Luận Văn Ứng Dụng Mô Hình Arima Trong Dự Báo Lạm Phát Việt Nam.docx

DỊCH VỤ VIẾT THUÊ ĐỀ TÀI TRỌN GÓI - ZALO / TEL: 0917.193.864 -
LUANVANTRUST.COM -
TẢI TÀI LIỆU – KẾT BẠN ZALO: 0917.193.864
LUANVANTRUST.COM -
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Lạm phát thường có tác động tiêu cực đến phát triển kinh tế-
xã hội. Tuy nhiên, nếu nền kinh tế thích ứng được với sự thay đổi
của lạm phát thì có thể hạn chế thiệt hại do lạm phát gây ra cũng như
khai thác mặt tích cực của lạm phát trong một số trường hợp. Điều
này đòi hỏi lạm phát phải được dự đoán trước. Song, những biến
động kinh tế trong và ngoài nước sẽ có những ảnh hưởng không nhỏ
đến mục tiêu lạm phát từ nay đến năm 2015.
Mục tiêu Kế hoạch Phát triển Kinh tế - xã hội năm 2014 và
dự kiến cho năm 2015 của Bộ kế hoạch và Đầu tư là kiểm soát lạm
phát ở mức khoảng 7% năm 2014 và khoảng 5% năm 2015. Theo dự
báo của Ernst & Young (2/2014), lạm phát Việt Nam năm 2014 là
6.5% và năm 2015 là 6%. Dựa trên nhận định nhu cầu tiêu dùng
trong nước giảm, nguồn cung thực phẩm cao và giá nhiên liệu toàn
cầu ổn định, Ngân hàng Phát triển Châu Á (ADB) lại đưa ra kì vọng
về lạm phát Việt Nam trong năm 2014 là khoảng 4.5% và năm 2015
là 5.5%. Gần đây nhất, trong Báo cáo triển vọng kinh tế khu vực
Đông Á Thái Bình Dương, Ngân hàng thế giới (WB) dự báo lạm
phát Việt Nam là 4.5% năm 2014 và 5% năm 2015.
Trước những nhận định khác nhau như vậy về lạm phát của
Việt Nam năm 2014, 2015, việc xây dựng một mô hình phù hợp để
dự báo lạm phát Việt Nam là một điều cần thiết, nhằm đưa ra con số
dự báo độc lập với các dự báo đã dược công bố, hỗ trợ các nhà hoạch
định chính sách cũng như các doanh nghiệp có căn cứ lập kế hoạch
phát triển cùng những giải pháp thích hợp để phòng ngừa và tối thiểu
hóa thiệt hại do lạm phát gây ra.
Lạm phát có thể dược dự báo bằng các mô hình như: Mô
hình đường cong Phillips, mô hình lý thuyết tiền tệ truyền thống, mô
hình hiệu chỉnh sai số, mô hình Tự hồi quy tích hợp trung bình trượt

LUANVANTRUST.COM -
LUANVANTRUST.COM -
2
(ARIMA), mô hình Tự hồi quy vecto, … Trong đó, mô hình ARIMA
chỉ dùng các giá trị trong quá khứ của chính biến số cần dự báo nên
nó được dùng khá phổ biến và tỏ ra hiệu quả hơn trong việc dự báo
ngắn hạn các chuỗi thời gian như tỉ giá, lạm phát, tăng trưởng, … so
với các mô hình khác.
Do vậy, đề tài: “Ứng dụng mô hình ARIMA trong dự báo
lạm phát Việt Nam” được lựa chọn để tiến hành nghiên cứu.
2. Mục tiêu nghiên cứu
-
ARIMA.
Hệ thống lại cơ sở lý luận cơ bản về lạm phát và mô hình
- Tổng quan thực tiễn lạm phát ở Việt Nam trong giai đoạn
từ tháng 1/2005 đến tháng 10/2014, để thấy được phần nào quy luật
diễn biến phức tạp của lạm phát tại một nước đang phát triển như
nước ta.
- Xây dựng mô hình ARIMA phù hợp để dự báo lạm phát
Việt Nam trong thời gian tới từ tháng 11/2014 đến tháng 6/2015. Từ
đó, đề xuất một số khuyến nghị đối với Chính phủ và Ngân hàng Nhà
nước trong điều hành chính sách vĩ mô.
3. Câu hỏi nghiên cứu
4. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu:
Đề tài tập trung nghiên cứu việc vận dụng mô hình ARIMA
xem xét chuỗi chỉ số giá tiêu dùng CPI (chỉ số được sử dụng để phản
ánh lạm phát ở Việt Nam) của cả nước được quan sát theo tháng từ
tháng 1/2005 đến tháng 6/2014 nhằm dự báo lạm phát Việt Nam từ
tháng 7/2014 đến tháng 6/2015. Trong đó, kết quả dự báo các tháng
7, 8, 9 và 10/2014 được so sánh với giá trị thực để đánh giá dự báo.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
Phạm vi nghiên cứu:
Để xây dựng mô hình ARIMA cho lạm phát Việt Nam, đề
tài chỉ sử dụng các dữ liệu chuỗi thời gian trong quá khứ của chỉ số

LUANVANTRUST.COM -
LUANVANTRUST.COM -
3
CPI từ tháng 1/2005 đến tháng 6/2014. Trên cơ sở mô hình xây dựng
được, nghiên cứu đưa ra dự báo lạm phát Việt Nam trong ngắn hạn,
từ tháng 11/2014 đến tháng 6/2015. Như đã nói ở trên, các tháng
7/2014-10/2014 được dùng để đánh giá dự báo.
5. Phương pháp nghiên cứu:
Đề tài vận dụng phương pháp Box-Jenkins xây dựng mô
hình ARIMA dự báo lạm phát với quy trình gồm 4 bước: Nhận dạng
mô hình; Ước lượng mô hình; Kiểm tra mô hình và Dự báo.
Dữ liệu mẫu được thu thập và tính toán trên cơ sở nguồn dữ
liệu sơ cấp từ Tổng cục Thống kê Việt Nam kết hợp phương pháp
nội suy.Công cụ hỗ trợ cho nghiên cứu là phần mềm Excel và Eview.
Ngoài ra, các phương pháp khác như: phương pháp định
tính, phân tích thống kê mô tả, tổng hợp, so sánh cũng được sử dụng
nhằm làm rõ những vấn đề nghiên cứu.
6. Bố cục của đề tài
Chương 1: Cơ sở lý luận về lạm phát và mô hình ARIMA.
Chương 2: Thiết kế nghiên cứu dự báo lạm phát Việt Nam bằng mô
hình ARIMA.
Chương 3: Kết quả nghiên cứu dự báo lạm phát Việt Nam và một số
khuyến nghị.
7. Ý nghĩa khoa học và thực tiễn của đề tài

