Kết luận
Mô hình dự báo kinh tế vĩ mô vẫn luôn thu hút sự
quan tâm của nhiều tổ chức cũng như cá nhân. Nhiều
nghiên cứu được thực hiện là sự kết hợp của nhiều
nhóm nghiên cứu quốc tế. Các mô hình trong lĩnh
vực này cũng ngày càng phát triển. Chỉ số dẫn báo
vẫn là một trong những nhân tố đóng vai trò quan
trọng trong việc xây dựng mô hình. Để xây dựng các
mô hình dự báo kinh tế vĩ mô trên tập dữ liệu rất lớn
thì rất cần thiết phải áp dụng các phương pháp giảm
chiều dữ liệu. Lựa chọn thuộc tính là một trong các
hướng được ứng dụng phổ biến.
Trong bài viết này chúng tôi đã đưa ra phương
pháp luận xây dựng mô hình dự báo kinh tế vĩ mô
theo cách tiếp cận lựa chọn thuộc tính và chỉ số dẫn
báo. Từng kỹ thuật áp dụng đã được chỉ rõ trong
từng phần của quy trình xây dựng mô hình. Hiện nay
chúng tôi đang tiến hành thực nghiệm phương pháp
này nhằm dự báo các chỉ số kinh tế vĩ mô chủ yếu
theo quý của Việt Nam. Phần thực nghiệm sẽ được
nhóm tác giả công bố trong các bài viết tiếp theo./.
5 trang |
Chia sẻ: hachi492 | Ngày: 18/01/2022 | Lượt xem: 283 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Ứng dụng phương pháp lựa chọn thuộc tính và chỉ số dẫn báo trong xây dựng mô hình dự báo các chỉ tiêu kinh tế vĩ mô, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
9Taïp chí nghieân cöùu Taøi chính keá toaùn
1. Giới thiệu vấn đề
Dự báo các chỉ tiêu kinh tế vĩ mô luôn được chính
phủ và các tổ chức kinh tế đặc biệt quan tâm. Trong
những thập kỷ gần đây đã có rất nhiều nghiên cứu ứng
dụng các phương pháp định lượng nhằm xây dựng
các mô hình dự báo kinh tế vĩ mô. Hiện tại ở Việt
Nam cũng như các nước trên thế giới người ta đã hình
thành và ứng dụng nhiều phương pháp khác nhau dự
báo các chỉ tiêu kinh tế vĩ mô chủ yếu theo tháng,
quý và năm. Trong đó, các phương pháp thường được
sử dụng là: phương pháp chuyên gia, phương pháp
ngoại suy, phương pháp điều tra, phương pháp chuỗi
thời gian, phương pháp chỉ số dẫn báo và mô hình
kinh tế lượng (hay hệ phương trình đồng thời).
Với sự phát triển hết sức mạnh mẽ của khoa học
công nghệ các thông tin dữ liệu được hình thành trong
quá trình hoạt động cũng như trong công tác chỉ đạo
điều hành và quản lý nền kinh tế ngày càng có cơ hội
được thu thập đầy đủ và toàn diện. Khi đó những yếu
tố kinh tế - xã hội có ảnh hưởng đến sự thay đổi của
các chỉ tiêu kinh tế vĩ mô sẽ được nhận diện ngày
càng nhiều hơn và mô hình dự báo các chỉ tiêu kinh
tế vĩ mô cần phải chứa đầy đủ nhất có thể các yếu tố
ấy. Khi đó vấn đề xây dựng các mô hình dự báo các
chỉ tiêu kinh tế vĩ mô cần phải được thực hiện trên tập
thông tin dữ liệu rất lớn và các phương pháp xây dựng
mô hình dự báo kinh tế truyền thống ở trên không thể
đáp ứng được yêu cầu này.
Trong những năm gần đây người ta đã tập trung
nghiên cứu các phương pháp làm giảm chiều dữ liệu,
đó là các phương pháp lựa chọn, biến đổi tập dữ liệu
đầu vào ban đầu thành một tập dữ liệu khác nhỏ hơn
rất nhiều nhưng cơ bản phản ánh khá đầy đủ các thông
tin có trong tập dữ liệu gốc. Xây dựng mô hình dự báo
trên tập dữ liệu có số chiều cao (big data) được ứng
dụng để mô hình hóa nền kinh tế quốc dân ở những
nước phát triển như Mỹ (Lawrence R. Klein, 2009),
Nhật Bản (Yoshihisa Inada, 2009), Liên bang Đức
(Andrei Roudoi, 2009). Phương pháp luận chung của
cả 3 mô hình trên là: thực hiện một số kỹ thuật giảm
chiều dữ liệu để tạo ra một số biến mới ít hơn nhiều
so với số các biến ban đầu trong khi vẫn nắm bắt được
những thông tin trong tập ban đầu nhiều nhất có thể,
và sau đó xây dựng mô hình dự báo bằng phương
pháp hồi quy nhiều biến trên tập các biến mới.
