Chuyên đề thực tập tốt nghiệp sử dụng mô hình phân tích dữ liệu có tàn suất hỗn hợp để dự báo tăng trường gdp của việt nam

Phân tích dữ liệu hỗn hợp dự báo tăng trưởng GDP Việt Nam, chuyên đề thực tập tốt nghiệp, cung cấp góc nhìn chuyên sâu về kinh tế.

• Tác giả: Tong Khanh Ly
• Người hướng dẫn: TS. Nguyen Viet Hung
• Trường học: Trường Đại học Kinh tế Quốc dân
• Chuyên ngành: Kinh tế học
• Đề tài: Sử dụng mô hình phân tích dữ liệu có tần suất hỗn hợp để dự báo tăng trưởng GDP của Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CƠ SỞ LÝ THUYẾT VỀ GDP
• 1.1. Lý thuyết chung về GDP
• 1.2. Khái niệm và phương pháp tính GDP
• 1.3. Lý thuyết về tăng trưởng GDP
• 1.4. Mô hình dự báo với dữ liệu tần suất hỗn hợp
• 1.4.1. Mô hình mẫu tần suất hỗn hợp (MIDAS)
• 2. CHƯƠNG 2: THỰC TRẠNG GDP VÀ SỬ DỤNG MÔ HÌNH PHÂN TÍCH DỮ LIỆU CÓ TẦN SUẤT HỖN HỢP ĐỂ DỰ BÁO TĂNG TRƯỞNG GDP CỦA VIỆT NAM GIAI ĐOẠN 2008-2022
• 2.1. Phân tích thực trạng GDP của Việt Nam
• 2.2. Bối cảnh nền kinh tế Việt Nam trong giai đoạn 2008 - 2022
• 2.3. Diễn biến tăng trưởng GDP của Việt Nam giai đoạn 2008 - 2022
• 2.4. Các yếu tố ảnh hưởng đến tăng trưởng GDP của Việt Nam
• 2.4.1. Yếu tố tăng trưởng xuất khẩu
• 2.4.2. Yếu tố cán cân thanh toán
• 2.4.3. Yếu tố tăng trưởng doanh số bán lẻ
• 2.4.4. Yếu tố tốc độ tăng trưởng sản xuất công nghiệp
• 2.4.5. Yếu tố cản cân thương mại
• 2.4.6. Những nhân tố khác
• 2.5. Dữ liệu nghiên cứu
• 2.6. Mô tả và lựa chọn biến dự báo
• 2.7. Xây dựng mô hình phân tích dữ liệu tần suất hỗn hợp và kết quả dự báo tăng trưởng GDP của Việt Nam
• 2.8. Xây dựng mô hình hồi quy
• 2.9. Kết quả dự báo tăng trưởng GDP của Việt Nam bằng mô hình MIDAS
• 3. CHƯƠNG 3: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 3.1. Các kết luận và phát hiện qua nghiên cứu
• 3.2. Một số khuyến nghị
• 3.3. Hạn chế và định hướng nghiên cứu
• DANH MỤC THAM KHẢO

Tóm tắt

I. Tính cấp thiết của đề tài

Dự báo tăng trưởng GDP là một nhiệm vụ quan trọng nhưng đầy thách thức đối với chính phủ Việt Nam. Tình hình kinh tế trong nước và quốc tế ngày càng phức tạp, đặc biệt là những cú sốc như dịch bệnh COVID-19. Các mô hình dự báo truyền thống thường không thống nhất và không khai thác tốt dữ liệu có tần suất khác nhau. Việc ứng dụng mô hình phân tích dữ liệu có tần suất hỗn hợp (MIDAS) sẽ giúp cải thiện độ chính xác của dự báo. Nghiên cứu này nhằm khắc phục những hạn chế của các mô hình trước đó và cung cấp một cái nhìn sâu sắc về tăng trưởng GDP của Việt Nam.

II. Mục tiêu nghiên cứu

Mục tiêu chính của đề tài là dự báo tăng trưởng GDP của Việt Nam bằng mô hình phân tích dữ liệu có tần suất hỗn hợp. Các mục tiêu cụ thể bao gồm hệ thống hóa lý luận về GDP, đánh giá thực trạng công tác dự báo tăng trưởng GDP và xây dựng mô hình phân tích dữ liệu tần suất hỗn hợp. Đề tài sẽ trả lời các câu hỏi nghiên cứu liên quan đến các biến số kinh tế ảnh hưởng đến dự báo GDP và các phương pháp dự báo hiệu quả.

III. Phương pháp nghiên cứu

Nghiên cứu sử dụng nhiều phương pháp khác nhau để đạt được mục tiêu đề ra. Phương pháp phân tích tổng hợp sẽ hệ thống hóa lý luận về GDP và phân tích dữ liệu. Phương pháp thống kê sẽ thu thập số liệu từ các nguồn chính thức như Tổng cục Thống kê và Ngân hàng Thế giới. Phương pháp phân tích so sánh sẽ đánh giá thực trạng tăng trưởng GDP qua các giai đoạn và so sánh các phương pháp dự báo khác nhau. Việc áp dụng mô hình MIDAS sẽ giúp khai thác tốt nhất dữ liệu có tần suất khác nhau.

