Tải bản đầy đủ

tiểu luận dự báo kinh tế dự báo chỉ số giá tiêu dùng của việt nam giai đoạn tháng 03 năm 2019 tới tháng 12 năm 2021 bằng mô hình ARIMA có yếu tố mùa vụ

1. Giới thiệu
Lý do chọn đề tài
Giá cả ra đời khi có sự trao đổi mua bán hàng hóa và là một trong những
công cụ điều tiết nền kinh tế thị trường. Giá cả luôn biến động lên, xuống, phức
tạp kéo theo sự thay đổi mọi mặt của nền kinh tế xã hội. Để có cái nhìn tổng quan
về mức tiêu dùng của nền kinh tế cũng như sức mua của nền kinh tế và cho biết
liệu nền kinh tế có bị lạm phát hoặc giảm phát ngoài kiểm soát hay không, chỉ số
giá tiêu dùng (CPI - Consumer Price Index) là một công cụ không thể thiếu. Chỉ
số giá tiêu dùng (CPI) tính theo phần trăm phản ánh mức thay đổi tương đối của
giá giỏ hàng tiêu dùng theo thời gian, được tính dựa trên một giỏ hàng hóa cơ sở
đại diện cho toàn bộ hàng tiêu dùng. Việc dự báo lạm phát có ý nghĩa quan trọng
đối với các nhà hoạch định chính sách cũng như các thành phần trong nền kinh
tế. Chính vì vậy mà nhóm lựa chọn đề tài: “Dự báo chỉ số giá tiêu dùng của Việt
Nam giai đoạn tháng 03 năm 2019 tới tháng 12 năm 2021 bằng mô hình ARIMA
có yếu tố mùa vụ”.
Lịch sử nghiên cứu:
Dự báo lạm phát là một trong những cấu phần quan trọng trong công tác hoạch
định chính sách của nhiều quốc gia trên thế giới, trong đó có cả Việt Nam. Sau năm
1975, trước những biến động lớn của lạm phát, đã có rất nhiều nghiên cứu về độ
chính xác tương đối của các mô hình dự báo lạm phát. Bên cạnh đó, cũng có nhiều
cách thức kiểm tra và đánh giá đối với các phương pháp dự báo lạm phát. Bắt đầu từ

năm 1998, những nghiên cứu định lượng bắt đầu phát triển, nhóm tác giả gồm Aidan
Meyler, Geoff, Kenny, Terry và Quinn đã đưa ra mô hình chuỗi thời gian ARIMA để
dự báo lạm phát ở Ailen, qua đó cho thấy mô hình này có kết quả dự báo tốt hơn so
với phương pháp định tính. Bên cạnh mô hình đơn biến, mô hình đa biến thường
được sử dụng với các chuỗi thời gian là VAR và VECM. Tại Mỹ, Binner và cộng sự
(2006) đã ứng dụng mô hình AR vào dự báo lạm phát, tuy nhiên khẳng định dự báo
lạm phát bằng mô hình AR không tốt bằng mô hình tự hồi quy Markov (MS-AR).
Tại Bangladesh, Faisal (2012) đã ứng dụng mô hình ARIMA để dự báo lạm phát
đồng thời đưa ra những gợi ý chính

