Đề tài nghiên cứu - Ứng dụng mô hình VAR/VECM dự báo tình hình lạm phát ở Việt Nam

Đại học Kinh tế LuậtLạm phát Việt NamDự báo lạm phátMô hình VAR, VECMDự báo tình hình lạm phát ở Việt Nam trong tương lai có sự biến động như thếnào. Từ đó hoạch định các chiến lược vi mô, vĩ mô, đầu tư trong thời gian tới.trong đề tài nghiên cứu này, mô hình VAR và VECM rất thích hợp trongviệc dự báo tình hình lạm phát ở Việt Nam cũng như thế giới nhằm đưa ra những giảipháp phù hợp.

ĐẠI HỌC QUỐC GIA TPHCM ĐẠI HỌC KINH TẾ LUẬT KHOA KINH TẾ HỌC

ĐỀ TÀI NGHIÊN CỨU

ỨNG DỤNG MÔ HÌNH VAR/VECM DỰ BÁO TÌNH HÌNH

MỤC LỤC

CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH MÔ HÌNH TỰ HỒI QUY

VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM 3

1 Giới thiệu 3

2 Lý do chọn đề tài 3

3 Mục tiêu nghiên cứu 4

4 Đối tượng nghiên cứu 4

5 Phạm vi nghiên cứu 4

CHƯƠNG II: CƠ SỞ LÝ THUYẾT PHÂN TÍCH MÔ HÌNH VAR/VECM 4

1 Cơ sở lý thuyết 4

1.1 Mô hình tự hồi quy vector VAR 4

1.1.1 Khái niệm 4

1.1.2 Một số vấn đề xây dựng mô hình VAR: 5

1.1.3 Phương pháp ước lượng mô hình VAR 5

1.2 Mô hình vector hiệu chỉnh sai số VECM 7

1.2.1 Hồi quy giả mạo 7

1.2.2 Đồng liên kết 7

1.2.3 Mối quan hệ nhân quả Granger 8

1.2.4 Mô hình vector hiệu chỉnh sai số VECM( vector error correction model) 8

CHƯƠNG III: PHƯƠNG PHÁP LẤY DỮ LIỆU 9

1 Nguồn dữ liệu 9

2 Cách lấy dữ liệu 10

CHƯƠNG 4: KẾT QUẢ PHÂN TÍCH, LỰA CHỌN MÔ HÌNH VÀ DỰ BÁO 10

1 Mô hình VAR 10

2 Mô hình VECM 17

CHƯƠNG 5: KẾT LUẬN CHUNG 24

1 Kết luận mô hình dự báo 24

2 Đánh giá tình hình lạm phát ở Việt Nam 24

3 Tính khả thi của mô hình VAR và VECM 24

4 Hạn chế của bài báo cáo 24

TÀI LIỆU THAM KHẢO: 25

CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH MÔ HÌNH TỰ HỒI QUY VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM

1 Giới thiệu

Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào cũng chỉ mang chiều hướng nhất định Các biến số độc lập (biến giải thích) không phải luôn luôn tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc lại tác động ngược lên biến độc lập Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng qua lại của những biến này cùng một lúc Chính vì thế mô hình kinh tế lượng mà ta phải xét đến không phải là mô hình một phương trình mà là mô hình nhiều phương trình

Tuy nhiên, để ước lượng được các mô hình này ta phải đảm bảo rằng các phương trình trong hệ được định dạng, một số biến được coi là nội sinh (biến mà giá trị được xác định bởi mô hình, là biến ngẫu nhiên) và một số biến khác được coi là ngoại sinh hay đã xác định trước (ngoại sinh cộng với nội sinh trễ)

Việc định dạng này thường được thực hiện bằng cách giả thiết rằng một số biến được xác định trước chỉ có mặt trong một số phương trình Quyết định này thường mang tính chủ quan và đã bị Chrishtopher Sims chỉ trích Theo Sims, nếu tồn tại mối quan hệ đồng thời giữa một số biến thì các biến này phải được xét có vai trò như nhau, tức là tất cả các biến xét đến đều là biến nội sinh Dựa trên tinh thần đó mà Sims đã xây dựng mô hình vector tự hồi quy VAR Mô hình VECM là một dạng của

mô hình VAR tổng quát, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng

và chứa đựng mối quan hệ đồng kết hợp

2 Lý do chọn đề tài

Như chúng ta đã biết, mô hình ARIMA chỉ tiến hành phân tích các biến số kinh tế trên một chuỗi thời gian Khi chúng ta có nhiều chuỗi thời gian khác nhau và cần phải xem xét mối quan hệ, tác động qua lại giữa chúng thì mô hình VAR và mô hình VECM là một sự lựa chọn phù hợp