IV. Tổng quan về cơ sở lý thuyết về GDP

GDP là chỉ tiêu kinh tế tổng hợp quan trọng, phản ánh giá trị sản phẩm và dịch vụ cuối cùng trong một khoảng thời gian nhất định. Có ba phương pháp tính GDP: phương pháp sản xuất, phương pháp sử dụng cuối cùng và phương pháp thu nhập. Tăng trưởng GDP được đo lường qua sự gia tăng của tổng sản phẩm quốc nội theo thời gian. Tăng trưởng kinh tế không chỉ cải thiện thu nhập mà còn tạo điều kiện cho việc làm và củng cố an ninh quốc gia.

V. Mô hình dự báo với dữ liệu tần suất hỗn hợp

Mô hình MIDAS cho phép sử dụng dữ liệu với tần suất khác nhau, giúp khắc phục những hạn chế của các mô hình dự báo truyền thống. MIDAS được phát triển để dự báo các chỉ số kinh tế vĩ mô, đặc biệt là GDP hàng quý với các chỉ số hàng tháng. Mô hình này không chỉ giảm thiểu số lượng tham số ước lượng mà còn cải thiện độ chính xác của dự báo. Các nghiên cứu đã chỉ ra rằng MIDAS hiệu quả cho dự báo tức thời và ngắn hạn.

Nội dung chính

Giới thiệu dự án

Dự báo tăng trưởng kinh tế vĩ mô luôn là bài toán trung tâm của các chính phủ, ngân hàng trung ương và tổ chức quốc tế. Đối với Việt Nam — một nền kinh tế mở, tăng trưởng nhanh với độ biến động cao — bài toán này càng trở nên phức tạp hơn khi thế giới liên tiếp chứng kiến các cú sốc bên ngoài: khủng hoảng tài chính toàn cầu 2008–2009, đại dịch COVID-19 năm 2020–2021, và suy thoái kinh tế thế giới năm 2022.

Problem Statement cụ thể: Các mô hình dự báo GDP truyền thống (VAR, SVAR, BVAR, VECM) chỉ xử lý được bộ dữ liệu cùng tần suất trong cùng một giai đoạn. Thực tế, các chỉ số kinh tế vĩ mô của Việt Nam được công bố với tần suất khác nhau — theo ngày (tỷ giá, giá vàng, giá dầu), theo tuần, theo tháng (CPI, sản xuất công nghiệp, bán lẻ), theo quý (GDP, cán cân thanh toán). Ép buộc các dữ liệu này về cùng một tần suất bằng cách tổng hợp hoặc nội suy sẽ gây mất thông tin và tích lũy sai số ngay từ khâu tiền xử lý.

Mục tiêu nghiên cứu:

1. Hệ thống hóa cơ sở lý luận về GDP và các mô hình phân tích dữ liệu tần suất hỗn hợp (Mixed-Frequency Data).
2. Đánh giá thực trạng tăng trưởng GDP Việt Nam giai đoạn 2008–2022 và xác định các nhân tố ảnh hưởng chính.
3. Xây dựng và ước lượng mô hình MIDAS (Mixed Data Sampling) với lược đồ trễ Almon để dự báo tăng trưởng GDP theo quý.
4. So sánh hiệu năng dự báo giữa ba biến thể mô hình MIDAS và đề xuất khuyến nghị chính sách dựa trên kết quả thực nghiệm.

Solution Approach: Nghiên cứu ứng dụng mô hình hồi quy MIDAS — được đề xuất bởi Ghysels, Sinko & Valkanov (2002) — với toán tử trễ Almon trên bộ dữ liệu 22 biến kinh tế vĩ mô, phần mềm EViews 10, giai đoạn 2008–2022. Mô hình ARIMA(p,d,q) được sử dụng bổ sung để dự báo giá trị khuyết trước khi đưa vào mô hình chính.

Kết quả kỳ vọng: Sai số tuyệt đối trung bình (MAE) dưới 3%, khả năng phát hiện các giai đoạn biến động lớn của GDP, và cung cấp cơ sở phương pháp luận cho công tác dự báo kinh tế vĩ mô tại Việt Nam.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Bối cảnh kinh tế Việt Nam 2008–2022: Tăng trưởng GDP bình quân theo quý đạt 6,4%, thuộc nhóm cao nhất khu vực. Năm 2020, trong bối cảnh COVID-19, Việt Nam duy trì tăng trưởng dương 2,9% — một trong số ít quốc gia làm được điều này. IMF xếp Việt Nam vào Top 20 nền kinh tế đóng góp lớn nhất tăng trưởng toàn cầu năm 2019. Tuy nhiên, nền kinh tế chứng kiến biến động cực đại: tốc độ tăng trưởng quý 2/2020 chỉ đạt xấp xỉ 0% do dịch bệnh, sau đó hồi phục mạnh rồi lại suy giảm vào 2022 do ảnh hưởng suy thoái toàn cầu.

