1 Giới thiệu Lý chọn đề tài Giá đời có trao đổi mua bán hàng hóa cơng cụ điều tiết kinh tế thị trường Giá biến động lên, xuống, phức tạp kéo theo thay đổi mặt kinh tế xã hội Để có nhìn tổng quan mức tiêu dùng kinh tế sức mua kinh tế cho biết liệu kinh tế có bị lạm phát giảm phát ngồi kiểm sốt hay khơng, số giá tiêu dùng (CPI - Consumer Price Index) công cụ thiếu Chỉ số giá tiêu dùng (CPI) tính theo phần trăm phản ánh mức thay đổi tương đối giá giỏ hàng tiêu dùng theo thời gian, tính dựa giỏ hàng hóa sở đại diện cho toàn hàng tiêu dùng Việc dự báo lạm phát có ý nghĩa quan trọng nhà hoạch định sách thành phần kinh tế Chính mà nhóm lựa chọn đề tài: “Dự báo số giá tiêu dùng Việt Nam giai đoạn tháng 03 năm 2019 tới tháng 12 năm 2021 mơ hình ARIMA có yếu tố mùa vụ” Lịch sử nghiên cứu: Dự báo lạm phát cấu phần quan trọng cơng tác hoạch định sách nhiều quốc gia giới, có Việt Nam Sau năm 1975, trước biến động lớn lạm phát, có nhiều nghiên cứu độ xác tương đối mơ hình dự báo lạm phát Bên cạnh đó, có nhiều cách thức kiểm tra đánh giá phương pháp dự báo lạm phát Bắt đầu từ năm 1998, nghiên cứu định lượng bắt đầu phát triển, nhóm tác giả gồm Aidan Meyler, Geoff, Kenny, Terry Quinn đưa mơ hình chuỗi thời gian ARIMA để dự báo lạm phát Ailen, qua cho thấy mơ hình có kết dự báo tốt so với phương pháp định tính Bên cạnh mơ hình đơn biến, mơ hình đa biến thường sử dụng với chuỗi thời gian VAR VECM Tại Mỹ, Binner cộng (2006) ứng dụng mơ hình AR vào dự báo lạm phát, nhiên khẳng định dự báo lạm phát mơ hình AR khơng tốt mơ hình tự hồi quy Markov (MS-AR) Tại Bangladesh, Faisal (2012) ứng dụng mơ hình ARIMA để dự báo lạm phát đồng thời đưa gợi ý sách để kiểm sốt lạm phát điều hành kinh tế vĩ mơ Ngồi mơ hình chuỗi thời gian tuyến tính, mơ hình phi tuyến sử dụng để dự báo lạm phát, điển hình Michael Dotsey cộng (2011) nghiên cứu khẳng định khả ứng dụng đường cong Philip dự báo lạm phát, đặc biệt kinh tế yếu Ở Việt Nam, tình hình nghiên cứu ứng dụng mơ hình dự báo lạm phát thu hút quan tâm không quan quản lý vĩ mô, trung tâm nghiên cứu, chuyên gia nhiều kinh nghiệm mà niềm say mê nghiên cứu nhiều sinh viên, học giả, nghiên cứu sinh Trong bật như: Võ Trí Thành (2001) với mơ hình tự hồi quy véc-tơ VAR sai số ECM, cho thấy mối quan hệ tiền tệ, số giá tiêu dùng, tỷ giá giá trị sản lượng công nghiệp thực tế; Nguyễn Anh Dương, Đinh Thu Hằng Trịnh Quang Long (2010) với mơ hình số dẫn báo để dự báo tăng trưởng lạm phát Việt Nam; Nguyễn Trọng Hoài (2010) sử dụng luật Taylor để phân tích lạm phát đưa gợi ý sách điều hành kinh tế vĩ mơ; Nguyễn Thị Liên Hoa Trần Đặng Dũng (2013) nghiên cứu lạm phát Việt Nam theo phương pháp SVAR; Đào Hoàng Dũng (2013) dự báo lạm phát quý I/2013 qua mơ hình ARIMA;… Dữ liệu & Phương pháp nghiên cứu Bài tập áp dụng mơ hình ARIMA sau loại bỏ yếu tố mùa vụ SARIMA phần mềm Eviews phân