Việc nghiên cứu xây dựng mô hình dự báo trên tập
dữ liệu có số chiều cao (hay big data) đã được một số
nhà nghiên cứu Việt Nam quan tâm. Các nghiên cứu
của Đỗ Văn Thành và cộng sự đã sử dụng kết hợp
một số kỹ thuật giảm chiều dữ liệu, mô hình phương
sai thay đổi tự hồi quy và phương pháp hồi quy nhiều
ỨNG DỤNG PHƯƠNG PHÁP LỰA CHỌN THUỘC TÍNH
VÀ CHỈ SỐ DẪN BÁO TRONG XÂY DỰNG MÔ HÌNH
DỰ BÁO CÁC CHỈ TIÊU KINH TẾ VĨ MÔ
TS. Cù Thu Thủy - Ths. Đồng Thị Ngọc Lan*
Ngày nhận bài: 2/5/2019
Ngày chuyển phản biện: 10/5/2019
Ngày nhận phản biện: 15/5/2019
Ngày chấp nhận đăng: 20/5/2019
Bài viết đưa ra các bước ứng dụng kỹ thuật lựa chọn thuộc tính trong khi xây dựng mô hình dự báo kinh
tế - xã hội theo cách tiếp cận của phương pháp chỉ số dẫn báo kết hợp với mô hình kinh tế lượng. Đây là
một hướng nghiên cứu và ứng dụng mới trong lĩnh vực phân tích và dự báo dữ liệu nói chung, xây dựng
mô hình dự báo các chỉ tiêu kinh tế vĩ mô nói riêng.
• Từ khóa: dự báo kinh tế vĩ mô; lựa chọn thuộc tính; chỉ số dẫn báo.
This article applies the technique of feature
selection to build a socio-economic forecasting
model based on leading indicators combined with
econometric model. This is a new researching
approach in the field of data analysis and
forecasting in general, and in forecasting
macroeconomic targets in particular.
• Keywords: macroeconomic forecasts; select
properties; indicator.
* Học viện Tài chính
NGHIEÂN CÖÙU TRAO ÑOÅIÂSoá 08 (193) - 2019
10 Taïp chí nghieân cöùu Taøi chính keá toaùn
biến để xây dựng mô hình dự báo các chỉ số chứng
khoán, mô phỏng và đánh giá rủi ro dự báo giá cổ
phiếu của các công ty niêm yết trên thị trường chứng
khoán. Kết quả thực nghiệm xây dựng mô hình dự
báo chỉ số thị trường chứng khoán dựa vào gần 300
biến kinh tế khác cho thấy độ chính xác dự báo bằng
mô hình được xây dựng theo phương pháp này là rất
cao.
Bài viết này nhằm nghiên cứu đưa ra các bước
ứng dụng kỹ thuật lựa chọn thuộc tính trong khi xây
dựng mô hình dự báo các chỉ tiêu kinh tế vĩ mô theo
cách tiếp cận của phương pháp chỉ số dẫn báo kết hợp
với hệ phương trình kinh tế lượng. Đây là một hướng
nghiên cứu và ứng dụng rất mới, thời sự, đang được
cộng đồng quốc tế quan tâm trong lĩnh vực phân tích
dữ liệu nói chung, xây dựng mô hình phân tích và dự
báo nói riêng.
2. Phương pháp lựa chọn thuộc tính và chỉ số
dẫn báo
2.1. Chỉ số dẫn báo
Chỉ số tác động là chỉ số mà sự biến động của
nó có quan hệ ổn định đến biến động của một số
biến (chỉ số) khác. Chỉ số có 3 loại: (1) Chỉ số dẫn
báo trước (Leading Indicator): sự biến động của chỉ
số này báo trước cho sự biến động của một số chỉ
số khác. (2) Chỉ số dẫn báo đồng thời (Coincident
Indicator): chính chỉ số này và chỉ số mà nó có quan
hệ ổn định xảy ra đồng thời, tức là có tác động đồng
thời. (3) Chỉ số dẫn báo sau (Lagging Indicator): cung
cấp thông tin biến động trước đó của chỉ số mà chỉ số
này có quan hệ.
