Giới thiệu mô hình GVAR cho người mới bắt đầu

An Introduction to GVAR modelling for Beginners

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học về một trong những công cụ mạnh mẽ nhất trong kinh tế lượng vĩ mô hiện đại: Mô hình Tự hồi quy Véc-tơ Toàn cầu, hay còn gọi là GVAR (Global Vector Autoregressive). Trong một thế giới ngày càng phẳng, các nền kinh tế không còn là những ốc đảo riêng lẻ. Một cú sốc chính sách ở Mỹ có thể ảnh hưởng đến lạm phát ở Việt Nam, một biến động ở thị trường Trung Quốc có thể tác động đến xuất khẩu của châu Âu. Vậy làm thế nào để chúng ta mô hình hóa mạng lưới phức tạp và chằng chịt này một cách khoa học? Mô hình GVAR chính là câu trả lời. Nó cung cấp một khuôn khổ chặt chẽ để phân tích sự phụ thuộc lẫn nhau giữa các quốc gia, cho phép chúng ta hiểu rõ hơn về sự lan truyền của các cú sốc kinh tế và đưa ra những dự báo đáng tin cậy hơn. Chuỗi bài học này được thiết kế đặc biệt để dẫn dắt các bạn, những người mới bắt đầu, từng bước khám phá phương pháp hấp dẫn này. Chúng ta sẽ bắt đầu từ những khái niệm trực quan nhất, giải mã các công thức toán học phức tạp, và cuối cùng là tự tay thực hành xây dựng một mô hình GVAR bằng phần mềm Stata. Mục tiêu cuối cùng không chỉ là để các bạn hiểu GVAR là gì, mà còn là để các bạn có thể tự tin áp dụng nó vào các dự án nghiên cứu của riêng mình.

TÓM TẮT CÁC TỪ KHÓA CHÍNH

  • Mô hình GVAR (Global Vector Autoregressive): Một mô hình kinh tế lượng đa quốc gia dùng để phân tích sự phụ thuộc chéo và lan truyền sốc giữa các nền kinh tế.
  • Lời nguyền số chiều (Curse of Dimensionality): Vấn đề xảy ra khi số lượng biến trong mô hình quá lớn so với số quan sát, khiến việc ước lượng trở nên không khả thi hoặc không đáng tin cậy. GVAR là một giải pháp cho vấn đề này.
  • Biến “sao” (Star Variables): Các biến đại diện cho “phần còn lại của thế giới” đối với một quốc gia cụ thể, thường được tính bằng trung bình có trọng số của các biến từ các đối tác thương mại.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Tại sao cần mô hình GVAR
    Hiểu rõ vấn đề “lời nguyền số chiều” và cách tiếp cận của GVAR để giải quyết bài toán mô hình hóa kinh tế toàn cầu.
  2. Xây dựng mô hình quốc gia (VARX*)
    Học cách xây dựng mô hình cho từng quốc gia riêng lẻ, bao gồm các biến trong nước và các biến “sao” đại diện cho thế giới.
  3. Kết hợp thành mô hình toàn cầu
    Khám phá cách liên kết các mô hình quốc gia lại với nhau để tạo thành một hệ thống GVAR hoàn chỉnh và nhất quán.
  4. Cơ sở lý thuyết của GVAR
    Tìm hiểu nền tảng học thuật đằng sau mô hình GVAR, giúp bạn hiểu tại sao phương pháp này lại hiệu quả và hợp lý.
  5. Ứng dụng GVAR trong phân tích chính sách
    Học cách sử dụng hàm phản ứng đẩy để phân tích sự lan truyền của các cú sốc kinh tế vĩ mô qua các quốc gia.
  6. Hướng dẫn Stata xây dựng mô hình GVAR
    Bài thực hành chi tiết từng bước, giúp bạn tự tay xây dựng, ước lượng và phân tích một mô hình GVAR bằng Stata.
  7. Tổng kết và ứng dụng thực tiễn
    Hệ thống hóa toàn bộ kiến thức, thảo luận về các kiểm định quan trọng và các ứng dụng thực tế của GVAR trong nghiên cứu.