LUANVANTRUST.COM -
LUANVANTRUST.COM -
4
CHƯƠNG 1
CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT VÀ MÔ HÌNH ARIMA
1.1. CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT
1.1.1. Khái niệm về lạm phát
Lạm phát là sự gia tăng liên tục của mức giá chung hay sự
giảm giá liên tục sức mua của đồng tiền. Đây là khái niệm hiện nay
được hầu hết tác giả trong và ngoài nước sử dụng.
Với khái niệm này, biểu hiện của lạm phát là giá cả của hầu
hết các hàng hóa trong nền kinh tế tăng lên một cách đồng thời và
liên tục trong một khoảng thời gian đủ dài để có thể nhận rõ xu
hướng này. Lạm phát không phải là hiện tượng giá cả của một vài
hàng hóa hay nhóm hàng hóa nào đó tăng lên mà là sự tăng lên của
mức giá chung của nền kinh tế. Ngoài ra, việc tăng giá mang tính đột
biến hay ngắn hạn không được xem là biểu hiện của lạm phát.
1.1.2. Phân loại lạm phát
a. Phân loại lạm phát theo căn cứ định lượng
b. Phân loại lạm phát theo căn cứ định tính
1.1.3. Đo lường lạm phát
Lạm phát được đo lường bằng chỉ tiêu tỉ lệ lạm phát, thể hiện
qua chỉ số giá cả. Chỉ số giá cả là tỉ lệ giữa mức giá cả trung bình ở
kỳ tính toán so với mức giá cả trung bình ở kỳ gốc của một nhóm
hàng hóa nhất định.
Tỉ lệ lạm phát = [mức giá cả chung trung bình (t) – mức giá
cả chung trung bình (t0)] / mức giá cả chung trung bình (t0).
Chỉ số giá tiêu dùng (Consumer Price Index – CPI) được sử
dụng để tính tỉ lệ lạm phát của phần lớn quốc gia trên thế giới.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
5
1.1.4. Tác động của lạm phát
a. Tác động tiêu cực của lạm phát
b. Tác động tích cực của lạm phát
1.2 MỘT SỐ MÔ HÌNH NGHIÊN CỨU VỀ LẠM PHÁT
1.2.1. Một số mô hình lý thuyết về lạm phát
a. Mô hình đường cong Phillips
b. Mô hình lạm phát do chi phí đẩy
c. Mô hình lạm phát do cầu kéo
d. Mô hình lạm phát theo quan điểm kì vọng
e. Mô hình lạm phát theo trường phái tiền tệ
1.2.2. Một số mô hình định lượng dự báo lạm phát phổ biến
a. Mô hình dự báo chuỗi thời gian
b. Mô hình nhân quả
c. Mô hình mạng thần kinh (Neural Network)
1.3. CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA
1.3.1. Giới thiệu chuỗi thời gian trong kinh tế
a. Định nghĩa và các thành phần của chuỗi thời gian
Chuỗi thời gian là một dãy các giá trị của một đại lượng nào
đó được quan sát theo trình tự thời gian. Ta đặt Yt là giá trị quan sát
của chuỗi ở thời đoạn (hoặc thời điểm) t, với t =1; 2; 3; …; n.
Các thành phần của dữ liệu chuỗi thời gian trong kinh tế
gồm:
-
-
-
Thành phần xu thế (Trend component).
Thành phần mùa (Seasonality).
Thành phần chu kì (Cyclical).
- Thành phần ngẫu nhiên (Irregular).
b. Quá trình ngẫu nhiên(Stochastic process)

LUANVANTRUST.COM -
LUANVANTRUST.COM -
*
*
Định nghĩa quá trình ngẫu nhiên:
Một số quá trình ngẫu nhiên giản đơn:
- Nhiễu trắng (White noise):

LUANVANTRUST.COM -
LUANVANTRUST.COM -
6
Nhiễu trắng là một quá trình ngẫu nhiên có trung bình bằng
0, phương sai đồng nhất và không tương quan.
- Bước ngẫu nhiên (Random walk):
- Bước ngẫu nhiên với bước nhảy (Random walk with drift):
c. Định nghĩa chuỗi thời gian dừng
Quá trình ngẫu nhiên {Yt} được xem là dừng mạnh (dừng
theo nghĩa hẹp) nếu {Yt} có quy luật phân phối xác suất độc lập với
thời gian, tức là trung bình và phương sai của quá trình không thay
đổi theo thời gian và hiệp phương sai giữa hai thời đoạn chỉ phụ
thuộc vào khoảng cách độ trễ về thời gian giữa các thời đoạn này chứ
không phụ thuộc vào thời điểm thực tế mà hiệp phương sai được
tính.
Quá trình được gọi là dừng yếu (dừng theo nghĩa rộng) khi
thỏa mãn điều kiện (1.8) dưới đây:
E(Yt ) = ,∀t
Var(Yt ) < ∞,∀ t
Cov(Y ,Y ) = (k)
t t −k
(1.8)
Chuỗi thời gian không thỏa mãn cả 3 điều kiện ở (1.8) là
chuỗi không dừng. Theo định nghĩa về quá trình dừng, ta thấy nhiễu
trắng là chuỗi dừng, bước ngẫu nhiên không có tính dừng.
1.3.2. Một số công cụ cơ bản trong phân tích chuỗi thời
gian
a. Toán tử trễ và toán tử sai phân
b. Hàm tự tương quan (ACF)
c. Hàm tự tương quan riêng phần (PACF)
1.3.3 Tổng quan về mô hình tự hồi quy tích hợp trung

LUANVANTRUST.COM -
LUANVANTRUST.COM -
bình trượt (ARIMA)
Một phương pháp rất phổ biến trong dự báo chuỗi thời gian
là lập mô hình tự hồi quy tích hợp trung bình trượt. Mô hình tự hồi

