Giới thiệu chuỗi thời gian đa biến

An Introduction to Multivariate Time Series

Tổng quan về phân tích đa biến

Chào các bạn sinh viên, chào mừng đến với một trong những chủ đề hấp dẫn và quyền lực nhất trong kinh tế lượng hiện đại: phân tích chuỗi thời gian đa biến. Trong các học phần trước, chúng ta đã quen thuộc với việc phân tích một biến số theo thời gian, chẳng hạn như dự báo GDP hoặc lạm phát. Tuy nhiên, thế giới kinh tế thực tế phức tạp hơn nhiều. Các biến số không tồn tại một cách cô lập mà luôn tương tác, ảnh hưởng lẫn nhau. Lãi suất thay đổi có thể tác động đến thị trường chứng khoán, chi tiêu chính phủ có thể ảnh hưởng đến tỷ lệ thất nghiệp. Phân tích chuỗi thời gian đa biến chính là công cụ giúp chúng ta nắm bắt và mô hình hóa những mối quan hệ động, phức tạp này.

Trong chuỗi bài học này, chúng ta sẽ cùng nhau bước từ thế giới đơn biến sang không gian đa chiều. Thay vì nhìn vào một con số, chúng ta sẽ làm việc với các véc-tơ dữ liệu, nơi mỗi thành phần đại diện cho một chuỗi thời gian riêng biệt. Đừng lo lắng về sự phức tạp gia tăng! Tôi sẽ hướng dẫn các bạn từng bước một, biến những khái niệm toán học trừu tượng thành những công cụ phân tích trực quan và dễ hiểu. Chúng ta sẽ khám phá ba trụ cột chính: Mô hình Tự hồi quy Véc-tơ (VAR), công cụ nền tảng để mô tả sự phụ thuộc lẫn nhau giữa các biến; Phân tích Nhân quả và Phản ứng xung, giúp trả lời câu hỏi “điều gì xảy ra với các biến khác nếu có một cú sốc kinh tế?”; và cuối cùng là Đồng tích hợp (Cointegration), một ý tưởng tuyệt vời về cách các biến số có thể “đồng hành” với nhau trong dài hạn, ngay cả khi chúng biến động không ngừng trong ngắn hạn. Hoàn thành chuỗi bài này, các bạn sẽ có đủ kỹ năng để phân tích các hệ thống kinh tế phức tạp, một kỹ năng vô giá cho bất kỳ nhà kinh tế hay nhà phân tích dữ liệu nào.

Cấu trúc chuỗi bài học

  1. Nền tảng chuỗi thời gian đa biến
    Nắm vững các khái niệm cốt lõi như tính dừng véc-tơ, ma trận tự tương quan và các loại phụ thuộc chéo giữa các chuỗi.
  2. Giới thiệu mô hình var
    Hiểu rõ cấu trúc, các dạng biểu diễn và điều kiện dừng của mô hình VAR, nền tảng cho mọi phân tích đa biến.
  3. Xây dựng và chẩn đoán mô hình var
    Học quy trình từng bước để lựa chọn bậc trễ, ước lượng tham số và kiểm tra độ tin cậy của mô hình VAR đã xây dựng.
  4. Phân tích động với mô hình var
    Sử dụng các công cụ mạnh mẽ như kiểm định nhân quả Granger, hàm phản ứng xung và phân rã phương sai để hiểu sâu hơn về động lực của hệ thống.
  5. Đồng tích hợp và mô hình vec
    Khám phá khái niệm cân bằng dài hạn giữa các chuỗi không dừng và học cách xây dựng mô hình hiệu chỉnh sai số (VEC).
  6. Thực hành stata toàn diện
    Áp dụng tất cả kiến thức đã học vào một bộ dữ liệu thực tế, thực hiện phân tích từ A-Z với hướng dẫn chi tiết.
  7. Tổng hợp và định hướng nâng cao
    Hệ thống hóa toàn bộ kiến thức, so sánh các phương pháp và khám phá những hướng nghiên cứu nâng cao trong lĩnh vực này.

