Giới thiệu chuỗi bài học về mô hình chuỗi thời gian không dừng
An Introduction to Nonstationary Time Series models
Chào mừng các nhà kinh tế lượng tương lai
Chào mừng các bạn sinh viên đã đến với một trong những chủ đề hấp dẫn và thực tiễn nhất trong kinh tế lượng: phân tích chuỗi thời gian không dừng. Nếu các bạn từng nhìn vào biểu đồ GDP, giá cổ phiếu, hay dân số và thấy chúng có xu hướng tăng mãi theo thời gian, thì các bạn đã bắt gặp chuỗi không dừng rồi đấy. Dữ liệu kinh tế trong thực tế hiếm khi “đứng yên”, chúng luôn vận động, tăng trưởng, và thay đổi. Việc phân tích các chuỗi dữ liệu “lang thang” này đòi hỏi một bộ công cụ hoàn toàn khác so với những gì chúng ta đã học trong hồi quy OLS cơ bản.
Trong chuỗi bài học này, chúng ta sẽ cùng nhau bước vào một hành trình khám phá để làm chủ những công cụ mạnh mẽ này. Chúng ta sẽ không chỉ học cách nhận diện các chuỗi không dừng mà còn tìm ra những mối quan hệ cân bằng dài hạn ẩn giấu bên trong chúng. Đây là một kỹ năng cực kỳ quan trọng, giúp chúng ta xây dựng các mô hình dự báo chính xác hơn và hiểu sâu hơn về động lực của các hệ thống kinh tế. Hãy chuẩn bị sẵn sàng, vì kiến thức trong chuỗi bài này sẽ mở ra một cánh cửa mới trong tư duy phân tích dữ liệu của các bạn, biến những biểu đồ trông có vẻ hỗn loạn thành những câu chuyện kinh tế đầy ý nghĩa.
Ba từ khóa chính chúng ta sẽ chinh phục trong series này là:
- Nghiệm đơn vị (Unit Root): Đặc điểm toán học khiến một chuỗi thời gian có xu hướng “lang thang” và không bao giờ quay trở lại giá trị trung bình của nó.
- Đồng liên kết (Cointegration): Một ý tưởng tuyệt vời cho thấy hai hay nhiều chuỗi “lang thang” có thể cùng nhau di chuyển theo một mối quan hệ ổn định trong dài hạn.
- Mô hình VECM (Vector Error-Correction Model): Công cụ mô hình hóa cao cấp cho phép chúng ta phân tích cả động lực ngắn hạn và sự điều chỉnh về trạng thái cân bằng dài hạn của các biến đồng liên kết.
Mục tiêu của chúng ta không chỉ là hiểu lý thuyết, mà là có thể tự tin áp dụng các kỹ thuật này vào các dự án nghiên cứu thực tế bằng phần mềm Stata.
Cấu trúc chuỗi bài học
- Nền tảng về chuỗi thời gian không dừngXây dựng trực giác về quá trình xu hướng dừng và nghiệm đơn vị, hiểu rõ tác động vĩnh viễn của các cú sốc ngẫu nhiên.
- Các phương pháp kiểm định nghiệm đơn vịHọc cách sử dụng và diễn giải các kiểm định ADF, DF-GLS, và Phillips-Perron trong Stata để xác định tính dừng của dữ liệu.
- Lý thuyết đồng liên kết và mô hình VECMKhám phá khái niệm về mối quan hệ cân bằng dài hạn và cách mô hình VECM được xây dựng từ nền tảng của mô hình VAR.
- Phân tích VECM (Phần 1): Các bước chuẩn bịBắt đầu một case study thực tế, thực hiện các bước kiểm định, lựa chọn độ trễ và xác định số lượng mối quan hệ đồng liên kết.
- Phân tích VECM (Phần 2): Ước lượng và diễn giảiHoàn thành case study với việc ước lượng mô hình, kiểm định chẩn đoán, và phân tích sâu kết quả qua hàm phản ứng xung và dự báo.
- Hướng dẫn thực hành VECM toàn diện với StataTổng hợp toàn bộ quy trình phân tích VECM vào một bài hướng dẫn step-by-step, giúp bạn củng cố kỹ năng thực hành.