LUANVANTRUST.COM -
LUANVANTRUST.COM -
7
quy tích hợp trung bình trượt (Autoregressive Intergrated Moving
Average – ARIMA) là mô hình dự báo chuỗi thời gian đơn biến
được Box, G.E.P., và G.M Jenkins giới thiệu vào năm 1976 dựa trên
ý tưởng cho rằng, chuỗi thời gian có thể được giải thích bằng cách
kết hợp các hành vi hiện tại và trong quá khứ với các yếu tố ngẫu
nhiên (gọi là nhiễu) ở hiện tại và quá khứ. Thực chất, ARIMA là
tổng hợp của các mô hình: mô hình tự hồi quy (AR), mô hình tích
hợp (I) và mô hình trung bình trượt (MA). Chuỗi dữ liệu nghiên cứu
bằng mô hình ARIMA phải có tính dừng.
a. Mô hình tự hồi quy (AR)
Quá trình chuỗi tự hồi quy bậc p được kí hiệu là AR(p) có
phương trình (1.19):
Yt = + Y +
1
t-1
trong đó t là nhiễu trắng.
2
Yt-2 + … + Y +
p
t-p
t (1.19)
b. Mô hình trung bình trượt (MA)
Quá trình trung bình trượt bậc q được kí hiệu là MA(q) có
phương trình (1.23):
Yt =
+
1 t −1
+ 2 t −2 + … + q t −q + t (1.23)
c. Mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA)
Mô hình tự hồi quy bậc p trung bình trượt bậc q [kí hiệu là
ARMA (p, q)] là mô hình tổng hợp từ AR(p) và MA(q) có phương
trình (1.27) sau:
Yt = + Y +
1
t-1
+ +
q t −q t
2
Yt-2 +…+ Y + +
p t-p 1 t −1 2
t−2
+…
(1.27)
ARMA(p, q) có thể viết lại dưới dạng toán tử trễ ở phương

LUANVANTRUST.COM -
LUANVANTRUST.COM -
trình (1.28):
(1 – L – L2 - … - Lp)Yt = + (1 + 1L +
1 2 p
Lq)
+
q t
2
L2 + …
(1.28)

LUANVANTRUST.COM -
LUANVANTRUST.COM -
8
Mô hình ARMA chỉ áp dụng để nghiên cứu các chuỗi thời
gian dừng. Tuy nhiên trong thực tế, phần lớn các chuỗi thời gian là
chuỗi không dừng, ta có thể lấy sai phân d lần (1-L)d để biến đổi
chuỗi Y thành chuỗi dừng. Khi đó, chuỗi Y được xem là chuỗi tích
t t
hợp bậc d, kí hiệu là I(d).
Áp dụng chuỗi ARMA(p, q) cho chuỗi tích hợp bậc d, ta
được chuỗi tự hồi quy tích hợp trung bình trượt, và mô hình là
ARIMA(p, d, q), có dạng như phương trình (1.29) sau:
p
(L)(1 – L)dYt = (L)
q t (1.29)
trong đó t là nhiễu trắng và d là bậc sai phân của Yt .
Trường hợp chuỗi Yt có yếu tố mùa với chu kì mùa là s thời
đoạn, phương pháp đơn giản nhất để loại bỏ yếu tố mùa trong chuỗi
là lấy sai phân thứ s của chuỗi Yt (hay còn được gọi là sai phân mùa
(1-LS)).
Áp dụng chuỗi ARIMA(p, d, q) cho chuỗi sai phân mùa bậc
D, tự hồi quy mùa bậc P, trung bình trượt mùa bậc Q, ta được mô
hình ARIMA(p, d, q)(P, D, Q)s có dạng như phương trình (1.30):
p
(L) Φ (Ls)(1 – L)d (1- Ls)D Y = (L) ΘQ (Ls) +
P t q t
(1.30)
Hàm tự tương quan và hàm tự tương quan riêng phần của mô
hình ARIMA phức tạp hơn so với mô hình AR và MA.
KẾT LUẬN CHƯƠNG 1

LUANVANTRUST.COM -
LUANVANTRUST.COM -
9
CHƯƠNG 2
THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM
BẰNG MÔ HÌNH ARIMA
2.1. TỔNG QUAN VỀ LẠM PHÁT VIỆT NAM
2.1.1. Cách thức đo lường lạm phát tại Việt Nam
2.1.2. Tình hình lạm phát Việt Nam trong giai đoạn từ
năm 2005 đến tháng 10/2014
2.2. CƠ SỞ ĐỀ XUẤT VẬN DỤNG MÔ HÌNH ARIMA TRONG
DỰ BÁO LẠM PHÁT VIỆT NAM
2.2.1. Sự cần thiết phải áp dụng mô hình định lượng
trong dự báo lạm phát tại Việt Nam
2.2.2. Ưu điểm của mô hình ARIMA so với các mô hình
khác và sự phù hợp của mô hình ARIMA với thực tiễn Việt Nam
2.2.3. Một số nghiên cứu thực nghiệm về dự báo lạm
phát bằng mô hình ARIMA
* Nghiên cứu ở nước ngoài:
* Nghiên cứu tại Việt Nam:
Như vậy, trước sự cần thiết phải ứng dụng phương pháp định
lượng vào dự báo lạm phát tại Việt Nam, với những ưu cùng tính hiệu quả
trong dự báo ngắn hạn và sự phù hợp với thực tiễn Việt Nam, mô hình
ARIMA là một lựa chọn thích hợp. Bên cạnh đó, các nghiên cứu thực
nghiệm trước đây cũng cho thấy tính ứng dụng cao của phương pháp
Box-Jenkins. Do đó, đề tài vẫn sử dụng phương pháp này để lập mô hình
và dự báo lạm phát Việt Nam trong 12 tháng tới.
2.3. THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT
NAM BẰNG MÔ HÌNH ARIMA

LUANVANTRUST.COM -
LUANVANTRUST.COM -
2.3.1. Phương pháp nghiên cứu
Đề tài sử dụng phương pháp Box-Jenkins để xây dựng mô
hình ARIMA dự báo lạm phát Việt Nam. Phương pháp này tiến hành

LUANVANTRUST.COM -
LUANVANTRUST.COM -
10
dự báo lạm phát chỉ dựa trên việc xem xét chính chuỗi giá trị lạm
phát trong quá khứ. Box – Jenkins (1976) đã đưa ra quy trình dự báo
đối với dữ liệu chuỗi thời gian bằng mô hình ARIMA gồm các bước
sau: Bước 1: Nhận dạng mô hình; Bước 2: Ước lượng mô hình; Bước
3: Kiểm định mô hình; Bước 4: Dự báo.
Nếu mô hình ước lượng được không thỏa mãn các kiểm định
ở bước 3 thì ta phải tìm mô hình khác bằng cách quay lại bước 1.
Quá trình này được lặp lại cho đến khi ta chọn được mô hình phù
hợp nhất để tiến hành dự báo. Dữ liệu được nghiên cứu theo phương
pháp Box – Jenkins phải là chuỗi dừng. Do vậy, trước khi nhận dạng
mô hình, ta cần phải xem xét dữ liệu chuỗi lạm phát có dừng hay
không và biến đổi thành chuỗi dừng nếu chưa dừng.
a. Xem xét tính dừng của chuỗi dữ liệu
Để nhận biết tính dừng của một chuỗi thời gian, đề tài sử
dụng đồng thời đồ thị của chuỗi thời gian, biểu đồ hàm tự tương
quan mẫu (SAC) và kiểm định nghiệm đơn vị của Dickey-Fuller.
b. Nhận dạng mô hình
Nhận dạng mô hình ARIMA là tìm các giá trị thích hợp cho các
tham số không mùa: p, d, q và các tham số mùa (nếu có): P, D, Q.
d là số lần lấy sai phân thông thường và D là số lần lấy sai
phân mùa để biến đổi chuỗi trở thành chuỗi dừng.
Việc xác định các giá trị p, q, P, Q dựa vào đặc điểm của
hàm SAC và hàm SPAC.
- Nếu SAC giảm đột ngột, hàm SAC không có ý nghĩa thống kê
kể từ bậc k và hàm SPAC giảm dần thì chọn mô hình MA(q), với q ≥ k.
- Nếu SPAC giảm đột ngột, hàm SPAC không có ý nghĩa thống
kê kể từ bậc k và hàm SAC giảm dần thì chọn mô hình AR(p), với p ≥ k.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
- Nếu SAC và SPAC đều giảm dần thì chọn mô hình
ARMA(p, q).
Việc khảo sát trên SAC và SPAC tại các độ trễ là bội số của

