Dự báo ARIMA trên EViews

Dự báo ARIMA trên EViews, hướng dân cách dự báo các phần mềm kinh tế có độ nhạy cao như: giá cả, các chỉ số kinh tế như GDP, CPI, IF …. đây là một công cụ hữu ích để dự báo và dự đoán tình hình kinh tế trong ngắn hạn; Công cụ này chỉ phù hợp dùng cho vĩ mô.

DỰ BÁO ARIMA TRÊN EVIEWS

Mô hình ARIMA là gì ?

Trong thống kê và toán kinh tế , và đặc biệt là trong phân tích chuỗi thời gian , một autoregressive tích hợp trung bình trượt (ARIMA) mô hình là một sự tổng quát của một tự hồi di chuyển trung bình (ARMA) mô hình. Cả hai mô hình này đều phù hợp với dữ liệu chuỗi thời gian để hiểu rõ hơn về dữ liệu hoặc dự đoán các điểm trong tương lai của chuỗi ( dự báo ). Các mô hình ARIMA được áp dụng trong một số trường hợp dữ liệu cho thấy bằng chứng không cố định , trong đó bước khác biệt ban đầu (tương ứng với phần “tích hợp” của mô hình) có thể được áp dụng một hoặc nhiều lần để loại bỏ tính không cố định.

Phần AR của ARIMA chỉ ra rằng biến quan tâm đang phát triển được hồi quy trên các giá trị bị trễ (nghĩa là trước) của chính nó. Phần MA chỉ ra rằng lỗi hồi quy thực sự là một tổ hợp tuyến tính của các thuật ngữ lỗi có giá trị xảy ra đồng thời và tại các thời điểm khác nhau trong quá khứ. I (cho “tích hợp”) chỉ ra rằng các giá trị dữ liệu đã được thay thế bằng chênh lệch giữa các giá trị của chúng và các giá trị trước đó (và quá trình khác biệt này có thể đã được thực hiện nhiều lần). Mục đích của mỗi tính năng này là làm cho mô hình phù hợp với dữ liệu nhất có thể.

Các mô hình ARIMA không theo mùa thường được ký hiệu là ARIMA ( p , d , q ) trong đó các tham số p , d và q là các số nguyên không âm, p là thứ tự (số độ trễ thời gian) của mô hình tự phát , d là mức độ của khác biệt (số lần dữ liệu đã bị trừ đi các giá trị trong quá khứ) và q là thứ tự của mô hình trung bình di chuyển . Các mô hình ARIMA theo mùa thường được ký hiệu là ARIMA ( p , d , q ) ( P , D , Q )m , trong đó m đề cập đến số lượng thời gian trong mỗi mùa và chữ hoa P , D , Q đề cập đến các thuật ngữ trung bình tự động, khác biệt và di chuyển cho phần theo mùa của mô hình ARIMA.

Khi hai trong ba thuật ngữ là số không, mô hình có thể được tham chiếu dựa trên tham số khác không, bỏ “AR”, “I” hoặc “MA” từ viết tắt mô tả mô hình. Ví dụ: ARIMA (1,0,0) là AR (1), ARIMA (0,1,0) là I (1) và ARIMA (0,0,1) là MA (1).

Các mô hình ARIMA có thể được ước tính theo cách tiếp cận BoxTHER Jenkins .

Cấu hình mô hình ARIMA

Box và Jenkins (1976) là những người đầu tiên giới thiệu các mô hình ARIMA, trong đó:

AR= Autogressive (tự hồi quy), lấy giá trị q

I= Integrated ( Chuỗi ổn định sau khi chuyển sang dạng sai phân), lấy giá trị d

MA = Moving average ( bình quân di động), lấy giá trị p

Phần mềm dự báo ARIMA

Mô hình ARIMA là một trong những mô hình dự báo phổ biến nên có rất nhiều phần mềm thống kê có thể làm được như: dự báo arima trên phần mềm thống kê spss, mô hình arima trong R, dự báo kinh tế bằng mô hình ARIMA trong ứng dụng kinh tế Stata … Nhưng trong phần này, chúng tôi Hướng dẫn dự báo ARIMA trên phần mềm Eviews 10.

