงปลายป 2543 หลังจากนั้นมีแนวโนมสูง
ขึ้น แสดงวาระดับคาสังเกตไมคงที่ และการกระจายของปริมาณเงินตามความหมายแคบรายเดือน
สม่ําเสมอแสดงวาอนุกรมเวลานาจะมีความแปรปรวนคงที่ และจากการพิจารณา ACF ของอนุกรม
เวลาปริมาณเงินตามความหมายแคบรายเดือนในภาพที่ 48 พบวาฟงกชันสหสัมพันธในตัวเองของ
ปริมาณเงินตามความหมายแคบรายเดือนลดลงอยางชา ๆ แสดงวาอนุกรมเวลาปริมาณเงินตาม
ความหมายแคบรายเดือนเปนแบบ Non – stationary จึงแปลงอนุกรมเวลาโดยการหาผลตางอันดับ
1 เพื่อปรับใหเปนอนุกรมเวลาแบบ Stationary ในภาพที่ 49 แสดงอนุกรมเวลาของผลตาง
อันดับ1 ของปริมาณเงินตามความหมายแคบรายเดือน เมื่อพิจารณา ACF ของอนุกรมเวลาของผล
 129

ตางอันดับ 1 ของปริมาณเงินตามความหมายแคบรายเดือนในภาพที่ 50 พบวาฟงกชันสหสัมพันธ

ในตัวเองของปริมาณเงินตามความหมายแคบรายเดือนมีลักษณะลดลงอยางรวดเร็วแสดงวาอนุกรม
เวลาของผลตางอันดับ1 ของปริมาณเงินตามความหมายแคบรายเดือนเปนแบบ Stationary

Autocorrelations: M1

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .859 .126 . Ù****.************ 46.577 .000
2 .805 .125 . Ù****.*********** 88.182 .000
3 .726 .124 . Ù****.********** 122.617 .000
4 .647 .123 . Ù****.******** 150.405 .000
5 .593 .122 . Ù****.******* 174.181 .000
6 .555 .120 . Ù****.****** 195.391 .000
7 .533 .119 . Ù****.****** 215.360 .000
8 .529 .118 . Ù****.****** 235.358 .000
9 .512 .117 . Ù****.***** 254.477 .000
10 .501 .116 . Ù****.***** 273.175 .000
11 .468 .115 . Ù****.**** 289.777 .000
12 .432 .114 . Ù****.**** 304.240 .000
13 .360 .112 . Ù***.*** 314.515 .000
14 .319 .111 . Ù***.** 322.753 .000
15 .216 .110 . Ù**** 326.604 .000
16 .173 .109 . Ù***. 329.128 .000
17 .113 .108 . Ù** . 330.227 .000
18 .044 .106 . Ù* . 330.401 .000
19 .047 .105 . Ù* . 330.601 .000
20 .028 .104 . Ù* . 330.675 .000
21 .013 .102 . * . 330.691 .000
22 .008 .101 . * . 330.697 .000
23 -.046 .100 . *Ù . 330.910 .000
24 -.072 .098 . *Ù . 331.448 .000
25 -.193 .097 ****Ù . 335.424 .000
26 -.250 .096 *.***Ù . 342.269 .000
27 -.288 .094 **.***Ù . 351.589 .000
28 -.313 .093 **.***Ù . 362.972 .000
29 -.351 .091 ***.***Ù . 377.764 .000
30 -.352 .090 ***.***Ù . 393.129 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 48 ACF ของอนุกรมเวลาปริมาณเงินตามความหมายแคบรายเดือน

130

ภาพที่ 49 ผลตางอันดับ 1ของอนุกรมเวลาของปริมาณเงินตามความหมายแคบรายเดือน

01
20
T
C
O 001
2
L 1
JU 200
R
AP 0 0 1
2
N 0
JA 00
2
T
C
O 00
20
L 0
JU 00
2
R
AP 0 0 0
2
N 9
JA 199
T
C
O 99
19
L 9
JU 99
1
R
AP 9 9
19
N 8
JA 99
1
T
C 98
O
19
L 8
JU 99
1
R
AP 9 9 8

Transforms: difference (1)

1
N 7
JA 99
1
T
C
O 997
1
L 7
JU 199
R
AP

Date
0
200000

100000

-100000
M1
 131

Autocorrelations: M1

Transformations: difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.334 .127 **.****Ù . 6.907 .009
2 .114 .126 . Ù** . 7.726 .021
3 .013 .125 . * . 7.737 .052
4 -.100 .124 . **Ù . 8.385 .078
5 -.096 .122 . **Ù . 9.000 .109
6 -.103 .121 . **Ù . 9.716 .137
7 -.085 .120 . **Ù . 10.219 .177
8 -.035 .119 . *Ù . 10.304 .244
9 -.011 .118 . * . 10.312 .326
10 .134 .117 . Ù*** . 11.632 .310
11 .024 .115 . * . 11.677 .388
12 .207 .114 . Ù****. 14.944 .245
13 -.080 .113 . **Ù . 15.446 .280
14 .140 .112 . Ù***. 17.021 .255
15 -.137 .111 .***Ù . 18.561 .234
16 .073 .109 . Ù* . 19.008 .268
17 .023 .108 . * . 19.053 .326
18 -.311 .107 **.***Ù . 27.548 .069
19 .064 .105 . Ù* . 27.919 .085
20 -.106 .104 . **Ù . 28.949 .089
21 -.067 .103 . *Ù . 29.380 .105
22 .191 .101 . Ù**** 32.940 .063
23 -.093 .100 . **Ù . 33.805 .068
24 .242 .099 . Ù***.* 39.830 .022
25 -.015 .097 . * . 39.854 .030
26 .005 .096 . * . 39.857 .040
27 -.028 .094 . *Ù . 39.945 .052
28 .078 .093 . Ù** . 40.651 .058
29 -.156 .091 .***Ù . 43.564 .040
30 -.080 .090 . **Ù . 44.362 .044

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 50 ACF ของผลตางอันดับ 1ของอนุกรมเวลาปริมาณเงินตามความหมายแคบรายเดือน

จากกราฟของขอมูลราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกรายเดือนในภาพที่ 4 ของ
(สวนที่ 1) ซึ่งแสดงลักษณะราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกรายเดือน จะเห็นวาราคาเฉลี่ย
น้ํามันดิบในตลาดทั่วโลกรายเดือนในชวงแรกมีแนวโนมลดลงจนถึงปลายป 2542 หลังจากนั้นมี
แนวโนมสูงขึ้นอยางชัดเจนจนถึงปลายป 2543 หลังจากนั้นมีแนวโนมลดลง แสดงวาระดับของ
คาสังเกตไมคงที่ และการกระจายของราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลกรายเดือนสม่ําเสมอ
แสดงวาอนุกรมเวลานาจะมีความแปรปรวนคงที่ และจากการพิจารณา ACF ของราคาเฉลี่ย
น้ํามันดิบในตลาดทั่วโลกรายเดือน ในภาพที่ 51 พบวาฟงกชันสหสัมพันธในตัวเองของราคาเฉลี่ย
น้ํามันดิบในตลาดทั่วโลกรายเดือนลดลงอยางชา ๆ แสดงวาอนุกรมเวลาราคาเฉลี่ยน้ํามันดิบใน
ตลาดทั่วโลกเปนแบบ Non – stationary จึงแปลงอนุกรมเวลาโดยการหาผลตางอันดับ 1 ใหเปน
อนุกรมเวลาแบบ Stationary ในภาพที่ 52 แสดงอนุกรมเวลาของผลตางอันดับ1 ของราคาเฉลี่ย
 132

น้ํามันดิบในตลาดทั่วโลก เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของราคาเฉลี่ย

น้ํามันดิบในตลาดทั่วโลกในภาพที่ 53 พบวาฟงกชันสัมประสิทธิ์สหสัมพันธในตัวเองมีลักษณะลด
ลงอยางรวดเร็วแสดงวาอนุกรมเวลาของผลตางอันดับ1 ของราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก
เปนแบบ Stationary
Autocorrelations: Crude

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .948 .126 . Ù****.************** 56.674 .000
2 .891 .125 . Ù****.************* 107.575 .000
3 .840 .124 . Ù****.************ 153.652 .000
4 .783 .123 . Ù****.*********** 194.357 .000
5 .720 .122 . Ù****.********* 229.421 .000
6 .666 .120 . Ù****.******** 259.942 .000
7 .609 .119 . Ù****.******* 285.962 .000
8 .552 .118 . Ù****.****** 307.750 .000
9 .485 .117 . Ù****.***** 324.881 .000
10 .411 .116 . Ù****.*** 337.432 .000
11 .322 .115 . Ù****.* 345.308 .000
12 .212 .114 . Ù****. 348.804 .000
13 .102 .112 . Ù** . 349.620 .000
14 .015 .111 . * . 349.639 .000
15 -.068 .110 . *Ù . 350.021 .000
16 -.143 .109 .***Ù . 351.760 .000
17 -.208 .108 ****Ù . 355.506 .000
18 -.260 .106 *.***Ù . 361.516 .000
19 -.314 .105 **.***Ù . 370.469 .000
20 -.358 .104 ***.***Ù . 382.390 .000
21 -.392 .102 ****.***Ù . 397.043 .000
22 -.411 .101 ****.***Ù . 413.590 .000
23 -.432 .100 *****.***Ù . 432.357 .000
24 -.441 .098 *****.***Ù . 452.482 .000
25 -.449 .097 *****.***Ù . 473.945 .000
26 -.456 .096 *****.***Ù . 496.701 .000
27 -.454 .094 *****.***Ù . 519.977 .000
28 -.440 .093 *****.***Ù . 542.447 .000
29 -.424 .091 ****.***Ù . 564.067 .000
30 -.399 .090 ****.***Ù . 583.851 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 51 ACF ของราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก

133

ภาพที่ 52 ผลตางอันดับ 1 ของอนุกรมเวลาราคาเฉลี่ยน้ํามันดิบทั่วโลกรายเดือนกับเวลา

01
20
T
C
O 01
20
L
J U 001
2
R
A P 01
20
N
JA 00
20
T
C
O 00
20
L
J U 000
2
R
AP 0 0
20
N
JA 99
19
T
C
O 99
19
L
J U 999
1
R
A P 99
19
N
JA 98
19
T
C
O 98
19
L
J U 998
1
R
A P 98
19
N

Transforms: difference (1)

JA 97
19
T
C
O 97
19
L
J U 997
1
R
AP

Date
6

-2

-4

-6

-8
Crude
 134

Autocorrelations: Crude

Transformations: difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .094 .127 . Ù** . .549 .459
2 -.049 .126 . *Ù . .699 .705
3 .142 .125 . Ù*** . 1.987 .575
4 .037 .124 . Ù* . 2.074 .722
5 -.069 .122 . *Ù . 2.393 .793
6 .054 .121 . Ù* . 2.593 .858
7 -.001 .120 . * . 2.593 .920
8 .096 .119 . Ù** . 3.245 .918
9 .041 .118 . Ù* . 3.367 .948
10 .172 .117 . Ù*** . 5.547 .852
11 .235 .115 . Ù***** 9.690 .558
12 .057 .114 . Ù* . 9.941 .621
13 -.172 .113 . ***Ù . 12.255 .507
14 .000 .112 . * . 12.255 .586
15 -.085 .111 . **Ù . 12.841 .615
16 -.130 .109 .***Ù . 14.262 .579
17 -.117 .108 . **Ù . 15.427 .565
18 .022 .107 . * . 15.468 .630
19 -.106 .105 . **Ù . 16.474 .625
20 -.140 .104 .***Ù . 18.290 .568
21 -.117 .103 . **Ù . 19.589 .547
22 .034 .101 . Ù* . 19.702 .602
23 -.102 .100 . **Ù . 20.735 .597
24 -.023 .099 . * . 20.787 .651
25 -.004 .097 . * . 20.789 .704
26 -.131 .096 .***Ù . 22.669 .652
27 -.167 .094 .***Ù . 25.814 .529
28 -.030 .093 . *Ù . 25.921 .577
29 -.120 .091 . **Ù . 27.659 .536
30 -.160 .090 .***Ù . 30.830 .424

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 53 ACF ของผลตางอันดับ 1 อนุกรมเวลาของราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก

รายเดือน

จากกราฟของขอมูลปริมาณเงินตามความหมายกวางรายเดือนในภาพที่ 5 (สวนที่ 1)
ซึ่งแสดงลักษณะปริมาณเงินตามความหมายกวางรายเดือน จะเห็นวาปริมาณเงินตามความหมาย
กวางรายเดือนมีลักษณะมีแนวโนมสูงขึ้น แสดงวาระดับคาสังเกตไมคงที่ และการกระจายของ
ปริมาณเงินตามความหมายกวางรายเดือนสม่ําเสมอแสดงวาอนุกรมเวลานาจะมีความแปรปรวน
คงที่ และจากการพิจารณา ACF ของอนุกรมเวลาปริมาณเงินตามความหมายกวางรายเดือนในภาพ
ที่ 54 พบวาฟงกชันสหสัมพันธในตัวเองของปริมาณเงินตามความหมายกวางรายเดือนลดลงอยางชา
ๆ แสดงวาอนุกรมเวลาปริมาณเงินตามความหมายกวางรายเดือนเปนแบบ Non – stationary จึง
แปลงอนุกรมเวลาโดยการหาผลตางอันดับ 1 เพื่อปรับใหเปนอนุกรมเวลาแบบ Stationary ใน
ภาพที่ 55 แสดงอนุกรมเวลาของผลตางอันดับ1 ของปริมาณเงินตามความหมายกวางรายเดือน เมื่อ
 135

พิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของปริมาณเงินตามความหมายกวางรายเดือน

ในภาพที่ 56 พบวาฟงกชันสหสัมพันธในตัวเองของปริมาณเงินตามความหมายกวางรายเดือนมี
ลักษณะลดลงอยางรวดเร็วแสดงวาอนุกรมเวลาของผลตางอันดับ1 ของปริมาณเงินตามความหมาย
กวางรายเดือนเปนแบบ Stationary
Autocorrelations: M2

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .929 .126 . Ù****.************** 54.443 .000
2 .856 .125 . Ù****.************ 101.441 .000
3 .786 .124 . Ù****.*********** 141.783 .000
4 .719 .123 . Ù****.********* 176.161 .000
5 .652 .122 . Ù****.******** 204.911 .000
6 .588 .120 . Ù****.******* 228.698 .000
7 .528 .119 . Ù****.****** 248.275 .000
8 .474 .118 . Ù****.**** 264.344 .000
9 .419 .117 . Ù****.*** 277.136 .000
10 .369 .116 . Ù****.** 287.274 .000
11 .319 .115 . Ù****.* 294.977 .000
12 .274 .114 . Ù***** 300.798 .000
13 .237 .112 . Ù***.* 305.259 .000
14 .199 .111 . Ù**** 308.454 .000
15 .156 .110 . Ù***. 310.461 .000
16 .117 .109 . Ù** . 311.613 .000
17 .079 .108 . Ù** . 312.151 .000
18 .049 .106 . Ù* . 312.360 .000
19 .028 .105 . Ù* . 312.431 .000
20 .008 .104 . * . 312.437 .000
21 -.006 .102 . * . 312.440 .000
22 -.017 .101 . * . 312.468 .000
23 -.029 .100 . *Ù . 312.555 .000
24 -.040 .098 . *Ù . 312.718 .000
25 -.055 .097 . *Ù . 313.035 .000
26 -.066 .096 . *Ù . 313.512 .000
27 -.077 .094 . **Ù . 314.172 .000
28 -.088 .093 . **Ù . 315.066 .000
29 -.098 .091 . **Ù . 316.214 .000
30 -.112 .090 . **Ù . 317.775 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 54 ACF ของอนุกรมเวลาปริมาณเงินตามความหมายกวางรายเดือน

136

ภาพที่ 55 ผลตางอันดับ 1ของอนุกรมเวลาของปริมาณเงินตามความหมายกวางรายเดือนกับเวลา

01
20
T
C
O 01
20
L
JU 001
2
R
AP 0 1
20
N
JA 00
20
T
C
O 00
20
L
JU 000
2
R
AP 0 0
20
N 9
JA 99
1
T
C
O 99
19
L
JU 999
1
R
AP 9 9
19
N
JA 98
19
T
C
O 98
19
L
JU 998
1
R
AP 9 8
19
N

Transforms: difference (1)

JA 997
1
T
C
O 97
19
L
JU 97
19
R
AP

Date
0
200000

100000

-100000
M2
 137

Autocorrelations: M2

Transformations: difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .282 .127 . Ù****.* 4.948 .026
2 .253 .126 . Ù***** 8.998 .011
3 .270 .125 . Ù***** 13.686 .003
4 .034 .124 . Ù* . 13.761 .008
5 .134 .122 . Ù*** . 14.949 .011
6 .167 .121 . Ù*** . 16.844 .010
7 -.009 .120 . * . 16.850 .018
8 .045 .119 . Ù* . 16.996 .030
9 .058 .118 . Ù* . 17.239 .045
10 .070 .117 . Ù* . 17.597 .062
11 .126 .115 . Ù*** . 18.793 .065
12 .001 .114 . * . 18.793 .094
13 .099 .113 . Ù** . 19.565 .107
14 .189 .112 . Ù**** 22.430 .070
15 .043 .111 . Ù* . 22.584 .093
16 -.013 .109 . * . 22.598 .125
17 .032 .108 . Ù* . 22.685 .160
18 -.188 .107 ****Ù . 25.778 .105
19 -.116 .105 . **Ù . 26.990 .105
20 -.112 .104 . **Ù . 28.143 .106
21 -.230 .103 *.***Ù . 33.147 .045
22 -.093 .101 . **Ù . 33.997 .049
23 -.037 .100 . *Ù . 34.137 .063
24 -.089 .099 . **Ù . 34.946 .069
25 .073 .097 . Ù* . 35.517 .079
26 -.053 .096 . *Ù . 35.827 .095
27 -.076 .094 . **Ù . 36.470 .105
28 -.038 .093 . *Ù . 36.642 .127
29 -.191 .091 ****Ù . 41.013 .069
30 -.112 .090 . **Ù . 42.581 .064

