Giới thiệu mô hình Vector tự hồi quy

An Introduction to Vector Autoregression models

Chào mừng các bạn sinh viên đã đến với chuỗi bài học chuyên sâu về Mô hình Vector Tự hồi quy, hay còn gọi là VAR. Đây là một trong những công cụ mạnh mẽ và phổ biến nhất trong kinh tế lượng chuỗi thời gian hiện đại. Nếu như ở các học phần trước, chúng ta chủ yếu làm việc với các mô hình cho một chuỗi thời gian duy nhất, thì hôm nay, chúng ta sẽ mở ra một cánh cửa mới: phân tích sự tương tác phức tạp giữa nhiều biến số kinh tế cùng một lúc.

Hãy tưởng tượng nền kinh tế như một hệ thống sống động, nơi lạm phát, tỷ lệ thất nghiệp và lãi suất chính sách không vận động một cách độc lập mà liên tục tác động qua lại lẫn nhau. Một thay đổi trong chính sách tiền tệ của ngân hàng trung ương có thể ảnh hưởng đến tỷ lệ thất nghiệp sau vài quý, và sự thay đổi đó lại có thể tác động ngược trở lại lạm phát. Mô hình VAR được sinh ra chính là để nắm bắt những mối liên hệ động, đa chiều này. Nó cho phép chúng ta không chỉ mô tả quá khứ mà còn dự báo tương lai của cả một hệ thống biến số, thay vì chỉ một biến đơn lẻ.

Trong chuỗi bài học này, chúng ta sẽ cùng nhau khám phá ba “hương vị” chính của mô hình VAR. Đầu tiên là VAR dạng rút gọn (reduced-form VAR), dạng tinh khiết nhất, ít giả định nhất và là công cụ dự báo tuyệt vời. Tiếp theo, chúng ta sẽ tìm hiểu về VAR đệ quy (recursive VAR), một phương pháp giúp làm sáng tỏ trật tự ảnh hưởng theo thời gian giữa các biến. Cuối cùng, chúng ta sẽ đi đến VAR cấu trúc (structural VAR – SVAR), nơi chúng ta kết hợp lý thuyết kinh tế vào mô hình để trả lời những câu hỏi sâu sắc về “nguyên nhân và kết quả”. Hành trình này sẽ trang bị cho các bạn một bộ công cụ phân tích kinh tế vĩ mô vô cùng giá trị, giúp các bạn tự tin hơn trong các dự án nghiên cứu và công việc sau này.

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng mô hình VAR
    Khám phá ba loại mô hình VAR và các khái niệm toán học cốt lõi, tạo nền tảng vững chắc cho toàn bộ chuỗi bài học.
  2. Ước lượng và kiểm định VAR
    Học cách sử dụng Stata để ước lượng VAR dạng rút gọn, kiểm tra tính dừng của hệ thống và lựa chọn độ trễ phù hợp.
  3. Dự báo với mô hình VAR
    Nắm vững kỹ thuật dự báo một bước và dự báo động, đồng thời học cách đánh giá độ chính xác của các dự báo này.
  4. Phân tích quan hệ nhân quả
    Tìm hiểu về nhân quả Granger, hàm đáp ứng xung (IRF) và phân rã phương sai (FEVD) để hiểu sâu hơn về động lực hệ thống.
  5. Mô hình VAR cấu trúc (SVAR)
    Kết hợp lý thuyết kinh tế vào mô hình thông qua các ràng buộc nhận dạng, trả lời các câu hỏi chính sách phức tạp.
  6. Thực hành Stata toàn diện
    Áp dụng tất cả kiến thức đã học vào một case study kinh tế vĩ mô hoàn chỉnh, từ chuẩn bị dữ liệu đến diễn giải kết quả.
  7. Tổng hợp và định hướng nâng cao
    Hệ thống hóa toàn bộ kiến thức, so sánh các phương pháp và khám phá những hướng nghiên cứu phát triển từ mô hình VAR.

