Chương I MÔ TẢ SỐ LIỆU Nhấn đúp vào chuỗi import để mở cửa sổ series: IMPORT Trên cửa sổ Series: IMPORT vào View/ Descriptive Statistics & Tests/ Stats Table Sau thực câu lệnh ta có bảng thống kê sau: Mô tả thống kê quan trọng Số quan sát (Observations) 69 Giá trị trung bình (Mean) 16318996 Giá trị lớn (Maximum) 23072005 Giá trị nhỏ (Minimum) 9892473 Độ lệch chuẩn (Std.Dev.) 3566285 Trên cửa sổ Series: IMPORT vào View/ Graph Ta có biểu đồ mô tả số liệu sau: IMPORT 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 2018 2019 2020 Chương II DỰ BÁO TRỊ GIÁ CÁC MẶT HÀNG NHẬP KHẨU Trong tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi import (chuỗi số liệu trị giá mặt hàng nhập Việt Nam) từ tháng 10 năm 2019 đến tháng năm 2020 (2019M10 2020M5) nhiều phương pháp khác Các phương pháp dự báo giản đơn 1.1 Dự báo phương pháp san mũ San mũ việc loại bỏ yếu tố ngẫu nhiên để nhìn thấy chất chuỗi, giúp cho việc dự báo trở nên dễ dàng Phương pháp san mũ đơn loại bỏ yếu tố ngẫu nhiên dự báo giá trị mẫu (predict) giúp dự báo mẫu (forecast) Phương pháp san mũ kép việc lặp lai lần san mũ đơn Phương pháp dự báo ngồi mẫu Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing, phần Smoothing method, chọn Double Chuỗi san kép chuỗi importd, mẫu dự báo 2014m01-2020m05 Ta thu kết dự báo sau: Tham số: Alpha 0.0620 Trung bình bình phương sai số 1653508 Kết thúc giai đoạn: Trung bình 21822528 Yếu tố xu Hằng số san kép: 158411.1 = 0.0620  Chỉ số bậc hai sai số bình phương trung bình RMSE = 1653508 Trên cửa sổ Command dùng lệnh line import importd có biểu đồ sau: 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 IMPORT 2018 2019 2020 IMPORTD 1.2 Dự báo phương pháp san mũ Holt Tổng quan phương pháp san mũ Holt: Phương pháp san mũ Holt dùng để dự báo chuỗi có yếu tố xu T cách loại bỏ yếu tố xu T Ký hiệu: Tt ước lượng phần xu thời kỳ t ∧ Y t ước lượng giá trị trung bình Y thời kì t ∧ Y n+h giá trị dự báo Y sau h giai đoạn tương lai Ta có: ∧ ∧ Y t = αYt + (1 −α)(Y t −1 +T t −1) ∧ ∧ T = β (Y t −Y t −1 ) + (1− β )T t −1 t ∧ ∧ Y n+h = Y n + hTn Với α, β số san cho RMSE nhỏ Áp dụng Eviews: Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing, phần Smoothing method chọn Holt-Winters-No seasonal Chuỗi san Holt chuỗi importh Ta thu kết dự báo sau: Tham số: Alpha 0.1500 Beta 0.0000 Trung bình bình phương sai số RMSE 1658814 Kết thúc giai đoạn: Trung bình 22040578 Yếu tố xu  192326.4 Hằng số san: = 0,1500, = 0,0000  Chỉ số bậc hai sai số bình phương trung bình RMSE = 1658814 Trên cửa sổ Command dùng lệnh line import importh có biểu đồ sau: 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 IMPORT 2018 IMPORTH 2019 2020 1.3 Dự báo phương pháp san mũ Winters Tổng quan phương pháp san mũ Winters: Phương pháp san mũ Winters dùng để dự