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 56 ACF ของผลตางอันดับ 1 ของอนุกรมเวลาปริมาณเงินตามความหมายกวางรายเดือน

จากกราฟของขอมูลมูลคาสินคานําเขารายเดือนในภาพที่ 4 (สวนที่ 1) ซึ่งแสดงลักษณะ
มูลคาสินคานําเขารายเดือน จะเห็นวามูลคาสินคานําเขารายเดือนมีลักษณะมีแนวโนมสูงขึ้น และ
ลดลงในชวงตนป 2541 กอนที่จะเริ่มสูงขึ้นอยางชัดเจนตั้งแตป 2542 จนถึงปลายป 2543 หลังจาก
นั้นเริ่มที่จะคงที่ แสดงวาระดับคาสังเกตไมคงที่ และการกระจายของมูลคาสินคานําเขารายเดือน
สม่ําเสมอแสดงวาอนุกรมเวลานาจะมีความแปรปรวนคงที่ และจากการพิจารณา ACF ของอนุกรม
เวลามูลคาสินคานําเขารายเดือนในภาพที่ 57 พบวาฟงกชันสหสัมพันธในตัวเองของมูลคาสินคานํา
เขารายเดือนลดลงอยางชา ๆ แสดงวาอนุกรมเวลามูลคาสินคานําเขารายเดือนเปนแบบ Non –
stationary จึงแปลงอนุกรมเวลาโดยการหาผลตางอันดับ 1 เพื่อปรับใหเปนอนุกรมเวลาแบบ
Stationary ในภาพที่ 58 แสดงอนุกรมเวลาของผลตางอันดับ1 ของมูลคาสินคานําเขารายเดือน
 138

เมื่อพิจารณา ACF ของอนุกรมเวลาของผลตางอันดับ 1 ของมูลคาสินคานําเขารายเดือนในภาพที่

59 พบวาฟงกชันสหสัมพันธในตัวเองของมูลคาสินคานําเขารายเดือนมีลักษณะลดลงอยางรวด
เร็ว แสดงวาอนุกรมเวลาของผลตางอันดับ1ของมูลคาสินคานําเขารายเดือนเปนแบบ Stationary
Autocorrelations: Import

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 .884 .126 . Ù****.************* 49.309 .000
2 .861 .125 . Ù****.************ 96.875 .000
3 .815 .124 . Ù****.*********** 140.202 .000
4 .753 .123 . Ù****.********** 177.914 .000
5 .675 .122 . Ù****.********* 208.773 .000
6 .631 .120 . Ù****.******** 236.174 .000
7 .557 .119 . Ù****.****** 257.965 .000
8 .526 .118 . Ù****.****** 277.747 .000
9 .477 .117 . Ù****.***** 294.347 .000
10 .382 .116 . Ù****.*** 305.205 .000
11 .355 .115 . Ù****.** 314.790 .000
12 .314 .114 . Ù****.* 322.437 .000
13 .238 .112 . Ù***.* 326.907 .000
14 .167 .111 . Ù***. 329.167 .000
15 .128 .110 . Ù***. 330.527 .000
16 .050 .109 . Ù* . 330.735 .000
17 .002 .108 . * . 330.736 .000
18 -.056 .106 . *Ù . 331.010 .000
19 -.093 .105 . **Ù . 331.788 .000
20 -.109 .104 . **Ù . 332.886 .000
21 -.141 .102 .***Ù . 334.790 .000
22 -.200 .101 ****Ù . 338.701 .000
23 -.210 .100 ****Ù . 343.145 .000
24 -.250 .098 *.***Ù . 349.589 .000
25 -.298 .097 **.***Ù . 359.004 .000
26 -.318 .096 **.***Ù . 370.050 .000
27 -.342 .094 ***.***Ù . 383.260 .000
28 -.357 .093 ***.***Ù . 398.079 .000
29 -.357 .091 ***.***Ù . 413.333 .000
30 -.365 .090 ***.***Ù . 429.850 .000

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags: 59

ภาพที่ 57 ACF ของอนุกรมเวลามูลคาสินคานําเขารายเดือน

139

01
20
T
C
O 01
20
L
JU 001
2
R
AP 0 1
20
N
JA 00
20
ภาพที่ 58 ผลตางอันดับ 1 ของอนุกรมเวลามูลคาสินคานําเขากับเวลา
T
C
O 00
20
L
JU 000
2
R
AP 0 0
20
N
JA 99
19
T
C
O 99
19
L
JU 999
1
R
AP 9 9
19
N
JA 98
19
T
C
O 98
19
L
JU 998
1
R
AP 9 8
19
N

Transforms: difference (1)

JA 997
1
T
C 7
O 9
19
L
JU 97
19
R
AP

Date
0
60000

40000

20000

-20000

-40000
Import
 140

Autocorrelations: IMPORT

Transformations: difference (1)

Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
ßØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØÚØØØØà
1 -.467 .127 ****.****Ù . 13.518 .000
2 .122 .126 . Ù** . 14.456 .001
3 .058 .125 . Ù* . 14.674 .002
4 .057 .124 . Ù* . 14.889 .005
5 -.152 .122 . ***Ù . 16.438 .006
6 .162 .121 . Ù*** . 18.218 .006
7 -.211 .120 .****Ù . 21.307 .003
8 .112 .119 . Ù** . 22.185 .005
9 .184 .118 . Ù****. 24.625 .003
10 -.314 .117 *.****Ù . 31.852 .000
11 .094 .115 . Ù** . 32.509 .001
12 .142 .114 . Ù*** . 34.044 .001
13 -.050 .113 . *Ù . 34.242 .001
14 -.144 .112 .***Ù . 35.900 .001
15 .167 .111 . Ù***. 38.175 .001
16 -.169 .109 .***Ù . 40.574 .001
17 .091 .108 . Ù** . 41.280 .001
18 -.102 .107 . **Ù . 42.196 .001
19 -.084 .105 . **Ù . 42.826 .001
20 .070 .104 . Ù* . 43.280 .002
21 .118 .103 . Ù** . 44.603 .002
22 -.243 .101 *.***Ù . 50.365 .001
23 .154 .100 . Ù***. 52.742 .000
24 .011 .099 . * . 52.753 .001
25 -.120 .097 . **Ù . 54.289 .001
26 .057 .096 . Ù* . 54.648 .001
27 -.062 .094 . *Ù . 55.079 .001
28 -.071 .093 . *Ù . 55.662 .001
29 .097 .091 . Ù** . 56.793 .002
30 -.147 .090 .***Ù . 59.457 .001

Plot Symbols: Autocorrelations * Two Standard Error Limits .

Total cases: 60 Computable first lags after differencing: 58

ภาพที่ 59 ACF ของผลตางอันดับ 1 ของอนุกรมเวลามูลคาสินคานําเขารายเดือน

 141

หลังจากนั้นนําตัวแปรทุกตัวที่ Stationary ไปวิเคราะหโดยใชวิธีการและขั้นตอนของตัวแบบ

VAR ซึ่งไดกลาวไวในบทที่ 3
Lag Variable I TB M1 Crude M2 Import
0 I 1.00000 0.07599 -0.04646 0.14918 0.22494 -0.08680
TB 0.07599 1.00000 -0.03286 -0.24350 0.00550 0.09976
M1 -0.04646 -0.03286 1.00000 -0.11591 0.35483 0.09636
Crude 0.14918 -0.24350 -0.11591 1.00000 -0.21096 0.03393
M2 0.22494 0.00550 0.35483 -0.21096 1.00000 0.19342
Import -0.08680 0.09976 0.09636 0.03393 0.19342 1.00000
1 I 0.35674 0.31661 -0.13123 -0.03030 0.22012 0.08018
TB 0.29600 0.06891 0.10135 -0.13425 0.31057 0.09030
M1 -0.02048 0.04014 -0.33362 0.05861 -0.21592 -0.15745
Crude -0.15924 0.05310 0.05290 0.09405 -0.13054 0.08887
M2 0.32273 0.07575 0.02357 -0.04937 0.28238 -0.09670
Import 0.07440 0.05066 -0.01134 0.21236 -0.06428 -0.46675
2 I 0.32926 -0.00467 -0.05513 0.01456 0.31394 0.04589
TB 0.35958 0.17419 -0.13482 -0.05480 -0.04086 -0.19963
M1 -0.06881 -0.01905 0.11390 -0.15281 0.07138 -0.02688
Crude -0.22991 0.06984 -0.00075514 -0.04875 0.00311 0.24829
M2 0.14151 0.05214 -0.06491 -0.31939 0.25327 -0.11110
Import 0.00600 -0.04954 0.19826 -0.14031 0.06626 0.12187
3 I 0.28204 -0.00034385 -0.11250 -0.12179 0.12329 -0.20993
TB 0.24691 0.25887 0.03169 -0.05741 0.13406 0.09730
M1 0.01759 -0.08062 0.01325 0.06556 -0.13848 0.02821
Crude 0.06276 -0.08833 0.11056 0.14157 -0.09118 0.03314
M2 0.18063 0.00881 -0.01597 -0.13930 0.27007 -0.08989
Import -0.02453 0.07854 -0.14326 0.17933 -0.06108 0.05830
4 I 0.05314 0.17110 0.04182 -0.28660 0.29195 0.10177
TB 0.13952 0.24457 -0.10486 -0.27087 0.12834 -0.10507
M1 -0.11237 0.18957 -0.09951 -0.09804 -0.22658 -0.11427
Cruse -0.19697 0.12775 0.10172 0.03652 -0.14832 -0.02746
M2 0.29588 -0.01415 -0.02875 -0.08141 0.03387 -0.11484
Import 0.04354 0.07650 0.12083 -0.07166 0.01567 0.05731
5 I 0.35136 0.00797 -0.04517 -0.25638 0.24155 -0.12178
TB 0.04146 0.09276 -0.07187 -0.13568 0.09738 -0.10218
M1 -0.04948 -0.09530 -0.09609 0.00303 -0.05007 -0.08862
Crude -0.09545 -0.06768 0.13451 -0.06911 -0.01916 0.14190
M2 0.24468 0.19295 -0.11414 -0.30157 0.13352 -0.09383
Import -0.06418 0.03555 -0.05337 -0.13532 -0.08534 -0.15244
6 I 0.18490 -0.17901 -0.16367 -0.19233 0.11353 -0.13673
TB 0.34670 0.14112 0.05885 -0.25921 0.26897 -0.07577
M1 0.05029 0.01582 -0.10266 0.15410 -0.17446 0.14452
Crude -0.03099 -0.09010 -0.17955 0.05427 -0.31314 -0.05413
M2 0.27465 0.01251 -0.07264 -0.01165 0.16703 0.12231
Import 0.12468 0.13801 0.13794 -0.01578 0.02584 0.16191
7 I 0.20762 -0.11701 -0.11649 -0.10378 0.08268 -0.04129
TB 0.20421 0.28934 -0.01459 -0.10717 0.14769 0.03553
M1 0.02318 0.01346 -0.08523 0.05574 -0.14899 0.04943
Crude -0.04803 -0.00074750 0.20418 -0.00062822 0.01311 -0.07454
M2 0.26361 -0.19003 -0.12662 0.07207 -0.00947 -0.06244
Import 0.01421 -0.13748 -0.14157 0.02464 -0.09258 -0.21126
8 I 0.07861 -0.23497 -0.00523 -0.02251 0.18503 -0.14115
TB 0.24860 -0.17880 -0.16786 -0.13490 0.12336 -0.17293
M1 0.00027512 0.02459 -0.03464 0.05895 0.06826 0.08552
Crude 0.00835 0.13949 0.04438 0.09611 -0.08855 0.10082
M2 0.09797 0.00035918 -0.06566 -0.07764 0.04548 -0.10494
Import 0.10918 0.14928 -0.07586 0.00861 -0.03724 0.11155

ภาพที่ 60 Sample autocorrelation matrix function ของตัวแบบ VAR

 142

Lag Variable I TB M1 Crude M2 Import

9 I -0.02463 -0.22138 -0.02061 -0.05670 0.09295 -0.09598
TB 0.20857 0.01770 -0.02671 -0.14190 0.12493 -0.04380
M1 0.10415 -0.03452 -0.01052 0.26608 -0.08400 -0.08081
Crude -0.03581 0.04569 -0.12864 0.04121 -0.21165 0.03649
M2 0.08426 -0.12888 -0.14110 0.08301 0.05816 0.08801
Import -0.02697 0.00918 0.03352 0.06223 -0.02143 0.18412
10 I -0.00339 -0.07227 -0.01541 -0.14606 0.19380 0.06100
TB -0.01338 -0.00089824 0.01131 -0.10580 0.28501 -0.02515
M1 -0.12761 0.14088 0.13410 -0.11147 0.21839 0.15018
Cruse 0.07443 0.03607 -0.12706 0.17229 -0.12393 0.03625
M2 0.03407 -0.05557 0.02067 0.05604 0.06979 -0.21738
Import 0.03757 0.02676 0.03015 -0.07246 -0.02563 -0.31367
11 I -0.06189 -0.25401 0.09505 -0.03980 0.25827 -0.04525
TB 0.09002 0.04244 0.01526 -0.26586 0.16666 -0.17514
M1 -0.05074 0.06798 0.02428 0.18678 0.09589 0.14751
Crude 0.05575 0.00510 0.04345 0.23507 -0.03775 0.09460
M2 -0.04620 -0.12313 -0.03520 -0.09477 0.12630 0.02309
Import 0.06355 -0.00556 -0.10835 0.14893 0.00635 0.09363
12 I 0.03449 -0.27417 -0.14859 0.07200 -0.00339 -0.05238
TB -0.04847 -0.18298 0.02771 -0.18984 0.24714 -0.00422
M1 -0.04199 0.00156 0.20657 -0.33300 -0.07308 -0.25159
Crude -0.01496 0.06320 -0.27662 0.05728 -0.06114 0.06159
M2 0.02511 -0.17891 0.04588 -0.11187 0.00064927 -0.06651
Import -0.03976 0.10194 0.01867 -0.02540 -0.01388 0.14157

Variable/
Lag 0 1 2 3 4 5 6 7 8 9 10

I +..... ++.... +...+. +..... ...-+. +..... ...... ...... ...... ...... ......
TB .+.... +...+. +..... ...... ...-.. ...... +...+. .+.... ...... ...... ....+.
M1 ..+.+. ..-... ...... ...... ...... ...... ...... ...... ...... ...+.. ......
Cruse ...+.. ...... ...... ...... ...... ...... ....-. ...... ...... ...... ......
M2 ..+.+. +...+. ...-.. ....+. +..... ...-.. +..... +..... ...... ...... ......
Import .....+ .....- ...... ...... ...... ...... ...... ...... ...... ...... .....-

+ is > 2*std error, - is < -2*std error, . is between

ภาพที่ 60 (ตอ) Sample autocorrelation matrix function ของตัวแบบ VAR

ภาพที่ 60 แสดงคาประมาณเมทริกซฟงกชันสหสัมพันธในตัวเอง (Sample

autocorrelation matrix function) ของตัวแบบ VAR และสรุปคาที่มีนัยสําคัญทางสถิติดวยเครื่อง
หมาย + จะเห็นวา lag สูงสุดที่มีนัยสําคัญของอนุกรมเวลาภาวะเงินเฟอ (I) อยูที่ lag 5 อนุกรม
เวลาอัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) lag สูงสุดที่มีนัยสําคัญอยูที่ lag 7 อนุกรมเวลาปริมาณเงิน
ตามความหมายกวาง (M2) lag สูงสุดที่มีนัยสําคัญอยูที่ lag 3 สวนอนุกรมเวลาปริมาณเงินตาม
ความหมายแคบ (M1) อนุกรมเวลาราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก(Crude) และอนุกรมเวลามูล
คาสินคานําเขา( Import) ไมมี lag ใดมีนัยสําคัญ
 143

