Chương 2
Mô hình VAR - Vector Autoregressive Model
3/31/2020
Trang 33/31/2020
• Sims (1980) giới thiệu mô hình véc-tơ tự hồi quy (Vector autoregressive models) được sử dụng rất phổ biến trong tài chính • Mô hình VAR được khái quát hóa từ hệ phương trình có nhiều hơn
một biến phụ thuộc • Trước hết để đơn giản hóa, xét mô hình VAR 2 biến phụ thuộc
Trang 4•Một đặc điểm quan trọng của mô hình VARs là ta có thể sử dụng các ký hiệu ma trận Ví dụ mô hình VAR với độ trễ k=1
•Chúng ta có thể viết dưới dạng đơn giản như sau:
Mô hình VAR (Vector Autoregressive Models):
2
2t 21 21 2t
y1 t = β10 + β11 α11 y1t −1 + u1 t
y β20 αβ y
−1 u t
Trang 53/31/2020
• Mô hình VAR có thể mở rộng đến k lags cho mỗi biến
trong mỗi phương trình:
yt-1 yt = β0 + β1 + β2 yt-2 + + βk yt-k +
ut
g×1 g×1 g×g g×1 g×g g×1 g×g g×1 g×1
• Chúng ta cũng có thể mở rộng cho trường hợp mô hình VARs bao gồm các biến sai phân bậc 1 (first difference terms) thể hiện mối quan hệ ngắn hạn giữa các biến và biến không lấy sai phân (levels) thể hiện mối quan hệ dài hạn giữa các biến (đồng liên kết)
Mô hình VAR (Vector Autoregressive Models):
Trang 6Mô hình VAR so sánh với hệ phương trình cấu trúc
(Structural Equations Models)
Trang 7Mô hình VAR so sánh với hệ phương trình cấu trúc
(Structural Equations Models)
3/31/2020
Trang 8Lựa chọn độ trễ tối ưu (Optimal Lag Length) cho mô hình VAR
Trang 9Lựa chọn độ trễ tối ưu (Optimal Lag Length) cho mô
Trang 10Lựa chọn độ trễ tối ưu (Optimal Lag Length) cho mô
hình VAR (cont’d) - Information Criteria
T T MHQIC= ln Σˆ + 2k′ ln(ln(T))
MSBIC = ln Σˆ + k′ ln(T)
MAIC= ln Σˆ + 2k′ / T
Trang 11• Nhưng nếu mô hình VAR bây giờ có bao gồm biến cùng thời kỳ:
• Chúng ta có thể viết lại phương trình VAR này như sau:
• Mô hình VAR này được gọi là VAR cấu trúc (Structural VAR) hay Primitive form VAR
+ u1t + u2t
y1t = β10 + β11 y1t −1 + α11 y2t −1 + α12 y2t y2t = β20 + β21 y2t −1 + α21 y1t −1 + α22 y1t
y 1t 10 11 11 12 2t u 1t
= +
+
Trang 12VAR cấu trúc (Structural/Primitive Form VAR) so với
•Chúng ta có thể chuyển các biến số cùng thời kỳ qua vế trái của phương trình như sau:
hay viết gọn lại như sau:
Trang 13Phản ứng xung (Impulse Responses)
yt
12 y t b γ γ y t−1 ε 1 b
= + b x
xt γ γ
t 20 21 22 t−1
Trang 14Phản ứng xung (Impulse Responses) Ví dụ về hệ phương trình đệ quy
Y1 = α 0 + α 1Y2 + α 3Y3 + α 4 X1 + α 5 X2 + u1
Y2 = β 0 + β 1Y3 + β 2 X1 + u2
Y3 = γ 0 + γ1Y2 + u3
Trang 15Phản ứng xung (Impulse Responses) (cont.)