báo chuỗi có chứa yếu tố xu yếu tố mùa vụ Ký hiệu: T t ước lượng phần xu thời kỳ t ∧ Y t ước lượng giá trị trung bình Y thời kì t ∧ Y n+h giá trị dự báo Y sau h giai đoạn tương lai S t yếu tố thời vụ thời điểm t (Chỉ số mùa vụ qua năm không đổi) k số thời vụ năm S t −k yếu tố thời vụ thời điểm t thời kỳ trước Đầu tiên phải xác định dạng mơ hình chuỗi: Mơ hình nhân: Mơ hình cộng: t Y = T.S.C.I Y = T+S+C+I t Từ đó, ta có giá trị ước lượng trung bình là: Y ∧ Mơ hình nhân: Y t = α t ∧ + (1 −α )(Y t −1 + Tt −1 ) S t −k ∧ ∧ α(Yt − St −k ) + (1−α)(Y t −1 +Tt −1 )  Mơ hình cộng: Y t Ước lượng giá trị xu T là: T = β(Y t ∧ t ∧ − Y t −1 ) + (1 −β )T t −1 Ước lượng giá trị số mùa vụ là: = Mơ hình nhân: S γ t Y ∧ t + (1−γ )S Yt t −k ∧ = γ Mơ hình cộng: St (Yt −Yt −1 ) + (1 −γ )St −k Như vậy, ta có dự báo h giai đoạn tương lai ∧ ∧ Mơ hình nhân: Yn+h = (Y n + hTn )Si ∧ ∧ = (Yn + hTn )Si Mơ hình cộng: Yn+h (với S i số mùa vụ năm cần dự báo) Áp dụng Eviews: IMPORT 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 2018 2019 2020 Từ đồ thị chuỗi import, ta thấy chuỗi có xu hướng tăng dần dốc lên theo thời gian Vậy ta sử dụng mơ hình nhân Trên cửa sổ Series: IMPORT, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing phần Smoothing method, chọn HoltWinters – Muliplicative Chuỗi san Winters chuỗi importw Ta thu kết sau: Tham số: Alpha 0.2200 Beta 0.0000 Gamma 0.0000 Trung bình bình phương sai số RMSE 989161.6 Kết thúc giai đoạn: Trung bình 21666233 Xu 154234.1 Mùa vụ: 2018M10 1.034432 2018M11 1.022216 2018M12 1.039912 2019M01 0.946325 2019M02 0.803208 2019M03 1.049835 2019M04 0.975788 2019M05 1.068202 2019M06 1.010944 2019M07 1.025019 2019M08 1.033185 2019M09 0.990935  Hằng số san: = 0,2200, = 0,0000, = 0,0000  Chỉ số bậc hai sai số bình phương trung bình RMSE = 989161,6  Chỉ số mùa vụ qua năm không đổi bằng: S1 0,946325 S7 1,025019 S2 0,803208 S8 1,033185 S3 1,049835 S9 0,990935 S4 0,975788 S10 1,034432 S5 1,068202 S11 1,022216 S6 1,010944 S12 1,039912 Trên cửa sổ Command dùng lệnh line import importw có biểu đồ sau: 26,000,000 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 IMPORT 2018 2019 2020 IMPORTW Dự báo phương pháp phân tích Bước 1: Xác định chuỗi: Xác định chuỗi thuộc mơ hình nhân hay mơ hình cộng Tính CMA4 (nếu số liệu theo quý) CMA12 (nếu số liệu theo tháng) Bước 2: Tách yếu tố mùa vụ: Tách yếu tố mùa vụ khỏi chuỗi thu chuỗi Y Đối với mơ hình nhân: SA Yt tính tỉ số MA Y t MA tính hiệu Yt - Y t Đối với mơ hình cộng: Phương pháp MA tách ảnh hưởng yếu tố chu kỳ (C) (I) để chuỗi phụ thuộc yếu tố xu (T) để dễ dàng ước lượng SA Bước 3: Ước lượng chuỗi Y hàm xu dự báo chuỗi hiệu chỉnh Tính giá trị trung bình chênh lệch: Đối với mơ hình nhân: tính Mi = Y x∑ (j)i MA m-1 Y (j)i MA x ∑ (Y -Y Đối với mơ hình cộng: tính