Partial Autoregression Matrices

Lag Variable I TB M1 Crude M2 Import

1 I 0.29243 0.00848 -2.16105E-8 -0.00026527 3.793018E-8 1.018444E-8

TB 9.29249 0.04168 3.515503E-7 0.00088954 -1.31245E-7 5.602235E-7
M1 -1240833 25640 -0.41279 1760.87268 0.19101 -0.08422
Crude 11.69388 -2.06191 0.00000606 0.02712 -0.00000691 0.00002509
M2 578753 73974 -0.46498 -351.34980 0.40221 -0.24382
Import -81029 23338 -0.08577 1510.30346 0.04106 -0.49496
2 I 0.17284 0.00581 -8.35317E-9 -0.00047704 -7.93785E-9 1.30124E-8
TB -6.72403 0.14459 -1.27662E-8 0.01505 1.961034E-7 -0.00000113
M1 -536239 -39405 0.08123 -596.32904 -0.14142 0.41227
Crude 75.72857 -2.36238 0.00000420 -0.21911 -0.00002390 0.00001141
M2 415902 -45948 0.01545 908.99527 0.06073 0.08953
Import -375496 -15190 -0.05538 2817.62664 -0.06326 -0.19119
3 I 0.01087 0.00580 -3.76818E-9 0.00043282 1.496296E-8 -1.82359E-8
TB -4.11939 0.35451 -0.00000118 0.00348 9.512355E-7 -0.00000121
M1 -564099 18244 0.08364 434.97016 0.01165 0.10099
Cruse -41.71231 -0.01456 0.00000588 0.11733 -0.00000509 0.00002733
M2 -470898 3277.55413 -0.29000 -587.35454 0.20056 -0.04700
Import -1302572 3441.47723 -0.00458 2967.14427 -0.05308 -0.00534
4 I -0.13878 -0.00360 -4.90768E-8 -0.00046793 3.660827E-8 -1.62732E-8
TB 5.01969 0.23161 0.00000154 0.00821 -4.67968E-7 9.443489E-7
M1 768402 2903.31460 -0.01300 299.94445 0.03353 0.03425
Crude -109.49461 -6.36428 -0.00000891 -0.09083 -0.00000175 0.00000602
M2 1469593 -18043 -0.17590 -2635.12223 -0.16971 0.15882
Import 80018 -18156 0.01723 -388.94491 -0.09720 0.25019
5 I 0.37123 -0.00953 -2.10562E-8 -0.00044555 2.961687E-8 1.344632E-8
TB -0.63838 0.24058 -8.31691E-7 -0.00410 0.00000163 -0.00000127
M1 -1126315 -6416.93126 -0.27693 2912.47656 0.16358 -0.25347
Cruse -60.06202 -0.45834 0.00000809 -0.14487 -0.00001569 2.155395E-7
M2 -564610 -9933.91220 -0.29189 1310.68498 0.13192 -0.16136
Import -527038 -14636 -0.14503 1006.10821 0.03319 -0.05696
6 I -0.06353 0.00936 3.934377E-8 0.00021119 -3.17184E-8 3.030619E-8
TB -9.28116 0.13040 -1.92052E-8 -0.00195 5.188668E-7 0.00000121
M1 -1944814 19896 -0.16929 -1808.21744 -0.11081 0.25339
Crude 21.56825 -2.51786 0.00001923 -0.04796 -0.00001052 0.00000854
M2 -1532631 55529 -0.17002 -2821.64729 -0.16488 0.07957
Import -955892 -4734.02158 -0.07760 2531.29271 0.11093 -0.02154
7 I -0.14496 0.01082 3.802534E-8 0.00044419 -7.88006E-9 -3.44281E-8
TB 3.59978 0.11622 -4.35463E-7 -0.01518 4.133259E-8 -0.00000190
M1 -2019562 24664 -0.17849 3313.29535 0.04901 0.08293
Crude -94.83984 4.50291 0.00000350 0.11338 0.00000348 -0.00003014
M2 -3239587 -51968 -0.43750 6300.98404 0.06114 -0.13175
Import -691726 10667 -0.04754 -302.58202 0.13834 -0.20073
8 I -0.24138 -0.00091290 -5.40203E-9 0.00034258 7.289245E-9 4.416541E-8
TB -12.93049 -0.03829 8.181635E-8 0.01879 -7.48976E-7 0.00000244
M1 14079 -14696 -0.45144 2167.92167 0.28542 -0.64970
Crude -20.74397 -2.08806 0.00001822 -0.04656 -0.00001842 0.00003061
M2 952963 -71960 -0.04960 -3494.45560 -0.29598 0.22799
Import -350719 -6482.11272 0.28987 1251.01958 -0.14295 0.10733

ภาพที่ 61 Partial autoregression matrix ของตัวแบบ VAR

Schematic Representation of Partial Autoregression

Variable/
Lag 1 2 3 4 5 6 7 8
I ...... ...... ...... ...... ...... ...... ...... ......
TB ...... ...... ...... ...... ...... ...... ...... ......
M1 ..-... ...... ...... ...... ...... ...... ...... ......
Crude ...... ....-. ...... .-.... ...... ...... ...... ......
M2 .+-.+. ...... ...... ...... ...... ...... ...... ......
IMPORT .....- ...+.. -..+.. ...... ...... ...... ...... ......
+ is > 2*std error, - is < -2*std error, . is between

ภาพที่ 61(ตอ) Partial autoregression matrix ของตัวแบบ VAR

 144

ภาพที่ 61 แสดง Partial autoregression matrix ของตัวแบบ VAR และสรุปคาที่มีนัย

สําคัญทางดานสถิติดวยเครื่องหมาย + จะเห็นวาอนุกรมเวลาภาวะเงินเฟอ (I) อนุกรมเวลาอัตรา
ดอกเบี้ยซื้อคืนเฉลี่ย (TB) อนุกรมเวลาปริมาณเงินตามความหมายแคบ (M1) อนุกรมเวลาราคา
เฉลี่ยน้ํามันดิบในตลาดทั่วโลก (Crude) และอนุกรมเวลามูลคาสินคานําเขา (Import) ไมมี lag ที่
มีนัยสําคัญทางดานสถิติ สวนอนุกรมเวลาปริมาณเงินตามความหมายกวาง (M2) มีนัยสําคัญที่ lag 1
จากการพิจารณาคาประมาณเมทริกซสหสัมพันธในตัวเอง พบวามีลักษณะลดลงแบบ
เอกโปเนนเชียล ดังแสดงในภาพที่ 60 คาประมาณเมทริกซสัมประสิทธิ์อัตถดถอยบางสวนไมมี
ลักษณะของรูป MA ดังแสดงในภาพที่ 61 ดังนั้นตัวแบบที่นาจะเปนไปไดคือตัวแบบ VAR
ในการกําหนดอันดับ p จะพิจารณาตามเกณฑที่ไดกลาวไวแลวในบทที่ 3 จะเห็นวา
จากการพิจารณาคาประมาณเมทริกซสหสัมพันธในตัวเอง และคาประมาณเมทริกซสัมประสิทธิ์อัต
ถดถอยบางสวนจะเห็นวา lag ที่มีนัยสําคัญสูงสุด คือ lag ที่ 10 (ของ TB ) นําตัวแปรทุกตัวคือ I ,
TB , M1, Crude , M2 และ Import เขาในตัวแบบ VAR (p/) โดย p/ = 1,2,…,10 แลวคํานวณคา
AIC(p/) ของแตละตัวแบบโดย AIC(p/) = ln Σˆ 0 ( p / ) + 2p/m2/n แลวเลือกตัวแบบที่ใหคา AIC(p/)
ต่ําสุด แตเนื่องจากจํานวนขอมูลที่เก็บรวมมาในงานวิจัยนี้ไมเพียงพอที่จะคํานวณตัวแบบ VAR
อันดับ p/ มากกวา 4 ได ดังนั้นการคํานวณคา AIC(p/) ทําไดเพียง p/ = 1,2,3,4 เทานั้น

ตารางที่ 18 คา AIC(p/) ของตัวแบบ VAR

P/ 1 2 3 4
AIC 46.5182 46.99863 47.44759 47.5117

ตารางที่ 18 แสดงคา AIC(p/) ที่ใชในการกําหนดอันดับ p ของตัวแบบ VAR (p) ซึ่ง

จากการพิจารณาคา AIC(p/) พบวาที่ p = 1 ใหคา AIC(p/) ต่ําสุด ผูวิจัยจึงพิจารณาตัวแบบ VAR (1)
กับเซตของตัวแปรอิสระ ในทุก combination ที่เปนไปได แลวประมาณคาพารามิเตอร และตรวจ
สอบความเหมาะสมของตัวแบบ หลังจากนั้นคํานวณคา RMSE และคาMAPE ผลลัพธที่ไดแสดง
ในตารางที่ 19 ถึง 23 ซึ่งตัวแบบที่ไดเสนอไวในตารางเหลานี้แสดงเฉพาะตัวแปรที่มีนัยสําคัญที่
ระดับ 0.05 เทานั้น * แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05
 145

ตารางที่ 19 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 1 ตัวในการพยากรณภาวะเงินเฟอ

ตัวแบบ ประกอบดวยตัวแปร 2 ตัวแปร RMSE MAPE
1 I* และM2* 0.004309 0.32312
I t = 0. 32160 I t −1 + 0. 0000000420 44 M 2 t −1 + A 1, t
M 2 t = 25636 + A 2 , t
2 I* และ M1 0.00445 0.32280
I t = 0. 00140 + 0. 36474 I t − 1 + A 1, t
M 1 t = − 0. 34722 M 1 t − 1 + A 2 , t
3 I* และ TB* 0.01564 1.28473
I t = 0. 00168 + 0. 34364 I t −1 + 0. 00967 TB t − 1 + A 1, t
TB t = −0. 05077 + 9. 17835 I t −1 + A 2 , t
4 I* และImport 0.00462 0.33399
I t = 0. 48435 I t − 1 + A 1, t
Importt = -0.49841 Importt-1 + A2,t
5 I* และCrude 0.00462 0.33383
I t = 0. 490931 I t − 1 + A 1, t
Crude t = Crude t − 1 + A 2 , t
* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05

ตารางที่ 19 แสดงตัวแบบ VAR เมื่อใชตัวแปรอิสระ 1 ตัวในการพยากรณภาวะเงิน

เฟอพบวาตัวแบบที่ 1 มีเฉพาะตัวแปร M2 เทานั้นที่มีนัยสําคัญทางสถิติที่ระดับ 0.05 สวนตัวแบบ
ที่ 2,3 ,4, 5 ไมมีตัวแปรอิสระตัวใดมีนัยสําคัญทางสถิติที่ 0.05 จากตัวแบบที่ 3 ถึงแมวาอัตราดอก
เบี้ยซื้อคืนเฉลี่ย (TB) สามารถพยากรณภาวะเงินเฟอไดแตจากการตรวจสอบความเหมาะสมของตัว
แบบ พบวาตัวแบบทีไดไมเหมาะสม คือสวนเหลือจากการพยากรณทไี่ ดจากตัวแบบนี้มีสหสัมพันธ
กัน และจะเห็นวาภาวะเงินเฟอ (I) มีนัยสําคัญทางสถิติที่ระดับ 0.05 ในการพยากรณอัตราดอกเบี้ย
ซื้อคืนเฉลี่ย (TB) ซึ่งสอดคลองกับผลที่ไดจากตัวแบบ Transfer Function ที่วาอัตราดอกเบี้ยซื้อ
คืนเฉลี่ย (TB) สงผลกระทบตอภาวะเงินเฟอ และภาวะเงินเฟอสงผลกระทบตออัตราดอกเบี้ย ดัง
นั้นตัวแปร TB ตัวแปรเดียวอาจไมเหมาะสมในพยากรณภาวะเงินเฟอ ตองหาตัวแปรเพิ่มเขาในตัว
แบบเพื่อใหไดตัวแบบที่มีความเหมาะสม จะอธิบายตอไปในตารางที่ 20
 146

ตารางที่ 20 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 2 ตัวในการพยากรณภาวะเงินเฟอ

ตัวแบบ ประกอบดวยตัวแปร 3 ตัวแปร RMSE MAPE
1 I* ,TB* และ M2* 0.00413 0.31076
I t = 0. 32251I t −1 + 0. 00905TB t −1 + 0. 0000000474 M 2 t −1 + A 1, t
TB t = −0. 05025 + 9. 46682 I t −1 + A 2 , t
M 2 t = 20350 + 77488 TB t − 1 + 0. 28211 M 2 t − 1 + A 3 , t
2 I* ,TB* และM1 0.00426 0.30947
I t = 0. 00168 + 0. 34391 I t − 1 + 0. 00954 TB t − 1 + A 1 t
TB t = −0. 05009 + 9. 10718 I t −1 + A 2 , t
M 1 t = − 0. 34394 M 1 t − 1 + A 3, t
3 I* ,TB และ Import 0.00445 0.32281
I t = 0. 0014 + 0. 36474 I t − 1 + A 1, t
TB t = 116. 05859 I t −1 + A 2 , t
Importt = -0.52988 Importt-1 + A3,t
4 I* ,M1และ Crude 0.00462 0.33399
I t = 0. 48435 I t −1 + A 1, t
M 1 t = − 0. 34308 M 1 t − 1 + A 2 , t
Crude t = Crude t − 1 + A 3, t
* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05

ตารางที่ 20 แสดงตัวแบบ VAR (1) เมื่อใชตัวแปรอิสระ 2 ตัวในการพยากรณภาวะเงิน

เฟอ 4 อันดับแรกที่ใหคา RMSE ต่ําสุด พบวาตัวแบบที่ 1 ตัวแปร TB และ M2 มีนัยสําคัญทาง
สถิติที่ระดับ α = 0. 05 ตัวแบบที่ 2 มีเพียงตัวแปรTB เทานั้นที่มีนัยสําคัญทางสถิติที่ระดับ
0.05 สวนตัวแบบที่ 3, 4 พบวาไมมีตัวแปรอิสระตัวใดที่มีนัยสําคัญทางสถิติที่ระดับ 0.05
 147

ตารางที่ 21 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 3 ตัวในการพยากรณภาวะเงินเฟอ

ตัวแบบ ประกอบดวยตัวแปร 4 ตัวแปร RMSE MAPE
1 I* ,TB* ,M1 และ M2* 0.00413 0.31076
I t = 0. 32298 I t −1 + 0. 00892 TB t −1 + 0. 000000047 M 2 t −1 + A 1, t
TB t = −0. 04712 + 9. 07856 I t −1 + A 2 , t
M 1 t = − 0. 44539 M 1 t − 1 + A 3, t
M 2 t = 16857 + 71510TB t −1 − 0. 50660M1 t −1 + 0. 38988M 2 t −1 + A 4 , t

2 I* ,TB* , M2* และ Import 0.00413 0.31076

I t = 0. 32298 I t − 1 + 0. 00892 TB t − 1 + 0. 0000000473 6 M 2 t −1 + A 1, t
TB t = −0. 04801 + 9. 55307 I t −1 + A 2 , t
M 2 t = 18627 + 77413 TB t − 1 + 0. 28112 M 2 t − 1 + A 3, t
Importt = -0.50798Importt-1 + A4,t
3 I* ,TB , Crude และ Import 0.00445 0.32280
I t = 0. 00140 + 0. 36474 I t − 1 + A 1, t
TB t = −0. 05113 + 9. 46788 I t −1 + A 2 , t
Crude t = Crude t − 1 + A 3, t
Importt = -0.51936 Importt-1 + A4,t
4 I* ,TB* , Crude และ M2 0.00450 0.32543
I t = 0. 48665 I t −1 + 0. 00747 TB t − 1 + A 1, t
TB t = −0. 04802 + 8. 44625 I t −1 + A 2 , t
Crude t = Crude t − 1 + A 3, t
M 2 t = 18638 + 71602 TB t − 1 + A 4 , t
* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05

ตารางที่ 21 แสดงตัวแบบ VAR (1) เมื่อใชตัวแปรอิสระ 3 ตัวในการพยากรณภาวะเงิน

เฟอ 4 อันดับแรกที่ใหคา RMSE ต่ําสุด พบวาตัวแบบที่ 1,2 ตัวแปร TB และ M2 มีนัยสําคัญทาง
สถิติที่ระดับ 0.05 ซึ่งสมการในการพยากรณภาวะเงินเฟอเหมือนกัน โดยให
คา RMSE = 0.00413 และ คา MAPE = 0.31076 ต่ําสุด ตัวแบบที่ 3 มีเพียงตัวแปร TB เทา
นั้นที่มีนัยสําคัญทางสถิติที่ระดับ 0.05 ในการอธิบายภาวะเงินเฟอ ตัวแบบที่ 4 ไมมีตัวแปรอิสระ
ใดมีนัยสําคัญทางสถิติที่ระดับ 0.05 ในการพยากรณภาวะเงินเฟอ
 148

ตารางที่ 22 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 4 ตัวในการพยากรณภาวะเงินเฟอ

ตัวแบบ ประกอบดวยตัวแปร 5 ตัวแปร RMSE MAPE
1 I* ,TB* ,M1 , Crude และ M2* 0.00413 0.31076
I t = 0. 32298 I t − 1 + 0. 00892 TB t − 1 + 0. 0000000473 M 2 t − 1 + A 1, t
TB t = −0. 04715 + 8. 98710 I t −1 + A 2 , t
M 1 t = − 0. 44049 M 1 t − 1 + A 3, t
Crude t = Crude t − 1 + A 4 , t
M 2 t = 16879 + 68508TB t −1 − 0. 5094217M1 t −1 + 0. 37805M 2 t −1 + A 5, t

