Giới thiệu về hồi quy chuỗi thời gian và dự báo

Chào mừng các bạn sinh viên đến với chuỗi bài học “Giới thiệu Hồi quy Chuỗi thời gian và Dự báo”. Đây là một trong những lĩnh vực hấp dẫn và có tính ứng dụng cao nhất trong kinh tế lượng hiện đại. Từ việc dự báo tăng trưởng GDP, lạm phát, giá cổ phiếu cho đến phân tích tác động của chính sách kinh tế, kiến thức về chuỗi thời gian là một công cụ không thể thiếu cho bất kỳ nhà kinh tế học hay nhà phân tích dữ liệu nào. Trong chuỗi bài này, chúng ta sẽ cùng nhau bắt đầu một hành trình thú vị, biến những khái niệm có vẻ phức tạp thành những công cụ phân tích trực quan và mạnh mẽ. Chúng ta sẽ học cách “lắng nghe” câu chuyện mà dữ liệu kể qua thời gian, từ đó đưa ra những dự báo đáng tin cậy và những phân tích sâu sắc. Ba từ khóa chính sẽ đồng hành cùng chúng ta là: Tự hồi quy (Autoregression), Tính dừng (Stationarity), và Dự báo (Forecasting). Mục tiêu cuối cùng không chỉ là hiểu lý thuyết, mà là trang bị cho các bạn kỹ năng để tự tin phân tích dữ liệu chuỗi thời gian trong các dự án nghiên cứu của riêng mình. Hãy cùng nhau bắt đầu nhé!

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng về dữ liệu chuỗi thời gian
    Làm quen với các khái niệm cơ bản như độ trễ, sai phân, và tự tương quan để hiểu cấu trúc của dữ liệu theo thời gian.
  2. Dự báo, sai số và khái niệm tính dừng
    Tìm hiểu về mục tiêu của dự báo, cách đo lường độ chính xác, và tại sao tính dừng là một giả định nền tảng quan trọng.
  3. Mô hình tự hồi quy (AR)
    Xây dựng mô hình dự báo đầu tiên, học cách ước lượng, diễn giải và lựa chọn số độ trễ tối ưu cho mô hình AR.
  4. Mô hình hồi quy phân phối trễ (ADL)
    Cải thiện mô hình dự báo bằng cách thêm các biến giải thích khác và độ trễ của chúng để nắm bắt thông tin tốt hơn.
  5. Vấn đề phi dừng – Xu thế và nghiệm đơn vị
    Nhận diện và xử lý xu thế trong dữ liệu, một vấn đề phổ biến có thể làm sai lệch kết quả hồi quy nếu bị bỏ qua.
  6. Vấn đề phi dừng – Gãy cấu trúc
    Học cách phát hiện những thay đổi đột ngột trong mối quan hệ kinh tế theo thời gian để tránh các dự báo thiếu tin cậy.
  7. Thực hành và tổng kết chuỗi bài học
    Áp dụng tất cả kiến thức đã học vào một bài tập phân tích tổng hợp và củng cố các khái niệm quan trọng nhất.

KIẾN THỨC TIÊN QUYẾT

  • Toán học cơ bản: Hiểu biết về logarit, các phép biến đổi đại số cơ bản.
  • Thống kê căn bản: Nắm vững các khái niệm về kỳ vọng, phương sai, hiệp phương sai, tương quan và kiểm định giả thuyết.
  • Kinh tế lượng nhập môn: Có kiến thức về mô hình hồi quy OLS, diễn giải hệ số, R-squared và kiểm định t, F.
  • Stata cơ bản: Biết cách nhập dữ liệu, thực hiện các lệnh thống kê mô tả và chạy hồi quy cơ bản (lệnh regress).

MỤC TIÊU HỌC TẬP

  • Nắm vững lý thuyết về các mô hình hồi quy chuỗi thời gian cơ bản (AR, ADL) và các vấn đề liên quan đến tính dừng.
  • Vận dụng thành thạo Stata để ước lượng mô hình, thực hiện dự báo và tiến hành các kiểm định chẩn đoán quan trọng.
  • Phát triển khả năng diễn giải kết quả một cách có ý nghĩa kinh tế và đánh giá độ tin cậy của một mô hình dự báo.
  • Xây dựng nền tảng vững chắc để tiếp tục nghiên cứu các chủ đề nâng cao hơn trong kinh tế lượng chuỗi thời gian.

TÀI LIỆU THAM KHẢO

  • Stock, J. H., & Watson, M. W. (2020). Introduction to econometrics. Pearson. (Tài liệu gốc của chuỗi bài học).
  • Hamilton, J. D. (1994). Time series analysis. Princeton university press. (Tài liệu kinh điển, chuyên sâu về mặt lý thuyết).
  • Wooldridge, J. M. (2019). Introductory econometrics: A modern approach. Cengage learning. (Cách tiếp cận trực quan và ứng dụng).

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để giúp các bạn dễ dàng thực hành theo các ví dụ trong chuỗi bài, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản. Bộ dữ liệu này được thiết kế để có những đặc tính tương tự như dữ liệu tăng trưởng kinh tế, giúp việc học trở nên trực quan hơn. Các bạn có thể tạo lại bộ dữ liệu này bằng cách chạy đoạn code Stata dưới đây.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học
* TÍNH CHẤT: Dữ liệu quý, 200 quan sát
* CÁC BIẾN:
*   - gdp_growth: Tốc độ tăng trưởng GDP (biến Y)
*   - term_spread: Chênh lệch lãi suất (biến X)
* ==================================================

* Bước 1: Xóa dữ liệu cũ và thiết lập số quan sát
clear
set obs 200
gen time = _n

* Bước 2: Tạo biến chênh lệch lãi suất (term_spread)
* Giả định biến này có tính tự tương quan (AR1)
gen term_spread = 0
replace term_spread = 0.8 * term_spread[_n-1] + rnormal(0, 1) if _n > 1

* Bước 3: Tạo biến tăng trưởng GDP (gdp_growth)
* Giả định gdp_growth phụ thuộc vào trễ của chính nó và trễ của term_spread
gen gdp_growth = 0
replace gdp_growth = 1.5 + 0.3*gdp_growth[_n-1] + 0.15*gdp_growth[_n-2] - 0.1*term_spread[_n-1] + rnormal(0, 1.5) if _n > 2

* Bước 4: Loại bỏ các quan sát đầu tiên để khởi tạo
drop in 1/2

* Bước 5: Lưu dữ liệu để sử dụng
compress
save "time_series_simulation.dta", replace
describe
summarize

Sau khi chạy code, bạn sẽ có file time_series_simulation.dta sẵn sàng cho các bài học tiếp theo. Hãy chắc chắn rằng bạn đã lưu file này vào thư mục làm việc của mình.

📚 Bài tiếp theo: Nền tảng Dữ liệu Chuỗi thời gian

💡 Lưu ý: Hãy đọc kỹ các mục tiêu và kiến thức tiên quyết để chuẩn bị tốt nhất cho hành trình sắp tới.

Các bài đã xem

Back to top button