φ = γ − b γ
• b21=0 ngụ ý rằng
Trang 16Mô hình VAR cấu trúc – Structural (indentified) VAR
Trang 17Mô hình VAR cấu trúc – Structural (indentified) VAR
3/31/2020
Trang 18Mô hình VAR cấu trúc – Structural (indentified) VAR
Trang 19Kiểm định mối quan hệ nhân quả (Causality Tests)
δ 12 y1t −3 γ
ββ12 y1t −1 γ11
Trang 20Kiểm định mối quan hệ nhân quả (Causality Tests) (cont’d)
• Mỗi một trong bốn giả thiết đồng thời (joint hypotheses ) có thể được kiểm định với phương pháp F-test , vì mỗi tập
hợp các ràng buộc đều chỉ chứa các thông số hồi quy được rút ra từ một phương trình
• Kiểm định F-test này còn được gọi là Granger causality tests
Hypothesis Implied Restriction
β21 = 0 and γ21 = 0 and δ21 = 0
1 Lags of y1t do not explain current y2t
2 Lags of y1t do not explain current y1t
3 Lags of y2t do not explain current y1t
4 Lags of y2t do not explain current y2t
β11 = 0 and γ11 = 0 and δ11 = 0
β12 = 0 and γ12 = 0 and δ12 = 0
β22 = 0 and γ22 = 0 and δ22 = 0
Trang 21Kiểm định mối quan hệ nhân quả (Causality Tests) (cont’d)
Hypothesis
1 Lags of y1t do not explain current y2t
2 Lags of y1t do not explain current y1t
3 Lags of y2t do not explain current y1t
4 Lags of y2t do not explain current y2t
Trang 22Phản ứng xung (Impulse Responses)
Trang 23Phản ứng xung (Impulse Responses)
y1t = β10 + β11 y1t −1 + α11 y2t −1 + u1t
y2t = β20 + β21 y2t −1 + α21 y1t −1 + u2t
3/31/2020
Trang 24Phản ứng xung (Impulse Responses)
Bằng việc “cập nhật” thông tin cho phương trình trên, chúng ta sẽ xác định được mức độ phản ứng của biến y ở kỳ t+i khi có một đơn vị sốc (one-unit impulse) tại kỳ hiện tại t
Nếu chúng ta vẽ đồ thị các giá trị của hệ số tác động Φ cho từng
kỳ i tương lai, chúng ta sẽ có hàm phản ứng của từng biến trong
hệ thống từ tác động từ các cú sốc cấu trúc khác nhau (different structural shocks)
Trang 25Phản ứng xung (Impulse Responses)
3/31/2020
Trang 26Phản ứng xung (Impulse Responses)
Trang 27Phản ứng xung (Impulse Responses)
3/31/2020
27
Trang 28Phản ứng xung (Impulse Responses)
Trang 291 Phản ứng xung (Impulse Responses)
3/31/2020
29
Trang 30Phản ứng xung (Impulse Responses)
Trang 31Phân tích “Phân Rã Phương Sai” (Variance Decompositions)
3/31/2020
31
Trang 32Phân tích “Phân Rã Phương Sai” (Variance Decompositions)
Trang 333/31/2020
33
Mô hình VAR – thực hành: Mối quan hệ giữa TSSL cổ phiếu và điều kiện kinh tế vĩ mô
•Brooks và Tsolacos (1999) sử dụng kỹ thuật VAR để xác định mối quan hệ giữa TTSL cổ phiếu và các biến số của kinh tế vĩ mô
•Dữ liệu theo tháng từ tháng 12-1985 đến 01-1998 • Lý thuyết tài chính cho rằng có mối liên hệ giữa TSSL cổ phiếu và điều
kiện kinh tế vĩ mô •Các biến số trong mô hình VAR bao gồm:
–TSSL của thị trường cổ phiếu FTSE –Tỷ lệ thất nghiệp
– Lãi suất phi rủi ro –Khoảng cách giữa lãi suất dài và ngắn hạn –Lạm phát ngoài kỳ vọng
–Tỷ suất cổ tức Kiểm định cho thấy chỉ số giá cổ phiếu và tỷ lệ thất nghiệp là biến I(1)
và do vậy cần lấy sai phân
Trang 34Mô hình VAR – thực hành: Mối quan hệ giữa TSSL cổ phiếuvà điều kiện kinh tế vĩ mô
Trang 35Mô hình VAR – ví dụ áp dụng trong thực tế: Mối quan hệ giữa TSSL cổ phiếuvà điều kiện kinh tế vĩ mô