tích dự báo số giá tiêu dùng (CPI) Việt Nam qua tháng giai đoạn từ tháng 03/ 2019 đến tháng 12/ 2021 2.1 Mô tả liệu: Dữ liệu sử dụng nghiên cứu số giá tiêu dùng CPI theo tháng Việt Nam, liệu thu thập từ Tổng Cục Thống Kê từ tháng 1/2002 đến tháng 02/2019, tổng cộng bao gồm 206 quan sát Tất quan sát sử dụng vào việc thiết lập mơ hình Trước tiến hành dự báo, ta cần kiểm tra yếu tố mùa vụ chuỗi số liệu: Mở chuỗi cpi → View → Graph → Seasonal Graph, sơ đồ 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 có yếu tố mùa vụ Vì vậy, chạy mơ hình để dự báo cho chuỗi nên tính đến yếu tố mùa vụ để có kết dự báo xác 2.2 Giới thiệu mơ hình ARIMA SARIMA Mơ hình tự hồi quy tích hợp trung bình trượt ARIMA (Autoregressive Integrated Moving Average) mơ hình dự báo chuỗi thời gian đơn biến giới thiệu Box & GM Jenkins lần vào năm 1976, dựa ý tưởng cho chuỗi thời gian giải thích cách kết hợp hành vi khứ với yếu tố ngẫu nhiên (gọi nhiễu) Thực chất ARIMA tổng hợp mơ hình: Mơ hình tự hồi quy (AR), mơ hình tích hợp (I) mơ hình trung bình trượt (MA) Theo đó, ARIMA kết hợp thành thành phần chính:=  AR = Autogressive (thành phần tự hồi quy)  I = Intergrated (tính dừng chuỗi thời gian)  MA = Moving Average (thành phần trung bình trượt) Điểm quan trọng cần lưu ý để sử dụng phương pháp dự báo mơ hình ARIMA bắt buộc phải sử dụng chuỗi thời gian có tính dừng hay chuỗi thời gian có tính dừng sau thực hay nhiều phép sai phân Một chuỗi thời gian gọi dừng liệu chuỗi dao động xung quanh giá trị trung bình dài hạn, có phương sai xác định khơng đổi theo thời gian khơng có tượng tự tương quan độ trễ khác chúng xác định thời điểm Mơ hình ARIMA(p,d,q) có dạng: = +∅∆ +∅∆ +⋯+∅∆ + ∆ +⋯+ ∆ + Bản chất mơ hình ARIMA dự báo giá trị tương lai biến số biểu thị theo chuỗi thời gian dựa giá trị khứ sai số ngẫu nhiên Trong đa số trường hợp, mơ hình ARIMA cho kết dự báo ngắn hạn đáng tin cậy phương pháp dự báo Hiện nay, mơ hình ARIMA sử dụng rộng rãi Việt Nam giới cho biến số kinh tế nói chung lạm phát nói riêng, tính dễ sử dụng, kết dự báo xác (trừ trường hợp mơi trường kinh tế vĩ mơ có biến động lớn) Tuy nhiên, mơ hình ARIMA thích hợp cho việc phân tích liệu chuỗi thời gian khơng có yếu tố mùa vụ Mà đặc điểm quan trọng liệu chuỗi thời gian kinh tế - xã hội CPI có yếu tố mùa vụ cao Chẳng hạn thực tiễn kinh tế nước ta cho thấy GDP thường tăng cao vào tháng cuối năm, tăng chậm vào tháng đầu năm, CPI thường tăng cao vào tháng 1, tháng dương lịch hàng năm, thường giảm mạnh vào tháng sau đó… Vì vậy, để có dự báo xác tiêu kinh tế - xã hội CPI, người ta phải loại bỏ yếu tố mùa vụ trước ứng dụng ARIMA sử dụng số phương pháp dự báo liệu chuỗi thời gian có yếu tố mùa vụ phát triển tiếp từ mơ hình ARIMA, X11ARIMA, X12ARIMA SARIMA Mơ hình SARIMA đời vào nửa cuối thập niên 1990, phát triển từ mơ hình ARIMA giải yếu tố mùa vụ đồng thời cho