1


sách để kiểm soát lạm phát và điều hành kinh tế vĩ mô. Ngoài những mô hình
chuỗi thời gian tuyến tính, những mô hình phi tuyến cũng được sử dụng để dự
báo lạm phát, điển hình là Michael Dotsey và cộng sự (2011) đã nghiên cứu và
khẳng định khả năng ứng dụng của đường cong Philip trong dự báo lạm phát, đặc
biệt đối với những nền kinh tế yếu.
Ở Việt Nam, tình hình nghiên cứu và ứng dụng mô hình trong dự báo lạm
phát cũng thu hút sự quan tâm của không chỉ các cơ quan quản lý vĩ mô, các
trung tâm nghiên cứu, các chuyên gia nhiều kinh nghiệm và mà còn là niềm say
mê nghiên cứu nhiều sinh viên, học giả, nghiên cứu sinh. Trong đó nổi bật như:
Võ Trí Thành (2001) với mô hình tự hồi quy véc-tơ VAR và sai số ECM, cho thấy
mối quan hệ giữa tiền tệ, chỉ số giá tiêu dùng, tỷ giá và giá trị sản lượng công
nghiệp thực tế; Nguyễn Anh Dương, Đinh Thu Hằng và Trịnh Quang Long
(2010) với mô hình chỉ số dẫn báo để dự báo tăng trưởng và lạm phát ở Việt
Nam; Nguyễn Trọng Hoài (2010) đã sử dụng luật Taylor để phân tích lạm phát và
đã đưa ra những gợi ý chính sách trong điều hành kinh tế vĩ mô; Nguyễn Thị Liên
Hoa và Trần Đặng Dũng (2013) nghiên cứu lạm phát tại Việt Nam theo phương
pháp SVAR; Đào Hoàng Dũng (2013) dự báo lạm phát quý I/2013 qua mô hình
ARIMA;…

2. Dữ liệu & Phương pháp nghiên cứu
Bài tập áp dụng mô hình ARIMA sau khi loại bỏ yếu tố mùa vụ và SARIMA
trên phần mềm Eviews trong phân tích và dự báo chỉ số giá tiêu dùng (CPI) của Việt
Nam qua từng tháng trong giai đoạn từ tháng 03/ 2019 đến tháng 12/ 2021.

2.1. Mô tả dữ liệu:
Dữ liệu được sử dụng trong nghiên cứu là chỉ số giá tiêu dùng CPI theo
tháng của Việt Nam, dữ liệu này được thu thập từ Tổng Cục Thống Kê từ tháng


1/2002 đến tháng 02/2019, tổng cộng bao gồm 206 quan sát. Tất cả các quan sát
này được sử dụng vào việc thiết lập mô hình.

2


Trước khi tiến hành dự báo, ta cần kiểm tra yếu tố mùa vụ của chuỗi số liệu:
Mở chuỗi cpi → View → Graph → Seasonal Graph, được sơ đồ như sau:
CPI by Season
104

103

102

101

100

99
Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Means by Season

Từ hình trên, ta thấy chuỗi số liệu này có yếu tố mùa vụ. Vì vậy, khi chạy
mô hình để dự báo cho chuỗi nên tính đến yếu tố mùa vụ để có kết quả dự báo
chính xác hơn.
2.2. Giới thiệu mô hình ARIMA và SARIMA
Mô hình tự hồi quy tích hợp trung bình trượt ARIMA (Autoregressive
Integrated Moving Average) là một mô hình dự báo chuỗi thời gian đơn biến
được giới thiệu bởi Box & GM. Jenkins lần đầu tiên vào năm 1976, dựa trên ý
tưởng cho rằng chuỗi thời gian có thể được giải thích bằng cách kết hợp các hành
vi ở hiện tại và trong quá khứ với các yếu tố ngẫu nhiên (gọi là nhiễu). Thực chất
ARIMA là tổng hợp các mô hình: Mô hình tự hồi quy (AR), mô hình tích hợp (I)
và mô hình trung bình trượt (MA). Theo đó, ARIMA được kết hợp bởi 3 thành
thành phần chính:=
 AR = Autogressive (thành phần tự hồi quy)
 I = Intergrated (tính dừng của chuỗi thời gian)
 MA = Moving Average (thành phần trung bình trượt)
Điểm quan trọng cần lưu ý là để sử dụng phương pháp dự báo bằng mô hình
ARIMA thì bắt buộc phải sử dụng chuỗi thời gian có tính dừng hay chuỗi thời
gian có tính dừng sau khi đã thực hiện một hay nhiều phép sai phân. Một chuỗi
3


thời gian gọi là dừng khi và chỉ khi dữ liệu của chuỗi dao động xung quanh một
giá trị trung bình dài hạn, có phương sai xác định không đổi theo thời gian và
không có hiện tượng tự tương quan tại các độ trễ khác nhau dù cho chúng được
xác định tại mọi thời điểm. Mô hình ARIMA(p,d,q) có dạng:
=