So sánh các phương pháp dự báo hiện có:

Mô hình	Xử lý đa tần suất	Số tham số	Dự báo tức thời	Độ chính xác ngắn hạn
VAR/SVAR/BVAR	❌ Không	Thấp–Trung	Hạn chế	Trung bình
VECM	❌ Không	Trung bình	Hạn chế	Trung bình
Bridge Equations	⚠️ Gián tiếp	Thấp	Có	Trung bình
MF-VAR	✅ Có	Rất cao	Có	Tốt (dài hạn)
MIDAS (Almon)	✅ Có	Thấp	✅ Tốt	✅ Tốt nhất

Phân tích MoSCoW cho yêu cầu mô hình:

• Must have: Xử lý đa tần suất (quý/tháng/tuần), kiệm tham số, khả năng dự báo tức thời (nowcasting).
• Should have: Phát hiện giai đoạn biến động cực đoan, tích hợp dữ liệu tài chính tần suất cao.
• Could have: Mở rộng sang dự báo tháng, ứng dụng cho các chỉ số khác (lạm phát, xuất khẩu).
• Won't have (giai đoạn này): Mô hình phi tuyến, machine learning, dữ liệu thời gian thực.

Gap Analysis: Trước nghiên cứu này, chưa có công trình nào tại Việt Nam ứng dụng phương pháp phân tích dữ liệu với tần suất hỗn hợp để dự báo GDP — trong khi quốc tế đã có nhiều kết quả tích cực từ Clements & Galvao (2008), Marcellino et al. (2009), và nghiên cứu cho các nền kinh tế nhỏ mở như Rwanda (Habimana et al., 2020).

---

Thiết kế hệ thống

Kiến trúc mô hình MIDAS cơ bản với một biến giải thích:

y(t_q + m·h_q) = β₀ + β₁·b(L^m; θ)·x(t_q^m) + ε(t_q + h_q)

Trong đó:

• y: Tăng trưởng GDP (tần suất quý — thấp)
• x: Biến kinh tế độc lập (tần suất tháng/tuần — cao)
• m: Chỉ số tần suất tương đối (y quý + x tháng → m=3; y quý + x tuần → m=12)
• b(L^m; θ): Đa thức phân phối trễ với toán tử trễ L^m
• θ: Tham số của lược đồ trọng số Almon

Lược đồ trễ Almon (Exponential Almon Lag):

c(k; θ) = exp(θ₁k + ... + θ_Q·k^Q) / Σ exp(θ₁k + ... + θ_Q·k^Q)

Hàm Almon linh hoạt với chỉ vài tham số — có thể biểu diễn dạng tăng dần, giảm dần hoặc lõm — và được ứng dụng phổ biến nhất trong các nghiên cứu MIDAS quốc tế (Ghysels, Santa-Clara & Valkanov, 2005).

Technology Stack:

Công cụ	Phiên bản	Mục đích
EViews	10	Ước lượng MIDAS, ARIMA, kiểm định tính dừng
MIDAS (package trong EViews)	Built-in v10	Hồi quy đa tần suất với lược đồ Almon
Nguồn dữ liệu: GSO, IMF, WB, ADB	–	Thu thập 22 biến vĩ mô
Bloomberg LP	–	Chỉ số giá cổ phiếu tổng hợp
CEIC Database	–	Cung tiền, tỷ lệ dự trữ, lạm phát

Bộ dữ liệu nghiên cứu (22 biến / 19 chỉ số kinh tế):

• 5 biến tần suất quý: Tăng trưởng GDP (TTGDP), Tăng trưởng xuất khẩu (TTXK_Q), Cán cân thanh toán (CCTT), Đầu tư trực tiếp ròng (DTTR), Tài khoản vốn (TKV).
• 14 biến tần suất tháng: Tăng trưởng doanh số bán lẻ (TTDSBL), Tăng trưởng sản xuất công nghiệp (TTSXCN), Tăng trưởng cung tiền (TTCT_M), Tỷ lệ dự trữ (TLDT_M), Chỉ số giá cổ phiếu (CSGCP), Lãi suất cơ bản (LS), Tỷ giá hối đoái (CSTGHD), Tổng dự trữ quốc tế không gồm vàng (TDTQT), Tăng trưởng nhập khẩu (TTNK), Cán cân thương mại (CCTM), Tỷ lệ lạm phát (LP), Tỷ giá USD/VNĐ (USD_M), Hợp đồng tương lai vàng (V_M), Hợp đồng tương lai dầu thô (DT_M).
• 3 biến tần suất tuần: USD_W, V_W, DT_W.

---

Methodology

Tiếp cận phân tích: Kết hợp Kinh tế Vĩ mô (lý thuyết GDP, mô hình tăng trưởng) và Kinh tế Lượng (phương pháp hồi quy MIDAS, kiểm định nghiệm đơn vị, tiêu chuẩn thông tin AIC/BIC).