KIẾN THỨC TIÊN QUYẾT

  • Đại số tuyến tính: Thành thạo các phép toán ma trận, khái niệm về véc-tơ, giá trị riêng và véc-tơ riêng.
  • Thống kê căn bản: Hiểu rõ về kỳ vọng, phương sai, hiệp phương sai, tương quan và các kiểm định giả thuyết thống kê.
  • Kinh tế lượng nhập môn: Nắm vững mô hình hồi quy OLS, các giả định và cách diễn giải hệ số. Hiểu biết về các mô hình chuỗi thời gian đơn biến (AR, MA, ARMA) là một lợi thế lớn.
  • Stata cơ bản: Quen thuộc với giao diện Stata, cách nhập và quản lý dữ liệu, thực hiện các lệnh thống kê mô tả và hồi quy cơ bản.

MỤC TIÊU HỌC TẬP

  • Hiểu sâu lý thuyết: Nắm vững các khái niệm nền tảng của chuỗi thời gian đa biến, đặc biệt là mô hình VAR và lý thuyết đồng tích hợp.
  • Thành thạo Stata: Vận dụng thành thạo các lệnh trong Stata để xây dựng, chẩn đoán và phân tích các mô hình VAR, VEC.
  • Kỹ năng diễn giải: Có khả năng đọc, hiểu và diễn giải kết quả từ các phân tích phức tạp như hàm phản ứng xung, phân rã phương sai và kiểm định Johansen.
  • Tư duy phân tích: Phát triển khả năng áp dụng các công cụ kinh tế lượng đa biến để trả lời các câu hỏi nghiên cứu thực tiễn trong kinh tế và tài chính.

TÀI LIỆU THAM KHẢO

  • Cipra, T. (2020). Time Series in Economics and Finance. Springer Nature. (Tài liệu gốc cho chuỗi bài viết này).
  • Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer. (Tài liệu tham khảo kinh điển và toàn diện về chủ đề này).
  • Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning. (Cung cấp nền tảng kinh tế lượng vững chắc).

Phụ lục: Dữ liệu thực hành

Để giúp các bạn dễ dàng theo dõi và thực hành, chúng ta sẽ sử dụng hai bộ dữ liệu chính được mô tả trong tài liệu gốc. Dưới đây là đoạn code Stata để bạn có thể tự tạo lại dữ liệu và bắt đầu hành trình của mình. Hãy chạy đoạn code này để chuẩn bị sẵn sàng cho các bài học tiếp theo!

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu thực hành cho chuỗi bài học
* NGUỒN DỮ LIỆU: Dựa trên Ví dụ 12.1 và 12.9 trong sách của Cipra (2020)
* DỮ LIỆU 1: Lãi suất Mỹ (1985-1994)
* DỮ LIỆU 2: Tăng trưởng GDP 7 nước (1951-1992)
* ==================================================