Trong thực tiễn thường sử dụng chỉ số dẫn báo
đồng thời và chỉ số dẫn báo trước. Với khả năng thể
hiện được những diễn biến tương tự như các chỉ số
kinh tế nhưng ở thời điểm sớm hơn, chỉ số dẫn báo có
thể là một cách tiếp cận tương đối hiệu quả và ít tốn
kém cho dự báo kinh tế trong ngắn hạn.
Xây dựng mô hình sử dụng chỉ số dẫn báo đồng
thời. Có hai phương pháp chính xây dựng mô hình
sử dụng chỉ số dẫn báo đồng thời là mô hình nhân
tố động (dynamic factor models) và mô hình chuyển
Markov (Markov switching models).
Xây dựng mô hình sử dụng chỉ số dẫn báo trước.
Có ba phương pháp chính xây dựng mô hình sử
dụng chỉ số dẫn báo trước là mô hình VAR (Vector
Autoregression), mô hình nhân tố động (dynamic
factor models) và mô hình chuyển Markov (Markov
switching models). Ngoài ra, có thể sử dụng các
phương pháp khác cho dự báo chỉ số dẫn báo trước
như: mạng neural và các phương pháp không tham số
(Neural networks and nonparametric methods), mô
hình nhị phân (Binary models), mô hình chuyển quan
sát (Observed transition models).
2.2. Phương pháp lựa chọn thuộc tính
Lựa chọn thuộc tính là việc chọn ra một tập thuộc
tính con từ tập thuộc tính ban đầu sao cho các tập
thuộc tính con này thể hiện tốt nhất chức năng của
một hệ thống quy nạp. Như vậy, phải xác định tiêu
chuẩn lựa chọn thuộc tính.
Các mô hình lựa chọn thuộc tính
Mô hình lọc (Filter) là phương pháp lựa chọn
thuộc tính đơn giản nhất. Đầu vào của mô hình là
toàn bộ các thuộc tính của tập dữ liệu, sau khi thực
hiện việc đánh giá các thuộc tính sử dụng các độ đo
hoặc các tiêu chí nhất định cho trước thì đầu ra của
mô hình là danh sách các thuộc tính với điểm số của
từng thuộc tính. Việc lựa chọn M thuộc tính có điểm
số cao nhất (hoặc thấp nhất) sẽ cho tập con thuộc tính
tốt nhất theo một tiêu chí nhất định.
Ưu điểm của một số phương pháp lọc là: đơn giản,
nhanh, dễ mở rộng, không phụ thuộc vào bộ phân lớp,
độc lập với bộ phân lớp, độ phức tạp tính toán thấp và
sử dụng cho bộ dữ liệu kích cỡ lớn.
Mô hình đóng gói (Wrapper) tìm kiếm tập con các
thuộc tính tốt bằng cách đánh giá chất lượng của các
tập thuộc tính. Việc đánh giá chất lượng thường sử
dụng hiệu năng (độ chính xác dự đoán hoặc phân lớp)
của thuật toán học. Để đánh giá chất lượng của tập
thuộc tính, chúng sử dụng phản hồi từ mô hình dự
đoán. Sở dĩ mô hình này được gọi là đóng gói bởi nó
luôn “bao quanh” bộ phân lớp. Mô hình đóng gói có
thể sử dụng các chiến lược tìm kiếm khác nhau chẳng
hạn như tìm kiếm tuần tự, hoặc ngẫu nhiên.
Ưu điểm của mô hình đóng gói là chi phí tính toán
thấp, tương tác với bộ phân lớp và hiệu năng cao hơn
mô hình lọc.
Mô hình nhúng (Embedded) giúp cải tiến hiệu
năng phân lớp và tăng tốc độ của quá trình lựa chọn.
Mô hình nhúng là sự tích hợp, nhúng kỹ thuật lựa
chọn thuộc tính vào mô hình học. Mô hình này kết
hợp ưu điểm của mô hình lọc và đóng gói bằng cách
sử dụng đồng thời tiêu chí đánh giá độc lập và các
thuật toán học để đánh giá tập con các thuộc tính. Mô
hình lọc có thể cung cấp một chỉ dẫn thông minh cho
mô hình đóng gói, chẳng hạn như: giảm không gian
tìm kiếm, một điểm khởi đầu tốt, đường tìm kiếm
ngắn và thông minh hơn. Để thực hiện được mô hình
nhúng người phát triển cần tìm hiểu cấu trúc của thuật
toán học, xác định các tham số có thể sử dụng cho
NGHIEÂN CÖÙU TRAO ÑOÅI Soá 08 (193) - 2019
11Taïp chí nghieân cöùu Taøi chính keá toaùn
NGHIEÂN CÖÙU TRAO ÑOÅISoá 08 (193) - 2019
việc đánh giá mức độ quan trọng của thuộc tính. Nói
cách khác, các thuộc tính được xếp hạng ngay trong
quá trình thực thi của việc học, không phải sau khi
việc học hoàn thành như trong mô hình đóng gói.
