Giới thiệu về phân rã xu hướng và chu kỳ

An Introduction to Trend and Cycle Decomposition

Chào mừng các bạn sinh viên đến với chuỗi bài học mới về một trong những chủ đề hấp dẫn và nền tảng nhất của kinh tế lượng chuỗi thời gian: phân rã xu hướng và chu kỳ. Trong thực tế, khi quan sát một chuỗi dữ liệu kinh tế như GDP, lạm phát, hay tỷ lệ thất nghiệp, chúng ta thường thấy sự hòa quyện giữa hai loại chuyển động. Một là sự tăng trưởng hoặc suy giảm dài hạn, mà chúng ta gọi là xu hướng (trend). Hai là những biến động lên xuống có tính lặp lại quanh xu hướng đó, được gọi là chu kỳ (cycle), ví dụ như chu kỳ kinh doanh. Việc tách bạch hai thành phần này không chỉ là một bài toán kỹ thuật, mà còn là chìa khóa để hiểu rõ sức khỏe dài hạn của nền kinh tế và các cú sốc ngắn hạn đang tác động đến nó. Ví dụ, các nhà hoạch định chính sách cần biết liệu sự sụt giảm GDP gần đây là do một cú sốc tạm thời (thuộc thành phần chu kỳ) hay là dấu hiệu của một sự suy giảm trong tiềm năng tăng trưởng dài hạn (thuộc thành phần xu hướng). Chuỗi bài học này sẽ trang bị cho các bạn những công cụ mạnh mẽ để “bóc tách” một chuỗi thời gian, từ các bộ lọc kinh điển đến các mô hình cấu trúc phức tạp, giúp bạn có được cái nhìn sâu sắc hơn về động lực của các biến số kinh tế. Chúng ta sẽ cùng nhau khám phá không chỉ “cách làm” mà còn cả “tại sao” đằng sau mỗi phương pháp.

TỪ KHÓA CHÍNH CỦA CHUỖI BÀI HỌC

CẤU TRÚC CHUỖI BÀI HỌC

  1. Các bộ lọc Hodrick-Prescott và Band-Pass
    Nắm vững hai kỹ thuật lọc phổ biến nhất để tách xu hướng và chu kỳ một cách trực quan và hiệu quả.
  2. Tiếp cận mô hình cấu trúc và không gian trạng thái
    Giải mã “hộp đen” của mô hình không gian trạng thái và bộ lọc Kalman để mô hình hóa các thành phần ẩn.
  3. Phân rã Beveridge-Nelson cho chuỗi không dừng
    Chinh phục kỹ thuật phân rã chuyên biệt cho dữ liệu có nghiệm đơn vị, một thách thức lớn trong thực tế.
  4. So sánh các phương pháp và phân rã Watson
    Học cách lựa chọn công cụ phù hợp cho từng bài toán nghiên cứu và khám phá các biến thể nâng cao.
  5. Thực hành phân rã chuỗi thời gian với Stata
    Vận dụng toàn bộ kiến thức để phân tích bộ dữ liệu thực tế, từ tiền xử lý đến diễn giải kết quả.
  6. Tổng hợp và ứng dụng nâng cao
    Hệ thống hóa kiến thức, kết nối các ý tưởng và tìm hiểu các hướng phát triển trong nghiên cứu kinh tế.

KIẾN THỨC TIÊN QUYẾT

  • Kinh tế lượng cơ bản: Hiểu biết về mô hình hồi quy OLS, các khái niệm về tính dừng, tự tương quan.
  • Chuỗi thời gian nhập môn: Quen thuộc với các mô hình AR, MA, ARMA và khái niệm nghiệm đơn vị (unit root).
  • Toán học: Nắm vững các khái niệm về tối ưu hóa (lấy đạo hàm) và đại số ma trận cơ bản.
  • Stata cơ bản: Biết cách nhập dữ liệu, thực hiện các lệnh thống kê mô tả và hồi quy cơ bản.

MỤC TIÊU HỌC TẬP

Sau khi hoàn thành chuỗi bài học này, bạn sẽ có khả năng:

  • Phân biệt và giải thích được cơ sở lý thuyết của các phương pháp phân rã xu hướng-chu kỳ chính.
  • Vận dụng thành thạo phần mềm Stata để áp dụng các bộ lọc và mô hình phân rã vào dữ liệu thực tế.
  • Phân tích, so sánh và diễn giải một cách có phê phán kết quả từ các phương pháp khác nhau.
  • Lựa chọn được kỹ thuật phân rã phù hợp nhất cho câu hỏi nghiên cứu cụ thể của mình.

TÀI LIỆU THAM KHẢO

  • Harvey, A. C. (1989). Forecasting, structural time series models and the Kalman filter. Cambridge university press.
  • Hamilton, J. D. (1994). Time series analysis. Princeton university press.
  • Pesaran, M. H. (2015). Time series and panel data econometrics. Oxford University Press.
  • Wooldridge, J. M. (2019). Introductory econometrics: A modern approach. Cengage learning.

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để đảm bảo tính nhất quán và giúp các bạn dễ dàng theo dõi, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng về GDP hàng quý của Việt Nam trong suốt chuỗi bài học. Dưới đây là mã Stata để tạo ra bộ dữ liệu này. Các bạn có thể chạy đoạn mã này để có file vn_gdp_quarterly.dta và sử dụng cho các bài thực hành sau này.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu GDP quý mô phỏng cho Việt Nam
* GIAI ĐOẠN: 2000 Quý 1 đến 2023 Quý 4
* CÁC BIẾN: gdp_log (log GDP), gdp_growth (tăng trưởng GDP)
* ==================================================

* Bước 1: Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 96 // 24 năm * 4 quý = 96 quan sát

* Bước 2: Tạo biến thời gian (quý)
gen time = tq(2000q1) + _n-1
format time %tq // Định dạng hiển thị theo quý
tsset time      // Khai báo dữ liệu chuỗi thời gian

* Bước 3: Tạo thành phần xu hướng (trend) tuyến tính
* Giả định GDP log bắt đầu từ 10 và tăng 0.015 mỗi quý
gen trend = 10 + 0.015 * time

* Bước 4: Tạo thành phần chu kỳ (cycle) bằng mô hình AR(2)
* Đây là cách phổ biến để mô phỏng chu kỳ kinh doanh
gen cycle = 0
replace cycle = 1.2 * L.cycle - 0.4 * L2.cycle + rnormal(0, 0.05) in 3/l

* Bước 5: Tạo thành phần nhiễu ngẫu nhiên (noise)
gen noise = rnormal(0, 0.01)

* Bước 6: Kết hợp các thành phần để tạo ra log GDP
gen gdp_log = trend + cycle + noise

* Bước 7: Tạo biến tăng trưởng GDP
gen gdp_growth = D.gdp_log

* Bước 8: Mô tả và lưu dữ liệu
describe
summarize
save "vn_gdp_quarterly.dta", replace // Lưu dữ liệu để sử dụng sau

📚 Bài tiếp theo: Các bộ lọc cơ học: Hodrick-Prescott (HP) và Band-Pass

💡 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 “xu hướng” và “chu kỳ” cho một người bạn không chuyên về kinh tế không?

Back to top button