Phân chia dữ liệu:

• Training set: 2008Q1 – 2020Q4 (ước lượng tham số mô hình)
• Test set: 2021Q1 – 2022Q4 (đánh giá chất lượng dự báo out-of-sample)

Quy trình dự báo rolling: Dự báo từng quý một (one-step-ahead), cập nhật dữ liệu theo kết quả thực tế mỗi quý trước rồi dự báo quý kế tiếp — phản ánh đúng điều kiện vận hành thực tế của một hệ thống nowcasting.

---

Implementation và kết quả

Development process

Bước 1 — Kiểm tra tính dừng (Unit Root Test): Toàn bộ 22 chuỗi thời gian được kiểm định bằng phương pháp nghiệm đơn vị. Kết quả cho thấy các chuỗi dừng hoặc dừng sau khi lấy sai phân bậc 1 (I(1)) — điều kiện tiên quyết để tránh hồi quy giả mạo.

Bước 2 — Xử lý dữ liệu khuyết bằng ARIMA: Ba chuỗi thiếu dữ liệu ở cuối giai đoạn (TTCT_M thiếu 12 tháng năm 2022; TLDT_M thiếu 12 tháng; TDTQT_M thiếu 3 tháng quý 4/2022) được dự báo bằng mô hình ARIMA tối ưu:

TTCT_M  → ARIMA(2,1,0)  | MAE = 4.18
TLDT_M  → ARIMA(1,1,0)
TDTQT_M → ARIMA(1,1,0)

Xác định bậc p, d, q dựa trên lược đồ SAC (Sample Autocorrelation) và SPAC (Sample Partial Autocorrelation), kết hợp tiêu chuẩn MAE và RMSE để chọn mô hình tối ưu.

Bước 3 — Xây dựng ba mô hình MIDAS:

Mô hình	Biến quý	Biến tháng	Biến tuần	Tổng biến độc lập
MIDAS1	4 (TTXK, TKV, TKVL, DTTR)	11 biến cơ bản	0	15
MIDAS2	1 (TTXK)	14 (11 cũ + V_M, USD_M, DT_M)	0	15
MIDAS3	1 (TTXK)	11 biến cơ bản	3 (V_W, USD_W, DT_W)	15

---

Testing và validation

Kết quả đánh giá sai số dự báo (2021Q1–2022Q4):

Mô hình	Số quý MAE < 1%	MAE tổng thể	Nhận xét
MIDAS1	4/8 quý	> 3% (do Q3–Q4/2022 sai lệch >5%)	Kém ổn định nhất
MIDAS2	5/8 quý	< 3%	Tốt nhất theo MAE
MIDAS3	4/8 quý	< 3%	Tốt, xếp thứ hai

Cả 3 mô hình đều đạt MAE tổng thể dưới 1% khi tính trên toàn giai đoạn, chứng minh MIDAS là công cụ dự báo đáng tin cậy. Sai lệch lớn tại Q3–Q4/2022 của MIDAS1 được lý giải bởi sự suy giảm bất thường do tác động của suy thoái kinh tế toàn cầu — ngoài phạm vi thông tin mà các biến tần suất quý đơn thuần có thể nắm bắt kịp thời.

---

Kết quả đạt được

Khả năng phát hiện turning points: Các mô hình MIDAS thành công trong việc nhận diện các giai đoạn biến động cực đoan:

• 2008–2009: Tăng trưởng lao dốc do khủng hoảng tài chính toàn cầu (chạm đáy Q1/2009, ~3,1%).
• 2016–2017: Chuyển sang giai đoạn tăng trưởng ổn định và nhanh hơn.
• Q2/2020: GDP gần sát 0% do làn sóng COVID-19 đầu tiên.
• 2022: Suy giảm do ảnh hưởng suy thoái toàn cầu.

---

Đổi mới và đóng góp

Đóng góp tiên phong tại Việt Nam: Đây là nghiên cứu đầu tiên tại Việt Nam ứng dụng mô hình phân tích dữ liệu tần suất hỗn hợp (Mixed-Frequency) để dự báo tăng trưởng GDP theo quý — lấp đầy khoảng trống nghiên cứu được xác định rõ trong tổng quan tài liệu.

Ưu việt kỹ thuật so với các giải pháp hiện có:

Tiêu chí	Mô hình truyền thống (VAR/BVAR)	MIDAS (nghiên cứu này)
Xử lý đa tần suất	Không — phải chuẩn hóa về 1 tần suất	Có — trực tiếp trong mô hình
Số tham số	Bùng nổ khi nhiều biến	Kiệm nhờ lược đồ Almon
Nowcasting	Hạn chế	Mạnh, cập nhật theo dữ liệu mới nhất
Phát hiện biến động	Bị trễ	Nhanh hơn nhờ dữ liệu tần suất cao
MAE dự báo ngoài mẫu	> 3% (theo nghiên cứu tương đương)	< 3% (MIDAS2)

Phát hiện mới về vai trò dữ liệu tài chính: Kết quả thực nghiệm chứng minh rằng bổ sung dữ liệu tài chính tần suất cao (giá vàng, giá dầu thô, tỷ giá USD/VNĐ theo tuần và tháng) cải thiện đáng kể độ chính xác dự báo. MIDAS2 và MIDAS3 vượt trội MIDAS1 — minh chứng cho vai trò hướng tới tương lai (forward-looking) của thị trường tài chính trong việc phản ánh trước biến động kinh tế thực.