Một số thuật toán lựa chọn thuộc tính
Các thuật toán lựa chọn thuộc tính được xét dưới
góc độ chiến lược tìm kiếm nào được sử dụng trong
giải thuật đó: Tìm kiếm toàn bộ, Tìm kiếm theo kinh
nghiệm và Tìm kiếm xác suất. Ngoài ra còn một vài
phương pháp lựa chọn thuộc tính khác như: phương
pháp trọng số thuộc tính (feature weighting method),
phương pháp lai (hybrid method) và phương pháp lớn
dần (incremental method).
3. Một số mô hình dự báo kinh tế vĩ mô dựa
trên phương pháp lựa chọn thuộc tính và chỉ số
dẫn báo trên thế giới
Dự báo các chỉ số kinh tế vĩ mô luôn là vấn đề
được nhiều nhà khoa học trên thế giới quan tâm. Ban
đầu các nhà khoa học trên thế giới nghiên cứu các
mô hình dự báo kinh tế vĩ mô dựa trên chỉ số dẫn báo
như Geweke (1977), Sargent và Sims (1977), Stock
J.H và Watson M.W (1989) Đến những năm cuối
thế kỷ 20, sang thế kỷ 21 lượng dữ liệu ngày càng
lớn nên nhiều nghiên cứu đã kết hợp phương pháp
lựa chọn thuộc tính và chỉ số dẫn báo để xây dựng
mô hình dự báo kinh tế vĩ mô như nghiên cứu của
Armah và Swanson (2010, 2011), Artis et al. (2002),
Boivin (2005, 2006) và Stock và Watson (2005, 2006,
2012), Alessandro G. và Tommaso P. (2016), Mỗi
mô hình có những ưu nhược điểm khác nhau và các
tác giả đã cố gắng tìm ra mô hình tối ưu nhất cho từng
chỉ số dự báo cụ thể.
Từ năm 1977 Geweke, Sargent và Sims đã phát
triển mô hình nhân tố dựa trên chỉ số dẫn báo. Tuy
nhiên mô hình này chỉ được sử dụng nhiều trong phân
tích kinh tế - xã hội sau khi Stock J.H và Watson M.W
(1989) công bố nghiên cứu quá trình lựa chọn chỉ số
và mô hình dựa trên chỉ số dẫn báo đồng thời và chỉ
số dẫn báo sau. Nhóm tác giả này đã giới thiệu nhiều
công trình liên quan đến chỉ số dẫn báo trong các năm
1992, 1993, 2002, 2003.
Năm 2002, Stock J.H và Watson M.W (2002a)
giới thiệu nghiên cứu về dự báo kinh tế vĩ mô của Mỹ
sử dụng chỉ số đồng thời và chỉ số dẫn báo trước. Dữ
liệu được thu thập trong khoảng thời gian từ tháng
1/1959 đến tháng 12/1998 gồm 8 biến đo lường hoạt
động của nền kinh tế Mỹ; mô hình dự báo cho các
biến này trong 6, 12 và 24 tháng và sử dụng 4 phương
pháp xây dựng mô hình dự báo: Mô hình dự báo chỉ
số khuyếch tán (Diffusion Index Forecast), mô hình
tự hồi quy (Autoregressive Forecast), mô hình tự hồi
quy vector (VAR - Vector Autoregressive Forecas) và
mô hình chỉ số dẫn báo trước (Multivariate Leading
Indicator Forecasts).
Tiếp sau đó, Stock J.H và Watson M.W (2003b)
giới thiệu nghiên cứu sử dụng chỉ số dẫn báo để dự
báo kinh tế vĩ mô trong dự báo thời kỳ suy thoái kinh
tế Mỹ năm 2001. Nghiên cứu này kết hợp ba phương
pháp: dự báo giá trị trung bình giản đơn (the simple
average), giá trị trung vị (the median) và trung bình
có trọng số dựa trên sai số (MSFE-weighted average,
MSFE - mean squared forecast error). Nghiên cứu chỉ
ra rằng kết hợp dự báo là tốt hơn so với sử dụng mô
hình tự hồi quy AR.
