Chuỗi thời gian không dừng, nghiệm đơn và sự thay đổi cấu trúc
Trong phân tích kinh tế lượng chuỗi thời gian, việc xác định tính dừng (stationarity) của dữ liệu là một bước nền tảng và tối quan trọng. Nhiều chuỗi thời gian kinh tế vĩ mô như GDP, tỷ giá hối đoái, hay giá tài sản thường biểu hiện hành vi xu hướng, hay còn gọi là tính không dừng. Sự hiện diện của tính không dừng này, nếu không được xử lý đúng cách, có thể dẫn đến các kết quả hồi quy giả mạo (spurious regression), làm sai lệch hoàn toàn các suy luận thống kê và các khuyến nghị chính sách. Kể từ công trình tiên phong của Nelson và Plosser (1982), khái niệm nghiệm đơn vị (unit root) đã trở thành tâm điểm của các nghiên cứu lý thuyết và ứng dụng, được xem là nguyên nhân chính gây ra tính không dừng trong nhiều chuỗi dữ liệu kinh tế.
Tuy nhiên, câu chuyện không chỉ dừng lại ở đó. Một thách thức lớn khác là sự tồn tại của các đứt gãy cấu trúc (structural breaks) – những thay đổi đột ngột trong quá trình sinh dữ liệu do các sự kiện như khủng hoảng kinh tế, thay đổi chính sách lớn, hay các cú sốc ngoại sinh. Sự hiện diện của đứt gãy cấu trúc có thể khiến một chuỗi thời gian vốn dĩ dừng lại trông giống như có nghiệm đơn vị, dẫn đến việc các kiểm định truyền thống đưa ra kết luận sai lầm. Do đó, việc phân biệt giữa một quá trình có nghiệm đơn vị thực sự và một quá trình dừng nhưng có đứt gãy cấu trúc là một bài toán kinh nghiệm vô cùng quan trọng.
Chuỗi bài viết này sẽ cung cấp một cái nhìn toàn diện và có hệ thống về các vấn đề liên quan đến chuỗi thời gian không dừng, từ lý thuyết nền tảng về các loại xu hướng, khái niệm nghiệm đơn vị, cho đến các phương pháp kiểm định hiện đại có tính đến sự hiện diện của đứt gãy cấu trúc. Mục tiêu của chuỗi bài là trang bị cho người học không chỉ kiến thức lý thuyết vững chắc mà còn cả kỹ năng thực hành thành thạo trên phần mềm Stata, giúp bạn tự tin phân tích và diễn giải các đặc tính động của dữ liệu kinh tế trong nghiên cứu của mình.
Kiến thức tiên quyết
- Kinh tế lượng cơ bản: Hiểu biết về mô hình hồi quy OLS, các giả định cổ điển và các vấn đề như tự tương quan, phương sai sai số thay đổi.
- Thống kê suy luận: Nắm vững các khái niệm về kiểm định giả thuyết, giá trị p, và khoảng tin cậy.
- Toán học cơ bản: Quen thuộc với các khái niệm về đại số tuyến tính và giải tích.
- Sử dụng Stata cơ bản: Có khả năng nhập dữ liệu, thực hiện các lệnh cơ bản và quản lý tệp do-file.
Mục tiêu học tập
- Phân biệt và nhận dạng được quá trình dừng theo xu hướng (TSP) và quá trình dừng theo sai phân (DSP).
- Nắm vững lý thuyết và cơ chế hoạt động của các kiểm định nghiệm đơn vị và tính dừng phổ biến (ADF, PP, DF-GLS, KPSS).
- Thực hiện thành thạo các kiểm định nghiệm đơn vị trên Stata, bao gồm cả việc lựa chọn độ trễ tối ưu và đặc tả mô hình phù hợp.
- Hiểu rõ tác động của đứt gãy cấu trúc và áp dụng được các kiểm định nghiệm đơn vị có tính đến sự thay đổi cấu trúc (Perron, Zivot-Andrews).
- Diễn giải kết quả kiểm định một cách chính xác và rút ra các hàm ý quan trọng cho mô hình hóa kinh tế lượng.
Tài liệu tham khảo chính
- Das, P. (2019). Econometrics in theory and practice: Analysis of cross section, time series and panel data with Stata 15.1. Springer.
- Wooldridge, J. M. (2019). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.
- Enders, W. (2014). Applied econometric time series (4th ed.). John Wiley & Sons.
PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết
Để đảm bảo tính nhất quán và khả năng tái lập trong suốt chuỗi bài học, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng. Bộ dữ liệu này chứa ba chuỗi thời gian chính được thiết kế để minh họa các khái niệm cốt lõi: một chuỗi dừng theo xu hướng (TSP), một chuỗi có nghiệm đơn vị (DSP), và một chuỗi dừng nhưng có đứt gãy cấu trúc.
* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO CHUỖI BÀI VIẾT
* Mục đích: Tạo 3 chuỗi thời gian để minh họa
* Tác giả: Professor of Econometrics
* ==================================================
clear
set obs 200
set seed 12345
* Tạo biến thời gian
gen time = _n
* 1. Chuỗi dừng theo xu hướng (Trend Stationary Process - TSP)
* y_t = 0.5 + 0.02*time + u_t, u_t ~ N(0,1)
gen u = rnormal()
gen y_tsp = 0.5 + 0.02*time + u
label var y_tsp "Chuỗi dừng theo xu hướng (TSP)"
* 2. Chuỗi có nghiệm đơn vị (Difference Stationary Process - DSP / Random Walk with Drift)
* y_t = 0.1 + y_{t-1} + v_t, v_t ~ N(0,1)
gen v = rnormal()
gen y_dsp = 0.1 + v in 1
replace y_dsp = 0.1 + L.y_dsp + v in 2/l
label var y_dsp "Chuỗi có nghiệm đơn vị (DSP)"
* 3. Chuỗi Dừng có điểm gãy cấu trúc (Stationary with Structural Break)
* y_t = 2 + w_t (t <= 100)
* y_t = 5 + w_t (t > 100)
gen w = rnormal()
gen y_break = 2 + w if time <= 100
replace y_break = 5 + w if time > 100
label var y_break "Chuỗi dừng có điểm gãy cấu trúc"
* Lưu dữ liệu
compress
save "simulation_unit_root.dta", replace
- time: Biến chỉ số thời gian, từ 1 đến 200.
- y_tsp: Một chuỗi dao động quanh một đường xu hướng tuyến tính.
- y_dsp: Một chuỗi đi bộ ngẫu nhiên có độ trôi, không có xu hướng quay về giá trị trung bình.
- y_break: Một chuỗi dừng có sự thay đổi đột ngột về mức trung bình tại quan sát thứ 101.
Bạn có thể tải về bộ dữ liệu này để thực hành song song với các bài học.
Tải về dữ liệu mô phỏng (simulation_unit_root.dta)📚 Bài tiếp theo: Nền tảng về Xu hướng và nghiệm đơn vị trong Chuỗi thời gian
💡 Lưu ý: Hãy đảm bảo bạn đã đọc kỹ cấu trúc và các yêu cầu của chuỗi bài học để có trải nghiệm học tập tốt nhất.