LUANVANTRUST.COM -
LUANVANTRUST.COM -
11
độ dài mùa S sẽ giúp kết luận các giá trị P, Q phù hợp cho mô hình.
Nói cách khác, với chuỗi lạm phát quan sát theo tháng, ta cần nghiên
cứu đồng thời chiều hướng của SAC và SPAC của chuỗi dữ liệu ở
những độ trễ nhỏ hơn 12 (không mùa) cũng như ở những độ trễ 12,
24, 36 và 48 (mùa).
c. Ước lượng mô hình
Bước tiếp theo, đề tài sử dụng phương pháp ước lượng bình
phương tối thiểu để ước lượng các tham số
ARIMA nhận dạng được.
, của mô hình
d. Kiểm định mô hình
- Kiểm định phần dư là nhiễu trắng:
Phương pháp tốt nhất để kiểm định sự phù hợp của mô hình
là kiểm tra phần dư của mô hình có phải là nhiễu trắng không (Bruce
and Richard). Nếu phần dư là nhiễu trắng thì chấp nhận mô hình.
Trong trường hợp ngược lại, đề tài phải tiến hành lại từ bước nhận
dạng mô hình. Các kiểm định được sử dụng là kiểm định Ljung-Box
(LB) với trị thống kê Q, hoặc kiểm định LM.
- Kiểm định các hệ số của mô hình phải khác 0:
Khi phần dư là nhiễu trắng thì ta có thể sử dụng kiểm định
Student với thống kê t để xem xét các tham số trong mô hình có ý
nghĩa thống kê hay không.
- Kiểm tra hiện tượng thừa biến trong mô hình:
Đề tài sử dụng ma trận tự tương quan cho các tham số ước
lượng để kiểm tra có tồn tại hiện tượng thừa tham số hay không.
Sau tất cả các kiểm định trên, nếu tồn tại nhiều hơn một mô hình
đúng, ta sẽ lựa chọn mô hình có các tiêu chuẩn thông tin AIC, SIC, RMSE

LUANVANTRUST.COM -
LUANVANTRUST.COM -
cực tiểu. Trong trường hợp 3 tiêu chuẩn trên không đồng thời cực tiểu, mô
hình có AIC nhỏ nhất sẽ được lựa chọn (TS. Nguyễn Thống, 2000).
- Kiểm định tính ổn định cấu trúc của mô hình:
Đề tài sử dụng kiểm định Chow với trị thống kê F để xem

LUANVANTRUST.COM -
LUANVANTRUST.COM -
12
liệu có sự thay đổi về mặt cấu trúc của mô hình giữa các giai đoạn
khác nhau của chuỗi dữ liệu lạm phát (do thay đổi chính sách hoặc
cú sốc kinh tế) hay không.
Nếu có sự thay đổi cấu trúc giữa các thời kì, đề tài sẽ thực
hiện dự báo theo 2 hướng, dự báo mô hình ban đầu và dự báo mô
hình kể từ điểm gãy cuối cùng. Từ đó, ta so sánh và đưa ra nhận định
mô hình nào là mô hình phù hợp nhất để dự báo lạm phát Việt Nam.
e. Dự báo
Bước cuối cùng, dựa vào mô hình ARIMA xây dựng được,
đề tài tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của
dự báo cho chuỗi lạm phát bằng phần mềm Eviews với độ tin cậy là
95% và k=1.96 như sau:
∧
Dự báo điểm: Yt
∧
Khoảng tin cậy: Y -k
t
∧ ∧
< Y <Y + k
( ) t t
t
( )
t
(2.11)
2.3.2. Phương pháp thu thập và xử lí số liệu
Đề tài tiến hành nghiên cứu dự báo lạm phát Việt Nam theo
phương pháp Box-Jenkins. Theo đó, lạm phát Việt Nam được dự báo
dựa trên việc nghiên cứu động thái của chính chuỗi lạm phát trong
quá khứ. Việt Nam sử dụng chỉ số giá tiêu dùng CPI để phản ánh lạm
phát. Bên cạnh đó, mô hình ARIMA đòi hỏi chuỗi thời gian phải có
ít nhất 50 quan sát, đặc biệt đối với các chuỗi thời gian có thành phần
mùa thì chuỗi dữ liệu phải được quan sát từ 3 đến 10 năm. Do vậy,
dữ liệu phục vụ cho đề tài là chuỗi số liệu CPI được lấy theo tháng từ
tháng 1/2005 đến tháng 6/2014 sau khi đã xử lí sơ bộ. Số liệu CPI
được thu thập từ Tổng cục thống kê Việt Nam. Để đảm bảo tính nhất
quán của dữ liệu đầu vào cho mô hình, CPI từ tháng 1/2005 đến