Năm 2013, Chauvet M. và Potter S. đã tổng kết
về các nghiên cứu trong hai thập kỷ về dự báo tăng
trưởng của Mỹ. Nhóm tác giả đã xây dựng mô hình
dự báo tốc độ tăng trưởng của GDP từ các chỉ số quan
trọng. Dữ liệu thực nghiệm từ quý 1 năm 1992 đến
quý 4 năm 2010. Mô hình dự báo xây dựng dựa trên
mô hình tuyến tính, phi tuyến tính, mô hình cấu trúc
và mô hình giảm cấu trúc (Reduced form models).
Cuối cùng là kết hợp dự báo (Forecast Combination).
Kết quả dự báo của từng mô hình tại từng thời điểm
được phân tích và được chỉ rõ về mức độ chính xác
dự báo.
Nhiều nghiên cứu tiếp sau đó đã sử dụng chỉ số
dẫn báo trong việc xây dựng mô hình dự báo các chỉ
số vĩ mô, đặc biệt là dự báo tăng trưởng của Mỹ. Tuy
nhiên dữ liệu thu được ngày càng lớn, để nâng cao
hiệu suất dự báo một số nghiên cứu đã kết hợp thêm
phương pháp lựa chọn thuộc tính, phân tích thành
phần chính trong các mô hình dự báo.
Năm 2016, nhóm tác giả Alessandro G. và
Tommaso P. đã nghiên cứu mô hình dự báo dựa trên
việc kết hợp phương pháp lựa chọn thuộc tính và
phương pháp chỉ số khuếch tán để nâng cao độ chính
xác trong dự báo các chỉ số kinh tế vĩ mô. Nghiên cứu
đưa ra một phương pháp học có giám sát dựa trên
việc lựa chọn các thuộc tính theo độ quan trọng của
chúng trong mô hình dự đoán hồi quy. Nhóm tác giả
đã thực hiện thực nghiệm để so sánh phương pháp
của mình với mô hình dự báo dựa trên phương pháp
chỉ số khuếch tán (DI) của Stock J.H và Watson M.W
(2002a) và cho thấy kết quả dự báo tốt hơn hẳn.
Năm 2015, Hazar A. và Osman T. B. đã thực hiện
lựa chọn các nhân tố ảnh hưởng đến nền kinh tế vĩ
mô trên thị trường chứng khoán bằng cách sử dụng
phương pháp lựa chọn thuộc tính kết hợp với mạng
nơron. Nghiên cứu đã sử dụng thuật toán sequential
12 Taïp chí nghieân cöùu Taøi chính keá toaùn
forward selection (SFS) kết hợp mạng nơron để tìm
chỉ số ảnh hưởng trong các chỉ số ứng viên. Sau khi
thực hiện nghiên cứu đã chỉ ra mô hình dự đoán có tỉ
lệ lỗi còn 9,6%. Với kết quả này, các nhà hoạch định
tài chính, nhà đầu tư và nhà phân tích rủi ro có thể
làm việc hiệu quả hơn nhiều mà không cần xử lý một
lượng lớn dữ liệu, không gặp khó khăn trong việc thu
thập và lưu trữ, giảm bớt chi phí dự đoán và hoàn
thành phân tích, dự đoán trong một thời gian ngắn.
Năm 2015, tác giả Hyun Hak Kim đã sử dụng mô
hình giảm chiều dữ liệu để dự báo các chỉ số kinh tế
vĩ mô của Hàn Quốc bao gồm: lạm phát, tăng trưởng
GDP, tiêu dùng, xuất khẩu và tổng vốn. Các tác giả
đã sử dụng mô hình lai gồm phân tích thành phần
chính (PCA), phân tích thành phần chính thưa thớt
(SPCA), kết hợp với các phương pháp giảm chiều
khác nhau. Nghiên cứu thực hiện 2 thực nghiệm so
sánh mô hình lai này với các mô hình chuẩn như mô
hình AR cho các biến kinh tế vĩ mô của Hoa Kỳ tại
Kim và Swanson (2013b); so sánh với các mô hình
tuyến tính và chỉ số khuếch tán trên các biến kinh tế
vĩ mô của Hàn Quốc. Kết quả mô hình lai hoạt động
tốt và vượt trội hơn hẳn.