+∅∆

+∅∆

+⋯+∅∆

+



+⋯+



+

Bản chất của mô hình ARIMA là dự báo giá trị tương lai của một biến số
biểu thị theo chuỗi thời gian dựa trên giá trị quá khứ và các sai số ngẫu nhiên.
Trong đa số trường hợp, mô hình ARIMA cho kết quả dự báo ngắn hạn đáng tin
cậy nhất trong các phương pháp dự báo. Hiện nay, mô hình ARIMA được sử
dụng rộng rãi ở Việt Nam và trên thế giới cho các biến số kinh tế nói chung và
lạm phát nói riêng, do tính dễ sử dụng, kết quả dự báo khá chính xác (trừ trường
hợp môi trường kinh tế vĩ mô có biến động lớn). Tuy nhiên, mô hình ARIMA chỉ
thích hợp cho việc phân tích dữ liệu chuỗi thời gian không có yếu tố mùa vụ. Mà
một đặc điểm rất quan trọng của các dữ liệu chuỗi thời gian về kinh tế - xã hội
như CPI đó là có yếu tố mùa vụ cao. Chẳng hạn thực tiễn nền kinh tế nước ta cho
thấy GDP thường tăng cao vào những tháng cuối năm, tăng chậm vào những
tháng đầu năm, trong khi CPI thường tăng cao nhất vào tháng 1, tháng 2 dương
lịch hàng năm, và thường giảm mạnh vào tháng 3 sau đó… Vì vậy, để có những
dự báo chính xác các chỉ tiêu kinh tế - xã hội như CPI, người ta phải loại bỏ yếu
tố mùa vụ trước khi ứng dụng ARIMA hoặc sử dụng một số phương pháp dự báo
dữ liệu chuỗi thời gian có yếu tố mùa vụ được phát triển tiếp từ mô hình ARIMA,
như X11ARIMA, X12ARIMA hoặc SARIMA.
Mô hình SARIMA ra đời vào nửa cuối thập niên 1990, được phát triển từ
mô hình ARIMA và giải quyết yếu tố mùa vụ đồng thời cho cả 3 quá trình: tự hồi
quy, tích hợp và trung bình trượt. Vì thế, mô hình SARIMA phù hợp với bất kỳ
dữ liệu chuỗi thời gian mùa vụ nào.
2.3. Quy trình dự báo
Trước tiên, cần kiểm tra xem mô hình thật sự có yếu tố mùa vụ S (Seasonal)
hay không. Sau đó, việc ứng dụng mô hình ARIMA trong phân tích và dự báo dữ
4


liệu chuỗi thời gian có yếu tố mùa vụ được thực hiện bằng 2 cách theo quy trình
các bước sau đây:
Cách 1: Tách yếu tố mùa vụ trước khi dự báo bằng mô hình ARIMA
Cách 2: Sử dụng mô hình SARIMA và không cần tách yếu tố mùa vụ
Bước 1: Kiểm tra tính dừng của chuỗi mới (sử dụng Unit Root Test)
Nếu chuỗi không dừng, biến đổi bằng cách lựa chọn sai phân bậc 1 hoặc sai
phân bậc 2. Nếu chuỗi thời gian dừng ở bậc không ta có I(d=0), nếu sai phân bậc 1
của chuỗi dừng ta có I(d=1), nếu sai phân bậc 2 của chuỗi dừng ta có I(d=2)…vv.