LUANVANTRUST.COM -
LUANVANTRUST.COM -
tháng 10/2009 được đưa về giá trị có cùng năm gốc tính toán gần đây
nhất của các tháng còn lại là năm 2009 bằng phương pháp nội suy.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
13
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM
VÀ MỘT SỐ KHUYẾN NGHỊ
3.1. THỐNG KÊ MÔ TẢ DỮ LIỆU
Mẫu thống kê trong nghiên cứu này gồm 114 quan sát (Bảng
1-Phụ lục 2), là các giá trị CPI theo tháng (đã được đưa về giá trị tính
toán so với năm gốc chung là năm 2009) từ tháng 1/2005 đến tháng
6/2014, bốn tháng còn lại là tháng 7, 8, 9, 10/2014 được sử dụng để
đánh giá dự báo. Chuỗi CPI có tính xu thế và có dấu hiệu của tính
mùa thể hiện qua đồ thị của chuỗi CPI ở hình 3.1.
Kết quả kiểm định Jarque-Bera ở bảng 3.2 với mức ý nghĩa
5% cho thấy chuỗi CPI không tuân theo phân phối chuẩn. Các chỉ số
thống kê mô tả ở bảng 3.1 cũng chứng tỏ chuỗi CPI luôn biến động
và có xu hướng lệch phải.
3.2. KẾT QUẢ NGHIÊN CỨU
3.2.1. Kiểm định tính dừng của chuỗi dữ liệu
Chuỗi CPI có tính xu thế, nên nhìn nhận một cách trực quan
thì chuỗi CPI không dừng. Biểu đồ tự tương quan của CPI ở hình 3.2
và kiểm định ADF ở bảng 3.3 ở mức ý nghĩa 5% cho kết luận chuỗi
CPI không dừng.
Để giảm tính xu thế, trước hết chuỗi CPI được lấy logarith
(kí hiệu là logCPI). Chuỗi logCPI không dừng thể hiện qua biểu đồ
tự tương quan của logCPI ở hình 1 (phụ lục 1) và kiểm định ADF ở
bảng 3.4. Để có chuỗi dừng, ta lấy sai phân bậc 1 của logCPI được
chuỗi d_log CPI có đồ thị ở Hình 3.3 dưới đây:

LUANVANTRUST.COM -
LUANVANTRUST.COM -
14
.0 4
.0 3
.0 2
.0 1
.0 0
-.0 1
0 5 0 6 0 7 0 8 0 9 1 0 1 1 1 2 1 3
D _ L O G C P I
Hình 3.3: Đồ thị chuỗi d_logCPI
Ta có thể thấy qua Hình 3.3, chuỗi d_logCPI biến động theo
thời gian, nhưng giá trị trung bình của chuỗi d_logCPI không thay
đổi theo thời gian và chuỗi có phương sai giới hạn. Đây là những đặc
trưng của một chuỗi dừng, nên chuỗi d_logCPI có thể là chuỗi dừng.
Hình 3.4: Giản đồ tương quan của chuỗi d_logCPI
Sự giảm nhanh về giá trị 0 sau 3 độ trễ đầu tiên của SAC ở
Hình 3.4 cùng kiểm định APF cho thấy chuỗi d_logCPI là chuỗi
dừng. Vậy, mô hình sẽ được ước lượng với sai phân bậc 1 của chuỗi
logCPI là chuỗi d_logCPI.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
3.2.2. Nhận dạng mô hình
Hình 3.4 cho thấy SPAC có đỉnh cao ở độ trễ 1, có ý nghĩa
thống kê và sau đó giảm đột ngột về 0, kết hợp với SAC giảm dần

LUANVANTRUST.COM -
LUANVANTRUST.COM -
15
nhanh theo dạng hàm mũ giảm, ta có thể kết luận tạm thời là chuỗi
d_logCPI tuân theo mô hình tự hồi quy bậc p=1.
Biểu đồ SAC ở Hình 3.4 cũng cho thấy có đỉnh cao ở độ trễ
36, trong khi ta đã biết chuỗi d_logCPI là chuỗi thời gian quan sát
theo tháng, cùng với đồ thị Hình 3.3 đã trình bày nên yếu tố mùa chu
kì 12 tháng có thể tồn tại trong mô hình. Điều này gợi ý rằng thành
phần MA mùa cần được xem xét trong mô hình với các bậc Q = {1;
2; 3}. Tương tự, SPAC cũng tồn tại những đỉnh cao tại độ trễ 13; 25.
Do đó, thành phần AR mùa bậc P = {1; 2} cũng được nhận dạng thử.
Như vậy, mô hình nhận dạng có thể phù hợp cho chuỗi logCPI là
mô hình tự hồi quy tích hợp trung bình trượt có tính mùa ARIMA(p, d,
q)(P, D, Q)s với các dạng thử nghiệm: ARIMA(1; 1; 0)(1; 0; 1)12,
ARIMA(1; 1; 0)(2; 0; 1)12, ARIMA(1; 1; 0)(1; 0; 2)12, ARIMA(1; 1; 0)(2;
0; 2)12, ARIMA(1; 1; 0)(1; 0; 3) , ARIMA(1; 1; 0)(2; 0; 3) .
3.2.3. Ước lượng và kiểm định mô hình
Ta ước lượng các mô hình ARIMA đã nhận dạng thử bằng
phương pháp ước lượng bình phương tối thiểu.
Từ các kết quả ước lượng ở bảng 3 đến bảng 8 (phụ lục 2),
qua kiểm định Fisher, cả 6 mô hình được nhận dạng đều có ý nghĩa
thống kê với mức ý nghĩa 5%. Bên cạnh đó, hệ số R2 điều chỉnh của
6 mô hình đều lớn hơn 50%, chứng tỏ mô hình có độ phù hợp tương
đối với dữ liệu.
So sánh các thông số phổ biến của mô hình được tổng hợp ở
Bảng 3.5, mô hình ARIMA(1; 1; 0)(2; 0; 3)12 có R2 điều chỉnh lớn
nhất và các giá trị AIC, SIC, RMSE nhỏ nhất nên đây là mô hình phù
hợp với logCPI nhất.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
16
Bảng 3.5: Các thông số thống kê của các mô hình
Mô hình
R2 hiệu
chỉnh
AIC SIC RMSE
ARIMA(1; 1; 0)(1; 0; 1)12 0.631391 -7.53960 -7.43539 0.00538
ARIMA(1; 1; 0)(2; 0; 1)12 0.657757 -7.53964 -7.39888 0.00527
ARIMA(1; 1; 0)(1; 0; 2)12 0.627511 -7.51960 -7.38934 0.00536
ARIMA(1; 1; 0)(2; 0; 2)12 0.709460 -7.69282 -7.52391 0.00483
ARIMA(1; 1; 0)(1; 0; 3)12 0.724342 -7.81123 -7.65492 0.00459
ARIMA(1; 1; 0)(2; 0; 3)12 0.767785 -7.90640 -7.70930 0.00429
Ta kiểm tra độ phù hợp của mô hình ARIMA(1; 1; 0)(2; 0;
3)12 qua các kiểm định sau:
* Kiểm định phần dư có phải là nhiễu trắng hay không.
Hình 3.5: Giản đồ tương quan của chuỗi phần dư mô hình
ARIMA(1; 1; 0)(2; 0; 3)12.
Trên biểu đồ tự tương quan của chuỗi phần dư ở Hình 3.5,
gần như tất cả p-value của trị thống kê Q đều lớn hơn 0.05 ở mức ý
nghĩa 5%, nên ta chấp nhận giả thiết H0 về kiểm định đồng thời tất cả

