40
biến này thuộc mô hình. Điều này có thể cho chúng ta biết rằng LPCE chịu ảnh hưởng nhân quả hoặc bởi biến trễ của sai phân LPDI hoặc số hạng trễ EC hoặc cả hai.
Chúng ta lặp lại bài tập trên với LPDI là biến phụ thuộc [tức phương trình (16.23)] để xem liệu biến trễ của (sai phân) LPCE hoặc biến trễ EC hoặc cả hai có ảnh hưởng nhân quả lên LPDI không. Kết luận chúng ta rút ra là chúng thực sự có ảnh hưởng nhân quả lên LPDI.
Qua phân tích trên chúng ta nhận ra rằng có mối quan hệ nhân quả hai chiều giữa LPCE và LPDI. Ở cấp độ kinh tế học vĩ mô, phát hiện này không có gì quá ngạc nhiên, bởi vì tổng thu nhập và tổng tiêu dùng phụ thuộc lẫn nhau.
42
GENR S3 = RESID
Lưu ý:Trong Eviews cũng có sẵn lệnh kiểm định nhân quảGranger, nhưng chỉđối với kiểm định nhân quả Granger chuẩn chứ không có sẵn cho kiểm định nhân quả Granger mở rộng.
44
Tuy nhiên, kết quả có vẻ khác )))
Tốt nhất là nên làm DO FILE với Stata: NHANH GỌN DỄ HIỂU …
use "D:\My Blog\Econometrics by example\Table16_1.dta", clear tsset year
keep if year < 2005 reg lnpce lnpdi time predict s2, resid
reg D.lnpce LD.lnpce LD.lnpdi L.s2 test LD.lnpdi L.s2
reg lnpdi lnpce time predict s3, resid
reg D.lnpdi LD.lnpdi LD.lnpce L.s3 test LD.lnpce L.s3
16.6 Tóm tắt và kết luận
Mục tiêu chính của chương này là giới thiệu cho bạn đọc bốn chủđề trong kinh tếlượng chuỗi thời gian, đó là: (1) dự báo với các mô hình hồi quy tuyến tính, (2) dự báo đơn chuỗi theo phương pháp Box-Jenkins, (3) dựbáo đa chuỗi theo véctơ tự hồi quy (VAR), và (4) bản chất của nhân quả trong kinh tếlượng.
Các mô hình hồi quy tuyến tính đã được sử dụng rất lâu trong dự báo doanh số, sản xuất, thất nghiệp, lợi nhuận công ty, và nhiều chủđề kinh tế khác. Khi thảo luận về dự báo với hồi quy tuyến tính, chúng ta đã phân biệt giữa dựbáo điểm và dự báo khoảng, dự báo hậu nghiệm và dự báo tiền nghiệm, và dựbáo có điều kiện và dự báo không có
45
điều kiện. Chúng ta đã minh họa các loại dự báo này bằng một ví dụ về mối quan hệ giữa chi tiêu cho tiêu dùng thực bình quân đầu người với thu nhập khả dụng thực bình quân đầu người ở Mỹgiai đoạn 1960 –2004 và để dành các quan sát từ2005 đến 2008 để xem thành tích dựđoán của mô hình ước lượng đạt được như thếnào sau giai đoạn ước lượng. Chúng ta đã thảo luận ngắn gọn việc dự báo khi các sai số có tựtương quan. Sau đó chúng ta đã thảo luận phương pháp ARIMA trong dự báo, phương pháp này được biết rộng rãi với tên gọi là phương pháp luận Box-Jenkins. Trong cách tiếp cận Box- Jenkins về dự báo, chúng ta phân tích chỉ một chuỗi thời gian trên cơ sở lịch sửđã qua của nó và trung bình di động thuần túy của hạng nhiễu ngẫu nhiên hoặc cả hai. Tên gọi ARIMA là một sự kết hợp của hai thuật ngữ AR và MA. Phương pháp này giảđịnh rằng chuỗi thời gian đang được xem xét là chuỗi dừng. Nếu là một chuỗi không dừng, thì chúng ta làm cho nó dừng bằng cách lấy sai phân một hoặc nhiều lần.