KIẾN THỨC TIÊN QUYẾT

  • Toán học cơ bản: Hiểu biết về ma trận, véc-tơ và các phép toán cơ bản trong đại số tuyến tính.
  • Thống kê căn bản: Nắm vững các khái niệm về kỳ vọng, phương sai, hiệp phương sai và kiểm định giả thuyết.
  • Kinh tế lượng nhập môn: Có kiến thức về mô hình hồi quy OLS và các giả định liên quan.
  • Stata cơ bản: Quen thuộc với giao diện Stata, các lệnh quản lý dữ liệu và lệnh regress.

MỤC TIÊU HỌC TẬP

  • Nắm vững lý thuyết về các loại mô hình VAR, SVAR và các điều kiện nhận dạng.
  • Vận dụng thành thạo Stata để ước lượng, kiểm định, dự báo và phân tích các mô hình VAR.
  • Diễn giải một cách sâu sắc các kết quả từ hàm đáp ứng xung (IRF) và phân rã phương sai (FEVD).
  • Phát triển tư duy phản biện về việc lựa chọn mô hình và các giả định trong phân tích kinh tế vĩ mô.

TÀI LIỆU THAM KHẢO

  • Becketti, S. (2020). Introduction to Time Series Using Stata. Stata Press. (Tài liệu chính cho chuỗi bài viết này).
  • Stock, J. H., & Watson, M. W. (2001). Vector Autoregressions. Journal of Economic Perspectives, 15(4), 101-115. (Bài tổng quan kinh điển, rất khuyến khích đọc).
  • Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer. (Tài liệu tham khảo nâng cao và toàn diện).
  • Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning. (Để ôn lại các kiến thức kinh tế lượng cơ bản).

PHỤ LỤC: DỮ LIỆU THỰC HÀNH CHO CHUỖI BÀI HỌC

Để giúp các bạn dễ dàng theo dõi và thực hành, chúng ta sẽ sử dụng bộ dữ liệu kinh tế vĩ mô Hoa Kỳ theo quý từ 1960 đến 2012. Dữ liệu này đã được chuẩn bị sẵn và có thể tải về hoặc tạo lại bằng Stata.

Stata
* ==================================================
* MỤC ĐÍCH: Tải và chuẩn bị dữ liệu kinh tế vĩ mô Hoa Kỳ
* NGUỒN DỮ LIỆU: Becketti (2020), dựa trên dữ liệu từ FRED
* GHI CHÚ: Dữ liệu này sẽ được sử dụng xuyên suốt chuỗi bài học
* ==================================================

* Tải dữ liệu từ Stata Press (yêu cầu kết nối internet)
copy "https://www.stata-press.com/data/itsus/macrodata.dta" "macrodata.dta", replace

* Sử dụng dữ liệu vừa tải
use "macrodata.dta", clear

* Khai báo dữ liệu là chuỗi thời gian theo quý
tsset date, quarterly

* Xem mô tả các biến
describe inflation unrate fedfunds

Mô tả các biến chính:

  • inflation: Tỷ lệ lạm phát, được đo bằng thay đổi phần trăm theo quý được niên hóa của chỉ số giá GDP.
  • unrate: Tỷ lệ thất nghiệp dân sự, là giá trị trung bình theo quý.
  • fedfunds: Lãi suất quỹ liên bang (Federal funds rate), là công cụ chính sách tiền tệ của Cục Dự trữ Liên bang Mỹ (FED), giá trị trung bình theo quý.

📚 Bài tiếp theo: Nền tảng mô hình VAR

💡 Lưu ý: Hãy đảm bảo đã nắm vững các kiến thức tiên quyết và mục tiêu học tập trước khi bắt đầu bài học đầu tiên.

🎯 Self-check: Bạn có thể giải thích tại sao chúng ta cần mô hình VAR thay vì chỉ dùng các mô hình hồi quy đơn biến không?

Back to top button