LUANVANTRUST.COM -
LUANVANTRUST.COM -
hệ số tự tương quan bằng giá trị 0 của kiểm định LB. Hơn nữa, kết
quả kiểm định Breusch-Godfrey LM và kiểm định ARCH LM ở
bảng 3.7 ở mức ý nghĩa 5% đều có giá trị p-value > 0.05 cho phép ta

LUANVANTRUST.COM -
LUANVANTRUST.COM -
17
chấp nhận giả thiết H0 ở cả hai kiểm định này. Do đó, phần dư của
mô hình là nhiễu trắng.
* Kiểm định các hệ số của mô hình:
Phần dư của mô hình là nhiễu trắng nên ta có thể sử dụng
kiểm định Student với thống kê t để kiểm định ý nghĩa thống kê của
các biến trong mô hình.
Dựa vào kết quả ước lượng mô hình ARIMA(1; 1; 0)(2; 0;
3)12, ở bảng 3.6 kiểm định t chỉ ra biến SMA(12) và SMA(36) không
có ý nghĩa thống kê trong mô hình với mức ý nghĩa 5%.
Ta tiến hành ước lượng lại mô hình sau khi lần lượt loại bỏ
các biến SMA(12), SMA(36) ở bảng 3.8 và bảng 3.9, rồi kiểm định
lại độ phù hợp của các mô hình mới bằng các kiểm định LB, kiểm
định LM. Cuối cùng, mô hình phù hợp tìm được là ARIMA(1; 1;
0)(2; 0; 2)12 nhưng không có biến SMA(12) có kết quả ước lượng ở
bảng 3.9, kết quả kiểm định LM ở bảng 3.10 và biểu đồ tự tương
quan ở hình 3 (phụ lục 1).
Bảng 3.10: Kết quả Kiểm định ARCH LM và kiểm định Breush-
Godfrey LM của mô hình ARIMA(1; 1; 0)(2; 0; 2)12 đã bỏ biến
SMA(12)
Kiểm định
ARCH LM
Breush-Godfrey LM
Statistics
0.000132
0.273937
P-value
0.990861
0.761082
* Kiểm định hiện tượng thừa tham số:
Ma trận tương quan ở bảng 3.11 của các ước lượng tham số
của dữ liệu d_logCPI cho ra kết quả rất nhỏ. Do đó, hiện tượng thừa
tham số không tồn tại trong mô hình đã lựa chọn.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
Như vậy, sau tất cả các kiểm định, mô hình phù hợp nhất cho
chuỗi logCPI là: ARIMA(1; 1; 0)(2; 0; 2)12 đã loại bỏ biến SMA(12).
d_logCPIt = 0.001659 + 0.769721 d_logCPIt-1 +0.197787 d_logCPIt-
12 + 0.452955d_logCPIt-24 – 0.880079 +
t −24 t
(3.1)

LUANVANTRUST.COM -
LUANVANTRUST.COM -
18
3.2.4. Kiểm định tính ổn định cấu trúc của mô hình:
Trong giai đoạn 2005-2010, tăng trưởng cung tiền M2 và tăng
trưởng tín dụng của Việt Nam là khá cao. Trước tình hình lạm phát quý
I/2011 ở mức cao (bình quân hơn 2%/tháng), ngày 24/2/2011, Chính phủ
ban hành Nghị quyết số 11/NQ-CP về những giải pháp chủ yếu tập trung
kiềm chế lạm phát, ổn định kinh tế vĩ mô, bảo đảm an sinh xã hội. Và
ngày 1/3/2011, chỉ thị 01/CT-NHNN triển khai thực hiện Nghị quyết 11
mới ra đời. Đông thời, Ngân hàng Nhà nước đã bơm tiền ra thị trường
bằng các kênh chính thức và sau đó bằng các biện pháp nghiệp vụ đã thu
tiền về nhanh, làm cho cung tiền danh nghĩa thì lớn, nhưng tiền (nhất là
tiền mặt) thực sự tham gia lưu thông thì ít hơn. Những động thái này đã
làm thay đổi chiều hướng diễn biến của lạm phát trong thời gian tiếp theo.
Tuy nhiên, theo nhiều nghiên cứu thực nghiệm, như nghiên cứu “Nghiên
cứu lạm phát tại Việt Nam theo phương pháp SVAR” của PGS. TS.
Nguyễn Thị Liên Hoa (2013), phản ứng của CPI trước các cú sốc trong
chính sách tiền tệ rất mạnh nhưng CPI không phản ứng ngay lập tức mà
trễ khoảng 6 tháng và tác động này là dai dẳng. Như vậy, phải sau 6 tháng
kể từ lúc triển khai thực hiện, tức là đến tháng 9/2011 thì những thay đổi
trong chính sách trên mới chính thức phát huy hiệu quả.
Do vậy, đề tài tiến hành kiểm định mô hình vừa xây dựng
được ở phần trên có thay đổi cấu trúc qua 2 thời kì sau hay không
bằng kiểm định Chow:
- Thời kì 1: 01/2005-08/2011.
- Thời kì 2: 09/2011-06/2014.
Bảng 3.12: Kết quả kiểm định Chow cho mô hình ARIMA(1; 1;
0)(2; 0; 2)12 đã loại bỏ biến SMA(12)

LUANVANTRUST.COM -
LUANVANTRUST.COM -
Kiểm định F-statistic P-value
Kiểm định Chow 14.62295 0.000
Qua kết quả của kiểm định Chow ở bảng 3.12, ta thấy mô hình

LUANVANTRUST.COM -
LUANVANTRUST.COM -
19
có sự thay đổi cấu trúc qua các thời kì. Như vậy, sự thay đổi trong chính
sách của Chính phủ đã tạo nên sự khác biệt trong vận động của chuỗi CPI.
Tuy nhiên, trong khoảng thời gian, từ tháng 9/2011 đến tháng
6/2014, số lượng quan sát của CPI chỉ có 22 quan sát. Trong khi đó, mô
hình ARIMA yêu cầu chuỗi thời gian phải có ít nhất 50 quan sát, đặc
biệt đối với các chuỗi thời gian có thành phần mùa như chuỗi CPI đang
xem xét thì chuỗi dữ liệu phải được quan sát từ 3 đến 10 năm. Do đó, ta
không đủ điều kiện để xây dựng mô hình ARIMA cho chuỗi CPI trong
thời kì 9/2011-6/2014. Vậy nên, đề tài vẫn sẽ sử dụng mô hình ban đầu
là ARIMA(1; 1; 0)(2; 0; 2)12 đã loại bỏ biến SMA(12) cho chuỗi logCPI
để dự báo lạm phát Việt Nam trong 12 tháng tới.
3.2.5. Đánh giá dự báo
Mô hình ARIMA tìm được để dự báo lạm phát Việt Nam là
ARIMA(1; 1; 0) (2; 0; 2)12 đã loại bỏ biến SMA(12). Đề tài tiến hành dự
báo trong mẫu để kiểm tra mức độ chính xác của dự báo từ mô hình. Trong
quá trình xây dựng mô hình, dữ liệu CPI đã được chuyển thành log(CPI)
trước khi lấy sai phân bậc 1. Trong Eview, log là logarith cơ số tự nhiên e.
Do đó, từ kết quả dự báo cho d_logCPI, ta chuyển dữ liệu về lại logCPI, rồi
đưa về giá trị CPI qua công thức: CPI = elogCPI. Hình 3.6 cho ta thấy kết quả
dự báo trong mẫu cho đồ thị chuỗi dự báo bám sát đồ thị gốc.
.04
.03
.02
.0 2
.0 1
.0 0
-.01
.01
.00
-.01
-.02 2 007 2 008 2009 2010 2 011 2012 2013