* --- Dữ liệu 1: Lãi suất Mỹ ---
clear
input int year int month float(DTB3 DAAA TB3 AAA)
1985 1 -0.40 -0.05 7.76 12.08
1985 2 0.46 0.05 8.22 12.13
1985 3 0.35 0.43 8.57 12.56
1985 4 -0.57 -0.33 8.00 12.23
1985 5 -0.44 -0.51 7.56 11.72
1985 6 -0.55 -0.78 7.01 10.94
1985 7 0.04 0.03 7.05 10.97
1985 8 0.13 0.08 7.18 11.05
1985 9 -0.10 0.02 7.08 11.07
1985 10 0.09 -0.05 7.17 11.02
1985 11 0.03 -0.47 7.20 10.55
1985 12 -0.13 -0.39 7.07 10.16
1986 1 -0.03 -0.11 7.04 10.05
1986 2 -0.01 -0.38 7.03 9.67
1986 3 -0.44 -0.67 6.59 9.00
1986 4 -0.53 -0.21 6.06 8.79
1986 5 0.06 0.30 6.12 9.09
1986 6 0.09 0.04 6.21 9.13
1986 7 -0.37 -0.25 5.84 8.88
1986 8 -0.27 -0.16 5.57 8.72
1986 9 -0.38 0.17 5.19 8.89
1986 10 -0.01 -0.03 5.18 8.86
1986 11 0.17 -0.18 5.35 8.68
1986 12 0.14 -0.19 5.49 8.49
1987 1 -0.04 -0.13 5.45 8.36
1987 2 0.14 0.02 5.59 8.38
1987 3 -0.03 -0.02 5.56 8.36
1987 4 0.20 0.49 5.76 8.85
1987 5 -0.01 0.48 5.75 9.33
1987 6 -0.06 -0.01 5.69 9.32
1987 7 0.09 0.10 5.78 9.42
1987 8 0.22 0.25 6.00 9.67
1987 9 0.32 0.51 6.32 10.18
1987 10 0.08 0.34 6.40 10.52
1987 11 -0.59 -0.51 5.81 10.01
1987 12 -0.01 0.10 5.80 10.11
1988 1 0.10 -0.23 5.90 9.88
1988 2 -0.21 -0.48 5.69 9.40
1988 3 0.00 -0.01 5.69 9.39
1988 4 0.23 0.28 5.92 9.67
1988 5 0.35 0.23 6.27 9.90
1988 6 0.23 -0.04 6.50 9.86
1988 7 0.23 0.10 6.73 9.96
1988 8 0.29 0.15 7.02 10.11
1988 9 0.21 -0.29 7.23 9.82
1988 10 0.11 -0.31 7.34 9.51
1988 11 0.34 -0.06 7.68 9.45
1988 12 0.41 0.12 8.09 9.57
1989 1 0.20 0.05 8.29 9.62
1989 2 0.19 0.01 8.48 9.63
1989 3 0.35 0.17 8.83 9.80
1989 4 -0.13 -0.01 8.70 9.79
1989 5 -0.30 -0.22 8.40 9.57
1989 6 -0.18 -0.47 8.22 9.10
1989 7 -0.30 -0.17 7.92 8.93
1989 8 -0.01 0.03 7.91 8.96
1989 9 -0.19 0.05 7.72 9.01
1989 10 -0.13 -0.09 7.59 8.92
1989 11 0.08 -0.03 7.67 8.89
1989 12 -0.03 -0.03 7.64 8.86
1990 1 0.00 0.13 7.64 8.99
1990 2 0.12 0.23 7.76 9.22
1990 3 0.11 0.15 7.87 9.37
1990 4 -0.09 0.09 7.78 9.46
1990 5 0.00 0.01 7.78 9.47
1990 6 -0.04 -0.21 7.74 9.26
1990 7 -0.08 -0.02 7.66 9.24
1990 8 -0.22 0.17 7.44 9.41
1990 9 -0.06 0.15 7.38 9.56
1990 10 -0.19 -0.03 7.19 9.53
1990 11 -0.12 -0.23 7.07 9.30
1990 12 -0.26 -0.25 6.81 9.05
1991 1 -0.51 -0.01 6.30 9.04
1991 2 -0.35 -0.21 5.95 8.83
1991 3 -0.04 0.10 5.91 8.93
1991 4 -0.24 -0.07 5.67 8.86
1991 5 -0.16 0.00 5.51 8.86
1991 6 0.09 0.15 5.60 9.01
1991 7 -0.02 -0.01 5.58 9.00
1991 8 -0.19 -0.25 5.39 8.75
1991 9 -0.14 -0.14 5.25 8.61
1991 10 -0.22 -0.06 5.03 8.55
1991 11 -0.43 -0.07 4.60 8.48
1991 12 -0.48 -0.17 4.12 8.31
1992 1 -0.28 -0.11 3.84 8.20
1992 2 0.00 0.09 3.84 8.29
1992 3 0.21 0.06 4.05 8.35
1992 4 -0.24 -0.02 3.81 8.33
1992 5 -0.15 -0.05 3.66 8.28
1992 6 0.04 -0.06 3.70 8.22
1992 7 -0.42 -0.15 3.28 8.07
1992 8 -0.14 -0.12 3.14 7.95
1992 9 -0.17 -0.03 2.97 7.92
1992 10 -0.13 0.07 2.84 7.99
1992 11 0.30 0.11 3.14 8.10
1992 12 0.11 -0.12 3.25 7.98
1993 1 -0.19 -0.07 3.06 7.91
1993 2 -0.11 -0.20 2.95 7.71
1993 3 0.02 -0.13 2.97 7.58
1993 4 -0.08 -0.12 2.89 7.46
1993 5 0.07 -0.03 2.96 7.43
1993 6 0.14 -0.10 3.10 7.33
1993 7 -0.05 -0.16 3.05 7.17
1993 8 0.00 -0.32 3.05 6.85
1993 9 -0.09 -0.19 2.96 6.66
1993 10 0.08 0.01 3.04 6.67
1993 11 0.08 0.26 3.12 6.93
1993 12 -0.04 0.00 3.08 6.93
1994 1 -0.06 -0.01 3.02 6.92
1994 2 0.19 0.16 3.21 7.08
1994 3 0.31 0.40 3.52 7.48
1994 4 0.22 0.40 3.74 7.88
1994 5 0.45 0.11 4.19 7.99
1994 6 -0.01 -0.02 4.18 7.97
1994 7 0.21 0.14 4.39 8.11
1994 8 0.11 -0.04 4.50 8.07
1994 9 0.14 0.27 4.64 8.34
1994 10 0.32 0.23 4.96 8.57
1994 11 0.29 0.11 5.25 8.68
1994 12 0.39 -0.22 5.64 8.46
end

