Giới thiệu về mô hình kỳ vọng hợp lý đa biến

An Introduction to Multivariate Rational Expectations models

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học chuyên sâu về một trong những chủ đề hấp dẫn và nền tảng nhất của kinh tế lượng vĩ mô hiện đại: Mô hình Kỳ vọng Hợp lý Đa biến (Multivariate Rational Expectations Models). Trong thực tế, mọi quyết định kinh tế của cá nhân, doanh nghiệp hay chính phủ đều chứa đựng yếu tố bất định về tương lai. Làm thế nào để mô hình hóa cách con người hình thành kỳ vọng về tương lai một cách khoa học? Giả thuyết Kỳ vọng Hợp lý (REH) ra đời để trả lời câu hỏi đó, và nó đã trở thành trụ cột cho các mô hình Cân bằng Tổng thể Ngẫu nhiên Động (DSGE) mà các ngân hàng trung ương trên khắp thế giới đang sử dụng để phân tích và dự báo chính sách.

Tuy nhiên, việc giải và ước lượng các mô hình này không hề đơn giản. Nó đòi hỏi sự kết hợp nhuần nhuyễn giữa lý thuyết kinh tế, toán học cao cấp (đặc biệt là đại số ma trận) và kỹ năng lập trình phần mềm chuyên dụng như Stata. Đừng lo lắng! Chuỗi bài viết này được thiết kế đặc biệt để dẫn dắt các bạn đi qua hành trình này một cách có hệ thống, từ những khái niệm cơ bản nhất đến các kỹ thuật ứng dụng phức tạp. Chúng ta sẽ cùng nhau “bóc tách” các phương trình toán học khô khan, biến chúng thành những ý tưởng kinh tế trực quan và học cách vận dụng chúng vào việc phân tích dữ liệu thực tế. Mục tiêu cuối cùng là giúp bạn không chỉ hiểu “tại sao” mà còn biết “làm thế nào” để làm chủ công cụ mạnh mẽ này.

TỪ KHÓA CHÍNH CỦA CHUỖI BÀI

  • Kỳ vọng Hợp lý (Rational Expectations): Giả định rằng các tác nhân kinh tế sử dụng tất cả thông tin sẵn có một cách tối ưu để hình thành kỳ vọng, và do đó không mắc phải các sai lầm có hệ thống.
  • Mô hình DSGE (Dynamic Stochastic General Equilibrium): Các mô hình kinh tế vĩ mô được xây dựng dựa trên nền tảng vi mô vững chắc, kết hợp các yếu tố động, các cú sốc ngẫu nhiên và cân bằng tổng thể.
  • Vấn đề Định danh (Identification Problem): Một thách thức cốt lõi trong kinh tế lượng, trả lời câu hỏi liệu chúng ta có thể suy ra một cách duy nhất các tham số cấu trúc của mô hình từ dữ liệu quan sát được hay không.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng mô hình RE với kỳ vọng tương lai
    Nắm vững cách giải các mô hình RE đơn giản nhất thông qua phương pháp giải xuôi và phương pháp hệ số bất định.
  2. Mô hình RE với thành phần “Forward” và “Backward”
    Khám phá phương pháp QDE mạnh mẽ để giải các mô hình có cả biến trễ (quá khứ) và biến kỳ vọng (tương lai).
  3. Xử lý phản hồi và các trường hợp bậc cao
    Học cách xử lý các mô hình phức tạp hơn, nơi các biến ngoại sinh phụ thuộc vào các biến nội sinh trong quá khứ.
  4. Các phương pháp giải mô hình RE nâng cao
    Tìm hiểu các phương pháp kinh điển của Blanchard-Kahn, King-Watson và Sims để có cái nhìn toàn diện về lĩnh vực này.
  5. Giới thiệu mô hình cân bằng tổng thể ngẫu nhiên động (DSGE)
    Kết nối lý thuyết RE trừu tượng với ứng dụng thực tiễn trong các mô hình DSGE vĩ mô hiện đại.
  6. Thách thức định danh trong mô hình RE và DSGE
    Hiểu rõ một trong những vấn đề nan giải nhất: khi nào dữ liệu cho phép chúng ta ước lượng các tham số của mô hình.
  7. Các phương pháp ước lượng mô hình RE
    Tổng quan về các cách tiếp cận ước lượng chính: Hợp lý Cực đại (ML), GMM và phương pháp Bayesian.
  8. Thực hành Stata: Xây dựng và ước lượng mô hình NKPC
    Áp dụng toàn bộ kiến thức đã học để phân tích một mô hình Đường cong Phillips Keynes mới từ A đến Z.

