Ph n này mô t ph ng pháp SVAR (The Sims, 1986; Amisano và Giannini
1997) s đ c s d ng đ cung c p các b ng ch ng kinh t l ng đáng tin c y cho
ph ng pháp MAER đ i v i t giá danh ngh a VND/USD.
Cho đ n cu i th p k 1960, gi i nghiên c u và ho ch đ nh chính sách v mô
s d ng nh ng mô hình kinh t th c nghi m đ c xây d ng trên c s lý thuy t
Keynes đ ph c v cho công tác phân tích và d báo kinh t . M t s mô hình n i ti ng nh Multimod, Fair, Wharton, Nigem, Murphy bao g m hàng ch c, th m chí
hàng tr m ph ng trình bi u di n các quan h kinh t v mô quan tr ng. M i
ph ng trình bi u di n quan h c a m t bi n s v mô v i các bi n khác trong mô hình ho c các bi n ngo i sinh (bi n ngoài mô hình). Ví d t ng đ u t c a n n kinh t s là m t ph ng trình ph thu c vào lãi su t và xu h ng v n đ u t tr c ti p, hay l m phát s ph thu c vào cung ti n và giá nguyên li u thô trên th gi i. Vào cu i giai đo n này các nhà kinh t đư nh n th y hai khi m khuy t quan tr ng c a nhóm mô hình này. Th nh t r t nhi u lý thuy t cho r ng các bi n s kinh t không ch ph thu c vào quan h hi n th i mà còn ph thu c vào k v ng trong t ng lai, ví d đi n hình nh t là lãi su t danh ngh a ph thu c vào k v ng l m phát. H u h t
các mô hình lúc đó đ u ch s d ng bi n ngo i sinh, ngh a là y u t này ph i đ c
xác đ nh bên ngoài mô hình. Rõ ràng đây là m t khi m khuy t c c l n vì nh v y nh ng phân tích/ d báo s d ng các mô hình này ph i ph thu c vào gi đnh c a bi n ng ai sinh – hay nói cách khác nh ng mô hình lo i này ch ng d báo đ c gì vì c n đ u vào là m t th d báo khác. Th hai, các bi n s n i sinh trong các mô
hình đó không th t ng tác qua l i v i nhau ngoài m t s gi đnh r t đ n gi n.
i u này d n đ n v n đ sau khi c l ng VAR các ph n d không có ý ngh a
Hai nhà kinh t ng i M Thomas Sargent và Christopher Sims trong quá trình tìm l i gi i cho hai thách th c này đư m ra m t k nguyên m i trong l nh v c mô hình hóa kinh t v mô ( ây c ng là hai tác gi đo t gi i Nobel Kinh t 2011). Sims v i m t lo t nghiên c u c a mình đư đ a ra m t ph ng pháp m i c l ng toàn b các ph ng trình v mô b ng VAR do đó cho phép các bi n s có nh
h ng qua l i l n nhau. i m đ c bi t trong ph ng pháp c a Sims là kh n ng
phân tách t ng cú s c ng u nhiên trong mô hình đ ch ra nguyên nhân nào d n đ n l m phát hay suy thoái kinh t . Không nh ng th ph ng pháp c a Sims còn giúp các nhà kinh t c l ng đ c m c đ và th i gian ph n ng c a m t n n kinh t c th v i t ng lo i s c khác nhau thông qua phân tích “impulse response functions” t m d ch là hàm ph n ng đ y (IRF), do đó v a giúp cho công tác d báo d dàng h n v a có th đ ra nh ng chính sách đ i phó thích h p.
Song song v i Sims, Sargent đư thành công đ a y u t k v ng vào các mô hình kinh t th c nghi m. i m đ t phá quan tr ng c a Sargent là bi n đ i nh ng y u t k v ng thành m t s ph ng trình gi i h n đ ng th i lên m t vài bi n s v
mô trong m t h VAR. th c hi n đi u này Sargent đư đ a ng c các c u trúc kinh t tr l i VAR (do đó g i là Structural VAR hay SVAR đ phân bi t v i VAR c a Sims). Nh sáng ki n này mà m t mô hình ph thu c vào các y u t k v ng
trong t ng lai có th rút g n v m t h VAR mà Sims đư tìm ra l i gi i tr c đó
không lâu. Trong khi Sims nh n m nh vào s li u th c t và đ n gi n hóa t i đa c u trúc lý thuy t (ngay c vi c đ a ra các ph ng trình c ng c n r t ít lý thuy t),
Sargent đư khéo léo đ a các quan h lý thuy t quay tr l i mô hình mà không phá v ph ng pháp c l ng c a Sims. Chính nh cách bi n đ i c a Sargent cho phép mô hình hóa nh ng quan h kinh t c b n nh t mà nh ng mô hình xây d ng
theo ph ng pháp này có th áp d ng ngay c khi các chính sách hay c ch kinh t
thay đ i (mi n là các hành vi mô không đ i).