KIẾN THỨC TIÊN QUYẾT

Để theo dõi tốt nhất chuỗi bài học này, các bạn nên có kiến thức nền tảng về:

  • Kinh tế lượng chuỗi thời gian: Hiểu biết về mô hình VAR, VECM, khái niệm đồng tích hợp (cointegration) và tính dừng (stationarity).
  • Đại số tuyến tính: Thoải mái làm việc với các phép toán ma trận (nhân, chuyển vị, nghịch đảo).
  • Thống kê suy luận: Nắm vững các khái niệm về ước lượng, kiểm định giả thuyết và khoảng tin cậy.
  • Stata cơ bản: Có khả năng 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 thể:

  • Giải thích một cách mạch lạc lý thuyết và cơ chế hoạt động của mô hình GVAR.
  • Vận dụng phần mềm Stata để ước lượng một mô hình GVAR hoàn chỉnh từ dữ liệu thô.
  • Phân tích và diễn giải kết quả từ mô hình GVAR, đặc biệt là các hàm phản ứng đẩy, để trả lời các câu hỏi nghiên cứu thực tế.

TÀI LIỆU THAM KHẢO

  • Pesaran, M. H., Schuermann, T., & Weiner, S. M. (2004). Modeling Regional Interdependencies Using a Global Error-Correcting Macroeconometric Model. Journal of Business & Economic Statistics, 22(2), 129-162. (Bài báo gốc khai sinh ra GVAR).
  • Dées, S., di Mauro, F., Pesaran, M. H., & Smith, L. V. (2007). Exploring the international linkages of the euro area: a global VAR analysis. Journal of Applied Econometrics, 22(1), 1-38. (Một trong những ứng dụng có ảnh hưởng nhất).
  • di Mauro, F., & Pesaran, M. H. (Eds.). (2013). The GVAR handbook: Structure and applications of a macro model of the global economy for policy analysis. Oxford University Press. (Cuốn sách tổng hợp đầy đủ nhất về GVAR).

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để phục vụ cho bài thực hành, chúng ta sẽ tạo một bộ dữ liệu mô phỏng đơn giản gồm 3 nền kinh tế (A, B, C) trong 100 quý. Mỗi nền kinh tế có 3 biến: tăng trưởng GDP (gdp), lạm phát (inf), và lãi suất ngắn hạn (ir).

Mô tả dữ liệu:

  • Biến: country (tên quốc gia), time (thời gian), gdp, inf, ir.
  • Đặc điểm: Dữ liệu được tạo ra để có sự phụ thuộc lẫn nhau giữa các quốc gia, phù hợp cho việc minh họa mô hình GVAR.

Các bạn có thể chạy đoạn code Stata dưới đây để tự tạo ra bộ dữ liệu này và lưu lại với tên gvar_sim_data.dta để sử dụng trong các bài học sau.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học GVAR
* SỐ QUỐC GIA: 3 (A, B, C)
* SỐ QUAN SÁT: 100 quý
* ==================================================

clear all
set obs 100

* Tạo biến thời gian
gen time = tq(1995q1) + _n - 1
format time %tq
tsset time

* Tạo các cú sốc ngẫu nhiên ban đầu
gen shock_a = rnormal()
gen shock_b = rnormal()
gen shock_c = rnormal()

* Tạo các biến cho Quốc gia A (bị ảnh hưởng bởi chính nó)
gen gdp_a = 0.5 * l.shock_a + rnormal()
gen inf_a = 0.3 * l.gdp_a + rnormal()
gen ir_a = 0.2 * l.inf_a + rnormal()

* Tạo các biến cho Quốc gia B (bị ảnh hưởng bởi A và chính nó)
gen gdp_b = 0.4 * l.gdp_a + 0.4 * l.shock_b + rnormal()
gen inf_b = 0.3 * l.inf_a + 0.3 * l.gdp_b + rnormal()
gen ir_b = 0.2 * l.ir_a + 0.2 * l.inf_b + rnormal()

* Tạo các biến cho Quốc gia C (bị ảnh hưởng bởi A, B và chính nó)
gen gdp_c = 0.3 * l.gdp_a + 0.3 * l.gdp_b + 0.3 * l.shock_c + rnormal()
gen inf_c = 0.2 * l.inf_a + 0.2 * l.inf_b + 0.3 * l.gdp_c + rnormal()
gen ir_c = 0.1 * l.ir_a + 0.1 * l.ir_b + 0.2 * l.inf_c + rnormal()

* Sắp xếp lại dữ liệu từ dạng wide sang long
drop shock*
reshape long gdp_ inf_ ir_, i(time) j(country) string

* Đổi tên biến cho gọn
rename gdp_ gdp
rename inf_ inf
rename ir_ ir

* Lưu dữ liệu
compress
save "gvar_sim_data.dta", replace
describe

📚 Bài tiếp theo: Tại sao cần mô hình GVAR - Lời nguyền số chiều

💡 Lưu ý: Hãy đảm bảo đã nắm vững các khái niệm chính trong bài này trước khi tiếp tục.

Back to top button