- Tổng hợp và ứng dụng nâng caoHệ thống hóa toàn bộ kiến thức, so sánh các phương pháp, và khám phá các ứng dụng nâng cao trong nghiên cứu kinh tế.
MỤC TIÊU HỌC TẬP
Sau khi hoàn thành chuỗi bài học này, các bạn sẽ có khả năng:
- Phân biệt và giải thích sự khác biệt cơ bản giữa quá trình xu hướng dừng và quá trình nghiệm đơn vị.
- Sử dụng thành thạo các lệnh trong Stata để kiểm định nghiệm đơn vị và diễn giải chính xác kết quả.
- Trình bày một cách trực quan và toán học khái niệm đồng liên kết và vai trò của mô hình hiệu chỉnh sai số (VECM).
- Thực hiện một quy trình phân tích VECM hoàn chỉnh trên dữ liệu thực tế, từ khâu chuẩn bị đến diễn giải kết quả nâng cao.
- Đọc và hiểu các bài nghiên cứu học thuật có sử dụng kỹ thuật phân tích đồng liên kết và VECM.
TÀI LIỆU THAM KHẢO
- Becketti, S. (2020). Introduction to Time Series Using Stata. Stata Press. (Đây là tài liệu gốc cho chuỗi bài viết này).
- Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning. (Cung cấp nền tảng tuyệt vời về kinh tế lượng).
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press. (Một tài liệu kinh điển và toàn diện về chuỗi thời gian cho các bạn muốn tìm hiểu sâu).
PHỤ LỤC: Dữ liệu mô phỏng cho series
Để giúp các bạn thực hành, chúng ta sẽ sử dụng bộ dữ liệu mô phỏng về chỉ số giá nhà tại ba thành phố hư cấu: An Binh (price_ab), Binh Minh (price_bm), và Cao Lanh (price_cl). Dữ liệu này được thiết kế để có các đặc tính của chuỗi không dừng và đồng liên kết, rất lý tưởng cho mục đích học tập.
Mô tả các biến
date: Biến thời gian theo quý, từ 1995 Q1 đến 2020 Q4.price_ab: Chỉ số giá nhà tại thành phố An Binh.price_bm: Chỉ số giá nhà tại thành phố Binh Minh.price_cl: Chỉ số giá nhà tại thành phố Cao Lanh.
Các bạn có thể tạo lại bộ dữ liệu này bằng đoạn code Stata dưới đây hoặc tải về trực tiếp.
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học VECM
* ĐẶC TÍNH: 3 chuỗi không dừng, có 2 mối quan hệ đồng liên kết
* TÁC GIẢ: Giáo sư Kinh tế lượng
* ==================================================
clear
set seed 12345
set obs 104
* Tạo biến thời gian theo quý
gen date = tq(1995q1) + _n-1
format date %tq
tsset date
* Tạo một yếu tố ngẫu nhiên chung (common stochastic trend)
gen common_trend = 0
replace common_trend = 0.8 * l.common_trend + rnormal(0,1) in 2/l
replace common_trend = sum(common_trend)
* Tạo các chuỗi giá nhà có đồng liên kết
gen price_cl = 100 + 1.5*common_trend + rnormal(0,2)
gen price_bm = 50 + 1.2*price_cl + rnormal(0,5)
gen price_ab = 20 + 0.8*price_cl + rnormal(0,5)
* Lưu dữ liệu
compress
label var price_ab "Chỉ số giá nhà An Bình"
label var price_bm "Chỉ số giá nhà Bình Minh"
label var price_cl "Chỉ số giá nhà Cao Lãnh"
save "vecm_house_prices.dta", replace
Để thuận tiện, bạn có thể tải file dữ liệu .dta đã tạo sẵn tại đây:
📚 Bài tiếp theo: Nền tảng về chuỗi thời gian không dừng
💡 Lưu ý: Hãy đảm bảo bạn đã chuẩn bị sẵn sàng môi trường Stata và xem qua các kiến thức tiên quyết.
🎯 Self-check: Bạn có thể giải thích bằng lời của mình tại sao việc phân tích GDP lại khác với phân tích lợi nhuận của một cổ phiếu không?