Hiệu quả cải thiện: Mô hình MIDAS2 (biến tháng tần suất cao bao gồm tài chính) cho sai số nhỏ hơn mô hình chỉ dùng biến quý đơn thuần (MIDAS1) — thể hiện mức cải thiện có ý nghĩa thực tiễn trong bối cảnh Việt Nam công bố GDP với độ trễ tới 30–45 ngày sau khi kết thúc quý.

---

Ứng dụng thực tế và triển khai

Các đối tượng ứng dụng trực tiếp:

• Tổng cục Thống kê (GSO): Tích hợp MIDAS vào hệ thống nowcasting để công bố ước tính GDP sơ bộ nhanh hơn, giảm độ trễ từ 45 ngày xuống 7–14 ngày khi dữ liệu tháng đã có đủ.
• Ngân hàng Nhà nước Việt Nam (SBV): Sử dụng dự báo GDP quý để hiệu chỉnh chính sách tiền tệ, lãi suất điều hành kịp thời.
• Bộ Kế hoạch và Đầu tư: Làm cơ sở so sánh với các dự báo của WB, IMF, ADB — vốn không tính đặc thù dữ liệu Việt Nam.

Yêu cầu triển khai:

• Phần mềm: EViews 10+ hoặc R (package midasr).
• Dữ liệu: Cập nhật đồng bộ từ GSO, CEIC, Bloomberg theo tần suất tương ứng.
• Nhân lực: Chuyên viên kinh tế lượng có kiến thức về chuỗi thời gian và phân tích MIDAS.

Hướng mở rộng scalability:

• Mở rộng sang dự báo GDP tháng khi dữ liệu tần suất ngày được thu thập đầy đủ.
• Áp dụng cho các chỉ số khác: Lạm phát (CPI), Tỷ lệ thất nghiệp, Kim ngạch xuất khẩu.
• Kiểm nghiệm mô hình MIDAS trên các nền kinh tế đang phát triển khác trong khu vực ASEAN.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật đã thừa nhận:

• Dữ liệu khuyết thiếu: Ba chuỗi TTCT_M, TLDT_M, TDTQT_M bị thiếu dữ liệu cuối giai đoạn, phải bổ sung bằng ARIMA — tạo sai số gián tiếp vào mô hình MIDAS chính.
• Thiếu biến tiềm năng: Các chỉ số có tính dự báo cao như PMI (Chỉ số Quản lý Mua hàng), VN-Index, dữ liệu thị trường lao động tần suất cao chưa có lịch sử đủ dài tại Việt Nam để đưa vào mô hình.
• Mô hình tuyến tính: MIDAS cơ bản giả định quan hệ tuyến tính; các biến thể phi tuyến (Nonlinear MIDAS, Markov-Switching MIDAS) chưa được thử nghiệm.

Hướng phát triển đề xuất:

1. Thu thập và bổ sung dữ liệu PMI, VN-Index, dữ liệu lao động để mở rộng bộ biến đầu vào sau 3–5 năm tới.
2. Thử nghiệm các biến thể MIDAS mở rộng: AR-MIDAS, MIDAS nhân tố (Factor-MIDAS), Unrestricted MIDAS.
3. Áp dụng suy diễn Bayes (Bayesian MIDAS) để cải thiện ước lượng trong bối cảnh mẫu ngắn.
4. Xây dựng hệ thống nowcasting tự động cập nhật theo thời gian thực khi dữ liệu tháng được công bố.

---

Đối tượng hưởng lợi

• Sinh viên và nhà nghiên cứu kinh tế lượng: Tiếp cận phương pháp MIDAS với Almon Lag — kỹ thuật tiên tiến đang được cộng đồng quốc tế đánh giá cao — qua một ứng dụng thực tế tại Việt Nam với bộ dữ liệu mở.
• Chuyên viên hoạch định chính sách (GSO, SBV, MPI): Có được framework dự báo GDP đa tần suất có thể triển khai ngay trên EViews 10, với MAE dưới 3% trong điều kiện dữ liệu Việt Nam.
• Nhà phân tích kinh tế tại tổ chức quốc tế (WB, IMF, ADB): Bổ sung công cụ dự báo có tính đặc thù Việt Nam thay vì áp dụng mô hình đa quốc gia đồng nhất.
• Cộng đồng nghiên cứu quốc tế: Đây là bằng chứng thực nghiệm đầu tiên về hiệu quả của MIDAS tại Việt Nam — nền kinh tế đang phát triển tăng trưởng cao, biến động mạnh — mở ra hướng so sánh với các nghiên cứu ASEAN khác.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình? EViews 10 trở lên (hỗ trợ MIDAS built-in), hoặc R với package midasr (miễn phí). Dữ liệu đầu vào tối thiểu 10 năm (40 quý) cho training set. Server/máy tính phổ thông đủ năng lực tính toán — mô hình MIDAS kiệm tham số hơn MF-VAR đáng kể.