Mô hình hóa theo ARIMA là một thủ tục gồm bốn bước: (1) Nhận dạng, (2) Ước lượng, (3) Kiểm tra chẩn đoán, và (4) Dự báo. Khi xây dựng một mô hình ARIMA, chúng ta có thể xem xét tính chất của một số mô hình ARIMA chuẩn và sau đó cố gắng điều chỉnh chúng trong một trường hợp cho trước. Một khi mô hình đã được nhận dạng, nó được ước lượng. Để biết liệu mô hình ước lượng có thỏa đáng không, chúng ta thực hiện nhiều kiểm định chẩn đoán. Điểm then chốt ởđây là cần xem phần dư từmô hình được chọn có phải là nhiễu trắng hay không. Nếu không phải là nhiễu trắng, chúng ta bắt đầu lại với thủ tục bốn bước. Vì thếphương pháp luận Box-Jenkins là một thủ tục lặp. Một khi mô hình ARIMA cuối cùng được chọn, nó có thểđược sử dụng để dự báo các giá trịtương lai của biến số mà chúng ta quan tâm. Dựbáo theo phương pháp này có thểlà tĩnh hoặc động.
Để xử lý việc dự báo hai hay nhiều chuỗi thời gian, chúng ta cần đi ra ngoài khuôn khổ của phương pháp luận Box-Jenkins. Các mô hình véctơ tự hồi quy (VARs) được sử dụng cho mục đích này. Trong VAR, chúng ta có một phương trình cho mỗi biến và mỗi phương trình chỉ bao gồm các giá trị trễ của biến sốđó và các giá trị trễ của tất cả các biến khác trong hệ thống.
Như trong trường hợp đơn chuỗi thời gian, trong VAR chúng ta cũng yêu cầu các chuỗi thời gian trong hệ thống phải là các chuỗi dừng. Nếu mỗi chuỗi trong VAR đã dừng rồi, thì mỗi phương trình có thểđược ước lượng theo OLS. Nếu mỗi chuỗi trong VAR không dừng, chúng ta có thểước lượng VAR chỉ với các sai phân bậc một của các chuỗi; hiếm khi chúng ta phải lấy sai phân của một chuỗi thời, gian nhiều hơn một lần. Tuy nhiên, nếu các chuỗi riêng lẻ trong VAR là không dừng, nhưng chúng đồng liên kết, thì chúng ta có thểước lượng VAR bằng cách đưa thêm vào số hạng hiệu chỉnh sai số, số hạng này thu được từ hồi quy đồng liên kết. Điều này dẫn đến mô hình véctơ hiệu chỉnh sai số (VECM).
Chúng ta có thể sử dụng mô hình VAR ước lượng cho việc dự báo. Khi dựbáo như thế, chúng ta không chỉ sử dụng thông tin từ biến đang được xem xét mà còn tất cả các biến có trong hệ thống. Cơ chế thực tế thì chán ngắt, nhưng các phần mềm bây giờđều có lập trình sẵn cho việc ước lượng và dự báo này.
46
Các mô hình VAR cũng có thểđược sử dụng để làm sang tỏ khái niệm nhân quả giữa các biến. Ý tưởng cơ bản đằng sau kiểm định nhân quả là quá khứ có thể là nguyên nhân của hiện tại và tương lai, nhưng không thể có chiều ngược lại. Nhân quả Granger sử dụng khái niệm này. Trong ví dụ về PE và PDI, nếu các giá trị trễ của PDI dự báo tốt cho các giá trị hiện hành của PCE hơn là chỉ riêng các giá trị trễ của PCE, thì chúng ta có thể đồng ý rằng PDI có ảnh hưởng nhân quả(Granger) lên PCE. Tương tự, nếu các giá trị trễ của PCE dự báo tốt cho các giá trị hiện hành của PDI hơn là chỉ riêng các giá trị trễ của PDI, thì chúng ta có thể nói rằng rằng PCE có ảnh hưởng nhân quả (Granger) lên PDI. Hai kết quả này là ví dụ về nhân quả một chiều. Nhưng rất có thể rằng có nhân quả hai chiều giữa hai biến này, nghĩa là PCE có ảnh hưởng nhân quảlên PDI và PDI cũng có ảnh hưởng nhân quả lên PCE.
Khi kiểm chứng nhân quả, chúng ta phải đảm bảo rằng các biến đang xem xét là những chuỗi dừng. Nếu không dừng, thì chúng ta phải lấy sai phân các biến và chạy kiểm định nhân quả với các biến sai phân. Tuy nhiên, nếu các biến không dừng, nhưng đồng liên kết, thì chúng ta cần sử dụng số hạng hiệu chỉnh sai sốđể xem xét mối quan hệ nhân quả, nếu có./.