Ứng dụng các phương pháp giảm chiều dữ liệu
cũng được nhiều nhóm nghiên cứu thực hiện dự báo
các chỉ số kinh tế vĩ mô của các nước như: Nhật
Bản, Ấn Độ, Đức, Mexico, Brazil, Turkey, Nga,
Trung Quốc.
4. Đề xuất phương pháp xây dựng mô hình dự
báo theo cách tiếp cận lựa chọn thuộc tính và chỉ
số dẫn báo
Kế thừa kết quả nghiên cứu trước đây, chúng tôi
đề xuất phương pháp xây dựng mô hình theo cách
tiếp cận lựa chọn thuộc tính và chỉ số dẫn báo gồm
các phần như sau:
Phần 1: Phát hiện quan hệ nguyên nhân - kết quả
giữa các chỉ tiêu kinh tế vĩ mô cần được dự báo.
Phát hiện quan hệ nguyên nhân - kết quả nhằm
xác định tập các chỉ số dẫn báo cốt lõi nằm trong danh
mục các chỉ tiêu kinh tế vĩ mô cần được dự báo. Quan
hệ nhân quả được đề xuất bởi nhà toán học - giải
Nôben kinh tế Granger C.W.J (1969).
Trên cơ sở xác định biến nào là chỉ số dẫn báo
trước dựa trên lý thuyết kinh tế và kiểm định nhân
quả Granger sẽ thiết lập các phương trình dự báo các
chỉ số kinh tế vĩ mô.
Phần 2: Thu thập dữ liệu của tất cả các chỉ tiêu
kinh tế cả trong và ngoài nước có liên quan và/hoặc
có thể tiềm năng là liên quan đến các chỉ số dẫn báo
cốt lõi.
Các chỉ tiêu kinh tế trong và ngoài nước có liên
quan đến chỉ số dẫn báo nói chung là rất lớn. Ký hiệu
S là tập các chỉ tiêu được thu thập dữ liệu này. Số
lượng các chỉ tiêu trong S là rất lớn và càng lớn càng
tốt, do mô hình dự báo càng chứa nhiều thông tin của
các yếu tố có tác động đến sự biến động của biến phụ
thuộc (hay biến nội sinh) thì chất lượng dự báo bằng
mô hình (hay độ chính xác dự báo) càng cao.
Phần 3: Xây dựng phương trình dự báo.
Nhiệm vụ của phần này là xây dựng phương trình
dự báo cho từng chỉ số dẫn báo cốt lõi. Để làm việc
này cần xác định các nhân tố có ảnh hưởng đến chỉ
số này. Đối với các chỉ số kinh tế vĩ mô thì số lượng
các nhân tố ảnh hưởng đến nó trong thực tế là khá
lớn. Nếu số biến ngoại sinh trong một phương trình
dự báo là lớn trong khi kích thước mẫu dữ liệu lại
nhỏ thì không thể tiến hành ước lượng mô hình hồi
quy được. Vì vậy cần sử dụng các phương pháp nhằm
giảm chiều dữ liệu trên mẫu. Cụ thể, với từng chỉ số
dẫn báo cốt lõi cần thực hiện những nội dung sau:
(1) Sử dụng các phương pháp lựa chọn thuộc tính
để xác định tập con A của S, tập này phải có ích cho
việc xây dựng mô hình dự báo chỉ số dẫn báo.
Khi sử dụng các phương pháp lựa chọn thuộc tính,
số lượng các thuộc tính được lựa chọn sẽ nhỏ hơn các
thuộc tính ban đầu có nghĩa là mô hình sẽ sử dụng
ít thông số hơn (tập A sẽ có ít thuộc tính hơn tập S).
Việc này cải thiện khả năng khái quát hóa và giảm
thời gian thực hiện phức tạp. Các phương pháp lựa
chọn thuộc tính có thể sử dụng là: Phương pháp lọc,
phương pháp gói và phương pháp nhúng.
(2) Xây dựng tập biến mới B với số lượng nhỏ hơn
rất nhiều để thay thế cho tập các chỉ tiêu A.
Trường hợp tập A có số lượng biến lớn cần áp
dụng thêm các phương pháp trích xuất thuộc tính.
Ngược với phương pháp lựa chọn thuộc tính, phương
pháp trích xuất thuộc tính sử dụng tất cả các thuộc
tính ban đầu để tính toán một tập các thuộc tính mới.
Các thuộc tính mới này sẽ đại diện cho các thuộc tính
ban đầu. Các phương pháp thường sử dụng phổ biến
là: phương pháp phân tích thành phần chính (PCA);
phương pháp phân rã giá trị đơn (SVD) và phân tích
yếu tố (FA).