Responses: – Order I: PROPRES, DIVY, UNINFL, UNEM, SPREAD, SIR – Order II: SIR, SPREAD, UNEM, UNINFL, DIVY, PROPRES
3/31/2020
Trang 36Impulse Responses và Standard Error Bands cho
Innovations trong Dividend Yield và
Treasury Bill Yield
I nnovations in D ividend Y ields
-0.06 0.06 0.04 0.02 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 2 4 -0.02
-0.04
Steps A he a d
Innovations in the T-Bill Yield
-0.02 1 0.12
0.1 0.08 0.06 0.04 0.02 0
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Trang 37Mô hình VAR – thực hành trên Eviews
Giả dụ chúng ta cần phân tích mối quan hệ giữa biến Industrial Production (IP) và biến Money supply (M1) sử dụng mô hình VAR Hằng số C sẽ là biến ngoại sinh duy nhất
Giả định rằng mô hình VAR có các biến nội sinh với độ trễ bằng 2 Mô hình VAR 2 biến có thể được viết như sau:
3/31/2020
Trang 38Mô hình VAR – thực hành trên Eviews
Nhập dữ liệu: file\open\eviews workfile\ -> chỉ đường dẫn đến VAR1.wf1
Trang 39Mô hình VAR – thực hành trên Eviews
Ước lượng mô hình VAR trong Eviews: Quick > Estimate > VAR
Hoặc trong cửa sổ “command window”, gõ câu lệnh: var
Sau đó lựa chọn loại VAR: Unrestricted VAR hay Vector Error
Correction (VEC)
3/31/2020
39
Trang 40Mô hình VAR – thực hành trên Eviews
Khai báo độ trễ (lags information): thông tin phải được nhập vào theo “cặp” (pairs)
Ví dụ: 1 4 -> EViews sẽ sử dụng từ lag1 đến lag4 cho tất cả các biến nội sinh
Ví dụ: lag specification như sau: 2 4 6 9 12 12 -> Eviews sẽ sử dụng 3 cặp giá trị phạm vi của độ trễ: lags 2–4, 6–9, và12
Khai báo biến nội sinh (endogenous) và biến ngoại sinh (exogenous series)
Trong ví dụ này, M1, IP, là TB3 3 biến nội sinh, hằng số C là giá trị ngoại sinh
Trang 41Mô hình VAR – thực hành trên Eviews
VAR Estimation Output
3/31/2020
Trang 42Mô hình VAR – thực hành trên Eviews
Trang 43Mô hình VAR – thực hành trên Eviews
Kiểm định tính ổn định của mô hình VAR: mô hình VAR là ổn định
(stationary) nếu tất cả các giá trị “roots” có độ lớn “modulus” nhỏ hơn 1 hay nằm bên trong vòng tròn đơn vị
Chọn View\Lag Structure\AR Roots Graph
3/31/2020
Trang 44Mô hình VAR – thực hành trên Eviews Chọn độ trễ tối ưu:
Chọn View\Lag Structure\ Lag Length Criteria
Trang 45Mô hình VAR – thực hành trên Eviews
Kiểm định phần dư (Residual Tests)
1 Chọn residuals test\ Correlograms
3/31/2020
45
Trang 46Mô hình VAR – thực hành trên Eviews
Portmanteau Autocorrelation Test
Tính toán Box-Pierce/Ljung-Box Q-statistics cho residual serial correlation tới độ trễ chỉ định
Autocorrelation LM Test
Báo cáo LM test statistics cho residual serial correlation tới độ trễ chỉ định
Trang 47Mô hình VAR – thực hành trên Eviews
White Heteroskedasticity Test
Tùy chọn “No Cross Terms”: chỉ bao gồm biến levels và biến bình
Trang 48Mô hình VAR – IRF thực hành trên Eviews Impulse Responses
Đầu tiên ta phải ước lượng mô hình VAR Sau đó lựa chọn từ
thanh công cụ VAR toolbar, chọn View/Impulse Response
1 Chọn Display
Nhập tên biến các biến nội sinh (endogenous variables) tương ứng với trật tự biến đã chọn
Ví dụ: VAR as GDP, M1, CPI