M = i m-1 ) t t M Đối với mơ hình nhân:SRi = Đối với mơ hình cộng: i (M1 +M2+…+M11+M12)/12 SDi = Mi - (M1+M2+…+M11+M4)/12 Bước 4: Dự báo chuỗi gốc Nhân cộng chuỗi hiệu chỉnh với số mùa vụ để dự báo chuỗi gốc YSAR = Đối với mơ hình nhân: Y (j)i SRi (j)i Y SAD (j)i Đối với mơ hình cộng: = Y j i - SDi () Áp dụng Eviews: Bước 1: Xác đinh chuỗi: Ta xác định chuỗi thuộc dạng mơ hình nhân Bước 2: Tách yếu tố mùa vụ: Trên cửa sổ Series: IMPORT, vào Proc/Seasonal Adjustment/ Moving Average Methods Trên cửa sổ Seasonal Adjustment phần Adjustment methods chọn Ratio to moving average-Multiplicative Chuỗi tách yếu tố mùa vụ importsa, số mùa vụ importsf Ta có bảng kết số mùa vụ sau: Chuỗi gốc: IMPORT Chuỗi dự báo: IMPORTSA Scaling Factors: 0.981310 0.778175 1.045292 0.968433 1.073433 1.018040 1.026661 10 1.036244 0.996022 10 1.039927 11 1.027397 12 1.045610 Kết thu phần Scaling Factors số mùa vụ chung qua tháng Bước 3: Ước lượng chuỗi importsa theo hàm xu dự báo chuỗi hiệu chỉnh  Ước lượng importsa theo biến T: Trên cửa sổ Command Gõ lệnh genr t=@trend(2013M12) để tạo biến xu t Gõ lệnh LS importsa c t để ước lượng importsa theo biến t Thu kết quả: Variable Coefficient Std Error t-Statistic Prob C 10845278 262854.9 41.25955 0.0000 T 155451.1 6527.327 23.81543 0.0000 Prob(F-statistic) 0.000000 Ta có mơ hình hồi quy: ̂ = 10845278 + 155451,1t Kiểm định giả thuyết thống kê hệ số hồi quy Cặp giả thuyết: {H0: βj = H1: βj ≠ Với mức ý nghĩa α cho trước, P-value < α bác bỏ H0 Theo kết ước lượng, với α = 0,05 ta thấy: Hệ số chặn t có P-value (Prob.) = 0,0000 < α = 0,05  Bác bỏ H0, chấp nhận H1 11 Trên cửa sổ ước lượng vào View/ Residual Diagnostics/ Serial Correlation LM test Ta có kết sau: Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.948404 Prob F(2,63) 0.3928 Obs*R-squared 2.016737 Prob Chi-Square(2) 0.3648 Ta thấy p-value = 0,3928 > = 0,05 Khơng có sở bác bỏ Ho   Mơ hình khơng có tự tương quan với mức ý nghĩa = 0,05  phần Forecast name điền importsaf  phần Forecast Sample chọn mẫu từ 2014m01 2019m09  phần Output/ Graph chọn Forecast & Actuals Ta có kết sau: 24,000,000 Forecast: IMPORTSAF Actual: IMPORTSA Forecast sample: 2014M01 2019M09 Included observations: 69 Root Mean Squared Error 996541.8 Mean Absolute Error 788987.0 Mean Abs Percent Error 4.989032 Theil Inequality Coefficient 0.030022 Bias Proportion 0.000000 Variance Proportion 0.024304 Covariance Proportion 0.975696 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 I IIIIIIV I II III IV 2014 2015 I IIIIIIV I 2016 IMPORTSAF II III IV I II III IV I 2017 2018 II III 2019 ± S.E Nhìn vào kết dự báo mẫu ta thấy: Mean Abs Percent Error = 4,989032 < Tức sai số dự báo < 5%,  Có thể sử dụng mơ hình để dự báo ngồi mẫu 15 Mở lại cửa sổ Forecast Trong phần Forecast sample chọn