(3) Xây dựng phương trình dự báo chỉ số dẫn báo
cốt lõi theo các biến mới trong tập B và thực hiện dự
báo kiểm định để đánh giá chất lượng dự báo.
(4) Xây dựng các phương trình dự báo các biến
trong tập B (hay phương trình dự báo các biến ngoại
NGHIEÂN CÖÙU TRAO ÑOÅI Soá 08 (193) - 2019
13Taïp chí nghieân cöùu Taøi chính keá toaùn
NGHIEÂN CÖÙU TRAO ÑOÅISoá 08 (193) - 2019
sinh của chỉ số dẫn báo cốt lõi này) bằng sử dụng mô
hình trễ phân bố tự hồi quy ARDL (autoregressive
distributed lag models).
Mô hình ARDL/EC hữu ích trong việc dự báo và
giải thích các mối quan hệ dài hạn từ những biến động
trong ngắn hạn. Mô hình đã được sử dụng dự báo
trong nhiều vấn đề như: tăng trưởng kinh tế, đầu tư,
lạm phát, tỷ lệ thất nghiệp, chi phí chăm sóc sức khỏe,
tiêu dùng, thu nhập, ô nhiễm,
Phần 4: Kết hợp các phương trình dự báo để được
mô hình dự báo các chỉ tiêu kinh tế vĩ mô.
Từ các phương trình dự báo cho từng biến kinh tế
trong Phần 3 sẽ được kết hợp trong mô hình dự báo
các chỉ tiêu kinh tế vĩ mô. Mô hình dự báo được sử
dụng trong thực tế.
Phần 5: Thực hiện và phân tích kết quả dự báo
bằng sử dụng mô hình được xây dựng dự báo cho
quan sát tiếp theo sau mẫu.
5. Kết luận
Mô hình dự báo kinh tế vĩ mô vẫn luôn thu hút sự
quan tâm của nhiều tổ chức cũng như cá nhân. Nhiều
nghiên cứu được thực hiện là sự kết hợp của nhiều
nhóm nghiên cứu quốc tế. Các mô hình trong lĩnh
vực này cũng ngày càng phát triển. Chỉ số dẫn báo
vẫn là một trong những nhân tố đóng vai trò quan
trọng trong việc xây dựng mô hình. Để xây dựng các
mô hình dự báo kinh tế vĩ mô trên tập dữ liệu rất lớn
thì rất cần thiết phải áp dụng các phương pháp giảm
chiều dữ liệu. Lựa chọn thuộc tính là một trong các
hướng được ứng dụng phổ biến.
Trong bài viết này chúng tôi đã đưa ra phương
pháp luận xây dựng mô hình dự báo kinh tế vĩ mô
theo cách tiếp cận lựa chọn thuộc tính và chỉ số dẫn
báo. Từng kỹ thuật áp dụng đã được chỉ rõ trong
từng phần của quy trình xây dựng mô hình. Hiện nay
chúng tôi đang tiến hành thực nghiệm phương pháp
này nhằm dự báo các chỉ số kinh tế vĩ mô chủ yếu
theo quý của Việt Nam. Phần thực nghiệm sẽ được
nhóm tác giả công bố trong các bài viết tiếp theo./.
Tài liệu tham khảo:
Aruoba, S.B., Diebold, F.X. (2010). Real-time macroeconomic
monitoring: real activity, inflation, and interactions. American
Economic Review 100, pp20–24.
Banerjee, A.N., Marcellino, M. (2005). Are there any reliable
leading indicators for US inflation and GDP growth?. International
Journal of Forecasting. In press.
Chauvet M., Potter S., (2013). Forecasting Output. In: Elliott,
G.,Timmermann,A. (Eds.). Handbook of Economic Forecasting, Vol.
2. Elsevier.
Ghysels E, Santa-Clara P, Valkanov R. 2004. The MIDAS touch:
mixed data sampling regression models. Mimeo, Chapel Hill, NC.
Giannone D, Reichlin L, Small D. 2008. Nowcasting GDP and
inflation: the real-time informational content of macroeconomic data
releases. Journal of Monetary Economics 55: 665–676.
Giannone, D., Reichlin, L., (2013). Now-casting and the real-
time data flow. In: Elliott, G.,Timmermann,A. (Eds.), Handbook of
Economic Forecasting, vol. 2. Elsevier.
Massimiliano, M. (2006). Leading indicators. Hanbook of
Economic Forecasting, Vol 1. 879-960.