Mô hình VAR xem xét mối quan hệ giữa những chuỗi thời gian khác nhau Nhìn chung, đây là mô hình mở rộng cho nhiều chuỗi thời gian của mô hình ARIMA

Đặc biệt, trong đề tài nghiên cứu này, mô hình VAR và VECM rất thích hợp trong việc dự báo tình hình lạm phát ở Việt Nam cũng như thế giới nhằm đưa ra những giải pháp phù hợp

3 Mục tiêu nghiên cứu

- Các khái niệm trong phân tích mô hình tự hồi quy vector VAR và mô hình vector hiệu chỉnh sai số VECM

- Phương pháp xây dựng mô hình VAR và mô hình VECM

- Lựa chọn khoảng trễ thích hợp

- So sánh các mô hình và lựa chọn mô hình phù hợp

- Quy trình thực hiện dự báo bằng 2 phương pháp trên

- Giải thích ý nghĩa kinh tế của các kết quả dự báo

4 Đối tượng nghiên cứu

Dự báo tình hình lạm phát ở Việt Nam trong tương lai có sự biến động như thế nào Từ đó hoạch định các chiến lược vi mô, vĩ mô, đầu tư trong thời gian tới

5 Phạm vi nghiên cứu

- Dạng dữ liệu: tất cả dạng dữ liệu

- Lượng dữ liệu: càng nhiều quan sát càng tốt

- Độ dài dự báo: trung hạn

CHƯƠNG II: CƠ SỞ LÝ THUYẾT PHÂN TÍCH MÔ HÌNH VAR/VECM

Trong mô hình trên, mỗi phương trình đều chứa p trễ của mỗi biến

Với 2 biến: mô hình có 2

2 phệ số góc và 2 hệ số chặn

Suy ra với k biến mô hình có 2

k p hệ số góc và k hệ số chặn Điều này đòi hỏi số quan sát phải nhiều thì kết quả ước lượng mới có ý nghĩa

1.1.2 Một số vấn đề xây dựng mô hình VAR:

Ưu điểm:

 Không cần xác định đâu là biến nội sinh hay ngoại sinh

 Nếu độ dài trễ của các biến trong các phương trình đều giống nhau,

ta có thể dùng phương pháp OLS để ước lượng, không cần dùng tới các phương pháp ước lượng hệ phương trình

Hạn chế:

 Mô hình VAR ít phù hợp cho việc dự báo chính sách

 Tất cả các biến phải dừng, nếu chưa thì phải lấy sai phân để đảm bảo chuỗi dừng Khó khăn hơn nữa khi có một hỗn hợp các biến dừng và không dừng

 Khó khăn trong việc lựa chọn khoảng trễ thích hợp

 Do số quan sát là có hạn, nếu tăng độ dài của trễ sẽ làm cho bậc tự

do bị giảm, ảnh hưởng đến chất lượng các ước lượng

 Trong một số trường hợp, giải thích dấu của các hệ số không phải dễ dàng Có thể cùng một biến số nhưng ở các trễ khác nhau lại có biến khác nhau

1.1.3 Phương pháp ước lượng mô hình VAR

Bước 1: Xét tính dừng của các biến trong mô hình Nếu chưa dừng thì dùng

kỹ thuật sai phân để đưa về các chuỗi dừng

Bước 2: Lựa chọn khoảng trễ phù hợp

*** Các cách xác định khoảng trễ thích hợp:

Cách 1: kiểm định tự tương quan (nhắc lại chương hồi quy)

 Hậu quả của tự tương quan

 Các ước lượng OLS vẫn là ước lượng tuyến tính, không chệch, nhưng chúng không phải là ước lượng hiệu quả nữa