KIẾN THỨC TIÊN QUYẾT

Để theo dõi tốt nhất chuỗi bài học này, các bạn nên trang bị trước các kiến thức sau:

  • Kinh tế lượng Nâng cao: Hiểu biết vững chắc về các mô hình chuỗi thời gian như VAR, VECM và các khái niệm về tính dừng, đồng liên kết.
  • Đại số Tuyến tính: Thành thạo các phép toán ma trận, khái niệm về giá trị riêng (eigenvalues), véc-tơ riêng (eigenvectors) và phân rã ma trận.
  • Lý thuyết Xác suất Thống kê: Nắm vững các khái niệm về kỳ vọng có điều kiện, các định luật xác suất và các phân phối xác suất cơ bản.
  • Stata Nâng cao: Có kinh nghiệm sử dụng Stata để quản lý dữ liệu và ước lượng các mô hình kinh tế lượng cơ bản.

MỤC TIÊU HỌC TẬP

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

  • Hiểu sâu sắc lý thuyết đằng sau Giả thuyết Kỳ vọng Hợp lý và vai trò của nó trong kinh tế vĩ mô.
  • Nắm vững các phương pháp giải và phân tích các loại mô hình RE đa biến khác nhau, từ đơn giản đến phức tạp.
  • Phân biệt và áp dụng các phương pháp ước lượng khác nhau (ML, GMM, Bayesian) cho các mô hình RE.
  • Nhận diện và thảo luận về các vấn đề định danh tiềm ẩn trong các mô hình DSGE.
  • Tự tin sử dụng Stata để mô phỏng và ước lượng các mô hình RE đơn giản.

TÀI LIỆU THAM KHẢO

  • Pesaran, M. H. (1987). The limits to rational expectations. Blackwell.
  • Hamilton, J. D. (1994). Time series analysis. Princeton university press.
  • Wooldridge, J. M. (2019). Introductory econometrics: A modern approach. Cengage learning.

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để phục vụ cho các ví dụ và bài thực hành trong suốt chuỗi bài, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản dựa trên mô hình ba biến vĩ mô cơ bản. Điều này giúp chúng ta tập trung vào phương pháp mà không bị phân tâm bởi các đặc thù của dữ liệu thực tế.

Mô tả dữ liệu: Bộ dữ liệu bao gồm 200 quan sát cho 3 biến chính:

  • inflation: Tỷ lệ lạm phát (đã loại bỏ xu thế).
  • output_gap: Khoảng cách sản lượng (chênh lệch giữa GDP thực tế và tiềm năng).
  • interest_rate: Lãi suất chính sách (đã loại bỏ xu thế).

Bạn có thể tự tạo lại bộ dữ liệu này và lưu dưới tên dsge_data.dta bằng cách chạy đoạn code Stata dưới đây.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học về Mô hình RE
* NGUỒN: Dựa trên một quy trình VAR(1) đơn giản
* SỐ QUAN SÁT: 200
* ==================================================

* Bước 1: Xóa dữ liệu cũ và thiết lập số quan sát
clear
set obs 200
gen time = _n

* Bước 2: Thiết lập ma trận hệ số cho VAR(1)
* Giả định một cấu trúc đơn giản:
* inflation_t = 0.6*inflation_t-1 + 0.2*output_gap_t-1 + e1_t
* output_gap_t = 0.1*inflation_t-1 + 0.7*output_gap_t-1 - 0.2*interest_rate_t-1 + e2_t
* interest_rate_t = 0.3*inflation_t-1 + 0.4*output_gap_t-1 + 0.5*interest_rate_t-1 + e3_t
matrix A = (0.6, 0.2, 0 \ 0.1, 0.7, -0.2 \ 0.3, 0.4, 0.5)

* Bước 3: Thiết lập ma trận hiệp phương sai của các cú sốc
* Giả định các cú sốc không tương quan và có phương sai bằng 1
matrix Sigma = (1, 0, 0 \ 0, 1, 0 \ 0, 0, 1)

* Bước 4: Chạy mô phỏng VAR
* var_sim là một lệnh do người dùng viết, cần cài đặt trước: ssc install var_sim
varsim inflation output_gap interest_rate, matrix(A) cov(Sigma)

* Bước 5: Lưu dữ liệu
compress
save "dsge_data.dta", replace

📚 Bài tiếp theo: Nền tảng mô hình RE với kỳ vọng tương lai

💡 Lưu ý: Hãy đảm bảo bạn đã đọc kỹ các kiến thức tiên quyết. Chuỗi bài này có yêu cầu cao về nền tảng toán học và kinh tế lượng.

🎯 Self-check: Trước khi bắt đầu, bạn có thể tự giải thích khái niệm “kỳ vọng có điều kiện” là gì không?

Các bài đã xem

Back to top button