Bước 2: Xác định các giá trị tự hồi quy p và trung bình trượt q
Sau khi kiểm định tính dừng, ta sẽ xác định bậc của thành phần tự hồi quy
AR thông qua giản đồ tương quan ACF (Autocorelation Function) và thành phần
trung bình trượt MA thông qua giản đồ tương quan riêng phần PACF (Partial
Autocorelation Function). Từ đó ta nhận dạng được đủ 3 thành phần của mô hình.
Bước 3: Ước lượng mô hình
Nếu chọn cách 2 thì ở bước này phải thêm yếu tố mùa vụ S vào các thành
phần AR và MA để ước lượng mô hình: SAR(p); SMA(q).
Bước 4: Kiểm định các giả định của mô hình
 Kiểm định tính ổn định và khả nghịch của mô hình
 Kiểm định sự tồn tại của nhiễu trắng
 Kiểm định chất lượng dự báo
Nếu kiểm định mô hình được lựa chọn không thỏa mãn thì quay lại từ giai
đoạn nhận dạng để lựa chọn mô hình khác hợp lý hơn.
Bước 5: Dự báo ngoài mẫu cho chuỗi
Dựa trên mô hình được lựa chọn, thực hiện dự báo giá trị tương lai của dữ liệu
chuỗi mùa vụ, cũng như đưa ra khoảng tin cậy của dự báo. Dự báo sau khi kiểm định
sai số, nếu mô hình phù hợp, mô hình sẽ được sử dụng vào việc dự báo. Các tiêu chí
được sử dụng để so sánh hiệu quả dự báo là RMSE hoặc MAPE.

5


Bước 6: Bổ sung yếu tố mùa vụ để có kết quả dự báo cuối cùng
Nếu chọn cách 1, tức là tách yếu tố mùa vụ trước khi áp dụng ARIMA, dựa
trên mô hình được lựa chọn, thực hiện cộng hoặc nhân yếu tố mùa vụ vào để có
kết quả cho chuỗi cần dự báo.
Nếu chọn cách 2, tức sử dụng SARIMA, ta không cần thực hiện bước 6.

3. Kết quả dự báo và phân tích
3.1. Cách 1: Tách yếu tố mùa vụ khỏi chuỗi trước khi áp dụng mô hình
ARIMA:
Trước tiên, tách yếu tố mùa vụ bằng phương pháp Moving Average: dựa vào
biên độ dao động không đều quan sát được trên biểu đồ phần 2.1, ta lựa chọn mô
hình nhân:
Mở chuỗi cpi → Chọn Proc → Seasonal Adjustment→ Chọn Moving
Average Methods → ratio to moving Multiplicative; Factors: s => Ta có chuỗi
cpisa. Sau đó ta tiến hành dự báo bằng mô hình ARIMA cho chuỗi cpisa.
Bước 1: Kiểm tra tính dừng của chuỗi cpisa
Mở chuỗi cpisa → Chọn View → Unit Root Test → Chọn Level →
Intercept, được kết quả:

Ta thấy P-value = 0.0000 < 0.05 thỏa mãn điều kiện chuỗi dừng tại level.
Bước 2: Xác định các giá trị tự hồi quy p và trung bình trượt q
Mở chuỗi cpisa → Chọn View → Correlogram… → Level & lags to include:

36, được giản đồ tương quan ACF và giản đồ tương quan riêng phần PACF:

6


Từ giản đồ trên, chọn p = 1& p = 30; q =1 & q = 5 để ước lượng mô hình.
Bước 3: Ước lượng và kiểm định mô hình:
Trên cửa sổ Command gõ lệnh:
ls cpisa c ar(1) ar(30) ma(1) ma(5)

7


Bước 4: Kiểm định mô hình:
- Mô hình có ý nghĩa thống kê do P-value của các hệ số ar(1), ar(30),
ma(5) nhỏ hơn 0.05.
- Kiểm định tính ổn định và khả nghịch của mô hình: Với Inverted AR
Roots & Inverted MA Roots < 1 => Mô hình ổn định và khả nghịch.
- Kiểm định nhiễu trắng của mô hình:
Chọn View → Residual Diagnostics → Serial Correlation LM Test…., được
bảng kết quả:

Ta có P-value=0.4100 > 0.05 => Mô hình không tự có tự tương quan tại
mức ý nghĩa 5%, tức nhiễu trắng.
8


- Chất lượng dự báo: Dự báo trong mẫu chuỗi cpisa
Chọn Forecast trong khoảng thời gian 2004M01 – 2004M12, được kết quả:
102.5

Forecast: CPISAF
Actual: CPISA

102.0

Forecast sample: 2004M01 2004M12
Adjusted sample: 2004M07 2004M12

101.5

Included observations: 6
Root Mean Squared Error
Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

101.0
100.5
100.0
99.5

0.226964
0.186956
0.186250
0.001128
0.582710
0.119065
0.298225

99.0
M7

M8

M9

M10

M11

M12

2004
CPISAF

± 2 S.E.

