Isang hipotetikal na disenyo ng modelong ARIMAX para sa implasyon sa Pilipinas

 Narito ang isang hipotetikal na disenyo ng modelong ARIMAX para sa implasyon sa Pilipinas, kasama ang isang listahan ng mga buwanang variable (lokal at internasyonal) na maaaring magpabuti sa kapangyarihan ng paliwanag ng modelo. Dahil ang aktwal na pagkolekta ng datos at pagtatantiya ng modelo ay nangangailangan ng access sa mga dataset, ibabalangkas ko ang isang template na balangkas.

Pagse-set Up ng Modelong ARIMAX para sa Implasyon sa Pilipinas

Dependent Variable (Target):

• Inflation Rate: Buwanang year-on-year na % pagbabago sa Consumer Price Index (CPI), na kinuha mula sa Philippine Statistics Authority (PSA).

Exogenous Variables (Mga Nagtutulak):

Isama ang mga indikator na pang-ekonomiya, panlipunan, at internasyonal na teoretikal na nakakaimpluwensya sa implasyon:

Kategorya	Variable	Pinagmulan	Transpormasyon
Ekonomiya (Lokal)	Exchange Rate (PHP/USD)	Bangko Sentral ng Pilipinas (BSP)	Log-differenced (stationary)
	Domestic Oil Prices (PHP per litro)	Department of Energy (DOE)	Log-differenced
	Government Spending (PHP bilyon)	Bureau of the Treasury	Seasonally adjusted
	Interest Rates (BSP Policy Rate)	Bangko Sentral ng Pilipinas (BSP)	Level (stationary)
Sosyal (Lokal)	Overseas Remittances (USD milyon)	BSP	Log-differenced
	Agricultural Output Index	PSA	Differenced (stationary)
	Unemployment Rate (%)	PSA	Level
Internasyonal	Global Oil Prices (Brent Crude, USD)	World Bank	Log-differenced
	Global Food Price Index	FAO	Log-differenced
	US Federal Reserve Interest Rate	Federal Reserve	Level
	ASEAN Trade Weighted Exchange Rate	IMF	Log-differenced

Halimbawang Talaan ng Buwanang Datos (Hipotetikal na Datos para sa 2023)

Buwan	Inflation (%)	PHP/USD	Domestic Oil (PHP/L)	Remittances (USD M)	Global Oil (USD)	Gov Spending (PHP B)	Unemployment (%)	US Fed Rate (%)
Jan-2023	6.1	55.2	68.5	2,900	85.0	450	4.7	4.75
Feb-2023	6.3	55.8	70.2	2,750	88.5	420	4.7	4.75
Mar-2023	6.5	56.5	72.0	3,100	90.2	480	4.3	5.00
...	...	...	...	...	...	...	...	...

Mga Hakbang sa Pagbuo ng Modelo

1. Paghanda ng Datos

   • Stationarity Checks: Gamitin ang Augmented Dickey-Fuller (ADF) test upang matiyak na ang lahat ng variable ay stationary (walang mga trend). Transpormahin ang mga non-stationary na variable gamit ang differencing o log-differencing.
   • Normalization: I-scale ang mga variable (hal., remittances sa USD kumpara sa presyo ng langis sa PHP) gamit ang z-scores o log transformations.

2. Pagtukoy ng Modelo

   • ARIMA Order: Tukuyin ang order na (p,d,q) para sa implasyon gamit ang ACF/PACF plots at AIC/BIC metrics.
     • Halimbawa: Kung ang implasyon ay I(1), itakda ang $d=1$. Kung ang ACF ay nagpapakita ng lag 1 correlation, itakda ang $p=1$ o $q=1$.
   • Exogenous Variables: Isama ang mga lagged effect (hal., presyo ng langis mula 1–3 buwan bago) kung mayroon silang naantalang epekto.

