Giới thiệu mô hình véc-tơ tự hồi quy

An Introduction to Vector Autoregressive models

Chào mừng các bạn sinh viên đã đến với chuỗi bài học mới về một trong những công cụ mạnh mẽ nhất của kinh tế lượng chuỗi thời gian: Mô hình Véc-tơ Tự hồi quy, hay còn gọi là mô hình VAR. Trong thực tế, các biến kinh tế hiếm khi vận động một cách độc lập. Lạm phát bị ảnh hưởng bởi tăng trưởng GDP, và ngược lại; lãi suất tác động đến tỷ giá, và tỷ giá cũng ảnh hưởng trở lại lãi suất. Mô hình VAR ra đời chính là để nắm bắt những mối quan hệ tương tác phức tạp và đa chiều này trong một hệ thống duy nhất, thay vì phân tích từng phương trình riêng lẻ.

Xuyên suốt chuỗi bài học này, chúng ta sẽ cùng nhau khám phá cách mô hình VAR cho phép chúng ta phân tích và dự báo một nhóm các biến chuỗi thời gian có liên quan với nhau. Thay vì giả định một chiều rằng X gây ra Y, VAR tiếp cận một cách linh hoạt hơn, cho phép mọi biến trong hệ thống đều có khả năng tác động lẫn nhau. Để hiểu rõ hơn, chúng ta sẽ tập trung vào ba từ khóa cốt lõi: Hệ thống động (Dynamic System) – nơi các biến số cùng phát triển và tương tác qua thời gian; Tác động chéo (Cross-effects) – cách một cú sốc lên một biến có thể lan truyền sang các biến khác; và Dự báo đa biến (Multivariate Forecasting) – kỹ thuật dự báo đồng thời nhiều biến số bằng cách tận dụng thông tin từ quá khứ của chính chúng và của các biến khác trong hệ thống. Mục tiêu cuối cùng của series này là trang bị cho các bạn kiến thức từ lý thuyết nền tảng đến kỹ năng thực hành trên Stata, giúp bạn tự tin áp dụng mô hình VAR vào các bài nghiên cứu kinh tế lượng của riêng mình.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng mô hình VAR
    Tìm hiểu định nghĩa, các giả định và cách biểu diễn mô hình VAR dưới dạng ma trận đồng hành (companion form) trực quan.
  2. Tính dừng và ước lượng
    Khám phá điều kiện để một hệ thống VAR ổn định, trường hợp nghiệm đơn vị và cách ước lượng tham số mô hình.
  3. Lựa chọn độ trễ tối ưu
    Học các tiêu chuẩn thông tin như AIC, SBC để xác định độ trễ phù hợp nhất cho mô hình của bạn.
  4. Nhân quả Granger và dự báo
    Ứng dụng VAR để kiểm định mối quan hệ nhân quả và xây dựng các dự báo đa biến cho tương lai.
  5. Thực hành VAR với Stata
    Hướng dẫn từng bước quy trình phân tích mô hình VAR trên Stata, từ nhập liệu đến diễn giải kết quả.
  6. Tổng hợp và nâng cao
    Hệ thống hóa toàn bộ kiến thức, thảo luận các hạn chế và giới thiệu các hướng phát triển của mô hình VAR.

KIẾN THỨC TIÊN QUYẾT

  • Kinh tế lượng cơ bản: Nắm vững mô hình hồi quy OLS, kiểm định giả thuyết (t-test, F-test), và khái niệm về phương sai thay đổi, tự tương quan.
  • Chuỗi thời gian cơ bản: Hiểu rõ các khái niệm về tính dừng (stationarity), mô hình AR, MA, ARMA.
  • Đại số tuyến tính: Có kiến thức nền tảng về véc-tơ, ma trận, định thức và giá trị riêng (eigenvalue) là một lợi thế lớn.
  • Stata cơ bản: Quen thuộc với giao diện Stata, cách nhập liệu, tạo biến và thực hiện các lệnh hồi quy cơ bản.

MỤC TIÊU HỌC TẬP

  • Nắm vững nền tảng lý thuyết của mô hình VAR, từ cấu trúc, giả định đến các điều kiện kinh tế.
  • Vận dụng thành thạo phần mềm Stata để ước lượng, kiểm định và phân tích một mô hình VAR hoàn chỉnh.
  • Phát triển kỹ năng diễn giải kết quả một cách sâu sắc, từ đó rút ra các kết luận kinh tế có ý nghĩa.
  • Xây dựng nền tảng vững chắc để tiếp cận các mô hình nâng cao hơn như VECM, SVAR.

TÀI LIỆU THAM KHẢO

  • Hamilton, J.D. (1994). Time Series Analysis. Princeton University Press. (Đây là tài liệu kinh điển và toàn diện nhất về chuỗi thời gian).
  • Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer. (Tài liệu chuyên sâu về mô hình VAR).
  • Wooldridge, J.M. (2019). Introductory Econometrics: A Modern Approach. (Cung cấp nền tảng tốt về kinh tế lượng ứng dụng).

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để giúp các bạn dễ dàng thực hành, tôi đã tạo một bộ dữ liệu mô phỏng đơn giản về tăng trưởng GDP và lạm phát hàng quý cho một nền kinh tế giả định. Chúng ta sẽ sử dụng bộ dữ liệu này trong suốt chuỗi bài học.

Mô tả dữ liệu:

  • quarter: Biến thời gian, theo quý.
  • gdp_growth: Tốc độ tăng trưởng GDP (%), một chuỗi có tính tự hồi quy.
  • inflation: Tỷ lệ lạm phát (%), một chuỗi có tính tự hồi quy và bị ảnh hưởng bởi tăng trưởng GDP.

Các bạn có thể tạo lại chính xác bộ dữ liệu này bằng cách chạy các lệnh Stata dưới đây. Hãy lưu nó lại với tên var_data.dta để tiện sử dụng cho các bài học sau.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học VAR
* SỐ QUAN SÁT: 200 quý
* CÁC BIẾN: Tăng trưởng GDP và Lạm phát
* ==================================================

* Bước 1: Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 200
set seed 123 // Đảm bảo kết quả có thể lặp lại

* Bước 2: Tạo biến thời gian (quý)
gen quarter = tq(1970q1) + _n-1
format quarter %tq

* Bước 3: Tạo các chuỗi nhiễu trắng (white noise shocks)
gen shock_gdp = rnormal(0, 1)
gen shock_inf = rnormal(0, 0.5)

* Bước 4: Tạo các biến gdp_growth và inflation
* Giả định một cấu trúc VAR(1) đơn giản
gen gdp_growth = 0
gen inflation = 0

replace gdp_growth = 0.7*L.gdp_growth + 0.2*L.inflation + shock_gdp in 2/l
replace inflation = 0.4*L.gdp_growth + 0.5*L.inflation + shock_inf in 2/l

* Bước 5: Loại bỏ quan sát đầu tiên để khởi tạo
drop in 1

* Bước 6: Lưu dữ liệu
save "var_data.dta", replace
describe
summarize

📚 Bài tiếp theo: Nền tảng Mô hình VAR

💡 Lưu ý: Hãy đảm bảo đã đọc kỹ các mục tiêu và chuẩn bị kiến thức nền tảng cần thiết để bắt đầu bài học đầu tiên một cách thuận lợi nhất.

Back to top button