Giới thiệu mô hình VARX cho người bắt đầu

An Introduction to VARX Modelling for Beginners

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học chuyên sâu về Mô hình VARX (Vector Autoregressive with Exogenous Variables). Trong kinh tế lượng, chúng ta thường bắt đầu với mô hình VAR để phân tích mối quan hệ tương tác giữa nhiều biến. Tuy nhiên, thực tế thường phức tạp hơn: có những biến số bên ngoài (như giá dầu thế giới, GDP của Mỹ) tác động mạnh mẽ đến kinh tế trong nước, nhưng bản thân chúng lại ít bị ảnh hưởng ngược lại trong dài hạn. Mô hình VARX ra đời chính để giải quyết bài toán này, cho phép chúng ta đưa các biến “ngoại sinh yếu” vào mô hình một cách hợp lý. Đây là một công cụ cực kỳ mạnh mẽ và phổ biến trong phân tích kinh tế vĩ mô và tài chính hiện đại.

Trong chuỗi bài học này, chúng ta sẽ cùng nhau khám phá hành trình từ những khái niệm cơ bản nhất đến việc ứng dụng mô hình VARX vào phân tích dữ liệu thực tế. Mục tiêu không chỉ là hiểu công thức, mà là xây dựng một tư duy phân tích hệ thống, biết khi nào nên sử dụng công cụ này và làm thế nào để diễn giải kết quả một cách sâu sắc. Hãy chuẩn bị cho một hành trình khám phá đầy thú vị nhé!

Ba từ khóa chính bạn sẽ nắm vững:

  • Mô hình VARX: Là phiên bản mở rộng của mô hình VAR, cho phép đưa các biến ngoại sinh vào để giải thích tốt hơn cho các biến nội sinh.
  • Tính ngoại sinh yếu (Weak Exogeneity): Một khái niệm tinh tế cho phép các biến ngoại sinh vẫn có thể bị ảnh hưởng trong ngắn hạn, nhưng không bị tác động bởi các mối quan hệ cân bằng dài hạn của hệ thống.
  • Đồng kết hợp (Cointegration): Khám phá các mối quan hệ cân bằng dài hạn giữa các biến, ngay cả khi từng biến riêng lẻ không có tính dừng.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng mô hình VARX và tính ngoại sinh yếu
    Nắm vững khái niệm cốt lõi, hiểu tại sao và khi nào cần dùng VARX thay vì mô hình VAR truyền thống.
  2. Ước lượng hiệu quả và các trường hợp đặc biệt
    Tìm hiểu phương pháp ước lượng hợp lý tối đa (ML) và cách xử lý các thành phần chặn và xu thế trong mô hình.
  3. Kiểm định đồng kết hợp trong mô hình VARX
    Học cách sử dụng kiểm định Johansen để xác định số lượng quan hệ cân bằng dài hạn trong hệ thống của bạn.
  4. Định danh, dự báo và ứng dụng thực tiễn
    Kết nối lý thuyết với thực tế qua việc định danh các mối quan hệ kinh tế, dự báo và phân tích một case study cụ thể.
  5. Hướng dẫn thực hành Stata toàn diện
    Chuyển hóa toàn bộ lý thuyết đã học thành kỹ năng thực hành trên Stata, từ khâu xử lý dữ liệu đến diễn giải kết quả.
  6. Bài tổng hợp và định hướng nâng cao
    Hệ thống hóa toàn bộ kiến thức, so sánh VARX với các mô hình khác và khám phá các hướng nghiên cứu tiềm năng.