 Phương sai ước lượng được của OLS thường là chệch Khi tính phương sai

và sai số tiêu chuẩn của các ước lượng OLS thường cho những giá trị thấp hơn các giá trị thực và do đó làm cho giá trị của t lớn, dẫn đến kết luận sai khi kiểm định

  2=RSS/df là ước lượng chệch của  2và trong một số trường hợp là chệch

về phía dưới

 Gía trị ước lượng 2

R có thể không tin cậy khi dùng để thay thế cho giá trị thực của 2

R

 Phương sai và sai số tiêu chuẩn của các giá trị dự báo không được tin cậy

 Kiểm định tự tương quan

- Phương pháp đồ thị

Thường dùng đồ thị phần dư theo thời gian, giản đồ tự tương quan, đồ thị tần suất và đồ thị RESID(-1) và RESID theo thời gian

- Kiểm định LM của Breusch – Godfrey

Bước 1: Ước lượng phương trình và lưu phần dư u t

Bước 2: Ước lượng mô hình hồi quy sau đây với độ trễ p của phần dư u t

(thường được xác định dựa vào xem xét PAC trong giản đồ tự tương quan của phần dư u t)

R từ phương trình hồi quy (1) Thống

kê LM này sẽ theo phân phối 2 với số bậc tự do là p Nếu (n-p) 2

R >2 tra bảng ở mức ý nghĩa được chọn, ta bác bỏ giả thiết H0 và kết luận rằng mô hình có tự tương quan

Cách 2: kiểm định tính đồng liên kết.(dành riêng cho mô hình

VECM)

Theo các tiêu chuẩn Lag, LogL, LR, FPE, AIC, SC, HQ , độ trễ có thể là 0;

2 và 3 Độ trễ càng nhỏ càng tốt vì số quan sát là có hạn nên nếu tăng độ dài của trễ sẽ làm cho bậc tự do bị giảm, do vậy ảnh hưởng đến chất lượng của ước lượng

Bước 3: Kiểm định tính dừng của phần dư để so sánh mức độ phù hợp của

các mô hình

Bước 4: So sánh và lựa chọn mô hình phù hợp nhất.

1.2 Mô hình vector hiệu chỉnh sai số VECM

Một số khái niệm liên quan tới mô hình VECM như hồi quy giả mạo, đồng liên kết và mô hình hiệu chỉnh sai số ECM

1.2.1 Hồi quy giả mạo

Khi hồi quy với các chuỗi thời gian, kết quả hồi quy có thể là giả mạo vì các chuỗi này có cùng xu thế Điều này thường xảy ra trong kinh tế Ước lượng của các

hệ số hồi quy không phải chỉ chịu ảnh hưởng của biến độc lập lên biến phụ thuộc

mà còn bao hàm xu thế

Việc hồi quy các biến không dừng có thể dẫn đến hồi quy giả mạo Khi đó các tiêu chuẩn t và F không sử dụng được Theo Granger và Newbold, dấu hiệu hồi quy giả mạo:

là, nếu phần dư trong mô hình hồi quy giữa các chuỗi thời gian không dừng là một chuỗi dừng, thì kết quả hồi quy là thực và thể hiện mối quan hệ cân bằng dài hạn giữa các biến trong mô hình

Nếu như mô hình là đồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả mạo, khi đó các kiểm định dựa trên tiêu chuẩn t và F vẫn có ý nghĩa Có nhiều

phương pháp kiểm định mối quan hệ đồng liên kết: kiểm định Engle- Granger, kiểm định CRDW…và theo phương pháp Var của Johansen

1.2.3 Mối quan hệ nhân quả Granger

Kiểm định mối quan hệ nhân quả giữa hai chuỗi thời gian X và Y, ta có phương trình:

Yt = α0 + α1 Yt-1 + … + α1 Yt-1 + β1 Xt-1 + … + β1 Xt-1 + εt (1)

Xt = α0 + α1 Xt-1 + … + α1 Xt-1 + β1 Yt-1 + … + β1 Yt-1 + εt (2) Kiểm tra các biến trễ của X có giải thích cho Y vả các biến trễ của Y có tác động lên X hay không, ta kiểm định giả thiết sau :