Michael P. C. and Ana B. G. 2009. Forecasting us output growth
using leading indicators: an appraisal using midas models. Journal of
Applied Econometrics J. Appl. Econ. 24: 1187–1206.
Stock, J.H., Watson, M.W. (1989). New indexes of coincident and
leading economic indicators. In: Blanchard, O., Fischer, S. (Eds.),
NBER Macroeconomics Annual. MIT Press, Cambridge, MA, pp.
351–394.
Stock, J.H., Watson, M.W. (1992). A procedure for predicting
recessions with leading indicators: Econometric issues and recent
experience. NBER Working Paper Series No. 4014.
Stock, J.H., Watson, M.W. (1993). A procedure for predicting
recessions with leading indicators: Econometric issues and recent
experience. In: Stock, J.H., Watson, M.W. (Eds.), Business Cycles,
Indicators, and Forecasting. The University of Chicago Press,
Chicago, pp. 95–153.
Stock, J.H., Watson, M.W. (2002a). Macroeconomic forecasting
using diffusion indexes. Journal of Business and Economic Statistics
20, 147–162.
Stock, J.H., Watson, M.W. (2002b). Forecasting using principal
components from a large number of predictors. Journal of the
American Statistical Association 97, 1167–1179.
Stock, J.H., Watson, M.W. (2003a). Forecasting output and
inflation: The role of asset prices. Journal of Economic Literature 41
(3), 788–829.
Stock, J.H., Watson, M.W. (2003b). How did the leading indicator
forecasts perform during the 2001 recession. Federal Reserve Bank of
Richmond Economic Quarterly 89, 71–90.
Winter, J. (2011). Forecasting GDP Growth in Times of Crisis:
Private Sector Forecasts versus Statistical Models. De Nederlandsche
Bank NV Working Paper 320, November
Wieland, V., Wolters, M.H. (2011). The diversity of forecasts from
macroeconomic models of the US economy. Economic Theory 47,
247–292.
Lawrence R. Klein (2009). The Making of National Economic
Forecasts; Edward Elgar Publishing Limited, USA 2009.
Giovannelli, A., & Proietti, T. (2016). On the selection of common
factors for macroeconomic forecasting. Advances in Econometrics,
35, 595–630. https://doi.org/10.1108/S0731-905320150000035015
Altinbas, H., & Biskin, O. T. (2015). Selecting Macroeconomic
Influencers on Stock Markets by Using Feature Selection Algorithms.
Procedia Economics and Finance. https://doi.org/10.1016/s2212-
5671(15)01251-4
Kim, H. H. (2015). Forecasting Macroeconomic Variables Using
Data Dimension Reduction Methods: The Case of Korea. Ssrn. https://
doi.org/10.2139/ssrn.2580591
Yacine Ait-Sahalia (2016). Using Principal Component Analysis
to Estimatea High Dimensional Factor Model with High-Frequency
Data. Princeton University; October 7, 2016.
Đỗ Văn Thành & Nguyễn Minh Hải (2016A). Phân tích và dự
báo thị trường chứng khoán bằng sử dụng chỉ số báo trước. Kỷ yếu
Hội nghị khoa học công nghệ quốc gia lần thứ IX, FAIR, Cần Thơ
ngày 4-5/8/2016, 559-566. DOI: 10.15625/vap.2016.00069.
Đỗ Văn Thành et al, (2016B). Mô hình dự báo tần suất cao đối
với các chỉ số thị trường chứng khoán. Kỷ yếu Hội nghị khoa học công
nghệ quốc gia lần thứ IX, FAIR, Cần Thơ ngày 4-5/8/2016, 299-308.
DOI: 10.15625/vap.2016.00037.
Đỗ Văn Thành (2017A). Mô hình hóa giá cổ phiếu trong ngữ
cảnh dữ liệu có số chiều cao. Kỷ yếu Hội nghị khoa học công nghệ
quốc gia lần thứ X, FAIR, Đà Nẵng ngày 17-18/8/2017, 422-434.
Đỗ Văn Thành & Đỗ Đức Hiếu (2017B). Mô phỏng và phân tích
rủi ro dự báo trên tập dữ liệu có số chiều cao. Kỷ yếu Hội nghị khoa
học công nghệ quốc gia lần thứ X, FAIR, Đà Nẵng ngày 17-18/8/2017,
467-479.
Các file đính kèm theo tài liệu này:
- ung_dung_phuong_phap_lua_chon_thuoc_tinh_va_chi_so_dan_bao_t.pdf