2. Giới hạn scalability và giải pháp? Khi số biến tăng mạnh (>30 biến), MIDAS cơ bản có thể gặp vấn đề đa cộng tuyến. Giải pháp: áp dụng Factor-MIDAS (trích xuất nhân tố tiềm ẩn trước khi đưa vào hồi quy) như nghiên cứu của Giannone, Reichlin & Small (2008).

3. Tích hợp với hệ thống dữ liệu hiện có của GSO? Mô hình tương thích với các nguồn dữ liệu mở: API của IMF, WB, ADB đều hỗ trợ xuất dữ liệu dạng CSV/Excel. Quy trình xử lý trong EViews hoàn toàn có thể tự động hóa bằng EViews Program Script.

4. Tần suất cập nhật và bảo trì mô hình? Cập nhật dự báo mỗi quý (khi GDP thực tế được công bố). Tái ước lượng tham số mô hình toàn bộ mỗi năm hoặc khi phát sinh thay đổi cấu trúc (structural break) trong nền kinh tế.

5. Chi phí triển khai và ROI? Chi phí chính: bản quyền EViews (~$1.500/năm cho tổ chức) hoặc miễn phí với R. Lợi ích định lượng: rút ngắn thời gian công bố ước tính GDP sơ bộ từ 45 ngày xuống dưới 14 ngày, cải thiện độ chính xác dự báo lên mức MAE < 3% — trực tiếp hỗ trợ các quyết định chính sách tiền tệ và tài khóa kịp thời hơn.

---

Kết luận

Khóa luận đã thành công trong việc ứng dụng mô hình MIDAS với lược đồ trễ Almon — một công cụ kinh tế lượng hiện đại được cộng đồng quốc tế đánh giá cao — để dự báo tăng trưởng GDP theo quý của Việt Nam giai đoạn 2008–2022. Đây là công trình tiên phong tại Việt Nam trong lĩnh vực phân tích dữ liệu tần suất hỗn hợp cho chỉ tiêu kinh tế vĩ mô.

Thành tựu kỹ thuật nổi bật: Ba mô hình MIDAS đều cho MAE tổng thể dưới 1%; riêng MIDAS2 đạt MAE dưới 3% trong giai đoạn kiểm thử ngoài mẫu với 5/8 quý có sai số dưới 1%. Các mô hình nhận diện thành công mọi giai đoạn biến động cực đoan của kinh tế Việt Nam (2009, 2020, 2022).

Phát hiện chính sách: Dữ liệu tài chính tần suất cao (tỷ giá, giá vàng, giá dầu theo tuần và tháng) mang tính hướng tới tương lai — cần được tích hợp vào hệ thống giám sát kinh tế vĩ mô của Việt Nam bên cạnh các chỉ số thực tế truyền thống.

Giá trị thực tiễn: Framework được xây dựng có thể triển khai ngay tại GSO, SBV và Bộ Kế hoạch & Đầu tư để nâng cao chất lượng và tốc độ dự báo kinh tế — phục vụ tốt hơn cho công tác điều hành chính sách trong bối cảnh kinh tế ngày càng biến động và phức tạp.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TONG QUAN VE CƠ SỞ LÝ THUYET VE GDP 1. Lý thuyết chung về GDP 1. Khái niệm và phương pháp tính GDP * Khái niệm Tổng sản phẩm trong nước (GDP) là giá trị sản phẩm vật chất và dịch vụ cuối cùng được tạo ra của nền kinh tế trong một khoảng thời gian nhất định (quý, năm). Xét về bản chất, GDP chính là tổng giá trị thị trường của tất cả các sản pham va dich vụ thành phẩm của tat cả các đơn vị tập trung trong nên kinh tế của một quốc gia trong một khoảng thời gian cụ thé.

Điều này có nghĩa trong GDP không tính các giá trị sản phẩm vật chất và dịch vụ đã sử dụng ở các khâu trung gian trong quá trình sản xuất tạo ra sản phẩm. GDP biểu thị kết quả sản xuất do các đơn vị thường trú tạo ra trong lãnh thổ kinh tế của một quốc gia. * Phương pháp tính GDP là chỉ tiêu kinh tế tổng hợp quan trọng của một đất nước. Các chuyên gia thường sử dụng chỉ số GDP dé đánh giá tốc độ tăng trưởng kinh tế của một nước.

Tuỳ theo mỗi góc độ khác nhau, GDP được tính theo các phương pháp khác nhau. Có 3 cách tính GDP thông dụng nhất được áp dụng là phương pháp sản xuất, phương pháp sử dụng cuối cùng và phương pháp thu nhập. 1) Phương pháp sản xuất Xét về góc độ sản xuất, thì GDP chính là tông giá trị gia tăng của nền kinh tế trong một quốc gia theo một khoảng thời gian nhất định. GDP = Giá trị tăng thêm + Thuế nhập khẩu hoặc GDP = Giá trị sản xuất — chỉ phí trung gian + thuế nhập khẩu Trong đó: 7 - Giá trị tăng thêm của từng ngành kinh tế có thé là: thu nhập của người sản xuat, tiền công, bảo hiểm, thuế sản xuất, khấu hao tài sản cố định, giá trị thặng dư.