trình: tự hồi quy, tích hợp trung bình trượt Vì thế, mơ hình SARIMA phù hợp với liệu chuỗi thời gian mùa vụ 2.3 Quy trình dự báo Trước tiên, cần kiểm tra xem mơ hình thật có yếu tố mùa vụ S (Seasonal) hay khơng Sau đó, việc ứng dụng mơ hình ARIMA phân tích dự báo liệu chuỗi thời gian có yếu tố mùa vụ thực cách theo quy trình bước sau đây: Cách 1: Tách yếu tố mùa vụ trước dự báo mô hình ARIMA Cách 2: Sử dụng mơ hình SARIMA không cần tách yếu tố mùa vụ Bước 1: Kiểm tra tính dừng chuỗi (sử dụng Unit Root Test) Nếu chuỗi không dừng, biến đổi cách lựa chọn sai phân bậc sai phân bậc Nếu chuỗi thời gian dừng bậc khơng ta có I(d=0), sai phân bậc chuỗi dừng ta có I(d=1), sai phân bậc chuỗi dừng ta có I(d=2)…vv Bước 2: Xác định giá trị tự hồi quy p trung bình trượt q Sau kiểm định tính dừng, ta xác định bậc thành phần tự hồi quy AR thông qua giản đồ tương quan ACF (Autocorelation Function) thành phần trung bình trượt MA thơng qua giản đồ tương quan riêng phần PACF (Partial Autocorelation Function) Từ ta nhận dạng đủ thành phần mơ hình Bước 3: Ước lượng mơ hình Nếu chọn cách bước phải thêm yếu tố mùa vụ S vào thành phần AR MA để ước lượng mô hình: SAR(p); SMA(q) Bước 4: Kiểm định giả định mơ hình  Kiểm định tính ổn định khả nghịch mơ hình  Kiểm định tồn nhiễu trắng  Kiểm định chất lượng dự báo Nếu kiểm định mơ hình lựa chọn khơng thỏa mãn quay lại từ giai đoạn nhận dạng để lựa chọn mơ hình khác hợp lý Bước 5: Dự báo ngồi mẫu cho chuỗi Dựa mơ hình lựa chọn, thực dự báo giá trị tương lai liệu chuỗi mùa vụ, đưa khoảng tin cậy dự báo Dự báo sau kiểm định sai số, mơ hình phù hợp, mơ hình sử dụng vào việc dự báo Các tiêu chí sử dụng để so sánh hiệu dự báo RMSE MAPE Bước 6: Bổ sung yếu tố mùa vụ để có kết dự báo cuối Nếu chọn cách 1, tức tách yếu tố mùa vụ trước áp dụng ARIMA, dựa mơ hình lựa chọn, thực cộng nhân yếu tố mùa vụ vào để có kết cho chuỗi cần dự báo Nếu chọn cách 2, tức sử dụng SARIMA, ta không cần thực bước Kết dự báo phân tích 3.1 Cách 1: Tách yếu tố mùa vụ khỏi chuỗi trước áp dụng mơ hình ARIMA: Trước tiên, tách yếu tố mùa vụ phương pháp Moving Average: dựa vào biên độ dao động không quan sát biểu đồ phần 2.1, ta lựa chọn mơ hình nhân: Mở chuỗi cpi → Chọn Proc → Seasonal Adjustment→ Chọn Moving Average Methods → ratio to moving Multiplicative; Factors: s => Ta có chuỗi cpisa Sau ta tiến hành dự báo mơ hình ARIMA cho chuỗi cpisa Bước 1: Kiểm tra tính dừng chuỗi cpisa Mở chuỗi cpisa → Chọn View → Unit Root Test → Chọn Level → Intercept, kết quả: Ta thấy P-value = 0.0000 < 0.05 thỏa mãn điều kiện chuỗi dừng level Bước 2: Xác định giá trị tự hồi quy p trung bình trượt q Mở chuỗi cpisa → Chọn View → Correlogram… → Level & lags to include: 36, giản đồ tương quan ACF giản đồ tương quan riêng phần PACF: Từ giản đồ trên, chọn p = 1& p = 30; q =1 & q = để ước lượng mơ hình Bước 3: Ước lượng