Trung bình tuyệt đối phần trăm sai số (Mean Abs. Percent Error): MAPE =
0.186250 < 5% nên có thể coi mô hình có chất lượng dự báo tốt.
Căn bậc hai của sai số bình phương trung bình: RMSE = 0.226964
Bước 5: Dự báo ngoài mẫu chuỗi cpisa
Chọn Forecast trong khoảng thời gian 2019M03 2021M12, kết quả dự báo:
Time
2019M03
2019M04
2019M05
2019M06
2019M07
2019M08
2019M09
2019M10
2019M11
2019M12
2020M01
2020M02
2020M03
2020M04
2020M05
2020M06
2020M07

CPI
100.2091
100.2447
100.2829
100.6576
100.3412
100.2785
100.3510
100.3637
100.3099
100.3225
100.3730
100.4724
100.5016
100.5292
100.5183
100.4970
100.4819

Time
2020M08
2020M09
2020M10
2020M11
2020M12
2021M01
2021M02
2021M03
2021M04
2021M05
2021M06
2021M07
2021M08
2021M09
2021M10
2021M11
2021M12

CPI
100.4298
100.3748
100.3889
100.4323
100.4878
100.4756
100.5028
100.5240
100.5381
100.4843
100.4278
100.6273
100.5437
100.5180
100.5025
100.4947
100.5250

Bước 6: Dự báo chuỗi cpif
Tạo chuỗi cpif bằng cách gõ lệnh genr cpif = cpisaf *s, ta có kết quả dự báo:
9


Time
2019M03
2019M04
2019M05
2019M06
2019M07
2019M08
2019M09
2019M10
2019M11
2019M12
2020M01
2020M02
2020M03
2020M04
2020M05
2020M06
2020M07

CPI
99.91485
100.1626
100.3286
100.5178
100.0547
100.1553
100.3557
100.1254
100.1174
100.3466
100.6923
101.4433
100.2065
100.4469
100.5640
100.3574
100.1950

Time
2020M08
2020M09
2020M10
2020M11
2020M12
2021M01
2021M02
2021M03
2021M04
2021M05
2021M06
2021M07
2021M08
2021M09
2021M10
2021M11
2021M12

CPI
100.3065
100.3795
100.1506
100.2395
100.5119
100.7953
101.4740
100.2289
100.4558
100.5301
100.2883
100.3399
100.4202
100.5227
100.2639
100.3019
100.5491

Tại cửa sổ Command gõ lệnh line cpif cpi được đồ thị chuỗi cpi và cpif:
104

103

102

101

100

99
2002

2004

2006

2008

2010

2012

CPIF

2014

2016

2018

2020

CPI

3.2. Cách 2: Sử dụng mô hình S ARIMA:
Bước 1: Kiểm tra tính dừng của chuỗi cpi
Mở chuỗi cpi → Chọn View → Unit Root Test → Chọn Level →Intercept, ta
có kết quả: P-value = 0.000 < 0.05 thỏa mãn điều kiện chuỗi dừng tại level

10


Bước 2: Xác định các giá trị tự hồi quy p và trung bình trượt q
Mở chuỗi cpi → Chọn View → Correlogram… → Level & lags to include:
36, được giản đồ tương quan ACF và giản đồ tương quan riêng phần PACF:

11


Từ giản đồ trên, chọn p = 1; q = 3 & q = 5 cho thành phần không có tính
mùa và P = 12; Q = 12 cho thành phần có tính mùa để ước lượng mô hình.
Bước 3: Ước lượng mô hình
Trên cửa sổ Command gõ lệnh: ls cpi c ar(1) sar(12) ma(3) ma(5) sma(12)