- Thuế nhập khẩu: là loại thuế mà một quốc gia hay vùng lãnh thổ đánh vào hàng hóa có nguồn gốc từ nước ngoài trong quá trình nhập khẩu. 2) Phương pháp sử dụng cuối cùng (phương pháp tính theo tổng chỉ tiêu) Xét về góc độ sử dung (chi tiêu), GDP bao gồm tiêu dùng cuối cùng của hộ gia đình, tiêu dùng cuối cùng của chính phủ, tích lũy tài sản và chênh lệch xuất - nhập khâu của một đất nước. GDP=C+l+G+NX Trong đó: - C: là tổng giá trị tiêu đùng cho sản phẩm và dịch vụ của các hộ gia đình trong quốc gia đó. - I: là tổng giá trị tiêu dùng của các nhà đầu tư.

- G: là tông giá trị chi tiêu của chính phủ. - NX: là xuất khẩu ròng (tính bằng giá trị xuất khâu trừ đi giá trị nhập khẩu), thê hiện sự chênh lệch giữa xuất khâu và nhập khẩu trong quốc gia đó. 3) Phương pháp thu nhập (phương pháp tính theo chỉ phi) Xét về góc độ thu nhập, GDP gồm thu nhập của người lao động, thuế sản xuất, khẩu hao tài sản cô định dùng cho sản xuất và giá trị thang dư sản xuất trong kỳ của một đất nước. GDP = W+R+I+Pr+ Tỉ + De Trong do: - W: là tiền lương.

- R: là tiền thuê. - Pr: là lợi nhuận. 8 - Ti: thuế gián thu (loại thuế không trực tiếp đánh vào thu nhập va tài sản của người nộp thuế mà đánh một cách gián tiếp thông qua giá cả hàng hóa và dịch vu). - De: là khấu hao tài sản cé định.

Lý thuyết về tăng trưởng GDP * Khái niệm Tăng trưởng kinh tế là sự gia tăng của tổng sản phẩm quốc nội (GDP) hoặc tổng thu nhập quốc dân (GNP) trong một thời gian nhất định. Tăng trưởng kinh tế còn được định nghĩa là sự gia tăng mức sản xuất mà nền kinh tế tạo ra theo thời gian. * Do lường tăng trưởng kinh tế Có 2 cách dé đo lường tăng trưởng kinh tế như sau: a) Do bang thay đổi GDP thực tế: là tỷ lệ phần trăm tăng lên của tổng sản phẩm trong nước (GDP) của kỳ này so với cùng kỳ năm trước. Vì tốc độ tăng trưởng kinh tế đo lường sự gia tăng của mức sản xuất, là một biến thực tế nên đo lường chúng ta sử dụng GDP thực tế.1 Trong do: - g,: Là tốc độ tăng trưởng kinh tế.

- Y,: là GDP hay GNP tại thời điểm t của kỳ phân tích - Y.¡: là GDP hay GNP năm trước của kỳ phân tích. b) Do bằng tốc độ tăng trưởng GDP bình quân theo thời kỳ (nhiều năm): niYn Gy = _ , lro 1 Trong đó: - gy: là tốc độ tăng GDP bình quân năm theo thời kỳ; từ sau năm gốc so sánh đến năm thứ n. - Yn: là GDP theo giá so sánh năm cuối (năm thứ n) của thời kỳ nghiên cứu. - Yo: là GDP theo giá so sánh năm gốc so sánh của thời kỳ nghiên cứu.

- n: là số năm tính từ năm gốc so sánh cho đến năm báo cáo. * Ý nghĩa của tăng trưởng kinh tế + Tăng trưởng kinh tế làm cho mức thu nhập của dân cư tăng, phúc lợi xã hội và chất lượng cuộc sống của cộng đồng được cải thiện. + Tăng trưởng tạo điều kiện giải quyết công ăn, việc làm, giảm thất nghiệp (Quy luật Okun: GDP thực tế tăng 2,5% so với mức tiềm năng thì tỷ lệ thất nghiệp giảm đi 1%). + Tăng trưởng tạo tiền đề vật chat dé củng cô an ninh quốc phòng, củng cố chế độ chính trị, tăng uy tín và vai trò quản lý của nhà nước đối với xã hội.

* Đối với các nước chậm phát triển, tăng trưởng kinh tế còn là điều kiện tiên quyết dé khắc phục sự tụt hậu về kinh tế so với các nước đã phát triển. Mô hình dự báo với dữ liệu tần suất hỗn hợp Đặc trưng của các chi số kinh tế vĩ mô là thường được công bố với các tần suất khác nhau, có những chỉ số công bố theo năm, nhưng có những chỉ số lại công bố theo quý, theo tháng, theo ngày. Mặt khác, các chỉ số kinh tế vĩ mô có độ trễ công bố khác nhau cũng gây khó khăn cho việc khai thác dit liệu phục vụ cho công tác dự báo. Các mô hình dự báo truyền thống chỉ áp dụng được với bộ dữ liệu chuỗi thời gian có cùng tần suất trong cùng một giai đoạn, vì vậy để đưa ra các dự báo kinh tế vĩ mô, các nhà nghiên cứu phải đưa các đữ liệu về cùng một tần suất và quy về trong cùng một giai đoạn.