LUANVANTRUST.COM -
LUANVANTRUST.COM -
Residua l A ctua l F itted
Hình 3.6: Kết quả dự báo trong mẫu
Ngoài ra, theo số liệu thống kê ở Bảng 3.13, CPI thực của các tháng

LUANVANTRUST.COM -
LUANVANTRUST.COM -
20
7, 8, 9, 10/2014 do Tổng cục Thống kê Việt Nam công bố xấp xỉ với giá trị
dự báo điểmvới các sai số dự báo nhỏ hơn 0.32%. Các giá trị thực tế của CPI
đều nằmtrong khoảng tin cậycủa dự báo với độ tin cậy 95%.
Bảng 3.13: Kết quả dự báo CPI các tháng 7/2014 - 10/2014.
ĐVT: %
CPI dự CPI thực
Tháng báo (năm (năm gốc Khoảng tin cậy
gốc 2009) 2009)
Sai số
dự báo
7/2014
8/2014
9/2014
10/2014
158.44
159.05
159.56
159.88
158.22
158.57
159.20
159.38
157.08 – 159.82
156.33 – 161.83
155.48 - 163.75
154.45 – 165.50
0.139
0.303
0.226
0.314
Như vậy, kết quả dự báo từ mô hình ARIMA(1; 1; 0)(2; 0; 2)12 đã
loại bỏ biến SMA(12) cho chuỗi logCPI có độ tin cậy tương đối cao. Ta có
thể áp dụng mô hình để dự báo lạmphát Việt Namcho các tháng tới.
3.2.6. Kết quả dự báo lạm phát Việt Nam
Bảng 3.14 tóm tắt kết quả dự báo lạm phát Việt Nam các
tháng từ tháng 11/2014 đến tháng 6/2015.
Bảng 3.14: Kết quả dự báo lạm phát hàng tháng từ tháng
11/2014 đến tháng 6/2015
ĐVT: %
Tháng
CPI (so
với năm
gốc 2009)
Giới
hạn
dướ
i
Giới
hạn
trên
Tốc độ tăng Tốc độ
CPI so với tăng CPI so
tháng 12 với tháng
năm trước trước
11/2014
12/2014
01/2015
02/2015
0
3
/
2
015
04/
201
5
0
5
/
2
015
06/201
5

LUANVANTRUST.COM -
LUANVANTRUST.COM -
160.14 160.61 161.23
162.02 162.16 161.92
162.16 162.39
153.37
167.21
152.50
169.15
151.77
171.28
151.21
173.62
150.03
175.27
148.52
176.53
147.46
178.32
146.40
180.13
2.85 3.15 0.39
0.88 0.97 0.82
0.97 1.11
0
.
1
6
0
.
2
9
0
.
3
9
0
.
4
9
0
.
0
9
-
0
.
1
5
0
.
1
5
0
.
14

LUANVANTRUST.COM -
LUANVANTRUST.COM -
21
Kết quả dự báo từ nghiên cứu tuy thấp hơn so với các dự báo
do các tổ chức quốc tế và trong nước thực hiện nhưng kết quả này
phù hợp với nhận định lạm phát năm 2014 không vượt quá 4% của
UBGSTCQG và phù hợp với diễn biến của lạm phát trong thời gian
gần đây cũng như tình hình kinh tế trong nước và thế giới trong thời
gian tới. Theo dự báo của Cơ quan Năng lượng Quốc tế (IEA)(2014),
giá dầu mỏ thế giới vẫn sẽ giữ xu hướng giảm sang đến năm 2015.
Theo tính toán của ANZ (2014), tác động gộp của giảm 10% giá dầu
trong 4 quý liên tiếp có thể giúp lạm phát giảm 2.6-2.7%. Ngoài ra,
lạm phát năm 2014 và 2015 sẽ tiếp tục ổn định còn do các yếu tố:
tổng cầu trong nước thấp; giá cả hàng hóa thế giới cũng được dự báo
ổn định trong năm 2015; xuất khẩu tăng, cán cân thương mại thặng
dư, tỉ giá ổn định.
Tuy nhiên, trong giai đoạn hiện nay, nền kinh tế có nhiều
biến động có thể tác động đến lạm phát, nên việc dự báo lạm phát
trong các tháng tới sẽ tồn tại những sai số nhất định. Song, kết quả
nghiên cứu này cũng cung cấp thông tin hữu ích cho các nhà làm
chính sách cũng như các nhà kinh doanh trong việc xây dựng kế
hoạch phát triển cùng những giải pháp thích hợp để phòng ngừa và
tối thiểu hóa thiệt hại do lạm phát gây ra.
3.3. MỘT SỐ KHUYẾN NGHỊ
3.3.1. Khuyến nghị trong việc sử dụng kết quả nghiên
cứu và mô hình dự báo
Thứ nhất, mặc dù dự báo hậu nghiệm cho khoảng tin cậy của
dự báo chứa giá trị thực của CPI. Nhưng càng dự báo về sau, sai số
dự báo càng tăng. Do đó, mô hình dự báo nên được sử dụng trong