2 I* ,TB* ,M1 , M2* และ Import 0.004013 0.31076

I t = 0. 32298 I t − 1 + 0. 00892 TB t − 1 + 0. 0000000473 M 2 t − 1 + A 1, t
TB t = −0. 4731 + 9. 57224 I t −1 + A 2 , t
M 1 t = − 0. 44350 M 1 t − 1 + A 3 , t
M 2 t = 16910 + 74596TB t −1 + −0. 49376M1 t −1 + 0. 41067M 2 t −1 + A 4 , t
Importt = -0.49937 Importt-1 + A5,t
3 I* ,TB ,M1 , Crude ,และ Import 0.00445 0.32281
I t = 0. 00140 + 0 . 36474 I t − 1 + A 1, t
TB t = −0. 05133 + 9. 43869 t −1 + A 2 , t
M 1 t = − 0. 33736 M 1 t − 1 + A 3 , t
Crude t = Crude t − 1 + A 4 , t
Importt = -0.50745 Importt-1 + A5,t

* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05
 149

ตารางที่ 22 (ตอ)
ตัวแบบ ประกอบดวยตัวแปร 5 ตัวแปร RMSE MAPE
4 I* ,TB , Crude , M2 และ Import 0.00462 0.33399
I t = 0 . 48435 I t − 1 + A 1, t
TB t = −0. 04800 + 9. 066231 I t −1 + A 2 , t
Crude t = Crude t − 1 + A 3, t
M 2 t = 18633 + 76190 TB t − 1 + 0. 27515 M 2 t − 1 + A 4 , t
Importt = -0.53394 Importt-1 + A5,t
* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05

ตารางที่ 22 แสดงตัวแบบ VAR (1) เมื่อใชตัวแปรอิสระทั้ง 4 ตัวในการพยากรณภาวะ

เงินเฟอ 4 อันดับแรกที่ใหคา RMSE ต่ําสุด พบวาตัวแบบที่ 1, 2 มีเพียงตัวแปรอิสระ TB และ M2
เทานั้นที่มีนัยสําคัญทางสถิติที่ระดับ 0.05 ซึ่งสมการในการพยากรณภาวะเงินเฟอเหมือนกัน
โดยใหคา RMSE = 0.004013 และ คา MAPE = 0.31076 สวนตัวแบบที่ 3 , 4 ไมมีตัวแปรอิสระ
ใดมีนัยสําคัญทางสถิติที่ระดับ 0.05 ในการพยากรณภาวะเงินเฟอ

ตารางที่ 23 ตัวแบบ VAR เมื่อใชตัวแปรอิสระ 5 ตัวในการพยากรณภาวะเงินเฟอ

ตัวแบบ ประกอบดวยตัวแปร 6 ตัวแปร RMSE MAPE
1 I* ,TB ,M1 , Crude, M2 , Import 0.00462 0.33399
I t = 0 . 48435 I t − 1 + A 1, t
TB t = −0. 04731 + 9. 17271 I t −1 + A 2 , t
M 1 t = − 0. 43665 M 1 t − 1 + 0. 21286 M 2 t − 1 + A 3, t
Crude t = Crude t − 1 + A 4 , t
M 2 t = 16921 + 75337 TB t −1 − 0. 49607 M1 t −1 + 0. 41696 M 2 t −1 + A 5, t
Importt = -0.52409 Importt-1 + A6,t
* แสดงตัวแปรที่มีนัยสําคัญทางสถิติที่ระดับ 0.05
 150

ตารางที่ 23 แสดงตัวแบบ VAR (1) เมื่อใชตัวแปรอิสระทั้ง 5 ตัวในการพยากรณภาวะ

เงินเฟอ พบวาสมการที่ใชในการพยากรณภาวะเงินเฟอคือ ตัวแบบ AR(1) (ไมมีตัวแปรอิสระตัวอื่น
ๆ ในสมการ) ตัวแบบนี้ใหคา RMSE = 0.00462 และ คา MAPE = 0.33399 หลังจากนั้นผูวิจัยนํา
ผลที่ไดจากทุกตารางมาพิจารณา พบวาตัวแปร TB และ M2 เปนตัวแปรที่เหมาะสมในการ
พยากรณภาวะเงินเฟอ (I) ดังนั้นตัวแบบที่เหมาะสมคือ ตัวแบบ VAR(1) หรือ
(I − Φ 1B )(1 − B )Z t = δ + A t เมื่อ Zt = [I t , TB t , M 2 t ]
คาประมาณพารามิเตอรของตัวแบบเปนดังตารางที่ 24

ตารางที่ 24 คาประมาณพารามิเตอรของตัวแบบ (I − Φ 1 B )(1 − B )Z t = δ + A t

เมื่อ Zt = [I t , TB t , M 2 t ]

Model Parameter Estimates

Equation Parameter Estimate Std Error T Ratio Prob>|T| Variable
I(t) CONST1 0 0 . .
AR1_1_1 0.32251 0.11634 2.77 0.0076 I(t-1)
AR1_1_2 0.00905 0.00406 2.23 0.0299 TB(t-1)
AR1_1_3 4.741753E-8 1.456904E-8 3.25 0.0020 m2(t-1)
TB(t) CONST2 -0.05025 0.01865 -2.69 0.0094
AR1_2_1 9.46682 3.51134 2.70 0.0093 I(t-1)
AR1_2_2 0 0 . . TB(t-1)
AR1_2_3 0 0 . . m2(t-1)
m2(t) CONST3 20350 5234.09419 3.89 0.0003
AR1_3_1 0 0 . . I(t-1)
AR1_3_2 77488 29971 2.59 0.0125 TB(t-1)
AR1_3_3 0.28211 0.12167 2.32 0.0242 m2(t-1)

จะเห็นวา φ11 , φ12 , φ13 δ 2 , φ 21 δ 3 , φ32 และ φ33 มีนัยสําคัญทางสถิติที่ระดับ

0.05 ดังนั้นตัวแบบเปน
I t = 0. 32251 I t − 1 + 0. 00905 TB t − 1 + 0. 0000000474 M 2 t − 1 + A 1, t
TB t = −0. 05025 + 9. 46682 I t −1 + A 2 , t
M 2 t = 20350 + 77488 TB t − 1 + 0. 28211 M 2 t − 1 + A 3 , t
โดยที่ A1, t A 2, t A 3, t คือความคลาดเคลื่อนของแตละตัวแบบที่ไดจากการพยากรณ
ผลการตรวจสอบเมทริกซสหสัมพันธของความคลาดเคลื่อนจากตัวแบบนี้โดยใช
เมทริกซสหสัมพันธของสวนเหลือที่ไดจากตัวแบบขางตน แสดงในภาพที่ 62 พบวาที่ทุก ๆ lag
คาประมาณเมทริกซสัมประสิทธิ์สหสัมพันธของความคลาดเคลื่อนที่ไดจากตัวแบบไมมีนัยสําคัญ
ทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไมมีสหสัมพันธกัน
 151

Schematic Representation of Residual Cross Correlations

Variable/
Lag 0 1 2 3 4 5 6 7 8 9 10 11 12
I +.. ... ... ... ... ... ... ... ... ... ... ... ...
TB .+. ... ..- ... ... ... ... ... ... ... ... ... ...
m2 ..+ ... ... ... ... ... ... ... ... ... ... ... ...
+ is > 2*std error, - is < -2*std error, . is between
Portmanteau Test for Residual
Cross Correlations
To Chi- Prob>
Lag Square DF ChiSq
2 13.80 9 0.1296
3 21.34 18 0.2625
4 32.99 27 0.1974
5 39.06 36 0.3338
6 51.67 45 0.2295
7 61.96 54 0.2134
8 67.09 63 0.3387
9 76.48 72 0.3369
10 81.05 81 0.4776
11 89.10 90 0.5070
12 98.79 99 0.4870

ภาพที่ 62 เมทริกซสหสัมพันธของสวนเหลือจากการพยากรณภาวะเงินเฟอที่ได
จากตัวแบบ VAR

ผลการตรวจสอบเมทริกซสหสัมพันธของความคลาดเคลื่อนดวยตัวสถิติ Qk แสดงใน
ภาพที่ 62 พบวาไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 แสดงวาสวนเหลือที่ไดจากตัวแบบนี้ไมมีสห
สัมพันธกัน

.02

.01

0.00
Error for I

-.01
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Sequence number

ภาพที่ 63 สวนเหลือจากการพยากรณภาวะเงินเฟอกับเวลาที่ไดจากตัวแบบ VAR

จากภาพที่ 63 พบวาสวนเหลือจากการพยากรณภาวะเงินเฟอสวนใหญมีลักษณะผันแปร
อยางสุมรอบคาศูนย ยกเวนในชวงกลางป 2540 สวนเหลือในลําดับที่ 8 มีคาสูงผิดปกติกวาสวน
 152

เหลือตัวอื่น ๆ แสดงวาที่เดือนสิงหาคมคาพยากรณที่ไดต่ํากวาคาสังเกต และการกระจายของคา

เหลานี้มีลักษณะสม่ําเสมอ ดังนั้นจึงนาจะกลาวไดวาความคลาดเคลื่อนจากตัวแบบนี้มี
ความแปรปรวนคงที่

1.1

1.0

.9

.8 Fit for I
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69

Sequence number

ภาพที่ 64 คาสังเกตภาวะเงินเฟอกับคาพยากรณภาวะเงินเฟอภายในชวงตัวอยาง
และนอกชวงตัวอยางที่ไดจากตัวแบบ VAR

จากภาพที่ 64 จะเห็นวาสําหรับการพยากรณในชวงตัวอยางคือระหวางเดือนมกราคม
2540 ถึง ธันวาคม 2544 (คาสังเกตลําดับที่ 1-60) คาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ VAR
ใกลเคียงกับคาภาวะเงินเฟอจริงโดยใหคา RMSE = 0.004132 และคา MAPE = 0.31076
สําหรับการพยากรณนอกชวงตัวอยางคือระหวางเดือนมกราคม 2544 ถึง ธันวาคม 2545
(คาสังเกตลําดับที่ 61-72) คาพยากรณภาวะเงินเฟอที่ไดใกลเคียงคาสังเกตภาวะเงินเฟอซึ่งคา
พยากรณที่ไดต่ํากวาคาสังเกต (คาของขอมูลแสดงไวในภาคผนวก ข) โดยใหคาRMSE = 0.00997
และคา MAPE = 0.838824
 153

สวนที่ 3 การเปรียบเทียบประสิทธิภาพระหวางตัวแบบ
ในการเปรียบเทียบประสิทธิภาพของตัวแบบจะพิจารณาตามแนวทางตอไปนี้
3.1 การตรวจสอบความสอดคลอง
การตรวจสอบความสอดคลองระหวางคาสังเกตกับคาพยากรณโดยใชตัวสถิติ RMSE
และMAPE ดังแสดงในตารางที่ 25 เนื่องจากตัวแบบ Transfer Function เปนตัวแบบเดียวกับตัว
แบบ ARIMA ดังนั้นในการเปรียบเทียบประสิทธิภาพจะไมพิจารณาตัวแบบ Transfer Function
เพราะใหผลเชนเดียวกับกับตัวแบบ ARIMA

ตารางที่ 25 การตรวจสอบความสอดคลองภายในชวงตัวอยางและนอกชวงตัวอยาง
ตัวแบบ ในชวงตัวอยาง นอกชวงตัวอยาง
RMSE MAPE RMSE MAPE
ARIMA 0.00426 0.29987 0.020616 1.67353
อัตราดอกเบี้ย 0.78219 35.16543 0.93500 85.64656
VAR 0.00413 0.31076 0.00997 0.83882

ตารางที่ 25 แสดงผลการตรวจสอบความสอดคลองระหวางคาสังเกตภาวะเงินเฟอกับ
คาพยากรณภาวะเงินเฟอจากตัวแบบตาง ๆ สําหรับการพยากรณภาวะเงินเฟอภายในชวงตัวอยาง คือ
ระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544 พบวาตัวแบบ VAR ใหคา RMSE ต่ําสุด รองลง
มาคือ ตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ย ตามลําดับ ตัวแบบ ARIMA ใหคา MAPE
ต่ําสุด รองลงมาคือตัวแบบVAR และ ตัวแบบอัตราดอกเบี้ย ตามลําดับ
สําหรับการพยากรณภาวะเงินเฟอภายนอกชวงตัวอยางคือระหวางเดือนมกราคม 2545
ถึง ธันวาคม 2545 พบวาตัวแบบ VAR ใหคา RMSE และคา MAPE ต่ําสุด รองลงมาคือ ตัวแบบ
ARIMA และตัวแบบอัตราดอกเบี้ย ตามลําดับ
3.2 การทดสอบความเอนเอียง
การทดสอบความเอนเอียงระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณภาวะเงินเฟอที่
ไดจากตัวแบบแตละตัวแบบโดยใชสมการถดถอย I t = β 0 + β1ˆIt + ε t และทดสอบสมมติฐาน
ของพารามิเตอรที่ละตัว H 0 : β 0 = 0 H1 : β1 ≠ 0 และ/หรือ H 0 : β1 = 1 H1 : β1 ≠ 1
ถาปฏิเสธสมมติฐาน H 0 : β 0 = 0 และ/หรือ H 0 : β1 = 1 แสดงวาคาพยากรณจากตัวแบบที่
ทดสอบมีความเอนเอียงจากคาสังเกตจริง สถิติ Durbin –Watson ใชตรวจสอบสหสัมพันธ
ในตัวเองระหวางสวนเหลือจากสมการถดถอยขางตน ถาสวนเหลือไมมีสหสัมพันธในตัวเองแสดง
 154

ว า ตั ว แบบถดถอยเชิ ง เส น อย า งง ายข า งต น นี้ เ หมาะสมที่ จ ะใช อ ธิ บ ายความสั มพั น ธระหวางคา
พยากรณกับคาสังเกตจริงได

ตารางที่ 26 การทดสอบความเอนเอียงภายในชวงตัวอยาง
ตัวแบบ β0 Sig β1 Sig Durbin สรุป
–Watson
ARIMA 0.038423 0.004 0.962 0.004 2.293เอนเอียง / สวนเหลือไม
(0.013) (0.013) มีสหสัมพันธ
อัตราดอกเบี้ย 0.998 0.000 0.001757 0.000 0.023 เอนเอียง / สวนเหลือ
(0.007) (0.005) มีสหสัมพันธในเชิงบวก
VAR 0.02663 0.072 0.974 0.088 2.250 ไมเอนเอียง / สวนเหลือ
(0.15) (0.15) ไมมีสหสัมพันธ
คาในวงเล็บ คือ คาความคลาดเคลื่อนมาตรฐาน ( Standard Error)
Durbin –Watson คา d L =1.54, d U =1.61 และคา 4 − d U = 2. 39 ,คา 4 − d L = 2. 46

จากตารางที่ 26 แสดงผลการทดสอบความเอนเอียงระหวางคาพยากรณภาวะเงินเฟอกับ
คาสังเกตภาวะเงินเฟอจริงภายในชวงตัวอยางคือระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544
พบวาตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ยปฏิเสธทั้งสมมติฐาน H 0 : β 0 = 0 และ/หรือ
H 0 : β1 = 1 ที่ระดับนัยสําคัญ 0.05 แสดงวาตัวแบบ ARIMA และตัวแบบอัตราดอกเบี้ยใหคา
พยากรณภาวะเงินเฟอที่มีความเอนเอียง คา Durbin –Watson ของตัวแบบ ARIMA เทากับ 2.293
ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการถดถอยระหวางคาสังเกต
จริงกับคาพยากรณจากตัวแบบ ARIMA ไมมีสหสัมพันธกัน คา Durbin –Watson ของตัวแบบอัตรา
ดอกเบี้ยเทากับ 0.023 ซึ่งนอยกวา d L แสดงวาความคลาดเคลื่อนจากสมการถดถอยระหวางคาจริง
กับคาพยากรณจากตัวแบบอัตราดอกเบี้ยมีสหสัมพันธกันในเชิงบวก สําหรับตัวแบบ VAR ยอม
รับสมมติฐาน H 0 : β 0 = 0 และ/หรือ H 0 : β1 = 1 ที่ระดับนัยสําคัญ 0.05 แสดงวาตัว
แบบ VAR ใหคาพยากรณภาวะเงินเฟอที่ไมมีความเอนเอียง และความคลาดเคลื่อนจากสมการ
ถดถอยระหวางคาจริงกับคาพยากรณจากตัวแบบ VAR โดยมีคา Durbin –Watson เทากับ 2.250
ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการถดถอยระหวางคาสังเกต
จริงกับคาพยากรณจากตัวแบบ ARIMA ไมมีสหสัมพันธกัน
 155

ตารางที่ 27 การทดสอบความเอนเอียงนอกชวงตัวอยาง
ตัวแบบ β0 Sig β1 Sig Durbin สรุป
–Watson
ARIMA 2.037 0.00 -0.974 0.000 1.010 เอนเอียง / สวนเหลือไม
(0.324) (0.316) มีสหสัมพันธในเชิงบวก
อัตราดอกเบี้ย 01.064 0.00 -0.0501 0.318 0.014 เอนเอียง / สวนเหลือมี
(0.008) (0.017) สหสัมพันธในเชิงบวก
VAR -0.106 .781 1.111 0.762 1.120 ไมเอนเอียง / สรุปไมไดวา
(0.370) (0.358) สวนเหลือมีสหสัมพันธ
คาในวงเล็บ คือ คาความคลาดเคลื่อนมาตรฐาน ( Standard Error)
Durbin –Watson คา d L =1.08, d U =1.36 และคา 4 − d U = 2. 64 ,คา 4 − d L = 2. 92