H0: β1 = β2 = … = βl = 0

Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định Wald Nếu giá trị F tính toán lớn hơn giá trị F phê phán ở mức ý nghĩa xác định, bác bỏ H0 Có 4 khả năng:

Nếu các biến trễ của X tác động lên Y, nhưng các biến trễ của Y không tác động lên X: Nhân quả Granger một chiều X sang Y

Nếu các biến trễ của Y tác động lên X, nhưng các biến trễ của X không tác động lên Y: Nhân quả Granger một chiều Y sang X

Nếu các biến trễ của X tác động lên Y và các biến trễ của Y tác động lên X: Nhân quả Granger hai chiều giữa X và Y

Nếu các biến trễ của X không tác động lên Y và các biến trễ của Y không tác động lên X: không có nhân quả Granger giữa X và Y

1.2.4 Mô hình vector hiệu chỉnh sai số VECM( vector error correction model)

Yêu cầu đặt ra khi hồi quy mô hình với các biến là chuỗi thời gian là các chuỗi này phải dừng Nếu chuỗi chưa dừng thì ta dùng kĩ thuật sai phân đến khi có được chuỗi dừng Tuy nhiên, khi hồi quy giá trị sau khi đã sai phân, ta có thể bỏ sót những thông tin dài hạn trong mối quan hệ giữa các biến chính vì vậy, ta phải thêm phần dư E Với mô hình 2 biến Y1 và Y2:

Y1 vào mức thay đổi của Y2 và mức mất cân bằng ở thời kỳ trước

** Mô hình vector hiệu chỉnh sai số có dạng:

X X X  X  U

Trong đó ∆Xt là một vector của n biến khác nhau

**Một số vấn đề khi xây dựng mô hình VECM:

Đặc điểm cơ bản của mô hình này là xem xét tác động của các cú shock của biến này lên biến khác, đặc biệt là trong kinh tế

Bước 1: Lấy logarit của chuỗi dữ liệu để chuỗi ổn định hơn

Bước 2: Kiểm định tính dừng đối với chuỗi dữ liệu lựa chọn khoảng trễ

thích hợp

Bước 3: kiểm định mối quan hệ nhân quả Granger để xem xét mối quan hệ

giữa các biến trong mô hình

H0:

Nếu tất cả các giá trị F tính toán lớn hơn các giá trị F phê phán tương ứng ở mức ý nghĩa 5%, tức là các biến đều có mối quan hệ với nhau

 bác bỏ H0(giả thiết phần Null Hypothesis)

Bước 4: xét tính đồng liên kết giữa các biến Ta kiểm định dựa trên các

biến chưa lấy sai phân

Bước 5: sau khi tiến hành các kiểm định liên quan, nếu các chuỗi là không

dừng và có mối quan hệ đồng liên kết, ta sử dụng mô hình VECM để ước lượng

CHƯƠNG III: PHƯƠNG PHÁP LẤY DỮ LIỆU

1 Nguồn dữ liệu

Nguồn dữ liệu thu thập thuộc loại dữ liệu thứ cấp, được lấy từ nhiều tổ chức uy tín như: IFS (tổ chức thống kê tài chính quốc tế thuộc IMF), www.eia.gov

2 Cách lấy dữ liệu

Bộ dữ liệu được lấy trong “du lieu VAR VECM.xls” từ quý I/2000 đến quý

IV/2010

CHƯƠNG 4: KẾT QUẢ PHÂN TÍCH, LỰA CHỌN MÔ HÌNH VÀ DỰ BÁO

Dữ liệu mô hình thu thập cho thấy tình hình lạm phát ở Việt Nam thông qua các biến:

Đối với mô hình VAR: CPI(chỉ số giá tiêu dùng Việt Nam) và OIL(chỉ số giá dầu thế

giới)

Đối với mô hình VECM: CPI(chỉ số giá tiêu dùng Việt Nam) , OIL(chỉ số giá dầu thế

giới) và IR(dự trữ ngoại hối được tính bằng triệu USD)

Dữ liệu trích từ file “du lieu VAR VECM.xls”

1 Mô hình VAR

Bước 1: Kiểm tra tính dừng của 2 biến OIL và CPI

Biến CPI không dừng vì giá trị độ lớn t-Statistic < test critical values ở các mức ý nghĩa 1%, 5%, 10%