kiểm định mơ hình: Trên cửa sổ Command gõ lệnh: ls cpisa c ar(1) ar(30) ma(1) ma(5) Bước 4: Kiểm định mơ hình: - Mơ hình có ý nghĩa thống kê P-value hệ số ar(1), ar(30), ma(5) nhỏ 0.05 - Kiểm định tính ổn định khả nghịch mơ hình: Với Inverted AR Roots & Inverted MA Roots < => Mơ hình ổn định khả nghịch - Kiểm định nhiễu trắng mơ hình: Chọn View → Residual Diagnostics → Serial Correlation LM Test…., bảng kết quả: Ta có P-value=0.4100 > 0.05 => Mơ hình khơng tự có tự tương quan mức ý nghĩa 5%, tức nhiễu trắng - Chất lượng dự báo: Dự báo mẫu chuỗi cpisa Chọn Forecast khoảng thời gian 2004M01 – 2004M12, kết quả: 102.5 Forecast: CPISAF Actual: CPISA 102.0 Forecast sample: 2004M01 2004M12 Adjusted sample: 2004M07 2004M12 101.5 Included observations: 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 ± S.E Trung bình tuyệt đối phần trăm sai số (Mean Abs Percent Error): MAPE = 0.186250 < 5% nên coi mơ hình có chất lượng dự báo tốt Căn bậc hai sai số bình phương trung bình: RMSE = 0.226964 Bước 5: Dự báo mẫu chuỗi cpisa Chọn Forecast khoảng thời gian 2019M03 2021M12, kết 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 cách gõ lệnh genr cpif = cpisaf *s, ta có kết dự báo: 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 đồ thị chuỗi cpi 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 mơ hình S ARIMA: Bước 1: Kiểm tra tính dừng 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 level 10 Bước 2: Xác định giá trị tự hồi quy p trung bình trượt q Mở chuỗi cpi → Chọn View → Correlogram… → Level & lags to include: 36, giản đồ tương quan ACF giản đồ tương quan riêng phần PACF: 11 Từ giản đồ trên, chọn p = 1; q = & q = cho thành phần khơng có tính mùa P = 12; Q = 12 cho thành phần có tính mùa để ước lượng mơ hình Bước 3: Ước lượng mơ hình Trên cửa sổ Command gõ lệnh: ls cpi c ar(1) sar(12) ma(3) ma(5) sma(12) Bước 4: Kiểm định mơ hình: - Mơ hình có ý nghĩa thống kê: P-value hệ số hồi quy < 0.05 - Kiểm định tính ổn định khả nghịch mơ hình: Với Inverted AR Roots & Inverted MA Roots < => Mơ hình ổn định khả nghịch - Kiểm định nhiễu trắng mô hình: Cách 1: Chọn View → Residual Diagnostics → Serial Correlation LM Test 12 Ta có P-value=0.7134 > 0.05 => Mơ hình khơng tự có tự tương quan 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 nhiễu trắng: - Chất lượng dự báo: Dự báo mẫu chuỗi cpi Chọn Forecast khoảng thời gian 2004M01 2004M12, ta 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 ± S.E Trung bình tuyệt đối phần trăm sai số (Mean Abs Percent Error): MAPE = 0.239094 < 5% nên coi mơ hình có chất lượng dự báo tin tưởng Căn bậc hai sai số bình phương trung bình: RMSE = 0.301981 Bước 5: Dự báo mẫu chuỗi cpi Chọn Forecast khoảng thời gian 2019M03 2021M12, 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 đồ thị minh hoạ: 104 103 102 101 100 99 2002 2004 2006 2008 2010 