Ph ng pháp VAR tiêu chu n gi đ nh r ng các bi n là d ng và ch bao g m
đ tr c a t t c các bi n. Mô hình VAR đ c rút g n v i m t đ tr có th đ c bi u di n nh sau:
(4.1)
Trong đó yt là m t vector c a các bi n n i sinh, dt là m t vector c a các thành ph n xác đ nh nh h ng s , các xu h ng, và các bi n gi theo mùa v ho c can thi p, và vt là m t vector c a các xáo tr n thông th ng đa bi n đ c l p.
u tiên, có v nh ph ng trình (4.1) không cung c p b t k l i gi i thích nào v m i quan h ng n h n ( nh h ng t c th i) gi a các bi n có liên quan.
Trong ph ng trình này, đ c đi m k thu t ch bao g m các bi n n i sinh tr . Tuy nhiên, các hi u ng t c th i nh v y đ c n trong c u trúc t ng quan c a ma tr n hi p ph ng sai đ n t vt. Th c t này ng ý r ng nh ng sáng ki n (innovations) n ch a trong vt s có t ng quan t c th i.
M t th nghi m sâu h n v mô hình VAR nguyên th y giúp đ a ra nh ng hi u bi t t t h n v khó kh n này (Enders, 1995):
(4.2)
Trong ph ng trình (4.2), các ph n d trong t là không t ng quan chéo, vì ma tr n B hàm ch a s t ng tác t c th i gi a các bi n. Ma tr n A tóm g n t t c nh ng t ng tác có đ tr gi a các bi n. (adsbygoogle = window.adsbygoogle || []).push({});
K t qu là, mô hình VAR rút g n (4.1) có th đ c xem nh là m t s th hi n c a các mô t t ng quát h n đ c đ a ra b i mô hình VAR nguyên th y (4.2). Trong th c t , r t d dàng đ th y r ng C = B-1*A và vt = B-1*t. Có ngh a là, nh ng ph n d vt trong mô hình VAR rút g n là k t h p tuy n tính c a các cú s c không
t ng quan.
Sau đó, chúng ta có th ph c h i s t ng tác t c th i c a lãi su t, hàm ch a trong ma tr n B, thông qua vi c áp đ t m t s h n ch , khác so v i c u trúc tam
giác đ c đ a ra b i tiêu chu n phân rã Cholesky. S phân rư đ c s d ng đ tính toán ch c n ng ph n ng đ y trong phân tích VAR truy n th ng, cho phép th c hi n các đi u ki n c n thi t đ nh n d ng. i u này kh ng đnh r ng s l ng các y u t khác không trong ma tr n B ph i b ng ho c ít h n (n2 - n/2). Tuy nhiên, chúng ta có th áp đ t m t cách phân rã khác, m t ma tr n hàm ch a nh ng h n ch
mà cho phép chúng ta xác đ nh các t ng tác t c th i t nh ng xáo tr n c a mô hình VAR rút g n. Quy trình này đ c bi t đ n r ng rưi nh phân tích SVAR.
M t mô hình SVAR t ng quát h n đ c đ xu t b i Amisano và Giannini
(1997), trong đó có th th a nh n m t đ i di n c a VAR v i d li u không d ng
nh là đi m kh i đ u cho các đ c đi m k thu t c a m t mô hình SVAR. C u trúc cu i cùng c a các ph ng trình t c th i đ c th c hi n b ng công th c c a hai ma tr n (A và B) nh sau:
(4.3) (4.4)
Trong đó t là vector bao g m các xáo tr n c a mô hình VAR rút g n và ut là vector bao g m các xáo tr n c a mô hình VAR nguyên th y. Ngoài ra, chúng ta bi t r ng E(ut) = 0 và E (utu’t) = It. Vi c xác đ nh các m i quan h t c th i gi a các bi n
trong ph ng trình (4.4) yêu c u t p h p các h n ch d a trên các gi đnh v lý thuy t.
C u trúc cu i cùng đ t đ c b t đ u t m t mô hình xác đ nh chính xác (ph i
xác đ nh trong ma tr n A) và chuy n đ n m t tình hu ng v t quá s xác đnh (over-identification) b ng vi c áp đ t các h n ch lý thuy t h p lý v m t th ng kê. Tính h p l c a các h n ch đ c áp đ t xác đ nh b ng cách s d ng ki m đ nh likelihood ratio tests.