LUANVANTRUST.COM -
LUANVANTRUST.COM -
ngắn hạn, còn dự báo trong dài hạn, mô hình chỉ mang tính chất tham
khảo trong các quyết định của nhà làm chính sách, nhà kinh doanh và
người tiêu dùng.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
22
Thứ hai, khi sử dụng phương trình để dự báo một thời đoạn
tiếp theo Yt+1, chúng ta tăng những chỉ số lên một, từ đầu đến cuối
tương ứng. Sau một lúc, những giá trị d_logCPI trong phương trình
(3.1) sẽ là những giá trị dự báo chứ không phải là những giá trị thực
trong quá khứ. Vì vậy, các giá trị thực tế của CPI cần phải được cập
nhật liên tục để cải thiện độ tin cậy của các giá trị dự báo.
Thứ ba, kết quả kiểm định Chow đã cho thấy, mô hình dự
báo có sự thay đổi cấu trúc qua hai thời kì với điểm gãy là tháng
9/2011. Do hạn chế về dữ liệu trong thời kì từ tháng 9/2011 đến
nay, nên đề tài vẫn tiếp tục sử dụng mô hình dự báo đã xây dựng
ban đầu. Tuy nhiên, trong tương lai, khi chuỗi dữ liệu CPI có độ dài
tương đối, mô hình ARIMA cho lạm phát Việt Nam nên được xây
dựng dựa trên chuỗi dữ liệu CPI được quan sát từ tháng 9/2011 đến
thời điểm nghiên cứu để phản ánh đúng nhất diễn biến lạm phát
trong thời gian tới.
Thứ tư, dự báo lạm phát là công việc không dễ dàng. Lạm
phát phụ thuộc vào nhiều yếu tố, trong đó có những yếu tố rất khó
xác định hoặc có biến động thường xuyên như: mức cung tiền, lãi
suất, tâm lí người tiêu dùng, … Do đó, để có được kết quả dự báo
chính xác hơn và có ý nghĩa hơn về mặt chính sách, mô hình
ARIMA nên được sử dụng kết hợp với mô hình tự hồi quy vecto
(Vector Autoregression model – VAR) để phân tích mối liên hệ giữa
các nhân tố với lạm phát như: cung tiền, tỉ giá, giá xăng dầu, giá gạo,
giá từ khu vực nước ngoài, kì vọng của người dân, …, sau đó đo
lường ảnh hưởng của các cú sốc đến sự bất định của lạm phát thông
qua công cụ ARCH/GARCH.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
Thứ năm, năm 2015, kinh tế Việt Nam sẽ hội nhập sâu hơn
vào kinh tế khu vực do đó xu hướng lạm phát của Việt Nam sẽ
không chỉ phụ thuộc vào nội tại kinh tế Việt Nam mà chắc chắn sẽ
tăng giảm theo biến động của kinh tế của khu vực. Chỉ số lòng tin

LUANVANTRUST.COM -
LUANVANTRUST.COM -
23
người tiêu dùng (CCI) là chỉ số có tính dẫn hướng cho CPI do giá
tăng hay giảm phụ thuộc rất nhiều vào hành vi và niềm tin của người
tiêu dùng. Lòng tin tiêu dùng lại phụ thuộc vào việc giá cả tăng như
thế nào. Nếu giá tăng từ từ thì lòng tin người tiêu dùng cũng sẽ được
củng cố. Do vậy, để biết xu hướng lạm phát tại Việt Nam trong thời
gian tới, ngoài kết quả dự báo từ mô hình ARIMA, ta cũng nên theo
dõi Chỉ số lòng tin tiêu dùng của các nước ASEAN vì lạm phát của
Việt Nam sẽ phụ thuộc nhiều hơn vào nền kinh tế khu vực.
3.3.2. Quan điểm chính sách và mục tiêu lạm phát của
Việt Nam năm 2015
3.3.3. Một số khuyến nghị về chính sách
Mô hình nghiên cứu đưa ra dự báo lạm phát Việt Nam năm
2014 là 3.15% và 6 tháng đầu năm 2015 là 1.11%. Như vậy, nếu diễn
biến của CPI tương tự như dự báo từ mô hình, thì việc kiểm soát lạm
phát dưới mức 7% năm 2014 là chắc chắn thực hiện được và kiểm
soát lạm phát khoảng 5% năm 2015 là điều không khó.
Từ phân tích trên, đề tài nhận thấy nếu CPI trong các tháng
tới tăng thấp như kết quả dự báo của mô hình sẽ là điều đáng mừng
và là tín hiệu tốt để triển khai các chính sách, giải pháp hỗ trợ, tháo
gỡ khó khăn cho các doanh nghiệp, kích cầu nền kinh tế và thúc đẩy
tăng trưởng kinh tế trong thời gian tới. Tuy nhiên, nền kinh tế trong
nước và thế giới luôn có những biến động không lường, do đó, các
giải pháp nhằm tăng trưởng kinh tế vẫn nên được thực hiện đồng bộ
và đồng thời với các giải pháp kiểm soát lạm phát.

LUANVANTRUST.COM -
LUANVANTRUST.COM -
24
KẾT LUẬN
Kiềm chế lạm phát luôn là mục tiêu hàng đầu của chính phủ
ta nhằm ổn định nền kinh tế vĩ mô. Tỉ lệ lạm phát cao sẽ kéo theo sản
xuất kinh doanh không hiệu quả, gây bất ổn trong nền kinh tế, đời
sống người dân khó khăn. Do vậy, việc dự báo được xu hướng của
chỉ số giá tiêu dùng, từ đó phản ánh lạm phát là rất cần thiết và có ý
nghĩa cho các chính sách kinh tế vĩ mô cũng như vi mô.
Như đã trình bày, tình hình lạm phát của một nền kinh tế phụ
thuộc vào rất nhiều yếu tố và sẽ có nhiều diễn biến bất ngờ trong tình
hình kinh tế nhiều biến động hiện nay. Và mô hình ARIMA đang xét
chỉ thực sự có ý nghĩa khi chuỗi thời gian là tương đối ổn định. Dù
vậy, mô hình cũng đã cung cấp được một xu hướng biến đổi tương
đối hợp lý của lạm phát qua các tháng trong năm để phục vụ cho
công tác dự báo.
Luận văn này được thực hiện với mong muốn tìm hiểu rõ
hơn về mô hình dự báo ARIMA, về tổng quan tình hình lạm phát
Việt Nam, đồng thời áp dụng mô hình ARIMA cho việc dự báo lạm
phát ở Việt Nam trong thời gian tới.

Luận Văn Ứng Dụng Mô Hình Arima Trong Dự Báo Lạm Phát Việt Nam.docx

Recommended

Recommended

More Related Content

Similar to Luận Văn Ứng Dụng Mô Hình Arima Trong Dự Báo Lạm Phát Việt Nam.docx

Similar to Luận Văn Ứng Dụng Mô Hình Arima Trong Dự Báo Lạm Phát Việt Nam.docx (20)

More from DỊCH VỤ VIẾT ĐỀ TÀI TRỌN GÓI ZALO/ TEL: 0909.232.620

More from DỊCH VỤ VIẾT ĐỀ TÀI TRỌN GÓI ZALO/ TEL: 0909.232.620 (20)

Recently uploaded

Recently uploaded (20)

Luận Văn Ứng Dụng Mô Hình Arima Trong Dự Báo Lạm Phát Việt Nam.docx