ตารางที่ 27 แสดงผลการทดสอบความเอนเอียงระหวางคาพยากรณภาวะเงินเฟอกับคา
สังเกตภาวะเงินเฟอจริงนอกชวงตัวอยางคือระหวางเดือนมกราคม 2545 ถึง ธันวาคม 2545 พบวา
ตัวแบบ ARIMA ปฏิเสธสมมติฐานทั้ง H 0 : β 0 = 0 และ/หรือ H 0 : β1 = 1 และตัวแบบอัตรา
ดอกเบี้ยปฏิเสธสมมติฐาน H 0 : β 0 = 0 ยอมรับ H 0 : β1 = 1 ที่ระดับนัยสําคัญ 0.05 แสดงวาตัว
แบบ ARIMA และตัวแบบอัตราดอกเบี้ยใหคาพยากรณภาวะเงินเฟอที่มีความเอนเอียง และจาก
คา Durbin –Watson เทากับ1.010 และเทากับ 0.014 ตามลําดับ ซึ่งนอยกวา d L แสดงวาความคลาด
เคลื่อนจากสมการถดถอยระหวางคาจริงกับคาพยากรณจากตัวแบบ ARIMA และตัวแบบอัตราดอก
เบี้ยมีสหสัมพันธกันในเชิงบวก สําหรับตัวแบบ VAR ยอมรับสมมติฐาน H 0 : α 0 = 0 และ/
หรือ H 0 : β1 = 1 ที่ระดับนัยสําคัญ 0.05 แสดงวาตัวแบบ VAR ใหคาพยากรณภาวะเงินเฟอที่ไม
มีความเอนเอียง และจากคา Durbin –Watson = 1.120 ซึ่งอยูระหวาง d L กับ d U แสดงวาไมมี
หลักฐานเพียงพอที่จะสรุปไดวาความคลาดเคลื่อนจากสมการถดถอยระหวางคาจริงกับคาพยากรณ
จากตัวแบบ VAR มีสหสัมพันธกันหรือไม
3.3 การตรวจสอบการมีสวนรวม
การตรวจสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอโดยใชการถดถอยเชิงเสน
พหุคูณของคาสังเกตภาวะเงินเฟอบนคาพยากรณภาวะเงินเฟอจากตัวแบบ 2 ตัวแบบใด ๆ
I t = β 0 + β1ˆIti + β 2ˆItj + ε t
ทําการทดสอบสมมติฐาน H 0 : β1 = β 2 = 0 , H1 : β1 = β 2 ≠ 0 หลังจากนั้นทดสอบสมมติ
ฐาน
 156

ที่ละตัว H 0 : β j = 0 H 1 : β j ≠ 0 เมื่อ j = 1,2 ที่ระดับนัยสําคัญ 0.05 ผลที่ไดจากการตรวจ

สอบการมีสวนรวมในการพยากรณภาวะเงินเฟอที่ไดจากตัวแบบตาง ๆ ที่ละคูสําหรับพยากรณภาย
ในชวงตัวอยางและนอกชวงตัวอยาง ดังแสดงในตารางที่ 28 และตารางที่ 29 ตามลําดับ
ตารางที่ 28 การตรวจสอบการมีสวนรวมภายในชวงตัวอยาง
ตัวแบบ F Sig β0 Sig β1 Sig β 2 Sig
Durbin สรุป
–
Watson
ARIMA 2346.24 0.00 0.038 0.08 0.96 0.00 0.00 0.81 2.269 ตัวแบบอัตราดอก
กั บ อั ต รา (0.01) (0.01) (0.00) เบี้ยไมใหสาร
ดอกเบี้ย สนเทศ/
สวนเหลือไม
มีสหสัมพันธกัน

ARIMA 2442.86 0.00 0.03 0.022 0.59 0.01 0.375 0.13 2.336 ตัวแบบARIMA
กับ VAR (0.01) (0.24) (.247) ไมใหสาร
สนเทศ/
สวนเหลือไม
มีสหสัมพันธกัน

อั ต ร า 2234.70 0.00 0.026 0.073 0.00 0.38 0.973 0.00 2.174 ตัวแบบอัตราดอก
ดอกเบี้ ย (0.01) (0.01) (.015) เบี้ยไมใหสาร
กับVAR สนเทศ/
สวนเหลือไม
มีสหสัมพันธกัน
คาในวงเล็บ คือ คาความคลาดเคลื่อนมาตรฐาน ( Standard Error)
Durbin –Watson : คา d L =1.50, d U =1.645 และคา 4 − d U = 2. 50 ,คา 4 − d L = 2. 355

จากตารางที่ 28 แสดงผลการตรวจสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอภาย
ในชวงตัวอยางคือระหวางเดือนมกราคม 2540 ถึง ธันวาคม 2544 สําหรับคูของตัวแบบ ARIMA
กับตัวแบบอัตราดอกเบี้ยพบวา β1 มีนัยสําคัญทางสถิติที่ระดับ 0.05 β 2 ไมมีนัยสําคัญทางสถิติที่
ระดับ 0.05 แสดงวาตัวแบบอัตราดอกเบี้ยไมไดใหสารสนเทศในการอธิบายความผันแปรของคา
สังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ ARIMA ไดอธิบายไวแลว และจากคา Durbin –Watson เทา
 157

กับ 2.269 ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการถดถอย

ระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณของ 2 ตัวแบบนี้ไมมีสหสัมพันธกัน สําหรับคูของตัว
แบบ ARIMA กับตัวแบบ VAR พบวา β1 มีนัยสําคัญทางสถิติที่ระดับ 0.05 β 2 ไมมีนัยสําคัญทาง
สถิติที่ระดับ 0.05 แสดงวาตัวแบบ VAR ไมไดใหสารสนเทศในการอธิบายความผันแปรของคา
สังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ ARIMA ไดอธิบายไวแลว เนื่องจากวาตัวแบบ ARIMA มี
ความสัมพันธเชิงเสนทางบวกกับตัวแบบ VAR สูง ( r = 0.998) และจากคา Durbin –Watson เทา
กับ 2.336 ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการถดถอย
ระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณของ 2 ตัวแบบนี้ไมมีสหสัมพันธกัน สําหรับคูของตัว
แบบอัตราดอกเบี้ยกับตัวแบบ VAR พบวา β1 ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 β 2 มีนัย
สําคัญทางสถิติที่ระดับ 0.05 แสดงวาตัวแบบอัตราดอกเบี้ยไมไดใหสารสนเทศในการอธิบายความ
ผันแปรของคาสังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ VAR ไดอธิบายไวแลว และจากคา Durbin –
Watson เทากับ 2.174 ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการ
ถดถอยระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณของ 2 ตัวแบบนี้ไมมีสหสัมพันธกัน
ตารางที่ 29 การตรวจสอบการมีสวนรวมนอกชวงตัวอยาง
ตัวแบบ F Sig β0 Sig β1 Sig β2 Sig Durbin สรุป
Watson

ARIMA 7.958 0.01 1.73 0.00 -0.66 0.070 -0.03 0.083 1.609 ตัวแบบทั้งคูให
กับ อัตรา (0.32) (0.32) (0.01) สารสนเทศเดียว
ดอกเบี้ย กัน/สวนเหลือ
ไมมีสหสัมพันธ

ARIMA 8.577 0.00 0.93 0.15 -0.65 0.067 0.75 0.064 1.531 ตัวแบบทั้งคูให
กับ VAR (0.59) (0.31) (0.35) สารสนเทศเดียว
กัน/สรุปไมได
วาสวนเหลือ
มีสหสัมพันธกัน

อั ต ร า 6.304 0.01 0.33 0.49 -0.02 0.189 0.70 0.447 1.348 ตัวแบบทั้งคูให
ดอกเบี้ ย (0.46) (0.02) สารสนเทศเดียว
กับVAR กัน/สรุปไมได
วาสวนเหลือ
มีสหสัมพันธ
 158

คาในวงเล็บ คือ คาความคลาดเคลื่อนมาตรฐาน ( Standard Error)

Durbin –Watson คา d L = 0.95, d U =1.54 และคา 4 − d U = 2. 46 ,คา 4 − d L = 3. 05

ตารางที่ 29 แสดงผลการตรวจสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอนอกชวง
ตัวอยางคือระหวางเดือนมกราคม 2545 ถึง ธันวาคม 2545 ของตัวแบบ 3 ตัวแบบที่ศึกษาพบวา
สําหรับคูของ ARIMAกับ อัตราดอกเบี้ย พบวา β1 และ β 2 ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05 ทั้ง
คู แสดงวาคาพยากรณจากตัวแบบทั้ง 2 ตัวแบบใหสารสนเทศเดียวกัน และจากคา Durbin –
Watson เทากับ 1.609 ซึ่งอยูระหวางชวง d U กับ 4 − d U แสดงวาความคลาดเคลื่อนจากสมการ
ถดถอยระหวางคาสังเกตภาวะเงินเฟอกับคาพยากรณของ 2 ตัวแบบนี้ไมมีสหสัมพันธกัน สําหรับคู
ของตัวแบบ ARIMA กับตัวแบบ VAR พบวา β1 และ β 2 ไมมีนัยสําคัญทางสถิติที่ระดับ 0.05ทั้งคู
แสดงวาคาพยากรณจากตัวแบบทั้ง 2 ตัวแบบใหสารสนเทศเดียวกัน และจากคา Durbin –Watson
เทากับ 1.531 ซึ่งอยูระหวาง d L กับ d U แสดงวาไมมีหลักฐานเพียงพอที่จะสรุปไดวาความคลาด
เคลื่อนจากสมการถดถอยระหวางคาจริงกับคาพยากรณจากตัวแบบทั้ง 2 ตัวแบบนี้มีสหสัมพันธ
กันหรือไม สําหรับคูของตัวแบบอัตราดอกเบี้ยกับตัวแบบ VAR พบวา β1 และ β 2 ไมมีนัย
สําคัญทางสถิติที่ระดับ 0.05 ทั้งคู แสดงวาคาพยากรณจากตัวแบบทั้ง 2 ตัวแบบใหสารสนเทศเดียว
กัน และจากคา Durbin –Watson เทากับ 1.348 ซึ่งอยูระหวาง d L กับ d U แสดงวาไมมีหลักฐาน
เพียงพอที่จะสรุปไดวาความคลาดเคลื่อนจากสมการถดถอยระหวางคาจริงกับคาพยากรณจากตัว
แบบทั้ง 2 ตัวแบบนี้มีสหสัมพันธกันหรือไม
 บทที่ 5
สรุปผลการวิจัย อภิปรายผล และขอเสนอแนะ

สรุปผลการวิจัย
ในงานวิจัยเรื่อง การเปรียบเทียบตัวแบบพยากรณภาวะเงินเฟอระหวางตัวแบบARIMA
ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR มีจุดประสงคเพื่อ (1) ศึกษา
ลักษณะความผันแปรของภาวะเงินเฟอในประเทศไทย (2) หาตัวแบบพยากรณภาวะเงินเฟอของ
ประเทศไทยโดยใชตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และ
ตัวแบบ VAR และ (3) เปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอของประเทศไทย
ระหวางตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ Transfer Function และตัวแบบ VAR
ผลการวิจัยสามารถสรุปไดดังนี้
(1) จากการศึกษาลักษณะความผันแปรของภาวะเงินเฟอของประเทศไทยตั้งแตเดือน
มกราคม 2540 ถึง ธันวาคม 2544 พบวาภาวะเงินเฟอของประเทศไทยมีแนวโนมเพิ่มขึ้นอยางชัด
เจนในชวงเดือนมกราคม 2540 ถึงประมาณเดือนกรกฎาคม 2541 และคอย ๆ ลดลงตั้งแตในชวง
ปลายป 2541 ตอเนื่องถึงไตรมาสแรกของป 2542 หลังจากนั้นภาวะเงินเฟอมีแนวโนมเพิ่มขึ้นแตไม
มากนักจนถึงเดือนสิงหาคม 2544 หลังจากนั้นลดลงเล็กนอย
(2) จากตัวแบบที่ศึกษา 4 ตัวแบบคือ ตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย ตัวแบบ
Transfer Function และตัวแบบ VAR พบวาตัวแบบที่เหมาะสมในการพยากรณภาวะเงินเฟอใน
แตละกรณีเปนดังนี้
ตัวแบบ ARIMA ตัวแบบที่เหมาะสม คือ
I t = 1. 38413301 I t − 1 − 0. 38413301 I t − 2 + 0. 38419358 I t − 5 − 0. 38419358 I t − 6 + a t
โดยที่ I คือ คาสังเกตภาวะเงินเฟอ a t คือ ความคลาดเคลื่อนจากการพยากรณ
ตัวแบบอัตราดอกเบี้ย ตัวแบบที่เหมาะสมคือ ˆIt = TB t −1 − EˆR t −1 ซึ่ง EˆR t −1 ได
จากตัวแบบ ln ER t − 1. 37000590 ln ER t − 1 = −0. 54018035 S t + a t
โดยที่ TB คือ อัตราดอกเบี้ยซื้อคืนเฉลี่ย ER คือ คาคาดหมายผลตอบแทนที่แทจริง
ตัวแบบ Transfer Function โดยใชอัตราดอกเบี้ยซื้อคืนเฉลี่ยเปนตัวแปรอิสระ พบวา
อัตราดอกเบี้ยซื้อคืนเฉลี่ยไมมีนัยสําคัญในการอธิบายภาวะเงินเฟอ (I)
159
 160

ดังนั้นตัวแบบ Transfer Funtion ที่ไดจึงเหมือนกับตัวแบบ ARIMA ซึ่งตัวแบบที่เหมะสมคือ

I t = 1. 38413301 I t − 1 − 0. 38413301 I t − 2 + 0. 38419358 I t − 5 − 0. 38419358 I t − 6 + a t
ตัวแบบ VAR โดยใชตัวแปร อัตราดอกเบี้ยซื้อคืนเฉลี่ย (TB) ราคาเฉลี่ยน้ํามันดิบใน
ตลาดทั่วโลก (Crude) ปริมาณเงินตามความหมายแคบ (M1) ปริมาณเงินตามความหมายกวาง
(M2) และมูลคาสินคานําเขา (Import) ในการอธิบายภาวะเงินเฟอ พบวาตัวแบบที่เหมาะสมคือ
I t = 0. 32251 I t −1 + 0. 00905 TB t − 1 + 0. 0000000474 M 2 t − 1 + A 1, t
TB t = −0. 05025 + 9. 46682 I t −1 + A 2 , t
M 2 t = 20350 + 77488 TB t − 1 + 0. 28211 M 2 t − 1 + A 3 , t
โดยที่ A1, t A 2, t A 3, t คือความคลาดเคลื่อนของแตละตัวแบบที่ไดจากการพยากรณ ตามลําดับ
(3) จากการเปรียบเทียบประสิทธิภาพในการพยากรณภาวะเงินเฟอระหวางตัวแบบที่
ศึกษา ในการศึกษาการพยากรณภาวะเงินเฟอในประเทศไทย สําหรับการพยากรณเงินเฟอในชวง
ตัวอยางพบวาตัวแบบ VAR และตัวแบบ ARIMA ใหคา RMSE และคา MAPE ใกลเคียงกัน
โดยตัวแบบ VAR ใหคาต่ํากวาเล็กนอย แสดงวาตัวแบบ VAR ใหคาพยากรณที่มีความถูกตอง
มากกวาตัวแบบ ARIMA เล็กนอย
สําหรับการพยากรณภาวะเงินเฟอนอกชวงตัวอยางพบวาตัวแบบ VAR ใหทั้งคา
RMSE และคา MAPE ต่ํากวาทุกตัวแบบอยางเห็นไดชัด แสดงวาตัวแบบ VAR ใหคาพยากรณ
นอกชวงตัวอยางถูกตองมากกวาตัวแบบอื่น ๆ ตัวแบบอัตราดอกเบี้ยใหคาพยากรณภาวะเงินเฟอได
ไมดีนักทั้งภายในชวงตัวอยางและนอกชวงตัวอยาง
จากการทดสอบความเอนเอียงในการพยากรณภาวะเงินเฟอทั้งการตรวจสอบภายในชวง
ตัวอยางและนอกชวงตัวอยาง พบวามีเพียงตัวแบบ VAR เทานั้นที่ใหคาพยากรณภาวะเงินเฟอไม
มีความเอนเอียง
จากการตรวจสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอภายในชวงตัวอยาง พบวา
ตัวแบบอัตราดอกเบี้ยไมไดใหสารสนเทศในการอธิบายความผันแปรของคาสังเกตภาวะเงินเฟอเพิ่ม
จากที่ตัวแบบ ARIMA หรือ ตัวแบบ VAR ไดอธิบายไวแลว และสําหรับคูของตัวแบบ ARIMA
กับตัวแบบ VAR พบวา ตัวแบบ VAR ไมไดใหสารสนเทศในการอธิบายความผันแปรของคา
สังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ ARIMA ไดอธิบายไวแลวและตัวแบบ ARIMA ไมไดใหสาร
สนเทศในการอธิบายความผันแปรของคาสังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบ VAR ไดอธิบายไว
แลว สําหรับการตรวจสอบการมีสวนรวมในการพยากรณภาวะเงินเฟอนอกชวงตัวอยาง พบวาตัว
แบบแตละคูใหสารสนเทศในการพยากรณภาวะเงินเฟอคลายคลึงกัน
 161

