Lựa chọn mô hình trong chuỗi thời gian không dừng Model selection in nonstationary time series Giới thiệu: Vượt qua thử thách của việc lựa chọn mô hình Chào mừng các bạn đến với bài học thứ ba. Sau khi đã hiểu về bản chất của nghiệm đơn vị và những cạm bẫy trong phân tích phần dư, một câu hỏi thực tế lớn được đặt ra: “Làm thế nào để chúng ta chọn được bậc tự hồi quy p phù hợp cho mô hình AR(p)?” Trong kinh tế lượng căn bản, các bạn có thể đã quen thuộc với các tiêu chí lựa chọn mô hình phổ biến như AIC (Akaike Information Criterion) hay BIC (Bayesian Information Criterion). Những công cụ này hoạt động dựa trên một nguyên tắc vàng: cân bằng giữa độ phù hợp của mô hình (mức độ giải thích dữ liệu) và độ phức tạp của mô hình (số lượng tham số). Tuy nhiên, khi sự hiện diện của nghiệm đơn vị làm thay đổi toàn bộ lý thuyết phân phối tiệm cận, liệu các …