Bước 4: Kiểm định mô hình:
- Mô hình có ý nghĩa thống kê: P-value của các hệ số hồi quy đều < 0.05
- Kiểm định tính ổn định và khả nghịch của mô hình: Với Inverted AR
Roots & Inverted MA Roots < 1 => Mô hình ổn định và khả nghịch.
- Kiểm định nhiễu trắng của mô hình:
Cách 1: Chọn View → Residual Diagnostics → Serial Correlation LM Test

12


Ta có P-value=0.7134 > 0.05 => Mô hình không tự có tự tương quan tại
mức ý nghĩa 5%, tức nhiễu trắng.
Cách 2: Chọn View → Residual Diagnostics → Correlation – Q-statistics…,

lags to include: 12, giản đồ cho thấy tồn tại nhiễu trắng:

- Chất lượng dự báo: Dự báo trong mẫu chuỗi cpi
Chọn Forecast trong khoảng thời gian 2004M01 2004M12, ta được kết quả:
105

Forecast: CPIF
Actual: CPI
Forecast sample: 2004M01 2004M12

104

Included observations: 12
Root Mean Squared Error
Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

103
102
101
100

0.301981
0.240951
0.239094
0.001498
0.001210
0.000342
0.998448

99
98
M1

M2

M3

M4

M5

M6

M7

M8

M9

M10

M11

M12

2004
CPIF

± 2 S.E.

Trung bình tuyệt đối phần trăm sai số (Mean Abs. Percent Error): MAPE =
0.239094 < 5% nên có thể coi mô hình có chất lượng dự báo có thể tin tưởng.
Căn bậc hai của sai số bình phương trung bình: RMSE = 0.301981
Bước 5: Dự báo ngoài mẫu chuỗi cpi
Chọn Forecast trong khoảng thời gian 2019M03 2021M12, được kết quả:
13


(Đơn vị: %)
Time
2019M03
2019M04
2019M05
2019M06
2019M07
2019M08
2019M09
2019M10
2019M11
2019M12
2020M01
2020M02
2020M03
2020M04
2020M05
2020M06
2020M07

CPI
100.4708
100.9230
100.5396
100.9932
100.6064
100.5489
100.5079
100.4789
100.5109
100.5429
100.5524
100.6868
100.4589
100.4817
100.5180
100.4756
100.4743

Time
2020M08
2020M09
2020M10
2020M11
2020M12
2021M01
2021M02
2021M03
2021M04
2021M05
2021M06
2021M07
2021M08
2021M09
2021M10
2021M11
2021M12

CPI
100.4655
100.4564
100.4483
100.4866
100.5211
100.5337
100.6521
100.4581
100.4789
100.5108
100.4749
100.4741
100.4668
100.4591
100.4522
100.4852
100.5148