Các bước dự báo arima

Xác định chuỗi ổn định

Ở đây chúng tôi lấy ví dụ cụ thể có các bạn dễ hiểu là chúng tôi cần dự báo giá nhà ở trong những năm tiếp theo thì có những biến động như thế nào; Để xác đinh chuổi ổn định ta sử dụng Unit root test, được cấu hình như trong hình sau:

Ta được kết quả chuỗi dừng sau khi sai phân bậc 1 => d =1, kết quả trong bảng sau:

Để biết là chuỗi (data) của chúng ta đã ổn định hay chưa ? chúng ta dùng chỉ số Test Critical values:  1% level có giá trị tuyệt đối so sánh với giá trị tuyệt đối của t-Statistic, nếu nó nhỏ hơn tức là chuỗi đã ổn định tại mức sai phân.

Ngoài dùng kiểm nghiệm unit root test chúng ta có thể dùng biểu đồ để nhận biết chuỗi dữ liệu có ổn định hay chưa?

Giản đồ tự tương quan ( correlagram)

Ta dùng giản  đồ tự tương quan để xác định 2 chỉ số quan trong tiếp theo đó là q và p của ACF và PACF hay còn gọi là AC và PAC tương đương với Autocorrelation và Partial Correlation trong biểu đồ tự tương quan.

Nếu dùng lý thuyết để tìm giá trị q và p thì nhiều bạn không hiểu và khó có thể thực hiện được; Trong trường hợp này chúng tôi hướng dẫn các bạn dùng “trực quan” để nhận biết giá trị q &p trong giản đồ tự tương quan.

Tại cột AC ta dễ dàng nhận thấy rằng tại lag(1), chỉ duy nhất tại lag(1) có gái trị vượt qua ranh giới hạn ( nét đứt), và có giá trị ý nghĩa thống kê với P-value <0.05. Ta chọn q =1.

Tại cột PAC ta thấy có quá nhiều vị trí lag mà làm cho giá trị PAC vượt qua ranh giới; Tại vị trí lag(1) ta có giá trị PAC vượt qua giới hạn nhiều nhất, nên ta chọn p=1.

Ước lượng mô hình ARIMA

Thực chất của mô hình dự báo arima là sử dụng nhiều mô hình sự báo, bao gồm AR(p), MA(q), ARMA(p,q) và ARIMA(p,d,q).

Kết quả ước lượng mô hình arima(1,1,1) ta được như sau:

Ta có thể sử dụng câu lệnh:

ls d(giadv) c ar(1) ma(1)

hay chức năng:

Proc > Automatic ARIMA Forecasting

Điều cho ra kết quả như trên.

Dự báo bằng mô hình ARIMA

Với mô hình này, thì việc ước lượng mô hình nó chỉ là cộng cụ để giúp chúng ta dự báo; Vì vậy, bây giờ chúng ta dự báo mô hình cho đơn vị thời gian tiếp theo;

Chúng ta đặt giả thuyết là cần phải dự báo giá nhà đất (giadv)  cho kỳ tiếp theo sẽ là bao nhiêu ?

Bấm vào chức năng forecasting trong bảng Equation

Kiểm định mô hình

Để sử dụng được kết quả dự báo chúng ta cần phải kiểm định mô hình cho phù hợp

Kiểm định phần dư phân phối chuẩn

Từ đồ thị trên chúng ta có thể khẳng định rằng phần dư có phân phối chuẩn; Ngoài dùng đồ thị, chúng ta còn dùng có thể dùng kiểm định khác.

 Kiểm định tính ổn định phần dư

Từ kết quả trên cho thấy phần dư có tính ổn định

Sau khi kiểm định phần dư xong, thì chúng ta có thể sử dụng được kết quả dự báo trên.

Nếu các bạn muốn tham khảo thêm Hướng dẫn chạy ARIMA trên SPSS thì có thể xem video trên.