mẫu 2019M10 2020M5 Ta thu chuỗi dự báo importsaf Ta lấy chuỗi importsaf nhân với số mùa vụ importsf chuỗi dự báo importf Trên cửa sổ Command gõ lệnh genr importf=importsaf*importsf Trên cửa sổ Command gõ lệnh line importf import thu kết quả: 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 2014 2015 2016 2017 IMPORTF a 2018 2019 2020 IMPORT Dự báo mơ hình ARIMA Tổng quan mơ hình: Mơ hình ARIMA bậc p, d, q mơ hình với: AR(p) mơ hình tự tương quan bậc p Y(d) chuỗi dừng lấy sai phân bậc d MA(q) mơ hình trung bình trượt bậc q Có phương trình là: Y(d) = c + Φ1Y(d)t-1 + … + ΦpY(d)t-p + θ1ut-1 + … + θqut-q + ut b Các bước tiến hành: Bước 1: Kiểm tra tính dừng chuỗi cần dự báo  Đối với chuỗi thường: kiểm tra tính dừng chuỗi gốc tiến hành dự báo ARIMA với chuỗi gốc 16  Đối với chuỗi có tính mùa vụ: tách yếu tố mùa vụ khỏi chuỗi gốc, sau kiểm tra tính dừng chuỗi tách tiến hành dự báo ARIMA với chuỗi tách ̂ ̂  Đối với chuỗi có tính xu thế: kiểm tra tính dừng chuỗi gốc Y t = β1+β2t + et (với et phần dư), sau kiểm tra tính dừng chuỗi e t tiến hành dự báo ARIMA với chuỗi et Bước 2: Xác định độ trễ p, q Bước 3: Kiểm tra điều kiện giả định mơ hình:  Mơ hình khả nghịch ổn định (nghiệm đơn vị mơ hình hồi quy phụ < 1)  Nhiễu trắng (nhiễu không tự tương quan)  Chất lượng dự báo  Đối với chuỗi có yếu tố mùa vụ: Nhân cộng chuỗi dự báo hiệu chỉnh với số mùa vụ để dự báo chuỗi gốc  Đối với chuỗi có yếu tố xu thế: Tạo biến Yf = β̂1 + β̂2t + ef dự báo chuỗi Yt Áp dụng Eviews: Bước 1: Kiểm tra tính mùa vụ tách yếu tố mùa vụ có Trên cửa sổ Series: IMPORT vào View/ Graph Trên cửa sổ Graph Options chọn Seasonal Graph Ta có biểu đồ sau: 17 IMPORT by Season 24,000,000 22,000,000 20,000,000 18,000,000 16,000,000 14,000,000 12,000,000 10,000,000 8,000,000 Jan Feb Mar Apr May Jun Jul AugSep Oct Nov Dec Means by Season Các vạch đỏ hình giá trị trung bình mùa Nếu vạch chênh nhiều tính mùa vụ rõ ràng Ở đây, ta thấy có sai lệch chứng tỏ chuỗi giá trị sử dụng có yếu tố mùa vụ Ta tiến hành dự báo cho chuỗi import cách tách yếu tố mùa vụ Ta xác định chuỗi thuộc dạng mơ hình nhân Tiến hành tách yếu tố mùa vụ ta thu chuỗi importsa Kiểm định tính dừng chuỗi importsa H : Chuỗi khơng dừng Cặp giả thuyết: { H1: Chuỗi dừng Trên cửa sổ Series: IMPORTSA vào View/ Unit Root Tests Trên cửa sổ Unit Root Test, phần Test for unit root in chọn Level Ta thu kết quả: Null Hypothesis: IMPORTSA has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=10) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.269419 0.9231 Test critical values: 1% level -3.533204 5% level -2.906210 18 10% level -2.590628 Theo kết kiểm định ta thấy P-value (Prob.) = 0,9231> α = 0,05  Khơng có sở bác bỏ H0  Chuỗi importsa khơng dừng Vậy ta kiểm định tính dừng chuỗi importsa sai phân bậc