3. Equation ng Modelo Ang isang pinasimple na modelong ARIMAX(1,1,1) na may exogenous variables ay magmumukhang ganito:

   $\Delta Inflatio{n}_t=\alpha +{\varphi }_1\Delta Inflatio{n}_{t-1}+{\theta }_1{ϵ}_{t-1}+{\beta }_1\Delta OilPric{e}_t+{\beta }_2\Delta ExchangeRat{e}_t+{\beta }_{3}Remittance{s}_t+{ϵ}_t$

   kung saan:

   • Δ: Differenced data (upang alisin ang mga trend).
   • ϕ1​: AR(1) coefficient (epekto ng nakaraang implasyon).
   • θ1​: MA(1) coefficient (epekto ng nakaraang error).
   • β1​,β2​,β3​: Epekto ng mga exogenous variable.

4. Pagtatantiya ng Modelo Gumamit ng software tulad ng Python (statsmodels) o R (forecast package) upang i-fit ang modelo.

   Halimbawa sa Python:

   Python

   from statsmodels.tsa.arima.model import ARIMA
   model = ARIMA(endog=inflation, exog=exog_vars, order=(1,1,1))
   results = model.fit()
   print(results.summary())
   

5. Model Diagnostics

   • Residual Tests: Tiyakin na ang mga residual ay white noise (walang autocorrelation) gamit ang Ljung-Box test.
   • Coefficient Significance: Suriin ang p-values ng mga exogenous variable (hal., kung ang presyo ng langis ay may $p<0.05$, ito ay significant).

Hipotetikal na mga Resulta

Variable	Coefficient	p-value	Interpretasyon
AR(1)	0.45	0.01	Malakas na nakakaapekto ang nakaraang implasyon sa kasalukuyang implasyon.
MA(1)	-0.30	0.03	Binabawasan ng mga kamakailang error sa forecast ang kasalukuyang implasyon.
PHP/USD (lag 1)	0.25	0.02	Ang 1% na pagbaba ng halaga ng piso ay nagpapataas ng implasyon ng 0.25%.
Global Oil Prices	0.18	0.00	Ang 10% na pagtaas ng presyo ng langis ay nagpapataas ng implasyon ng 1.8%.
Remittances (lag 1)	0.10	0.04	Ang mas mataas na remittances ay nagpapalakas ng implasyon sa pamamagitan ng demand.
US Fed Rate	-0.15	0.01	Ang mas mahigpit na patakaran ng US ay nagpapababa sa pagkasumpungin/implasyon ng PHP.

Mga Pangunahing Pananaw

• Ang Exchange Rates at Presyo ng Langis ay kritikal na mga nagtutulak ng implasyon sa Pilipinas dahil sa pagdepende sa importasyon.
• Ang Remittances ay hindi direktang nagpapalakas ng demand-pull inflation sa pamamagitan ng pagpapataas ng gastusin ng mga kabahayan.
• Ang Global Factors (US rates, ASEAN exchange rates) ay nagpapakita ng kahinaan ng Pilipinas sa mga panlabas na pagkabigla.

Pagpapabuti sa Modelo

• Magdagdag ng mga lagged term para sa mga variable tulad ng agricultural output (hal., ang epekto ng panahon ng bagyo sa presyo ng pagkain na may 2-buwang lag).
• Isama ang mga dummy variable para sa mga pangyayari (hal., mga lockdown dahil sa COVID-19, mga reporma sa buwis).
• Gumamit ng machine learning (hal., LASSO regression) upang piliin ang mga pinakamahalagang variable.

Praktikal na Gamit

• Maaaring gamitin ng Bangko Sentral ng Pilipinas (BSP) ang modelong ito upang itakda ang mga interest rate o pamahalaan ang mga interbensyon sa pera.
• Maaaring suportahan ng mga gobyerno ang gasolina o patatagin ang suplay ng pagkain sa panahon ng mga pandaigdigang pagkabigla sa langis/agrikultura.

Ang balangkas na ito ay nagbibigay ng panimulang punto para sa empirical analysis, ngunit ang aktwal na implementasyon ay nangangailangan ng matatag na paglilinis ng datos, statistical testing, at validation.