2012 CPIF 14 2014 CPI 2016 2018 2020 Kết luận kiến nghị Nhóm nghiên cứu khả ứng dụng mơ hình ARIMA, SARIMA vào việc dự báo số giá tiêu dùng CPI nhằm tìm mơ hình tốt cho việc dự báo lạm phát Việt Nam Qua dự báo CPI cách, ta thấy cách (mơ hình ARIMA sau tách yếu tố mùa vụ) cho dự báo hiệu có RMSE =0.226964, thấp cách (dự báo mơ hình SARIMA) với RMSE = 0.301981 Tuy vậy, kết dự báo số giá tiêu dùng CPI cách cho thấy xu hướng biến động lên xuống không đáng kể chuỗi CPI tương lai, từ tháng 03/2019 đến tháng 12/2021, trừ tháng hàng năm CPI thường tăng đột biến cao nhất, tháng Tết cổ truyền, lại giảm vào tháng sau Đặc biệt, biểu đồ dự báo mơ hình ARIMA có chu kỳ dao động mạnh đồ thị dự báo mơ hình SARIMA cho thấy CPI biến động mạnh vào cuối năm 2019 dao động ổn định năm 2020 2021 Tuy nhiên, giai đoạn kinh tế có nhiều biến đổi tác động đến kết dự báo, việc dự báo lạm phát tương lai tồn sai số định Dù vậy, kết nghiên cứu phần cung cấp thông tin thiết thực cho nhà đầu tư nhà làm sách việc tìm kiếm giải pháp thích hợp để phịng ngừa tối thiểu hóa thiệt hại lạm phát gây Để kiểm soát tốt lạm phát, nhóm xin đưa số đề xuất Thứ nhất, công tác điều hành giá phải bám sát mục tiêu tăng trưởng, tránh tạo lạm phát kỳ vọng hay tạo “độ trễ” lạm phát năm sau, cần theo dõi sát diễn giá mặt hàng thiết yếu, chủ động chuẩn bị nguồn hàng vào dịp lễ Tết, có giải pháp bình ổn thị trường phù hợp Thứ hai, tiếp tục hồn thiện hệ thống pháp luật giá, có việc hồn thiện định mức kinh tế - kỹ thuật làm sở xác định giá theo lộ trình, bảo đảm tính đúng, đủ chi phí thực Thứ ba, sách tiền tệ, cần điều hành linh hoạt, bám sát diễn biến thị trường tài tiền tệ nước quốc tế để đạt 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 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 Nguyễn Khắc Hiếu (2014), Mơ hình ARIMA dự báo lạm phát tháng cuối năm 2014, Khoa Kinh tế, Trường Đại học Sư phạm kĩ thuật Thành phố Hồ Chí Minh Nguyễn Thị Thu Trang (11/2017), Sử dụng mơ hình ARIMA mơ hình VAR dự báo lạm phát 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 Diễm Trinh (2018), Dự báo CPI ngắn hạn mô hình SARIMA, Chun san Kinh tế Tài Ngân hàng, số 15 tháng 05/2018, tr 15 - 23, Khoa Tài - 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 ... vụ SARIMA phần mềm Eviews phân tích dự báo số giá tiêu dùng (CPI) Việt Nam qua tháng giai đoạn từ tháng 03/ 2019 đến tháng 12/ 2021 2.1 Mô tả liệu: Dữ liệu sử dụng nghiên cứu số giá tiêu dùng. .. hiệu dự báo RMSE MAPE Bước 6: Bổ sung yếu tố mùa vụ để có kết dự báo cuối Nếu chọn cách 1, tức tách yếu tố mùa vụ trước áp dụng ARIMA, dựa mơ hình lựa chọn, thực cộng nhân yếu tố mùa vụ vào để có. .. tìm mơ hình tốt cho việc dự báo lạm phát Việt Nam Qua dự báo CPI cách, ta thấy cách (mơ hình ARIMA sau tách yếu tố mùa vụ) cho dự báo hiệu có RMSE =0.226964, thấp cách (dự báo mơ hình SARIMA)