Trên cửa sổ Series: IMPORTSA vào lại View/ Unit Root Tests st Trên cửa sổ Unit Root Test, phần Test for unit root in chọn difference Thu kết quả: Null Hypothesis: D(IMPORTSA) has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=10) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -10.42442 0.0000 Test critical values: 1% level -3.533204 5% level -2.906210 10% level -2.590628 Theo kết kiểm định ta thấy: P-value (Prob.) = 0,0000 < α = 0,05  Bác bỏ H0, chấp nhận H1  Chuỗi importsa dừng sai phân bậc 1, tức d=1 Bước 2: Tìm độ trễ p,q cho mơ hình AR MA Trên cửa sổ Series: IMPORTSA vào View/ Correlogram Trên cửa sổ Correlogram Specification chọn độ trễ phần Lags to include 28 19 Xác định p,q: Xác định p (bậc AR): Ta tìm xem vượt đường giới hạn Partial Correlation Xác định q (bậc MA): Ta tìm xem vượt đường giới hạn Autocorrelation Từ đó, ta chọn độ trễ cho AR, độ trễ 24 cho MA Bước 3: Ước lượng mơ hình kiểm định khuyết tật Ước lượng mơ hình Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ar(2) ma(1) ma(24) Ta có kết hồi quy sau: MA Backcast: 2012M04 2014M03 Variable Coefficient Std Error t-Statistic Prob 20 C 205025.4 59442.69 3.449127 0.0010 AR(1) -0.703805 0.127351 AR(2) -0.318826 0.119496 -2.668092 0.0098 MA(1) -0.045770 0.070795 -0.646513 0.5204 MA(24) -0.844930 0.039367 -21.46265 0.0000 Prob(F-statistic) 0.000000 -5.526505 0.0000 Nhìn kết bên trên, loại MA(1) khơng có ý nghĩa thống kê Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24) lệnh LS d(importsa) c ar(2) ma(24) thu kết bảng sau: Tiêu chí so sánh AR(1)-MA(24) AR(2)-MA(24) AIC 30,24171 30,60909 SBC 30,34043 30,70862 HQ 30,28078 30,64842 RMSE 1112872 1153032 MAPE 5,458859 5,730508 So sánh mơ hình trên, nhận thấy mơ hình với AR(1)-MA(24) tối ưu hơn, chọn độ trễ cho AR, độ trễ 24 cho MA Bước 4: Kiểm tra mô hình điều kiện giả định mơ hình: Mơ hình khả nghịch ổn định: Trên cửa sổ Command gõ lệnh LS d(importsa) c ar(1) ma(24) Thu Module nghiệm đơn vị: Inverted AR Roots -.53 Inverted MA Roots 99 Module nghiệm đơn vị: 21 96-.26i 96+.26i 86+.50i √(-0,53) = 0,53 < √(0,99)2 = 0,99 < 2 2 2 √0,96 +2 (-0,26) 2= √0,96 + 0,26 = 0,9946 < √0,96 + 0,26 = 0,9946 < √(0,86) + 0,5 = 0,9948 < Ta thấy, module nhỏ nên nghiệm đơn vị nằm vịng trịn đơn vị Mơ hình khả nghịch ổn định Kiểm định nhiễu trắng Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Serial Correlation LM test Trên cửa sổ Lag Specification chọn độ trễ lags 20, kết sau: Breusch-Godfrey Serial Correlation LM Test: F-statistic 1.560371 Prob F(20,44) 0.1087 Prob.ChiObs*R-squared 27.73742 Square(20) 0.1158 Test Equation: Dependent Variable: RESID Method: Least Squares Tại ô cửa sổ kết này, ta thấy giá trị P_value = 0,1087 > =0,05 nên mơ hình khơng có tự tương quan nhiễu Bước 5: Dự báo mẫu Dự báo cho chuỗi