KIẾN THỨC TIÊN QUYẾT

Để theo dõi tốt nhất chuỗi bài học này, các bạn cần trang bị trước những kiến thức nền tảng sau:

  • Kinh tế lượng cơ bản: Hồi quy OLS, kiểm định giả thuyết, các vấn đề của mô hình (đa cộng tuyến, phương sai sai số thay đổi).
  • Kinh tế lượng chuỗi thời gian: Khái niệm tính dừng, kiểm định nghiệm đơn vị (ADF, PP), mô hình VAR, và khái niệm cơ bản về đồng kết hợp.
  • Đại số tuyến tính (Ma trận): Các phép toán cơ bản trên ma trận, hạng của ma trận, giá trị riêng, véc-tơ riêng. Đây là kiến thức rất quan trọng để hiểu sâu lý thuyết.
  • Stata cơ bản: Biết cách nhập dữ liệu, tạo biến, 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:

  • Hiểu sâu sắc lý thuyết đằng sau mô hình VARX và VECM, đặc biệt là vai trò của tính ngoại sinh yếu.
  • Vận dụng thành thạo phần mềm Stata để ước lượng, kiểm định và phân tích mô hình VARX.
  • Diễn giải một cách chuyên nghiệp các kết quả từ mô hình, bao gồm các quan hệ dài hạn và tác động ngắn hạn.
  • Tự tin áp dụng mô hình VARX vào các đề tài nghiên cứu kinh tế lượng của riêng mình.

TÀI LIỆU THAM KHẢO

  • Pesaran, M. H. (2015). Time Series and Panel Data Econometrics. Oxford University Press. (Tài liệu gốc của chuỗi bài viết)
  • Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
  • Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.
  • Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning.

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để giúp các bạn thực hành, chúng ta sẽ sử dụng một bộ dữ liệu kinh tế vĩ mô mô phỏng cho một quốc gia giả định. Bộ dữ liệu này bao gồm các biến quý từ 1990q1 đến 2022q4.

Mô tả biến:

  • gdp: Logarit của GDP thực (biến nội sinh).
  • cons: Logarit của tiêu dùng thực (biến nội sinh).
  • invest: Logarit của đầu tư thực (biến nội sinh).
  • fgdp: Logarit của GDP thực của đối tác thương mại chính (biến ngoại sinh yếu).
  • oilprice: Logarit của giá dầu thực thế giới (biến ngoại sinh yếu).

Bạn có thể tạo lại bộ dữ liệu này bằng code Stata dưới đây để đảm bảo tính nhất quán trong suốt quá trình học.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học VARX
* TÁC GIẢ: Giáo sư Kinh tế lượng
* ==================================================

* Xóa dữ liệu cũ và thiết lập số quan sát
clear
set obs 132
set seed 12345

* Tạo biến thời gian (quý)
gen time = tq(1990q1) + _n-1
format time %tq
tsset time

* Tạo các biến ngoại sinh (giả định là các quá trình I(1))
gen oilprice = 0.5 * l.oilprice + rnormal(0, 0.1) if _n > 1
replace oilprice = 5 if _n == 1
gen fgdp = 0.8 * l.fgdp + rnormal(0, 0.05) if _n > 1
replace fgdp = 10 if _n == 1

* Tạo các biến nội sinh (phụ thuộc vào biến ngoại sinh và các giá trị trễ)
gen gdp = .
gen cons = .
gen invest = .

* Thiết lập giá trị ban đầu
replace gdp = 12 in 1
replace cons = 11.5 in 1
replace invest = 8 in 1

* Tạo chuỗi dữ liệu với cấu trúc VECM
forval i = 2/132 {
    local ec_term = gdp[`i'-1] - 0.7*cons[`i'-1] - 0.2*invest[`i'-1]
    replace gdp = 0.5*gdp[`i'-1] + 0.2*cons[`i'-1] + 0.1*fgdp[`i'-1] - 0.1*`ec_term' + rnormal(0,0.02) in `i'
    replace cons = 0.8*cons[`i'-1] + 0.1*gdp[`i'-1] - 0.05*`ec_term' + rnormal(0,0.03) in `i'
    replace invest = 0.4*invest[`i'-1] + 0.3*gdp[`i'-1] + 0.15*oilprice[`i'-1] - 0.2*`ec_term' + rnormal(0,0.1) in `i'
}

* Lưu dữ liệu để sử dụng
compress
save "varx_data.dta", replace

📚 Bài tiếp theo: Nền tảng mô hình VARX và tính ngoại sinh yếu

💡 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 cơ bản giữa mô hình VAR và VARX cho một người bạn không?

Back to top button