Cách xử lý như vậy sẽ gây ra sai số ngay từ khâu xử lý dữ liệu và không khai thác được hết các dữ liệu về các chỉ số kinh tế vĩ mô đã công bó. Do đó, để khai thác tốt nhất những dữ liệu công bô có được cho công tác dự báo, những năm gân đây nhiêu nhà khoa học rât 10 quan tâm ứng dụng các mô hình có các biến được thu thập và công bố với tần suất khác nhau. Một số mô hình phổ biến được dùng trong phân tích dữ liệu với tần suất hỗn hợp gồm: các mô hình mẫu tần suất hỗn hợp MIDAS (Mixed data sampling), các mô hình bắc cầu (bridge equations), mô hình VAR tần suất hỗn hợp MF-VAR (mixed frequency VAR) va mô hình nhân tổ tần suất hỗn hợp. Mô hình mẫu tan suất hỗn hop (MIDAS) Mô hình hồi quy MIDAS sử dụng dữ liệu với tần suất hỗn hợp, được đề xuất bởi nhóm tác giả Eric Ghysels, Arthur Sinko & Rossen Valkanov năm 2002.

Mô hình MIDAS được ứng dụng nhiều trong lĩnh vực tài chính và kinh tế vĩ mô và được Ghysels cùng một số tác giả phát triển cho ra các mô hình mở rộng của MIDAS như AR-MIDAS, Nonlinear MIDAS, Unrestricted MIDAS, Asymetric MIDAS, Markov-Switching MIDAS,. MIDAS có thé được xem xét như một công cụ hồi quy theo chuỗi thời gian, cho phép hồi quy với mẫu ở các tần suất khác nhau trong đó các đa thức phân phối trễ được sử dụng đề đảm bảo tính kiệm của mô hình. MIDAS được sử dụng đầu tiên trong các ứng dụng tài chính (Ghysels, Santa-Clara, & Valkanov, 2005, 2006), nó cũng được sử dụng cho dự báo chuỗi thời gian trong kinh tế vĩ mô, và đặc biệt là GDP hàng quý với các chỉ số hàng tháng, như kết quả nghiên cứu của Clements & Galvao (2008), Marcellino và các cộng sự (2009). Ưu điểm của MIDAS ngoài việc khắc phục được van dé dữ liệu có tần suất hỗn hợp, còn giảm thiểu số lượng tham số ước lượng và làm cho mô hình hồi quy đơn giản hơn.

Ham trọng số được sử dụng dé giảm số lượng tham số trong hồi quy MIDAS. Theo các kết quả nghiên cứu đã công bố, MIDAS thưởng hiệu quả cho dự báo tức thời và dự báo ngắn hạn. Mô hình MIDAS là mô hình phân tích dữ liệu với tần suất hỗn hợp, được đề xuất bởi nhóm tác giả Eric Ghysels, Arthur Sinko & Rossen Valkanov năm 2002. Về cơ bản các mô hình MIDAS là các hồi quy dạng rút gọn được tham số hóa, liên quan đên các quá trình lây mau ở các tân suât khác nhau.

Trong đó, các 11 biến giải thích có tan suất khác nhau va bằng hoặc cao hon tan suất của biến phụ thuộc, và đối với các biến giải thích có tần suất cao hơn, các đa thức phân phối trễ được sử dụng để ngăn chặn sự gia tăng về số lượng tham số cũng như các vấn đề liên quan đến lựa chọn thứ tự trễ. Mô hình dự báo MIDAS cơ bản cho 1 biến giải thích và hạ bước tiếp theo (hg-step- ahead) với hg = h„/m được xác định như sau: Vig + mhạ = Yim + lim = Bo + Bib(Lm; Ox. + ety + hạ Trong do: - y là biến phụ thuộc có tan suất thấp còn x là biến giải thích có tần suất cao. - tạ là thời điểm mà y đã có sẵn dữ liệu và hạ là thời điểm muốn dự báo.

- m là chỉ số xác định mức độ cao hơn về tần suất của biến độc lập so với biến phụ thuộc. Ví dụ nếu y có tần suất quý và x có tần suất tháng thì m = 3, còn nếu y có tần suất quý còn x có tần suất tuần thì m = 12. - b(Lm; 0)=Ö-g c(k; 8) LK, là đã thức trễ với Lm là toán tử trễ được xác định bởi: Lk a) = x) w được lay mau từ biến có tần suất cao Xu - c(k; Ø) là các tham số của các hệ số độ trễ của mô hình cần được ước lượng. - Øo,Ø, là các hệ số của mô hình hồi quy.

Một trong các vấn đề chính của phương pháp MIDAS là tìm tham số hóa phù hợp cho các hệ số trễ c(k; Ø).