hiệu chỉnh importsa: Trên cửa sổ ước lượng chọn Forecast Trên cửa sổ Forecast, phần Forecast Sample chọn mẫu từ 2017M01 2020M05 Ta có kết quả: 22 36,000,000 Forecast: IMPORTSAF Actual: IMPORTSA Forecast sample: 2017M01 2020M05 Included observations: 33 Root Mean Squared Error 1006313 Mean Absolute Error 742475.0 Mean Abs Percent Error 3.984703 Theil Inequality Coefficient 0.025657 Bias Proportion 0.189988 Variance Proportion 0.001601 Covariance Proportion 0.808411 32,000,000 28,000,000 24,000,000 20,000,000 16,000,000 12,000,000 I II III IV I II 2017 III IV I II 2018 IMPORTSAF III 2019 IV I II 2020 ± S.E Nhìn vào kết dự báo mẫu ta thấy Mean Abs Percent Error (MAPE) = 3,984703 <  Tức sai số dự báo < 5% Có thể sử dụng mơ hình để dự báo ngồi mẫu Mở lại cửa sổ Forecast Trong phần Forecast sample chọn mẫu 2014M012020M05 Ta thu chuỗi dự báo importsaf Dự báo cho chuỗi gốc Ta lấy chuỗi importsaf nhân với số mùa vụ importsf chuỗi dự báo importfarima Trên cửa sổ Command gõ lệnh genr importfarima=importsaf*importsf Trên cửa sổ Command gõ lệnh line importfarima import thu kết 23 28,000,000 24,000,000 20,000,000 16,000,000 12,000,000 8,000,000 2014 2015 2016 2017 IMPORTFARIMA 24 2018 IMPORT 2019 2020 Chương III KẾT LUẬN DỰ BÁO Chọn chuỗi import, importd, importh, importw, importf, importfarima: click phải chuột chọn Open/ as Group Chọn số liệu kết phương pháp dự báo, ta có bảng số liệu sau: import importd importf Importfarima importh importw 2019m10 NA 21980939 22503064 23803340 22232904 22571787 2019m11 NA 22139350 22319687 23715707 22425231 22462885 2019m12 NA 22297761 22797106 24338844 22617557 23012145 2020m01 NA 22456172 21464535 23032351 22809883 21087125 2020m02 NA 22614583 17070275 18415438 23002210 18021892 2020m03 NA 22772994 22987271 24939389 23194536 23717492 2020m04 NA 22931405 21342287 23293376 23386863 22195141 2020m05 NA 23089816 23697324 26027014 23579189 24461938 Sau dựa vào kết chạy tính tốn excel, ta có kết so sánh mơ hình: RMSE MAPE importd 1653508 7,754360 importh 1658814 7,454791 importw 989161,6 4,993140 importf 960050,3 4,989032 25 importfarima 1407702 7,110182 28,000,000 24,000,000 20,000,000 16,000,000 12,000,000 8,000,000 2014 2015 2016 IMPORT IMPORTH 2017 IMPORTD IMPORTW 2018 2019 2020 IMPORTF IMPORTFARIMA Dựa vào kết qủa dự báo ta thấy phương pháp phân tích (chuỗi importf) xác so với phương pháp lại với số RMSE MAPE nhỏ Vậy để lựa chọn phương pháp dự báo tốt cho chuỗi, ta lựa chọn phương pháp phân tích 26 C KẾT LUẬN Từ phân tích trên, nhóm xin đưa số kết luận sau: Nhóm tác giả xin chọn kết dự báo theo phương pháp phân tích kết cho việc phân tích dự báo giá trị mặt hàng nhập Việt Nam từ tháng 10/2019 đến tháng 5/2020 Thơng qua việc thực báo cáo, nhóm chúng em rút học:  Cách tìm kiếm xử lý số