Hay ta cũng có thể nhập bằng số theo thứ tự tương ứng:
Trang 49Mô hình VAR – IRF thực hành thực hành trên Eviews
2 Chọn Impulse definition tab
3/31/2020
Trang 50Mô hình VAR – IRF thực hành thực hành trên Eviews
2 Chọn Impulse definition tab
Sử dụng tùy chọn “User Specified” cho phép khai báo phân tích IRF theo cách riêng
1 Create a matrix (or vector): chứa các biến “impulses”
và khai báo tên của ma trận
2 Cách 2: tạo ma trận bằng Object
Nếu VAR có k biến endogenous, thì ma trận Impulse matrix phải có tương ứng k “dòng” và 1 hay k cột với mỗi cột là một impulse vector
thức nhất và một cú sốc - đến biến thứ hai, khi đó ta cần tạo
Trang 51Mô hình VAR – IRF thực hành thực hành trên Eviews Cách 1: tạo ma trận
bằng lệnh command
Cách 2: tạo ma trận bằng Object
3/31/2020
Trang 52Mô hình VAR – FEVD thực hành trên Eviews Phân tích phân rã phương sai (Variance Decomposition)
Chọn View/Variance Decomposition
Trang 53Mô hình VAR – FEVD thực hành trên Eviews 3 Procs of a VAR
Chọn Proc/Make System By Variable option
Chọn Proc/Make System By Lag option
3/31/2020
Trang 54Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2
Mục đích chính của mô hình Structural VAR (SVAR) là để đạt
được “Non-recursive Orthogonalization” đối với các phần dư để
chuẩn bị cho phân tích Impulse Response Bước 1: ước lượng mô hình VAR
Bước 2: Chọn Proc\Estimate Structural Factorization
Trang 553/31/2020
Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2 Khai báo các ràng buộc (Identifying Restrictions)
Chúng ta cần phân biệt giữa 2 loại ràng buộc:
•Ràng buộc trong ngắn hạn (short-run identifying restrictions)
•Ràng buộc trong dài hạn (long-run identifying restrictions)
Cho mỗi loại ràng buộc này, “identifying restrictions” có thể
được chỉ định dưới dạng lệnh command hay dưới dạng “Pattern
Matrices”
Trang 56Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2 Short-run Restrictions sử dụng Pattern Matrices
Tạo ma trận tên là “pattern” cho ma trận A và B Bất kỳ phần tử nào của ma trận mà ta muốn ước lượng thì ký hiệu là
trước
Ví dụ: nếu ta muốn hạn chế ma trận A bằng nửa tam giác dưới với các
ma trận A và B, và sau đó khai báo các giá trị vào trong màn hình dạng
bảng tính Excel Khi đó ma trận “pattern “ cho mô hình VAR 3 biến sẽ là:
Trang 57Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2
Hoặc chúng ta cũng có thể tạo ma trận bằng Command như
sau: matrix(3,3) pata ’ fill matrix in row major order pata.fill(by=r) 1,0,0, na,1,0, na,na,1 matrix(3,3) patb = 0
patb(1,1) = na patb(2,2) = na patb(3,3) = na
3/31/2020
Trang 58Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2 Short-run Restrictions theo dạng “Text Form”
Giả sử ta có mô hình VAR 3 biến và ta muốn ràng buộc bằng ma trận 1/2 tam giác bên dưới với đường chéo có giá trị bằng 1:
Chọn Proc/Estimate Structural Factorization chọn Text
Gõ vào dòng sau:
Trang 59Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2
3/31/2020
59
Trang 60Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2 Long-run Restrictions sử dụng ma trận ràng buộc (Pattern Matrices)
Sau khi đã tạo “ma trận ràng buộc” (pattern matrix), chọn