Tại cửa sổ Command gõ lệnh: line cpif cpi được đồ thị minh hoạ:
104

103

102

101

100

99
2002

2004

2006

2008

2010

2012

CPIF

14

2014
CPI

2016

2018

2020


4. Kết luận và kiến nghị
Nhóm đã nghiên cứu khả năng ứng dụng của mô hình ARIMA, SARIMA
vào việc dự báo chỉ số giá tiêu dùng CPI nhằm tìm ra mô hình tốt nhất cho việc
dự báo lạm phát tại Việt Nam. Qua dự báo CPI bằng 2 cách, ta thấy cách 1 (mô
hình ARIMA sau khi đã tách yếu tố mùa vụ) cho dự báo hiệu quả hơn do có
RMSE =0.226964, thấp hơn cách 2 (dự báo bằng mô hình SARIMA) với RMSE
= 0.301981. Tuy vậy, kết quả dự báo chỉ số giá tiêu dùng CPI ở cả 2 cách đều cho
thấy xu hướng biến động lên xuống không quá đáng kể của chuỗi CPI trong
tương lai, từ tháng 03/2019 đến tháng 12/2021, trừ tháng 2 hàng năm khi CPI
thường tăng đột biến cao nhất, do đây là tháng Tết cổ truyền, rồi lại giảm vào
tháng 3 sau đó. Đặc biệt, biểu đồ dự báo của mô hình ARIMA có chu kỳ dao
động mạnh hơn và khá đều trong khi đồ thị dự báo của mô hình SARIMA cho
thấy CPI có thể biến động mạnh hơn vào giữa và cuối năm 2019 nhưng dao động
ổn định trong năm 2020 và 2021. Tuy nhiên, trong giai đoạn hiện nay nền kinh tế
có rất nhiều biến đổi có thể tác động đến kết quả dự báo, do đó việc dự báo lạm
phát trong tương lai sẽ tồn tại những sai số nhất định. Dù vậy, kết quả nghiên cứu
này cũng phần nào cung cấp thông tin thiết thực cho các nhà đầu tư cũng như các
nhà làm chính sách trong việc tìm kiếm những giải pháp thích hợp để phòng ngừa
và tối thiểu hóa thiệt hại do lạm phát gây ra.
Để kiểm soát tốt lạm phát, nhóm xin đưa ra một số đề xuất. Thứ nhất, công
tác điều hành giá phải bám sát mục tiêu tăng trưởng, tránh tạo ra lạm phát kỳ
vọng hay tạo ra “độ trễ” của lạm phát trong những năm sau, cần theo dõi sát diễn
giá cả của các mặt hàng thiết yếu, chủ động chuẩn bị các nguồn hàng vào dịp lễ
Tết, có giải pháp bình ổn thị trường phù hợp...Thứ hai, tiếp tục hoàn thiện hệ
thống pháp luật về giá, trong đó có việc hoàn thiện các định mức kinh tế - kỹ
thuật làm cơ sở xác định giá theo lộ trình, bảo đảm tính đúng, đủ chi phí thực
hiện. Thứ ba, về chính sách tiền tệ, cần được điều hành linh hoạt, bám sát các
diễn biến thị trường tài chính tiền tệ trong nước và quốc tế để đạt được mục tiêu
kiểm soát lạm phát, ổn định thị trường ngoại tệ, góp phần ổn định kinh tế vĩ mô.
15


TÀI LIỆU THAM KHẢO

1. Tổng cục thống kê, Số liệu chuyên đề: Chỉ số giá tiêu dùng, truy cập
09/03/2019, https://www.gso.gov.vn/default.aspx?tabid=628.
2. Nguyễn Khắc Hiếu (2014), Mô hình ARIMA và dự báo lạm phát 6 tháng cuối
năm 2014, Khoa Kinh tế, Trường Đại học Sư phạm kĩ thuật Thành phố Hồ
Chí Minh.
3. Nguyễn Thị Thu Trang (11/2017), Sử dụng mô hình ARIMA và mô hình VAR
dự báo lạm phát tại Việt Nam, truy cập ngày 15/03/2019,
http://www.mof.gov.vn/webcenter/portal/vclvcstc/r/m/ncvtd/ncvtd_chitiet?d
DocName=MOFUCM117184&dID=122404&_afrLoop=290090522150221
84#!%40%40%3FdID%3D122404%26_afrLoop%3D29009052215022184
%26dDocName%3DMOFUCM117184%26_adf.ctrl-state
%3Dm7xbs66m4_4.
4. Diễm Trinh (2018), Dự báo CPI ngắn hạn bằng mô hình SARIMA, Chuyên
san Kinh tế Tài chính Ngân hàng, số 15 tháng 05/2018, tr. 15 - 23, Khoa Tài
chính - Ngân hàng, Trường Đại học Kinh tế - Luật, truy cập ngày 12/03/2019,
https://fb.uel.edu.vn/Resources/Docs/SubDomain/fb/Chuy%C3%AAn%20sa
n/cs15_mau_web.pdf?fbclid=IwAR1CiPwGrazROJ4lMzNUuL1diUrZgDR3
xRWYjffSynHpi3bjUni7JjVoUTI.

16



Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×