liệu cho quan sát phù hợp với mục tiêu nghiên cứu  Áp dụng lý thuyết chuỗi thời gian, phương pháp dự báo mơ hình, thơng qua phần mềm Eviews vào thực tế  Tăng khả tư nhận biết phương pháp mô hình phù hợp cho trường hợp dự báo cụ thể Nhập hoạt động quan trọng thương mại quốc tế, nhập tác động cách trực tiếp định đến sản xuất đời sống Nhập để tăng cường sở vật chất kỹ thuật công nghệ tiên tiến, đại cho sản xuất hàng hoá cho tiêu dùng mà sản xuất nước không sản xuất được, sản xuất khơng đáp ứng nhu cầu Nhập cịn để thay thế, nghĩa nhập thứ mà sản xuất nước khơng có lợi xuất khẩu, làm tác động tích cực đến phát triển cân đối khai thác tiềm năng, mạnh kinh tế quốc dân sức lao động, vốn, sở vật chất, tài nguyên khoa học kĩ thuật Vậy nên việc dự báo kết tương lai gần giá trị nhập quan trọng có ý nghĩa lớn với nhà hoạch định sách kinh tế Việt Nam 27 PHỤ LỤC Bảng số liệu trị giá nhập mặt hàng Việt Nam Đơn vị: nghìn USD Month Import Month 2014M1 9892473 2016M12 17014846 2019M11 2014M2 9955832 2017M1 13189532 2019M12 2014M3 12411311 2017M2 15284286 2019M1 2014M4 12128798 2017M3 18569851 2020M2 2014M5 12747489 2017M4 17415102 2020M3 2014M6 12109453 2017M5 18543947 2020M4 2014M7 12887152 2017M6 18179649 2020M5 2014M8 12304554 2017M7 17455379 2014M9 13017171 2017M8 18304839 2014M10 13936087 2017M9 18350637 2014M11 12673816 2017M10 18241686 2014M12 13784945 2017M11 19534716 2015M1 14153000 2017M12 20145699 2015M2 10315000 2018M1 20039527 2015M3 14599000 2018M2 13965781 2015M4 13065000 2018M3 18864762 2015M5 14893000 2018M4 17131389 2015M6 14221000 2018M5 21655590 2015M7 14799000 2018M6 19169020 2015M8 14131000 2018M7 20831039 2015M9 13780000 2018M8 22063748 2015M10 13868000 2018M9 19421908 2015M11 13709000 2018M10 21677329 28 Import Month Import 2015M12 14243000 2018M11 21492278 2016M1 12786665 2018M12 20375554 2016M2 10273821 2019M1 21260232 2016M3 14442152 2019M2 14916481 2016M4 14143908 2019M3 21272493 2016M5 14572226 2019M4 21033716 2016M6 14812452 2019M5 23072005 2016M7 14425921 2019M6 19389221 2016M8 15566756 2019M7 22834614 2016M9 14627677 2019M8 22144560 2016M10 15880381 2019M9 21580722 2016M11 16431570 2019M10 29 ... DỰ BÁO TRỊ GIÁ CÁC MẶT HÀNG NHẬP KHẨU Trong tiểu luận này, nhóm tiểu luận dùng phần mềm Eviews để dự báo chuỗi import (chuỗi số liệu trị giá mặt hàng nhập Việt Nam) từ tháng 10 năm 2019 đến tháng. .. 224 252 31 224628 85 2019m12 NA 22297761 2279 7106 24338844 2261 755 7 230121 45 2020m01 NA 22 456 172 2146 453 5 23032 351 22809883 2108 71 25 2020m02 NA 2261 458 3 170702 75 184 154 38 23002 210 18021892 2020m03 NA... phân tích kết cho việc phân tích dự báo giá trị mặt hàng nhập Việt Nam từ tháng 10/ 2019 đến tháng 5/ 2020 Thông qua việc thực báo cáo, nhóm chúng em rút học:  Cách tìm kiếm xử lý số liệu cho quan