อภิปรายผลการวิจัย
จากที่ไดกลาวมาขางตนเปนการสรุปผลลัพธที่ไดจากการวิจัย ซึ่งผลสรุปดังกลาว
สามารถนํามาอภิปรายผลไดดังนี้
ตัวแบบARIMA สามารถพยากรณภาวะเงินเฟอในประเทศไทยทั้งภายในชวงตัวอยาง
และนอกชวงตัวอยางไดดี ซึ่งสอดคลองกับงานวิจัยของ Hafer and Hien (1985 , 1990) ซึ่ง
พบวาตัวแบบ ARIMA สามารถพยากรณภาวะเงินเฟอในประเทศตาง ๆ เชน เบลเยี่ยม แคนาดา
ฝรั่งเศส และเยอรมันนี ไดดี
ตัวแบบอัตราดอกเบี้ย พยากรณภาวะเงินเฟอในประเทศไทยทั้งภายในชวงตัวอยาง
และนอกชวงตัวอยางไดไมคอยถูกตอง ดังจะเห็นไดจากคา RMSE และคา MAPE ของตัวแบบนี้สูง
กวาตัวแบบอื่น ๆ อยางมาก และคาพยากรณที่ไดจากตัวแบบอัตราดอกเบี้ยก็มีความเอนเอียง นอก
จากนี้จากการตรวจสอบการมีสวนรวมในการอธิบายภาวะเงินเฟอรวมกับคาพยากรณจากตัวแบบ
อื่น ๆ ที่ละคูพบวาคาพยากรณจากตัวแบบอัตราดอกเบี้ยไมไดใหสารสนเทศในการอธิบายความผัน
แปรของคาสังเกตภาวะเงินเฟอเพิ่มจากที่ตัวแบบอื่น ๆ ไดอธิบายไวแลว แสดงวาตัวแบบอัตรา
ดอกเบี้ยพยากรณภาวะเงินเฟอไดไมดี จากการศึกษาตัวแบบอัตราดอกเบี้ยของ Fama (1976)
Garbade and Wachtel (1978) และ Fama and Gibbons (1982) ทําภายใตขอสมมติวาคาคาดหมาย
ของผลตอบแทนที่แทจริงมีลักษณะเปน Random walk แตในงานวิจัยนี้พบวาคาคาดหมายผลตอบ
แทนที่แทจริงไมไดมีลักษณะเปน Random walk สงผลใหตัวแบบอัตราดอกเบี้ยใชในการพยากรณ
ภาวะเงินเฟอไดไมดี
ตัวแบบ Transfer Function พบวาอัตราดอกเบี้ยซื้อคืนเฉลี่ยไมมีนัยสําคัญในสมการ
พยากรณภาวะเงินเฟอ ดังนั้นจึงไดตัวแบบ Transfer Function เหมือนกับตัวแบบ ARIMA
จากการตรวจสอบ CCF ระหวางสวนเหลือจากตัวแบบ Transfer Function กับอนุกรมเวลาของสวน
เหลือจากการพยากรณอัตราดอกเบี้ยซื้อคืนเฉลี่ย พบวาคาประมาณสัมประสิทธิ์สหสัมพันธไขวที่
lag ทางดานบวกไมมีนัยสําคัญ แตที่ lag ทางดานลบมีคาประมาณสัมประสิทธิ์สหสัมพันธไขวที่
lag –10 และ lag –7 แสดงวามีความสัมพันธยอนกลับจากภาวะเงินเฟอสงไปยังอัตราดอกเบี้ย ซึ่ง
สิ่งเหลานี้แสดงใหเห็นวาตัวแปรอิสระอัตราดอกเบี้ยซื้อคืนเฉลี่ยไมใชปจจัยสําคัญในการอธิบาย
พยากรณภาวะเงินเฟอ แตภาวะเงินเฟออาจเปนปจจัยหนึ่งที่สามารถชวยในการพยากรณอัตราดอก
เบี้ยซื้อคืนเฉลี่ยได การใชตัวแบบ Transfer Function ที่มีอัตราดอกเบี้ยเปนตัวแปรอิสระอาจจะไม
เหมาะสม ที่จะใชพยากรณภาวะเงินเฟอในประเทศไทย
สําหรับการพยากรณภาวะเงินเฟอโดยใช ตัวแบบ VAR เมื่อนําตัวแปรทุกตัวที่พิจารณา
เขาในตัวแบบ พบวาไมมีตัวแปรอิสระตัวใดมีนัยสําคัญที่ระดับ 0.05 อาจเนื่องจากตัวแปรเหลานี้
 162

มีสหสัมพันธซึ่งกันและกัน ดังแสดงในตารางที่ 5 หนา 73 แตเมื่อใชตัวแบบ VAR ที่ประกอบ

ดวยตัวแปรอิสระ 1 ตัวรวมกับตัวแปรภาวะเงินเฟอ พบวาตัวแบบ VAR ซึ่งประกอบดวยตัวแปร
ภาวะเงินเฟอ กับอัตราดอกเบี้ยซื้อคืนเฉลี่ย มีนัยสําคัญที่ระดับ 0.05 แตตัวแบบที่ไดยังไมเหมาะสม
เนื่องจากสวนเหลือจากการพยากรณที่ไดจากตัวแบบนี้มีสหสัมพันธกัน และจะเห็นวาภาวะเงินเฟอ
สามารถอธิบายอัตราดอกเบี้ยซื้อคืนเฉลี่ยได สวนตัวแบบซึ่งประกอบดวยตัวแปรภาวะเงินเฟอ
กับปริมาณเงินตามความหมายกวาง พบวาตัวแปรภาวะเงินเฟอและปริมาณเงินตามความหมาย
กวางมีนัยสําคัญที่ระดับ 0.05 และตัวแบบที่ไดก็เหมาะสม เมื่อเพิ่มตัวแปรปริมาณเงินตามความ
หมายแคบเขาในตัวแบบที่มีตัวแปรภาวะเงินเฟอ และปริมาณเงินตามความหมายกวาง พบวาตัว
แปรปริมาณเงินตามความหมายแคบไมมีนัยสําคัญที่ระดับ 0.05 อาจเนื่องจากตัวแปรปริมาณเงิน
ตามความหมายแคบและปริมาณเงินตามความหมายกวางมีสหสัมพันธทางบวกคอนขางสูง
( r = 0.731) และเมื่อเพิ่มตัวแปรอัตราดอกเบี้ยซื้อคืนเฉลี่ยเขาในตัวแบบ ที่มีตัวแปรภาวะเงินเฟอ
และปริมาณเงินตามความหมายกวาง พบวาตัวแปรภาวะเงินเฟอ อัตราดอกเบี้ยซื้อคืนเฉลี่ย และ
ปริมาณเงินตามความหมายกวางมีนัยสําคัญที่ระดับ 0.05 แสดงวาตัวแปรอัตราดอกเบี้ยซื้อคืนเฉลี่ย
และปริมาณเงินตามความหมายกวางชวยใหตัวแบบ VAR ดีขึ้นเมื่อเพิ่มตัวแปรอิสระอื่น ๆ เขาใน
ตัวแบบนี้ พบวาตัวแบบ VAR ที่มีตัวแปรอัตราดอกเบี้ยซื้อคืนเฉลี่ยและปริมาณเงินตามความ
หมายกวางอยูแลวตัวแปรอิสระอื่น ๆ ที่เพิ่มเขาไปไมชวยใหตัวแบบ VAR ดีขึ้น ดังนั้นตัวแปร
อิสระที่เหมาะสมในภาวะเงินเฟอคือตัวแปรอัตราดอกเบี้ยซื้อคืนเฉลี่ยและปริมาณเงินตามความ
หมายกวาง ซึ่งสอดคลองกับงานวิจัยของ นภาพร เลขาวัฒนากุล ซึ่งพบวา ปริมาณเงินตามความ
หมายกวางเปนปจจัยหนึ่งที่สงผลกระทบตอภาวะเงินเฟออยางมีนัยสําคัญทางสถิติ
ดังนั้นจากงานวิจัยนี้อาจกลาวไดวาตัวแบบที่เหมาะสมที่สุดในการพยากรณภาวะเงิน
เฟอในประเทศไทยคือตัวแบบ VAR

ขอเสนอแนะเพื่อการวิจัยคนควาตอไป
งานวิจัยนี้ศึกษาเฉพาะตัวแบบทางสถิติที่สามารถใชในการพยากรณภาวะเงินเฟอใน
ประเทศไทย ตัวแปรอิสระที่นํามาพิจารณาเปนตัวแปรที่ไดมีผูวิจัยทานอื่น ๆ ศึกษาไวแลววามีความ
สัมพันธกับภาวะเงินเฟอ ตัวแบบตาง ๆ ในงานวิจัยนี้สรางจากการวิเคราะหลักษณะความสัมพันธ
ของคาสังเกตในตัวแปรเหลานี้ ตามทฤษฎีของอนุกรมเวลา ไมไดมีการศึกษาตัวแบบหรือทฤษฎีทาง
เศรษฐศาสตรของภาวะเงินเฟอ ในงานวิจัยตอไป อาจทําการศึกษาตัวแบบตามทฤษฎีทางเศรษฐ
ศาสตร ของภาวะเงินเฟอและเปรียบเทียบคาพยากรณของตัวแบบทางเศรษฐศาสตรกับ
คาพยากรณที่ไดจากตัวแบบทางอนุกรมเวลา
 163

บรรณานุกรม
ภาษาไทย
กรรณิการ ตรีภักดีตระกูล. “คาจางขั้นต่ํากับภาวะเงินเฟอในประเทศไทย.” วิทยานิพนธ
เศรษฐศาสตรมหาบัณฑิต สาขาวิชาเศรษฐศาสตร บัณฑิตวิทยาลัย
จุฬาลงกรณมหาวิทยาลัย, 2538.
เกษมสันต วีระกุล และคณะ. พจนานุกรมศัพทเศรษฐศาสตร .พิมพครั้งที่ 6.กรุงเทพมหานคร :
สํานักพิมพมหาวิทยาลัยธรรมศาสตร, 2542.
จุฑาภรณ เภตรานุวัฒนและวันชัย ปญญาวิเศษพงศ.ดัชนีราคาผูบริโภคของประเทศ [Online].
Accessed27August2002.Availablefromhttp://www.bot.or.th/bothomepage/databank/
EconData /Econ&Finance/index04.asp
. ดัชนีราคาผูบริโภคของประเทศ [Online]. Accessed 27 August 2002. Available
fromhttp://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance/
Download/ Tab79.xls
ถนอมนวล โพธิ์สุนทร และสุเมธ ธีรมงคล.ปริมาณเงิน [Online]. Accessed 27 August 2002.
Available fromhttp://www.bot.or.th/bothomepage/databank/EconData/Definitions/
Monetary &PublicFinance/MoneySupply.htm
ถนอมนวล โพธิ์สุนทร และวันชัย ปญญาวิเศษพงศ.อัตราดอกเบี้ยในตลาดเงิน [Online]. Accessed
27August 2002.Vailable from http://www.bot.or.th/bothomepage/databank/EconData
/Econ&Finance/tab30.asp
. อัตราดอกเบี้ยในตลาดเงิน [Online]. Accessed 27 August 2002. Available from
http://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance/Download/
Tab30.xls
เทอดศักดิ์ ศรีสุรพล. เศรษฐศาสตรมหภาค1 ตํารา-เอกสารวิชาการ ฉบับที่ 57 หนวยศึกษานิเทศก.
กรุงเทพ ฯ :กรมการฝกหัดครู, 2535.
ธนาคารแหงประเทศไทย. รายงานเศรษฐกิจและการเงิน 2540. กรุงเทพ ฯ:บริษัทประชาชน
จํากัด,2540.
. รายงานเศรษฐกิจและการเงิน 2541. กรุงเทพ ฯ:บริษัทประชาชนจํากัด,2541.
. รายงานเศรษฐกิจและการเงิน 2542. กรุงเทพ ฯ:บริษัทประชาชนจํากัด,2542.
. รายงานเศรษฐกิจและการเงิน 2543. กรุงเทพ ฯ:บริษัทประชาชนจํากัด,2543.
. รายงานเศรษฐกิจและการเงิน 2544. กรุงเทพ ฯ:บริษัทประชาชนจํากัด,2544.
 164

นภาพร เลขาวิวัฒนกุล. “การวิเคราะหภาวะเงินเฟอในประเทศไทย.” วิทยานิพนธ

เศรษฐศาสตรมหาบัณฑิต สาขาวิชาเศรษฐศาสตร บัณฑิตวิทยาลัย
มหาวิทยาลัยเกษตรศาสตร, 2539.
นวลนุช ธนเอนก และ เสาวนีย ศิริวิมลวรรณ สินคาเขาจําแนกตามภาคเศรษฐกิจ 1
[Online].Accessed 27 August 2002. Available from http://www.bot.or.th/
bothomepage/databank/EconData/Econ&Finance/tab47.asp
. สินคาเขาจําแนกตามภาคเศรษฐกิจ 1 [Online].Accessed 27 August 2002. Available
from http://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance
/Download/Tab47.xls
นวลนุช ธนเอนก และวันชัย ปญญาวิเศษพงศ.การคาระหวางประเทศและดุลการชําระเงิน
[Online]. Accessed 27 August 2002.Availablefromhttp://www.bot.or.th/
bothomepage/databank/EconData /Econ&Finance/tab03.asp
.การคาระหวางประเทศและดุลการชําระเงิน [Online]. Accessed 27 August 2002.
Available fromhttp://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance
/Download/Tab03.xls
ภยันต บรรเทาทุกข. “การปรับตัวของรายไดและรายจายภาครัฐบาลตอภาวะเงินเฟอ.” วิทยานิพนธ
เศรษฐศาสตรมหาบัณฑิต สาขาวิชาเศรษฐศาสตร บัณฑิตวิทยาลัย มหาวิทยาลัย
เกษตรศาสตร, 2537.
มนตทิพย สัมพันธวงศ. “การศึกษาความสัมพันธระหวางเงินเฟอและการออมครัวเรือน.” วิทยา
นิพนธเศรษฐศาสตรมหาบัณฑิต สาขาวิชาเศรษฐศาสตร บัณฑิตวิทยาลัย
มหาวิทยาลัยรามคําแหง, 2539.
สํานักงานนโยบายและแผนพลังงาน กระทรวงพลังงาน. “ รายงานการเคลื่อนไหวราคาน้ํามันดิบ .”
วารสารนโยบายพลังงาน 47 (มกราคม – มีนาคม 2540) : 92.
. “รายงานการเคลื่อนไหวราคาน้ํามันดิบ .” วารสารนโยบายพลังงาน 57
(กรกฎาคม – กันยายน 2545) : 39.
สุดา ตระการเถลิงศักดิ์. การวิเคราะหการถดถอย . นครปฐม : โรงพิมพมหาวิทยาลัยศิลปากร,
2531.
. เอกสารคําสอนการใชโปรแกรมสําเร็จรูป SPSS ในการวิเคราะหการถดถอย.
นครปฐม : ภาควิชาคณิตศาสตร คณะวิทยาศาสตร มหาวิทยาลัยศิลปากร, 2543.
 165

สุรักษ บุนนาค และ วณี ฉอยเกียรติกุล. การเงินการธนาคาร. พิมพครั้งที่ 5 กรุงเทพฯ :

ไทยวัฒนาพานิช, 2532.
สุวิดา ธรรมมณีวงศ. เอกสารประกอบการสอนรายวิชา 080133 เศรษฐศาสตรในชีวิตประจําวัน
ประจําภาคตน. นครปฐม : โรงพิมพมหาวิทยาลัยศิลปากร, 2541.
เศรษฐกิจ [Online]. Accessed 15 January 2003. Available from http:// www.thaipost.net/index.asp

ภาษาอังกฤษ
Bovas, Abraham, and Johannes Ledolter. Statistical Methods for Forecasting. New York:John
Wiley &Sons,1983.
Bowerman, Bruce L., and Richard T. O/Connell. Forecasting and Times Series. 3th ed. Belmont :
Wadsworth,1993.
Box, George E.P.,and Gwilym M. Jenkins. Time Series Analysis Forecasting and Control. 2th ed.
SanFrancisco : Holden-Day,1976.
Box, George E.P.,Gwilym M. Jenkins, and Gregory C Reinsel . Time Series Analysis Forecasting
and Control. 3th ed. New-Jersey:Prentice-Hall,1994.
Chatfield, Chris . Time- series Forecasting. Boca Raton: Chapman&Hall, 2000.
Fama ,Eugene F. “Short - Term Interest Rates as Predictors of Inflation.” AmericanEconomics
Review 65 (1975) :269-282.
. “Inflation Uncertainty and Expected Returns on Treasury Bills.” Journal of Political
Economy 84 (1976) : 427-448.
Fama ,Eugene F., and Michael R. Gibbons. “ Inflation,Real Returns and Capital Investment.”
Journal of Monetary Economics 8 (1982) : 297-324.
. “A Comparison of Inflation Forecasts.” Journal of Monetary Economics 13 (1984)
: 327-348.
Garbasde,Kenneth and Paul Wachtel. “Time Variation in the Relationship between Inflation and
Interest Rates.” Journal of Monetary Economics 4 (1978) : 755-765.
Hafer, R.W., and Scott E. Hein. “On the Times-Series Interest Rate and Survey Forecasts of
Inflation.” Journal of Business 58 (1985) : 377-398.
. “ Forecasting Inflation Using Interest-Rate and Times-Series
Models : Some International Evidence.” Journal of Business 63 (1990) :1-17.
 166