Proc/Estimate Structural Factorization
Trong hộp thoại SVAR Options dialog, chọn nút Matrix, và sau đó nút “Long-Run Pattern” Và cuối cùng là gõ vào tên của ma trận ràng buộc
Các phần tử “Unrestricted elements” trong ma trận phải được phân bổ dưới dạng “missing value” hay “NA”
Ví dụ, giả định bạn có mô hình VAR 2 biến, và bạn muốn áp đặt
ràng buộc dài hạn phản ứng trên biến nội sinh thứ 2 từ cú sốc trên
biến nội sinh thứ nhất là zero, hay C2, 1 = 0 , hay ma trận ràng buộc
hạn có dạng như sau:
Trang 61Long-run Restrictions sử dụng TEXT
Chọn Proc/Estimate Structural Factorization Từ cửa sổ VAR window , chọn nút Text
Trong cửa sổ Edit, gõ vào:
@lr2(@u1)=0 Câu lệnh trên có nghĩa là LR response của 2nd variable từ 1st shock là bằng zero
Trang 62Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2
Trở lại ví dụ ban đầu, để khai ràng buộc dài hạn cho mô hình VAR 3 biến ta gõ vào:
Trang 633/31/2020 Vũ Việt Quảng – Khoa Tài Chính – ĐHKT TPHCM 63
Mô hình Structural (Identified) VARs - SVAR
Thực hành trên EVIEWS 7.2
Trang 64Để ước lượng mô hình VAR đơn giản, bạn chỉ cần sử dụng câu lệnh
varbasic varlist command
Số độ trễ (lags), mặc định sẽ là (1 2) Lưu ý: lags(4) có nghĩa là mô hình chỉ bao gồm độ trễ thứ 4 Trong khi lags(1/4) thì mô hình sẽ bao gồm 4 giá trị độ trễ đầu tiên:
use usmacro1 varbasic D.lrgrossinv D.lrconsump D.lrgdp if tin(,2005q4)
Trang 65Varbasic - STATA12
Hoặc để ước lượng mô hình VAR đơn giản, ta có thể sử dụng MENU: Statistics > Multivariate Time series > Basic VAR
Trang 66Varbasic - STATA12
Trang 67irf graph fevd, lstep(1)
Bất kỳ lệnh ước lượng VAR nào đều lưu các giá trị estimated IRFs,
OIRFs và FEVDs trong file irf nên chúng ta có thể kiểm tra FEVDs với
lệnh “graph”
Các giá trị IRFs, OIRFs và FEVDs cũng có thể được xuất ra dưới dạng
bảng với các câu lệnh irf table, irf ctable
Câu lệnh irf ctable cho phép chúng ta đặt các giá trị bảng hóa liền kề
nhau, ví dụ như OIRF và FEVD cho một cặp biến nào đó cho trước Trong khi đó cgraph cho phép đặt các đồ thị liền kề nhau
Sau khi tạo các đồ thị trong Stata, bạn có thể lưu nó lại dưới file gph:
graph save filename
Và sau đó bạn có thể gọi ra để sử dụng hay chỉnh sửa bằng lệnh
graph use Lưu ý chỉ có Stata là có thể đọc được file gph
Nếu bạn muốn xuất đồ thị trong file van bản, sử dụng lệnh:
graph export filename format
Với “format” có thể là eps hay pdf
Trang 69Ước lượng mô hình VAR với bổ sung biến ngoại sinh – STATA12
Bây giờ chúng ta xem xét hồi quy mô hình VAR cho cùng dữ liệu này nhưng bổ sung thêm sai phân của biến ngoại sinh “log of the real
money base” Chúng ta cũng sẽ bao gồm 4 giá trị độ trễ cho mô hình VAR Câu lệnh như sau:
var D.lrgrossinv D.lrconsump D.lrgdp if tin(,2005q4), lags(1/4) exog(D.lrmbase)
Trang 70Ước lượng mô hình VAR với bổ sung biến ngoại sinh
Để đánh giá biến “money base” có nên được bổ sung vào mô hình hay không, chúng ta có thể sử dụng câu lệnh
“testparm” để thực hiện Joint test of significance của hệ số hồi quy tương ứng:
Trang 71Kiểm định Granger (Granger causality tests)
Sử dụng câu lệnh: vargranger