Biến OIL cũng không dừng

Để có được chuỗi dừng, ta tiến hành lấy sai phân bậc 1 của 2 biến:

Sau khi lấy sai phân, chuỗi CPI dừng

Sau khi lấy sai phân, chuỗi OIL dừng

Bước 2: Ta tiến hành chạy mô hình var

Nhập khoảng trễ: Lag intervals for Endogenous: 1 2 4 4

Cho ra kết quả ước lượng như

sau:

Bước 3: Kiểm định tính dừng của phần dư:

Ta sử dụng biểu đồ:

Kết luận: phần dư này dừng và mô hình đáng tin cậy

2 Mô hình VECM

Bước 1:

Để đảm bảo tính ổn định cho 2 biến, ta tiến hành lấy logarit

Kết quả khi lấy logarit:

Cũng như ước lượng bất kì một mô hình với dữ liệu là chuỗi thời gian, việc

trước tiên ta sẽ kiểm định tính dừng đối với các chuỗi dữ liệu này

Bước 2:

Kiểm định mối quan hệ nhân quả Granger :

Sau khi nhận được các chuỗi dừng, ta tiến hành kiểm định mối quan hệ nhân quả Granger để xem xét mối quan hệ giữa các biến trong mô hình

Cho ra kết quả:

Bước 3: Kiểm tra các

Bước 4: Tiến hành ước lượng bằng mô hình VECM :

Sau khi đã tiến hành các kiểm định liên quan thì ta nhận thấy đây là các chuỗi không dừng và có mối quan hệ đồng liên kết, do đó phần tiếp theo ta sẽ sử dụng mô hình VECM để ước lượng

KẾT QUẢ VECM:

Bước 5:

Sau khi đã ước lượng mô hình thì ta tiếp tục kiểm định sự phù hợp của mô hình bằng cách kiểm định phần dư tương tự như mô hình Var Hoặc đơn giản hơn ta có thể xem các đồ thị phần dư của dưới đây để xem xét tính dừng

Nhìn đồ thị, ta thấy các giá trị dao động xung quanh giá trị 0, do đó phần dư của

mô hình này dừng chứng tỏ mô hình đưa ra phù hợp với chuỗi dữ liệu

Nếu muốn xem xét sự tác động của biến này lên biến kia khi có một cú sốc xảy ra,

ta dùng hàm phản ứng đẩy

CHƯƠNG 5: KẾT LUẬN CHUNG

1 Kết luận mô hình dự báo

Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào cũng chỉ mang chiều hướng nhất định Các biến số độc lập (biến giải thích) không phải luôn luôn tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc lại tác động ngược lên biến độc lập Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng qua lại của những biến này cùng một lúc Chính vì thế mô hình kinh tế lượng mà ta phải xét đến không phải là mô hình một phương trình mà là mô hình nhiều phương trình Mô hình ARIMA chỉ tiến hành phân tích trên một chuỗi thời gian Khi có nhiều chuỗi thời gian thì mô hình VAR/VECM là một sự phù hợp

2 Đánh giá tình hình lạm phát ở Việt Nam

Lạm phát hiện nay đang gây ra mối lo ngại lớn cho các cấp hoạch định chính sách, các doanh nghiệp và cho người dân Do đó, tìm hiểu nguyên nhân và định lượng các yếu tố tác động bằng ứng dụng mô hình VAR/VECM là một công cụ hữu hiệu nhằm dự báo, tìm ra biện pháp kiểm soát lạm phát, góp phần vào ổn định tình hình kinh tế xã hội và các vấn đề cấp thiết

3 Tính khả thi của mô hình VAR và VECM

Mô hình VAR/VECM có tính ứng dụng cao trong việc phân tích và dự báo các chỉ số kinh tế có độ nhạy cao như lạm phát, lãi suất, giá vàng, giá dầu thế giới, giá khí, và giá

cả các mặt hàng cụ thể trên thị trường Việt Nam và thế giới trên nhiều chuỗi thời gian

4 Hạn chế của bài báo cáo

Trong suốt quá trình thực hiện đề tài báo cáo, mặc dù nhóm đã rất cố gắng hoàn thành bài viết này một cách hoàn thiện nhất, nhưng vẫn không tránh khỏi những hạn chế: