Tài liệu mô tả khái quát về mô hình tự hồi quy véc tơ VAR. Dạng mô hình thích hợp cho số liệu chuỗi thời gian dài. Hướng dẫn các bước cụ thể để người đọc có thể thực hiện mô hình VAR trên phần mềm EViews. Sau khi đọc xong, người đọc có thể áp dụng để thực hiện các đề tài nghiên cứu khoa học.
GIỚI THIỀU VỀ MÔ HÌNH VAR VAR, viết tắt vector autoregression, mô hình econometric túy time series, gọi unrestricted VAR – Mô hình tự hồi quy véc tơ không hạn chế Một mô hình VAR có dạng: Yt=C+BYt-1 + + et Chúng ta dùng phần mềm đó, vd Eviews, để ước tính (estimate) tham số (parameter) C, B hệ phương trình này, đồng thời tính phần dư (residual) et covariance matrix Σ Nếu dừng VAR giá trị kinh tế học viết mô hình lý thuyết dạng VAR để estimate Thông thường mô hình lý thuyết có biến Y t bên vế phải, vd Consumption (C) hàm số phụ thuộc vào income (I) không income khứ: Ct=a+b*It+c*Ct-1+d*It-1+et Mô hình có thêm biến đồng thời (contemporaneous) (I t) bên phải gọi Structural VAR (SVAR) Những mô hình SVAR rõ ràng phù hợp với lý thuyết kinh tế estimate trực tiếp mà phải chuyển sang dạng VAR thông thường, định dạng lại (reduced form) Như VAR thông thường reduced form SVAR estimate dễ dàng Tuy nhiên khó residuals hệ phương trình reduced form lúc (ut) không shocks đơn biến mô hình SVAR ban đầu (et) mà kết hợp (combination) loại shock khác Điều gây khó khăn cho việc phân tích tác động sách hay loại shock khác vào biến số kinh tế Do nhu cầu thực tế phát sinh sau estimate reduced form SVAR (tức estimate VAR bình thường) phải bóc tách e t khỏi ut (quá trình gọi phân rã phương sai) lưu ý bạn không xác định matrix A từ kết estimate VAR Christopher Sims (Nobel kinh tế năm 2011) người đưa phương pháp bóc tách gọi Cholesky decomposition mô hình SVAR ban đầu có dạng recursive, nghĩa biến yt Yt xếp theo thứ tự y1t không phụ thuộc vào y2t, y3t , sau y2t không phụ thuộc vào y3t Sau nhiều phương pháp decomposition khác đề suất, đưa số restriction vào matrix A để sau biến đổi sang reduced form hệ VAR thông thường bóc tách et riêng biệt (phương pháp Cholesky decomposition Sims thực áp đặt A có dạng lower diagonal matrix) Một số phương pháp phổ biến Blanchard & Quah, King, Plosser, Stock & Watson, Gali Gần số tác Uhlig đưa dạng restriction gọi sign restriction nhằm mục đích Một lưu ý dùng Eviews phần mềm coi Cholesky decomposition qui trình chuẩn cho VAR thông thường SVAR phương pháp decomposition khác không phân biệt bên (Eviews gọi decomposition factorization) Trên nguyên tắc SVAR bạn phải estimate reduced form sử dụng số restriction để bóc tách e t Đối với giới nhà kinh tế học (academic economist), việc bóc tách e t chủ yếu để tính phản ứng đẩy hay phản ứng xung - impulse response function (IRF), nghĩa tác động cú shock vào biến yt theo thời gian Ngoài IRF, người ta quan tâm đến kiểm định nhân Granger - Granger causality test phân rã phương sai - variance decomposition, phân tích structural analysis khác cho SVAR Với giới tài chính, nhu cầu tính IRF không decomposition không quan trọng quan Một số links tham khảo: Time Series Analysis James Hamilton: Stock & Watson Matteo Iacoviello Eric Zivot Lutkepohl & Breitung NBER lecture Harald Uhlig Stata example Eviews example dự báo trọng - forecast, CÁC BƯỚC THỰC NGHIỆM VỚI MÔ HÌNH VAR Kiểm định tính dừng (kiểm định nghiệm đơn vị - Unit roots test: kiểm định nghiệm đơn vị phương pháp ADF (Augmented Dickey-Fuller), Phillips – Perron (PP test) kiểm định tính dừng KwiatkowskiPhillipsSchmidt-Shin (KPSS test).) H0: Chuỗi có nghiệm đơn vị (chuỗi không dừng) Cần so sánh thống kê T qs với giá trị với giá trị T tới hạn Nếu trị tuyệt đối T qs lớn giá trị tới hạn Tqs mang dấu âm bác bỏ H0, tức chuối số dừng (cân bằng) Nếu chưa dừng phải lấy sai phân bậc 1, bậc 2,… chuỗi dừng Chọn độ trễ phù hợp cho mô hình (chọn độ trễ kiểm định tương quan phần dư): vào tiêu chí: LR: sequential modified LR test statistic; FPE: Final prediction error; AIC: Akaike information criterion; SC: Schwarz information criterion; HQ: Hannan-Quinn information criterion Dấu * cho biết độ trễ theo tiêu chí lựa chọn →Estimate: sửa lại độ trễ tối đa Lag intervals for Endogenuos Kiểm tra mối quan hệ dài hạn biến mô hình (kiểm tra tính ổn định kiểm tra đồng liên kết - Cointegration test) mô hình vector hiệu chỉnh sai số VECM (Vector Error Correlation Model) cách xác định tồn vector đồng liên kết Johansen sử dụng VECM để xác định phương trình đồng liên kết biến Xt với Yt, từ xác định phương trình hiệu chỉnh sai số ECM (Error Correction Model) để xác định độ lệch ngắn hạn từ cân dài hạn - Kiểm tra tính ổn định mô hình: Nếu chọn AR Roots Table: Các Modulus nằm khoảng (-1;1) hay thuộc đường tròn đơn vị, có nghĩa mô hình ổn định Nếu chọn AR Roots Graph: - Phân tích đồng liên kết (Cointegration Analysis): Ở lựa chọn Deterministic trend in data có năm giả định chuỗi thời gian xem xét chuỗi thời gian dừng sai phân dừng xu thế, có xu xác định xu ngẫu nhiên Tương tự, phương trình đồng liên kết có hệ số cắt xu xác định Trên thực tế, trường hợp sử dụng Nếu ta không chắn giả định xu thế, ta nên chọn trường hợp Nếu mô hình có biến ngoại sinh ta đưa vào ô exog variables Ngoài ra, ta xác định độ trể biến phụ thuộc mô hình ô Lag intervals mức ý nghĩa ô MHM Kết kiểm định mối quan hệ đồng liên kết Xt Yt có hai giả thiết H0: (i) “None”, nghĩa đồng liên kết (đây giả thiết ta quan tâm nhất); (ii) “At most 1”, nghĩa có mối quan hệ đồng liên kết Lưu ý, tùy vào số biến mô hình (ví dụ k biến) mà ta có k-1 số phương trình đồng liên kết Khi đó, ta có thêm số giả thiết số phương trình đồng liên kết Để định bác bỏ hay chấp nhận giả thiết H0, ta so sánh giá trị “Trace Statistic” với giá trị phê phán (critical value) mức ý nghĩa xác định ô MHM (ở ta chọn 5%) Nếu Trace Statistic < Critical Value, ta chấp nhận giả thiết H0 Nếu Trace Statistic > Critical Value, ta bác bỏ giả thiết H0 Phân rã phương sai: Phân rã phương sai (EDV) theo phương pháp Cholesky nhằm xem tác động cú sốc biến độc lập lên phương sai sai số dự báo biến phụ thuộc thông qua hàm phản ứng IRF nhằm biết phản ứng biến phụ thuộc có cú sốc biến số độc lập Đơn vị đo % Có thể chọn Table để dạng bảng số %, chọn Graph để dạng đồ thị Nếu chọn Table, ý phân tích ngắn hạn (short run) dài hạn (long run) Trong dòng khoảng thời gian (Period), tổng số tác động biến phải 100% Kiểm định nhân quả: Kiểm định ranger Causality để phát mối quan hệ nhân biến Xt Yt, biến Xt có nguyên nhân gây biến động Yt hay ngược lại Kết nhằm đưa kết luận việc sử dụng nhân tố Xt để dự đoán biến động Yt hay không việc dự đoán chiều ngược lại có mang lại hiệu tương tự hay không Để kiểm định liệu có tồn mối quan hệ nhân Granger hai chuỗi thời gian Y X Eviews Để xem biến trễn X có giải thích cho Y (X tác động nhân Granger lên Y) biến trễ Y có giải thích cho X (Y tác động nhân Granger lên X) hay không ta sử dụng thống kê F kiểm định Wald cách định sau: Nếu giá trị thống kê F tính toán lớn giá trị thống kê F phê phán mức ý nghĩa xác định ta bác bỏ giả thiết H0 ngược lại Có bốn khả sau: Nhân Granger chiều từ X sang Y biến trễ X có tác động lên Y, biến trễ Y tác động lên X Nhân Granger chiều từ Y sang X biến trễ Y có tác động lên X, biến trễ X tác động lên Y Nhân Granger hai chiều X Y biến trễ X có tác động lên Y biến trễ Y có tác động lên X Không có quan hệ nhân Granger X Y biến trễ X tác động lên Y biến trễ Y tác động lên X Để kiểm định nhân Granger Eviews ta chọn View/Granger Causality … xuất hộp thoại độ trễ tối ưu Khi xác định độ trễ tối ưu chọn OK, ta có kết sau: Lưu ý, độ trễ X Y khác xác định số tiêu chí thống kê khác [...]... Không có quan hệ nhân quả Granger giữa X và Y nếu các biến trễ của X không có tác động lên Y và các biến trễ của Y không có tác động lên X Để kiểm định nhân quả Granger trên Eviews ta chọn View/Granger Causality … sẽ xuất hiện một hộp thoại về độ trễ tối ưu Khi xác định độ trễ tối ưu và chọn OK, ta có kết quả như sau: Lưu ý, các độ trễ của X và Y có thể khác nhau và có thể được xác định bằng một số tiêu... hay không và việc dự đoán chiều ngược lại có mang lại hiệu quả tương tự hay không Để kiểm định liệu có tồn tại mối quan hệ nhân quả Granger giữa hai chuỗi thời gian Y và X trên Eviews Để xem các biến trễn của X có giải thích cho Y (X tác động nhân quả Granger lên Y) và các biến trễ của Y có giải thích cho X (Y tác động nhân quả Granger lên X) hay không ta sử dụng thống kê F của kiểm định Wald và cách... giả thiết H0 và ngược lại Có bốn khả năng như sau: Nhân quả Granger một chiều từ X sang Y nếu các biến trễ của X có tác động lên Y, nhưng các biến trễ của Y không có tác động lên X Nhân quả Granger một chiều từ Y sang X nếu các biến trễ của Y có tác động lên X, nhưng các biến trễ của X không có tác động lên Y Nhân quả Granger hai chiều giữa X và Y nếu các biến trễ của X có tác động lên Y và các biến ... giả định xu thế, ta nên chọn trường hợp Nếu mô hình có biến ngoại sinh ta đưa vào ô exog variables Ngoài ra, ta xác định độ trể biến phụ thuộc mô hình ô Lag intervals mức ý nghĩa ô MHM Kết kiểm... hạn từ cân dài hạn - Kiểm tra tính ổn định mô hình: Nếu chọn AR Roots Table: Các Modulus nằm khoảng (-1;1) hay thuộc đường tròn đơn vị, có nghĩa mô hình ổn định Nếu chọn AR Roots Graph: - Phân... intervals for Endogenuos Kiểm tra mối quan hệ dài hạn biến mô hình (kiểm tra tính ổn định kiểm tra đồng liên kết - Cointegration test) mô hình vector hiệu chỉnh sai số VECM (Vector Error Correlation