Hess,Patrick J. and James L. Bicksler. “Capital Asset Prices Versus Times Series Models as
Predictors of Inflation : The Expected Real Rate of Interest and Market Efficiency.”
Journal of Financial Economics 2 (1975) 341-360.
L& tkepohl ,Helmut. Introduction to Mutiple Time Series Analysis. 2th ed. Berlin : Springer –
u&
Verlag,1993.
Nelson,Charles R., and William G. Schwert. “Short- Term Interest Rate as Predictor of
Inflation: On Testing the Hypothesis that the Real Rate of Interest is Constant.”
American Economics Review 67 (1977) :478-486.
Pankratz, Alan. Forecasting with Univariate Box – Jenkins Models: Concept and Case. New
York: John Wiley,1983.
Pindyck, Robert S. and Daniel L. Rubinfeld. Econometric Models and Economic Forecasts.
4th ed.Boston:McGraw-Hill Companies, 1998.
Reinsel Gregory C. Elements of Multivariate Time Series Analysis. New York:Springer-
Verlag,1993.
Valle, S., and He/ctor A. “Inflation Forecsats with Arima and Vector Autoressive Models in
Guatemala.”Economic Research Department Banco De Guatemala (May 2002) :1-20.
Vandaele, Walter . Applied Time Series and Box-Jenkins Models. New York:Academic
Press,1983.
Wei, William W.S. Univariate and Multivariate Methods.California: Addison-Wesley, 1990.
 ภาคผนวก ก

ขอมูลที่ใชในงานวิจัย
 168

ตารางที่ 30 ดัชนีราคาผูบริโภครายเดือน(รอยละ) ตั้งแตป 2540-2545

ป เดือน ดัชนีราคาผูบริโภค ป เดือน ดัชนีราคาผูบริโภค
2540 มกราคม 89.5 2543 มกราคม 101.2
กุมภาพันธ 89.9 กุมภาพันธ 101.6
มีนาคม 90.4 มีนาคม 101.6
เมษายน 90.5 เมษายน 101.3
พฤษภาคม 90.9 พฤษภาคม 101.4
มิถุนายน 91.1 มิถุนายน 101.6
กรกฎาคม 91.7 กรกฎาคม 101.7
สิงหาคม 94.1 สิงหาคม 102.3
กันยายน 94.5 กันยายน 102.7
ตุลาคม 95.3 ตุลาคม 102.2
พฤศจิกายน 96.1 พฤศจิกายน 102.3
ธันวาคม 96.1 ธันวาคม 102.3
2541 มกราคม 97.2 2544 มกราคม 102.5
กุมภาพันธ 97.9 กุมภาพันธ 103.1
มีนาคม 99 มีนาคม 103.1
เมษายน 99.7 เมษายน 103.8
พฤษภาคม 100.2 พฤษภาคม 104.2
มิถุนายน 100.8 มิถุนายน 103.9
กรกฎาคม 100.9 กรกฎาคม 103.9
สิงหาคม 101.3 สิงหาคม 103.8
กันยายน 101.1 กันยายน 104.1
ตุลาคม 100.9 ตุลาคม 103.6
พฤศจิกายน 100.6 พฤศจิกายน 103.4
ธันวาคม 100.2 ธันวาคม 103.1
 169

ตารางที่ 30(ตอ)
ป เดือน ดัชนีราคาผูบริโภค ป เดือน ดัชนีราคาผูบริโภค
2542 มกราคม 100.6 2545 มกราคม 103.3
กุมภาพันธ 100.7 กุมภาพันธ 103.4
มีนาคม 100.5 มีนาคม 103.7
เมษายน 100.1 เมษายน 104.2
พฤษภาคม 99.7 พฤษภาคม 104.3
มิถุนายน 99.6 มิถุนายน 104.1
กรกฎาคม 99.8 กรกฎาคม 104
สิงหาคม 100.2 สิงหาคม 104.1
กันยายน 100.3 กันยายน 104.5
ตุลาคม 100.5 ตุลาคม 105.1
พฤศจิกายน 100.6 พฤศจิกายน 104.6
ธันวาคม 100.9 ธันวาคม 104.7
ที่มา :จุฑาภรณ เภตรานุวัฒน และวันชัย ปญญาวิเศษพงศ, ดัชนีราคาผูบริโภคของประเทศ [Online].
Accessed 27 August 2002. Available fromhttp://www.bot.or.th/bothomepage/databank/
EconData/Econ&Finance/index04.asp
, ดัชนีราคาผูบริโภคของประเทศ [Online]. Accessed 27 August 2002. Available
from http://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance/Download/Tab79.xls
 170

ตารางที่ 31 อัตราดอกเบี้ยซื้อคืนเฉลี่ย (รอยละ)รายเดือนตั้งแตป 2540-2544

ป เดือน อัตราดอกเบี้ยซื้อ ป เดือน อัตราดอกเบี้ยซื้อ
คืนเฉลี่ย คืนเฉลี่ย
2540 มกราคม 10.28 2543 มกราคม 2.4
กุมภาพันธ 13.21 กุมภาพันธ 2.38
มีนาคม 10.51 มีนาคม 2.41
เมษายน 9.59 เมษายน 2.33
พฤษภาคม 11.59 พฤษภาคม 2.03
มิถุนายน 12.78 มิถุนายน 2
กรกฎาคม 15.5 กรกฎาคม 2.01
สิงหาคม 15.04 สิงหาคม 2
กันยายน 22.93 กันยายน 2.01
ตุลาคม 16.09 ตุลาคม 2.03
พฤศจิกายน 17.16 พฤศจิกายน 2
ธันวาคม 22.19 ธันวาคม 2
2541 มกราคม 23.53 2544 มกราคม 2
กุมภาพันธ 21.39 กุมภาพันธ 1.97
มีนาคม 21.74 มีนาคม 1.88
เมษายน 19.46 เมษายน 1.88
พฤษภาคม 16.37 พฤษภาคม 1.84
มิถุนายน 17.78 มิถุนายน 2.39
กรกฎาคม 14.35 กรกฎาคม 2.6
สิงหาคม 11.34 สิงหาคม 2.56
กันยายน 8.35 กันยายน 2.57
ตุลาคม 7.26 ตุลาคม 2.56
พฤศจิกายน 6.56 พฤศจิกายน 2.56
ธันวาคม 5.54 ธันวาคม 1.78
 171

ตารางที่ 31(ตอ)
ป เดือน อัตราดอกเบี้ยซื้อคืน
เฉลี่ย
ธันวาคม 5.54
2542 มกราคม 4.86
กุมภาพันธ 4.59
มีนาคม 4.02
เมษายน 3.35
พฤษภาคม 3.06
มิถุนายน 2.81
กรกฎาคม 2.73
สิงหาคม 2.46
กันยายน 2.44
ตุลาคม 2.44
พฤศจิกายน 2.44
ธันวาคม 2.44
ที่มา : ถนอมนวล โพธิ์สุนทร และวันชัย ปญญาวิเศษพงศ, อัตราดอกเบี้ยในตลาดเงิน [Online].
Accessed 27 August 2002.Available from http://www.bot.or.th/bothomepage/databank
/EconData/Econ&Finance /tab30.asp
, อัตราดอกเบี้ยในตลาดเงิน [Online]. Accessed 27 August 2002. Available
from http://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance/Download/Tab30.xls
 172

ตารางที่ 32 ปริมาณเงินตามความหมายแคบ (ลานบาท) ตั้งแตป 2540-2544

ป เดือน ปริมาณเงินตาม ป เดือน ปริมาณเงินตาม
ความหมายแคบ ความหมายแคบ
2540 มกราคม 418055.6 2543 มกราคม 507348.6
กุมภาพันธ 428004.7 กุมภาพันธ 513056.8
มีนาคม 426970.6 มีนาคม 494989.3
เมษายน 418231 เมษายน 491642.2
พฤษภาคม 430282.6 พฤษภาคม 470764.8
มิถุนายน 396390.2 มิถุนายน 463097.7
กรกฎาคม 393509 กรกฎาคม 477900.3
สิงหาคม 428373.5 สิงหาคม 477842.2
กันยายน 400523.4 กันยายน 483466.8
ตุลาคม 407307 ตุลาคม 536187.7
พฤศจิกายน 407863.2 พฤศจิกายน 495548.1
ธันวาคม 428784.6 ธันวาคม 525690.9
2541 มกราคม 443803.7 2544 มกราคม 527370.4
กุมภาพันธ 430589 กุมภาพันธ 526736.1
มีนาคม 405876.9 มีนาคม 533328
เมษายน 409563.1 เมษายน 540495.6
พฤษภาคม 389057.9 พฤษภาคม 526395.7
มิถุนายน 381671.8 มิถุนายน 517692.6
กรกฎาคม 398902.2 กรกฎาคม 517668.6
สิงหาคม 389874.5 สิงหาคม 529552.8
กันยายน 89288 กันยายน 538152.4
ตุลาคม 399259.2 ตุลาคม 547071.1
พฤศจิกายน 406126.2 พฤศจิกายน 545221.1
ธันวาคม 441732.5 ธันวาคม 579426.4
 173

ตารางที่ 32 (ตอ)
ป เดือน ปริมาณเงินตาม
ความหมายแคบ
2542 มกราคม 437024
กุมภาพันธ 426895
มีนาคม 458040.9
เมษายน 424979.8
พฤษภาคม 441141.2
มิถุนายน 429225.6
กรกฎาคม 415745.6
สิงหาคม 433225.9
กันยายน 431901.1
ตุลาคม 455697.4
พฤศจิกายน 476373.4
ธันวาคม 575039.4
ที่มา : นวลนุช ธนเอนก และวันชัย ปญญาวิเศษพงศ, การคาระหวางประเทศและดุลการชําระเงิน
[Online]. Accessed 27 August 2002. Available from http://www.bot.or.th/bothomepage
/databank/EconData/Econ&Finance/tab03.asp
, การคาระหวางประเทศและดุลการชําระเงิน [Online]. Accessed 4 August 2002.
Available from http://www.bot.or.th/botomepage/databank/EconData/Econ&Finance
/Download/Tab03. xls
 174

ตารางที่33 ราคาเฉลี่ยน้ํามันดิบในตลาดทั่วโลก (ดอลลาร/บารเรล)ตั้งแตป 2540-2544

ป เดือน ราคาเฉลี่ยน้ํามันดิบ ป เดือน ราคาเฉลี่ยน้ํามันดิบ
ในตลาดทั่วโลก ในตลาดทั่วโลก
2540 มกราคม 23.11 2543 มกราคม 24.48
กุมภาพันธ 20.48 กุมภาพันธ 25.86
มีนาคม 19.67 มีนาคม 26.61
เมษายน 18.34 เมษายน 23.39
พฤษภาคม 19.65 พฤษภาคม 26.87
มิถุนายน 18.29 มิถุนายน 28.51
กรกฎาคม 17.95 กรกฎาคม 27.8
สิงหาคม 18.56 สิงหาคม 28.84
กันยายน 18.48 กันยายน 31.68
ตุลาคม 19.84 ตุลาคม 31.05
พฤศจิกายน 19.31 พฤศจิกายน 30.69
ธันวาคม 17.01 ธันวาคม 23.87
2541 มกราคม 14.27 2544 มกราคม 23.86
กุมภาพันธ 13.31 กุมภาพันธ 25.8
มีนาคม 12.18 มีนาคม 24.53
เมษายน 13.24 เมษายน 25.44
พฤษภาคม 13.26 พฤษภาคม 26.85
มิถุนายน 12.45 มิถุนายน 26.51
กรกฎาคม 12.66 กรกฎาคม 24.07
สิงหาคม 12.43 สิงหาคม 24.75
กันยายน 13.15 กันยายน 24.76
ตุลาคม 13.13 ตุลาคม 19.29
พฤศจิกายน 11.94 พฤศจิกายน 18.48
ธันวาคม 10.28 ธันวาคม 18.38
 175

ตารางที่ 33(ตอ)
ป เดือน ราคาเฉลี่ยน้ํามันดิบ
ในตลาดทั่วโลก
2542 มกราคม 11.21
กุมภาพันธ 10.43
มีนาคม 12.77
เมษายน 15.32
พฤษภาคม 15.75
มิถุนายน 16.02
กรกฎาคม 18.49
สิงหาคม 20.27
กันยายน 22.53
ตุลาคม 22.2
พฤศจิกายน 23.75
ธันวาคม 24.38
ที่มา : กระทรวงพลังงาน, “รายงานการเคลื่อนไหวราคาน้ํามันดิบ,” วารสารนโยบายพลังงาน
47, (มกราคม – มีนาคม 2540) : 92.
, “รายงานการเคลื่อนไหวราคาน้ํามันดิบ,” วารสารนโยบายพลังงาน 57,
(กรกฎาคม – กันยายน 2545) : 39.
 176

ตารางที่34 ปริมาณเงินตามความหมายกวาง (ลานบาท) รายเดือนตั้งแต 2540-2544

ป เดือน ปริมาณเงินตาม ป เดือน ปริมาณเงินตาม
ความหมายกวาง ความหมายกวาง
2540 มกราคม 3709615.2 2543 มกราคม 4824061.9
กุมภาพันธ 3740005.8 กุมภาพันธ 4840420.4
มีนาคม 3808184.9 มีนาคม 4824466.8
เมษายน 3873261.5 เมษายน 4817995.2
พฤษภาคม 3892211.2 พฤษภาคม 4801909.2
มิถุนายน 3958090.1 มิถุนายน 4801323.1
กรกฎาคม 4047543 กรกฎาคม 4827635.4
สิงหาคม 4139349.2 สิงหาคม 4877651.2
กันยายน 4166270.7 กันยายน 4907458.6
ตุลาคม 4239740.3 ตุลาคม 5007080
พฤศจิกายน 4250145.3 พฤศจิกายน 5007302
ธันวาคม 4339344.7 ธันวาคม 5032684.1
2541 มกราคม 4416346.5 2544 มกราคม 5076240.5
กุมภาพันธ 4414172.9 กุมภาพันธ 5089022
มีนาคม 4408751.9 มีนาคม 5113559.2
เมษายน 4416236.9 เมษายน 5139408
พฤษภาคม 4432993.5 พฤษภาคม 5136005.8
มิถุนายน 4502491.6 มิถุนายน 5122376.3
กรกฎาคม 4587506.1 กรกฎาคม 5127310.3
สิงหาคม 4602905.4 สิงหาคม 5141818.6
กันยายน 4689300 กันยายน 5165680.4
ตุลาคม 4718228.9 ตุลาคม 5198343.6
พฤศจิกายน 4729348.7 พฤศจิกายน 5235252.6
ธันวาคม 4753361.4 ธันวาคม 5243654.9
 177

ตารางที่ 34 (ตอ)
ป เดือน ปริมาณเงินตาม
ความหมายกวาง
2542 มกราคม 4741914.5
กุมภาพันธ 4784884.2
มีนาคม 4789063.4
เมษายน 4790287.1
พฤษภาคม 4817666.5
มิถุนายน 4764119.2
กรกฎาคม 4756061.3
สิงหาคม 4788664.7
กันยายน 4786578.2
ตุลาคม 4796365.1
พฤศจิกายน 4832330.7
ธันวาคม 4854748.4
ที่มา : นวลนุช ธนเอนก และวันชัย ปญญาวิเศษพงศ, การคาระหวางประเทศและดุลการชําระเงิน
[Online]. Accessed 27 August 2002. Available fromhttp://www.bot.or.th/bothomepage/
databank/EconData/Econ&Finance/tab03.asp
, การคาระหวางประเทศและดุลการชําระเงิน [Online].Accessed 4 August 2002.
Available fromhttp://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance/
Download/Tab03.xls
 178

ตารางที่35 มูลคาสินคานําเขา (ลานบาท) รายเดือนตั้งแต 2540-2544

ป เดือน มูลคาสินคานําเขา ป เดือน มูลคาสินคานําเขา
2540 มกราคม 158146 2543 มกราคม 159003
กุมภาพันธ 140646 กุมภาพันธ 187023
มีนาคม 153383 มีนาคม 180041
เมษายน 150141 เมษายน 180655
พฤษภาคม 143575 พฤษภาคม 178878
มิถุนายน 151916 มิถุนายน 214872
กรกฎาคม 163422 กรกฎาคม 206479
สิงหาคม 161576 สิงหาคม 235188
กันยายน 175667 กันยายน 220296
ตุลาคม 174703 ตุลาคม 253523
พฤศจิกายน 158240 พฤศจิกายน 248661
ธันวาคม 192866 ธันวาคม 229522
2541 มกราคม 173697 2544 มกราคม 239991
กุมภาพันธ 169037 กุมภาพันธ 225251
มีนาคม 173213 มีนาคม 245690
เมษายน 143966 เมษายน 219917
พฤษภาคม 131722 พฤษภาคม 242780
มิถุนายน 153726 มิถุนายน 221273
กรกฎาคม 153605 กรกฎาคม 248458
สิงหาคม 140004 สิงหาคม 235832
กันยายน 139133 กันยายน 227356
ตุลาคม 141462 ตุลาคม 224273
พฤศจิกายน 125849 พฤศจิกายน 230241
ธันวาคม 128662 ธันวาคม 195593
 179

