Giới thiệu về dự báo trong kinh tế lượng

An Introduction to Forecasting in Econometrics

TÓM TẮT CHỦ ĐỀ

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học đầu tiên của chúng ta về một trong những ứng dụng hấp dẫn và quan trọng nhất của kinh tế lượng: dự báo. Trong kinh tế, tài chính hay quản trị kinh doanh, khả năng dự đoán các biến số trong tương lai như GDP, lạm phát, doanh thu, hay tỷ lệ thất nghiệp là một kỹ năng vô giá. Nó không chỉ giúp các nhà hoạch định chính sách đưa ra quyết định tốt hơn mà còn hỗ trợ doanh nghiệp xây dựng chiến lược kinh doanh hiệu quả. Tuy nhiên, thế giới kinh tế luôn biến động và chứa đựng những yếu tố bất định, khiến cho việc dự báo trở thành một thách thức lớn.

Trong chuỗi bài học này, chúng ta sẽ cùng nhau thực hiện “những bước đi đầu tiên” vào thế giới dự báo chuỗi thời gian. Thay vì bắt đầu ngay với các mô hình thống kê phức tạp, chúng ta sẽ tiếp cận một cách trực quan và nhẹ nhàng thông qua các “bộ lọc” (filters) – những công cụ đơn giản nhưng mạnh mẽ đã được giới thiệu ở các bài học trước. Cách tiếp cận này sẽ giúp các bạn xây dựng một nền tảng tư duy vững chắc về cách các giá trị trong quá khứ có thể được sử dụng để dự đoán tương lai. Chúng ta sẽ không chỉ học cách chạy lệnh, mà còn tập trung vào việc hiểu bản chất, đánh giá chất lượng và diễn giải kết quả của các dự báo. Hãy coi đây là một hành trình khám phá, nơi chúng ta biến dữ liệu quá khứ thành những hiểu biết sâu sắc về tương lai.

Để bắt đầu, hãy làm quen với ba khái niệm nền tảng sẽ đồng hành cùng chúng ta:

  • Dự báo điểm (Point Forecast): Đây là dự đoán về một giá trị cụ thể, duy nhất có khả năng xảy ra nhất của một biến số tại một thời điểm trong tương lai.
  • Chân trời dự báo (Forecast Horizon): Là khoảng thời gian từ thời điểm hiện tại (khi chúng ta đưa ra dự báo) đến thời điểm trong tương lai mà chúng ta muốn dự báo.
  • Hàm mất mát (Loss Function): Một công cụ toán học giúp chúng ta đo lường “cái giá” của việc dự báo sai, thường được tính bằng bình phương của sai số giữa giá trị dự báo và giá trị thực tế.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng dự báo trong chuỗi thời gian
    Tìm hiểu các khái niệm cốt lõi như các loại dự báo, hàm mất mát và các yếu tố cần thiết để xây dựng một mô hình dự báo chính xác.
  2. Dự báo chuỗi chu kỳ với EWMA và DEWMA
    Thực hành dự báo tỷ lệ thất nghiệp, so sánh các bộ lọc làm mịn hàm mũ và đánh giá hiệu quả so với mô hình ngây thơ (naïve model).
  3. Dự báo chuỗi xu hướng và mùa vụ với Holt-Winters
    Nắm vững kỹ thuật dự báo cho dữ liệu phức tạp hơn, bao gồm cả xu hướng và yếu tố mùa vụ, qua ví dụ về cung tiền M1.
  4. Thực hành tổng hợp các phương pháp dự báo bằng bộ lọc
    Vận dụng toàn bộ kiến thức đã học để phân tích hai bộ dữ liệu từ đầu đến cuối, rèn luyện kỹ năng Stata và diễn giải kết quả.
  5. Tổng quan các phương pháp dự báo dựa trên bộ lọc
    Hệ thống hóa kiến thức, so sánh ưu nhược điểm của từng phương pháp và xác định hướng đi tiếp theo trong lĩnh vực dự báo kinh tế lượng.

KIẾN THỨC TIÊN QUYẾT

  • Thống kê căn bản: Hiểu rõ các khái niệm về trung bình, phương sai, độ lệch chuẩn và tương quan.
  • Kinh tế lượng nhập môn: Nắm vững mô hình hồi quy tuyến tính đơn và bội, ý nghĩa của hệ số và các kiểm định giả thuyết cơ bản.
  • Stata cơ bản: Thành thạo các lệnh cơ bản như use, describe, summarize, generate, và vẽ đồ thị với twoway.
  • Kiến thức về bộ lọc chuỗi thời gian: Đã tìm hiểu về các phương pháp làm mịn như trung bình động và làm mịn hàm mũ (EWMA).

MỤC TIÊU HỌC TẬP

Sau khi hoàn thành chuỗi bài học này, các bạn sẽ có khả năng:

  • Phân biệt và giải thích được các loại dự báo, các thành phần cấu thành và tiêu chí đánh giá chất lượng dự báo.
  • Vận dụng thành thạo các lệnh tssmooth exponential, dexponential, và shwinters trong Stata để tạo ra các dự báo.
  • Đánh giá và so sánh độ chính xác của các phương pháp dự báo khác nhau thông qua sai số dự báo và chỉ số RMSE.
  • Áp dụng kỹ thuật backtesting để kiểm tra độ tin cậy của một mô hình dự báo theo thời gian.
  • Diễn giải kết quả dự báo một cách có ý nghĩa trong bối cảnh kinh tế thực tế.

TÀI LIỆU THAM KHẢO

  • Becketti, S. (2020). Introduction to Time Series Using Stata. Stata Press. (Tài liệu gốc cho chuỗi bài học này).
  • Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. 7th Edition. Cengage Learning. (Tài liệu kinh điển về kinh tế lượng nhập môn).
  • Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. 2nd Edition. OTexts. (Một nguồn tài liệu trực tuyến tuyệt vời và miễn phí về dự báo).

PHỤ LỤC: Dữ liệu thực hành cho chuỗi bài học

Trong chuỗi bài này, chúng ta sẽ làm việc với hai bộ dữ liệu kinh tế vĩ mô của Hoa Kỳ. Các bạn có thể dễ dàng tải và sử dụng chúng trực tiếp trong Stata bằng các câu lệnh dưới đây.

Stata
* ==================================================
* MỤC ĐÍCH: Tải dữ liệu thực hành cho chuỗi bài học
* NGUỒN DỮ LIỆU: Máy chủ của Stata Press
* ==================================================

* Dữ liệu 1: Tỷ lệ thất nghiệp hàng tháng của Hoa Kỳ
* Lệnh để tải:
net get itsus, from(https://www.stata-press.com/data/itsus)
use monthly, clear

* Dữ liệu 2: Thành phần tiền tệ M1 hàng tuần
* Lệnh để tải:
net get itsus, from(https://www.stata-press.com/data/itsus)
use currcomp, clear

Mô tả các biến chính:

  • unrate: Biến số chứa tỷ lệ thất nghiệp dân sự của Hoa Kỳ, được thu thập hàng tháng.
  • currcomp: Biến số chứa thành phần tiền tệ của cung tiền M1, được thu thập hàng tuần.
  • date: Biến thời gian tương ứng cho mỗi bộ dữ liệu.

📚 Bài tiếp theo: Nền tảng dự báo trong chuỗi thời gian

💡 Lưu ý: Hãy đảm bảo đã nắm vững các khái niệm chính trong bài này trước khi tiếp tục.

Back to top button