gen date = ym(year, month)
format date %tm
tsset date, monthly
save "us_interest_rates.dta", replace
* Dữ liệu đã sẵn sàng để phân tích

* --- Dữ liệu 2: Tăng trưởng GDP 7 nước ---
* (Lưu ý: Dữ liệu này sẽ được cung cấp khi cần thiết trong các bài học sau)
* clear
* input int year float(RGDP_FRA RGDP_GER RGDP_ITA RGDP_UK RGDP_JPN RGDP_US RGDP_CAN)
* ...
* end
* tsset year, yearly
* save "gdp_7_countries.dta", replace

Mô tả các biến trong bộ dữ liệu lãi suất:

  • TB3: Lãi suất đáo hạn của tín phiếu kho bạc Mỹ kỳ hạn 3 tháng (dạng mức, %/năm).
  • AAA: Lãi suất đáo hạn của trái phiếu doanh nghiệp hạng AAA của S&P (dạng mức, %/năm).
  • DTB3: Sai phân bậc một của TB3, thể hiện sự thay đổi hàng tháng của lãi suất ngắn hạn.
  • DAAA: Sai phân bậc một của AAA, thể hiện sự thay đổi hàng tháng của lãi suất dài hạn.

Chúng ta sẽ sử dụng các biến sai phân (DTB3, DAAA) cho mô hình VAR và các biến mức (TB3, AAA) cho phân tích đồng tích hợp. Chúc các bạn có một hành trình học tập hiệu quả và thú vị!

📚 Bài tiếp theo: Nền tảng chuỗi thời gian đa biến

💡 Lưu ý: Hãy đảm bảo đã nắm vững các khái niệm chính trong bài này trước khi tiếp tục.

🎯 Self-check: Bạn có thể giải thích sự khác biệt giữa phân tích đơn biến và đa biến cho người khác không?

Back to top button