ตารางที่ 35 (ตอ)
ป เดือน มูลคาสินคานําเขา
2542 มกราคม 127568
กุมภาพันธ 134980
มีนาคม 160457
เมษายน 141309
พฤษภาคม 130877
มิถุนายน 171729
กรกฎาคม 147646
สิงหาคม 157483
กันยายน 172353
ตุลาคม 181691
พฤศจิกายน 191827
ธันวาคม 189472
ที่มา : นวลนุช ธนเอนก และ เสาวนีย ศิริวิมลวรรณ, สินคาเขาจําแนกตามภาคเศรษฐกิจ 1
[Online].Accessed 27 August 2002. Available fromhttp://www.bot.or.th/bothomepage/
databank/EconData/Econ&Finance / tab47.asp
, สินคาเขาจําแนกตามภาคเศรษฐกิจ 1 [Online].Accessed 27 August 2002.
Available from http://www.bot.or.th/bothomepage/databank/EconData/Econ&Finance /Download/
Tab47.xls
 ภาคผนวก ข
คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ ARIMA ตัวแบบอัตราดอกเบี้ย
ตัวแบบ VAR และคา RMSE กับคา MAPE ของแตละตัวแบบ
 181

ตารางที่ 36 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ ARIMA ภายในชวงตัวอยาง

และภายนอกชวงตัวอยาง
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 0.90
2 0.90 0.90 0.00446 0.004961 0.004961
3 0.90 0.90 0.00336 0.003717 0.003717
4 0.91 0.91 -0.00168 -0.00186 0.001856
5 0.91 0.91 0.00352 0.003872 0.003872
6 0.91 0.91 -0.00059 -0.00065 0.000648
7 0.92 0.91 0.00397 0.004329 0.004329
8 0.94 0.92 0.02114 0.022465 0.022465
9 0.95 0.95 -0.00609 -0.00644 0.006444
10 0.95 0.95 0.00507 0.00532 0.00532
11 0.96 0.96 0.00427 0.004443 0.004443
12 0.96 0.97 -0.00578 -0.00601 0.006015
13 0.97 0.97 0.00125 0.001286 0.001286
14 0.98 0.98 0.00115 0.001175 0.001175
15 0.99 0.98 0.00512 0.005172 0.005172
16 1.00 1.00 -0.00051 -0.00051 0.000512
17 1.00 1.00 0.0023 0.002295 0.002295
18 1.01 1.01 -0.00041 -0.00041 0.000407
19 1.01 1.01 -0.00411 -0.00407 0.004073
20 1.01 1.01 -0.00081 -0.0008 0.0008
21 1.01 1.02 -0.00626 -0.00619 0.006192
22 1.01 1.01 -0.00318 -0.00315 0.003152
23 1.01 1.01 -0.00456 -0.00453 0.004533
24 1.00 1.01 -0.00323 -0.00322 0.003224
 182

ตารางที่ 36 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
25 1.01 1.00 0.00396 0.003936 0.003936
26 1.01 1.00 0.00024 0.000238 0.000238
27 1.01 1.01 -0.00159 -0.00158 0.001582
28 1.00 1.00 -0.00206 -0.00206 0.002058
29 1.00 1.00 -0.00091 -0.00091 0.000913
30 1.00 1.00 -0.00103 -0.00103 0.001034
31 1.00 1.00 0.002 0.002004 0.002004
32 1.00 1.00 0.00401 0.004002 0.004002
33 1.00 1.00 0.00103 0.001027 0.001027
34 1.01 1.00 0.00318 0.003164 0.003164
35 1.01 1.01 0.00062 0.000616 0.000616
36 1.01 1.01 0.00181 0.001794 0.001794
37 1.01 1.01 0.00026 0.000257 0.000257
38 1.02 1.01 0.00242 0.002382 0.002382
39 1.02 1.02 -0.00229 -0.00225 0.002254
40 1.01 1.02 -0.00335 -0.00331 0.003307
41 1.01 1.01 0.00095 0.000937 0.000937
42 1.02 1.02 0.00043 0.000423 0.000423
43 1.02 1.02 -0.00132 -0.0013 0.001298
44 1.02 1.02 0.00551 0.005386 0.005386
45 1.03 1.02 0.00281 0.002736 0.002736
46 1.02 1.03 -0.00676 -0.00661 0.006614
47 1.02 1.02 0.00208 0.002033 0.002033
48 1.02 1.02 -0.00076 -0.00074 0.000743
49 1.03 1.03 -0.00035 -0.00034 0.000341
50 1.03 1.03 0.00356 0.003453 0.003453
 183

ตารางที่ 36 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
51 1.03 1.03 -0.00032 -0.00031 0.00031
52 1.04 1.03 0.00638 0.006146 0.006146
53 1.04 1.04 0.00125 0.0012 0.0012
54 1.04 1.04 -0.00512 -0.00493 0.004928
55 1.04 1.04 -0.00118 -0.00114 0.001136
56 1.04 1.04 -0.00096 -0.00092 0.000925
57 1.04 1.04 0.0006 0.000576 0.000576
58 1.04 1.04 -0.00743 -0.00717 0.007172
59 1.03 1.03 0.00104 0.001006 0.001006
60 1.03 1.03 -0.00217 -0.0021 0.002105
0.00107517 0.176928
1.8223E-05 MAPE 0.299878
RMSE 0.00426887
 184

ตารางที่ 36 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 1.03 1.03 0 0 0
2 1.03 1.03 0 0 0
3 1.04 1.03 0.01 0.009615 0.009615
4 1.04 1.03 0.01 0.009615 0.009615
5 1.04 1.03 0.01 0.009615 0.009615
6 1.04 1.02 0.02 0.019231 0.019231
7 1.04 1.02 0.02 0.019231 0.019231
8 1.04 1.02 0.02 0.019231 0.019231
9 1.05 1.02 0.03 0.028571 0.028571
10 1.05 1.02 0.03 0.028571 0.028571
11 1.05 1.02 0.03 0.028571 0.028571
12 1.05 1.02 0.03 0.028571 0.028571
0.0051 0.200824
0.000425 MAPE 1.673535
RMSE 0.020616
 185

ตารางที่ 37 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบอัตราดอกเบี้ยภายในชวงตัวอยาง
และภายนอกชวงตัวอยาง
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 0.90
2 0.90 0.9
3 0.90 0.9 0.005 0.005531 0.005531
4 0.91 0.91 0.001 0.001105 0.001105
5 0.91 0.91 0.004 0.0044 0.0044
6 0.91 0.91 0.002 0.002195 0.002195
7 0.92 0.92 0.006 0.006543 0.006543
8 0.94 0.94 0.024 0.025505 0.025505
9 0.95 -0.55 0.004 0.004233 0.004233
10 0.95 2.88 1.49928 1.573221 1.573221
11 0.96 1.52 -1.92019 -1.998117 1.998117
12 0.96 -0.33 -0.55656 -0.579147 0.579147
13 0.97 0.13 1.30339 1.340936 1.340936
14 0.98 -0.8 0.85003 0.868264 0.868264
15 0.99 1.23 1.78891 1.80698 1.80698
16 1.00 -2.71 -0.23638 -0.237091 0.237091
17 1.00 3.39 3.71626 3.708842 3.708842
18 1.01 0.61 -2.37908 -2.360198 2.360198
19 1.01 -0.76 0.39498 0.391457 0.391457
20 1.01 0.71 1.7681 1.74541 1.74541
21 1.01 1.39 0.30255 0.299258 0.299258
22 1.01 0.96 -0.37865 -0.375273 0.375273
23 1.01 1.27 0.0425 0.042247 0.042247
24 1.00 1.37 -0.26871 -0.268174 0.268174
 186

ตารางที่ 37 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
25 1.01 1.00 -0.36157 -0.359414 0.359414
26 1.01 1.00 0.15086 0.149811 0.149811
27 1.01 1.01 -0.31562 -0.31405 0.31405
28 1.00 1.00 -0.32796 -0.327632 0.327632
29 1.00 1.00 -0.36284 -0.363932 0.363932
30 1.00 1.00 -0.13666 -0.137209 0.137209
31 1.00 1.00 -0.08629 -0.086463 0.086463
32 1.00 1.00 -0.1277 -0.127445 0.127445
33 1.00 1.00 -0.10014 -0.09984 0.09984
34 1.01 1.00 -0.03641 -0.036229 0.036229
35 1.01 1.01 -0.08753 -0.087008 0.087008
36 1.01 1.01 -0.12351 -0.122408 0.122408
37 1.01 1.01 -0.06483 -0.064061 0.064061
38 1.02 1.01 -0.06327 -0.062274 0.062274
39 1.02 1.02 -0.02413 -0.02375 0.02375
40 1.01 1.02 -0.08655 -0.085439 0.085439
41 1.01 1.01 -0.00685 -0.006755 0.006755
42 1.02 1.02 0.00166 0.001634 0.001634
43 1.02 1.02 0.00021 0.000206 0.000206
44 1.02 1.02 0.00524 0.005122 0.005122
45 1.03 1.02 -0.00738 -0.007186 0.007186
46 1.02 1.03 -0.01023 -0.01001 0.01001
47 1.02 1.02 0.00979 0.00957 0.00957
48 1.02 1.02 -0.02204 -0.021544 0.021544
49 1.03 1.03 -0.08797 -0.085824 0.085824
50 1.03 1.03 -0.00515 -0.004995 0.004995
 187

ตารางที่ 37 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณError Error/I Error / I
51 1.03 1.030.00146 0.001416 0.001416
52 1.04 1.030.00204 0.001965 0.001965
53 1.04 1.040.00879 0.008436 0.008436
54 1.04 1.040.00294 0.00283 0.00283
55 1.04 1.04-0.00893 -0.008595 0.008595
56 1.04 1.04-0.00203 -0.001956 0.001956
57 1.04 1.04-0.00057 -0.000548 0.000548
58 1.04 1.04 -0.0226 -0.021815 0.021815
59 1.03 1.03-0.06275 -0.060687 0.060687
60 1.03 1.03-0.00569 -0.005519 0.005519
35.58311143 20.3577
0.613501921 MAPE 35.09949
RMSE 0.783263635
 188

ตารางที่ 37 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 1.03 0.67 -0.33363 -0.32391 0.323913
2 1.03 0.47 -0.86502 -0.83983 0.839825
3 1.04 0.47 -0.96585 -0.9287 0.928702
4 1.04 0.47 -0.94603 -0.90964 0.909644
5 1.04 0.47 -0.95298 -0.91633 0.916327
6 1.04 0.47 -0.94928 -0.91277 0.912769
7 1.04 0.47 -0.95067 -0.91411 0.914106
8 1.04 0.45 -0.96886 -0.9316 0.931596
9 1.05 0.47 -1.09017 -1.03826 1.038257
10 1.05 0.47 -1.13123 -1.07736 1.077362
11 1.05 0.33 -1.26327 -1.20311 1.203114
12 1.05 0.25 -0.29607 -0.28197 0.281971
10.49083 10.27759
0.874236 MAPE 85.64656
RMSE 0.935006
 189

ตารางที่ 38 คาสังเกตกับคาพยากรณภาวะเงินเฟอที่ไดจากตัวแบบ VAR ภายในชวงตัวอยาง

และภายนอกชวงตัวอยาง
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 0.90
2 0.90
3 0.90 0.90 3.142E-05 3.476E-05 3.476E-05
4 0.91 0.91 -0.0018048 -0.0019943 0.0019943
5 0.91 0.91 0.0014116 0.0015529 0.0015529
6 0.91 0.91 -0.0018793 -0.0020629 0.0020629
7 0.92 0.92 0.0013615 0.0014847 0.0014847
8 0.94 0.92 0.0161035 0.0171131 0.0171131
9 0.95 0.95 -0.0078316 -0.0082874 0.0082874
10 0.95 0.95 0.0016707 0.0017531 0.0017531
11 0.96 0.96 0.0050961 0.0053029 0.0053029
12 0.96 0.96 -0.0036511 -0.0037992 0.0037992
13 0.97 0.97 0.0044815 0.0046106 0.0046106
14 0.98 0.98 -0.0007234 -0.0007389 0.0007389
15 0.99 0.98 0.0096927 0.0097906 0.0097906
16 1.00 0.99 0.0035592 0.0035699 0.0035699
17 1.00 1.00 0.0033729 0.0033662 0.0033662
18 1.01 1.00 0.0051338 0.0050931 0.0050931
19 1.01 1.01 -0.004967 -0.0049227 0.0049227
20 1.01 1.01 0.0015619 0.0015418 0.0015418
21 1.01 1.01 -0.0019213 -0.0019004 0.0019004
22 1.01 1.01 -0.0027161 -0.0026919 0.0026919
23 1.01 1.01 -0.0024765 -0.0024618 0.0024618
24 1.00 1.00 -0.0026533 -0.002648 0.002648
 190

ตารางที่ 38 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
25 1.01 1.00 0.005662 0.0056283 0.0056283
26 1.00 1.00 0.0014185 0.0014087 0.0014087
27 1.01 1.01 -0.0038485 -0.0038294 0.0038294
28 1.00 1.00 -0.0023691 -0.0023668 0.0023668
29 1.00 1.00 -0.0011396 -0.001143 0.001143
30 1.00 1.00 -0.0001973 -0.0001981 0.0001981
31 1.00 0.99 0.0056198 0.0056311 0.0056311
32 1.00 1.00 0.0039934 0.0039854 0.0039854
33 1.00 1.00 -0.0009073 -0.0009046 0.0009046
34 1.01 1.00 0.0018487 0.0018395 0.0018395
35 1.01 1.01 -0.0001096 -0.0001089 0.0001089
36 1.01 1.01 0.0009734 0.0009647 0.0009647
37 1.01 1.01 0.0009691 0.0009577 0.0009577
38 1.02 1.01 0.0046321 0.0045592 0.0045592
39 1.02 1.02 -0.0019922 -0.0019608 0.0019608
40 1.01 1.02 -0.002356 -0.0023258 0.0023258
41 1.01 1.01 0.0025766 0.0025411 0.0025411
42 1.02 1.01 0.0036686 0.0036108 0.0036108
43 1.02 1.02 0.0005146 0.000506 0.000506
44 1.02 1.02 0.0043861 0.0042875 0.0042875
45 1.03 1.03 -0.0002626 -0.0002557 0.0002557
46 1.02 1.03 -0.0077484 -0.0075816 0.0075816
47 1.02 1.03 -0.0021924 -0.0021431 0.0021431
48 1.02 1.02 -0.0002007 -0.0001962 0.0001962
49 1.03 1.02 0.0007977 0.0007782 0.0007782
50 1.03 1.03 0.0032908 0.0031919 0.0031919
 191

ตารางที่ 38 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
51 1.03 1.03 -0.0024085 -0.0023361 0.0023361
52 1.04 1.04 0.0062548 0.0060259 0.0060259
53 1.04 1.04 0.0005147 0.0004939 0.0004939
54 1.04 1.04 -0.0039389 -0.0037911 0.0037911
55 1.04 1.04 -0.0007184 -0.0006915 0.0006915
56 1.04 1.04 -0.001985 -0.0019123 0.0019123
57 1.04 1.04 0.002774 0.0026648 0.0026648
58 1.04 1.04 -0.007134 -0.0068861 0.0068861
59 1.03 1.04 -0.0018975 -0.0018351 0.0018351
60 1.03 1.04 -0.0041024 -0.003979 0.003979
0.0009904 0.1802409
1.708E-05 MAPE 0.31076
RMSE 0.004132
 192

ตารางที่ 38 (ตอ)
ลําดับที่ คาสังเกต คาพยากรณ Error Error/I Error / I
1 1.03 1.03 0.00 -0.0001764 0.0001764
2 1.03 1.03 0.00 2.167E-05 2.167E-05
3 1.04 1.03 0.01 0.0094718 0.0094718
4 1.04 1.03 0.01 0.0090437 0.0090437
5 1.04 1.03 0.01 0.0084374 0.0084374
6 1.04 1.03 0.01 0.0077103 0.0077103
7 1.04 1.03 0.01 0.0069014 0.0069014
8 1.04 1.03 0.01 0.0060368 0.0060368
9 1.05 1.03 0.02 0.0146094 0.0146094
10 1.05 1.04 0.01 0.0136902 0.0136902
11 1.05 1.04 0.01 0.0127539 0.0127539
12 1.05 1.04 0.01 0.0118058 0.0118058
0.0011927 0.1006588
9.939E-05 RMSE 0.838824
RMSE 0.00997
 193

ประวัติผูวิจัย

ชื่อ-สกุล นาย ธนาวุฒิ ศรีวิรักษ

ที่อยู 48 หมู 3 ตําบลนาเหรง กิ่งอําเภอนบตํา
จังหวัดนครศรีธรรมราช
รหัสไปรษณีย 80160
ประวัติการศึกษา
พ.ศ. 2541 สําเร็จการศึกษาวิทยาศาสตรบัณฑิต สาขาคณิตศาสตร
จากมหาวิทยาลัยทักษิณ
พ.ศ. 2543 ศึกษาตอระดับปริญญามหาบัณฑิต สาขาสถิติประยุกต
บัณฑิตวิทยาลัย มหาวิทยาลัยศิลปากร