CHƯƠNG 3: PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU
3. Khái quát phương pháp nghiên cứu
3.2 Mô hình Vector tự hồi quy - VAR (Vector Autoregressive Models) .1 Giới thiệu về mô hình VAR
Trong kinh tế, mối quan hệ giữa các biến số kinh tế không đơn thuần chỉ theo một chiều, biến độc lập (biến giải thích) ảnh hưởng lên biến phụ thuộc mà biến phụ thuộc cũng có thể có ảnh hưởng ngược lại lên biến giải thích. Do đó ta phải xét ảnh hưởng qua lại giữa các biến này cùng một lúc. Chính vì thế mô hình kinh tế lượng đưa vào trong nghiên cứu không phải là mô hình một phương trình mà là mô hình nhiều phương trình. Mô hình tự hồi quy vector - VAR được sử dụng rất phổ biến trong nghiên cứu kinh tế vĩ mô do hai tác giả Christopher A. Sims và Thomas J. Sargent đưa ra và đoạt giải Nobel kinh tế vào năm 2011.
Mô hình VAR là một mô hình gồm nhiều phương trình. VAR là sự kết hợp của hai phương pháp tự hồi quy đơn chiều (univariate autoregression – AR) và hệ phương trình ngẫu nhiên (simultanous equations – Ses). VAR là phương pháp kết hợp các ưu điểm của phương pháp AR là rất dễ ước lượng bằng phương pháp tối thiểu hóa phần dư (OLS) và ưu điểm của SEs là ước lượng nhiều biến trong cùng một hệ thống. Đồng thời VAR khắc phục được nhược điểm của phương pháp SEs là nó không cần quan tâm đến tính nội sinh của các biến kinh tế (endogeneity). Các biến kinh tế vĩ mô thường mang tính nội sinh khi chúng tác động qua lại lẫn nhau.
Thuộc tính này làm cho phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy nhiều biến bị sai lệch khi ước lượng. Đây là lý do cơ bản khiến VAR trở nên phổ biến trong nghiên cứu kinh tế vĩ mô. Nó là nền tảng cho nghiên cứu về sự đồng liên kết (cointegration) của Engle và Granger (1987) đạt giải Nobel năm 2003.
VAR là một mô hình kinh tế thuần túy về chuỗi thời gian bởi vậy đôi khi được gọi là unrestricted VAR (với nghĩa không có cấu trúc gì cả mà chỉ là một mô hình thống kê). Mô hình VAR được khái quát hóa từ hệ phương trình có nhiều hơn một biến phụ thuộc.
Dạng tổng quát của VAR được thể hiện như sau:
Yt = + Yt-1 + Yt- 2 + … + Yt-k + ut g 1 g 1 g g g 1 g g g 1 g g g 1 g 1
(1)
Theo Sims (1986), quá trình phân tích VAR gồm ba bước cơ bản:
Đầu tiên, nhà phân tích dự báo các biến số vĩ mô sử dụng mô hình vector - autoregression (mô hình VAR). Đây là một mô hình tương đối đơn giản sử dụng dữ liệu chuỗi thời gian, theo đó các giá trị quan sát trước đó được dùng để đi tới dự báo chính xác nhất có thể. Khác biệt giữa dự báo và kết quả (lỗi dự báo) đối với một biến cụ thể được coi là một loại "cú sốc", nhưng Sims (1986) cho thấy những lỗi dự bỏo ấy khụng cú ý nghĩa kinh tế rừ ràng.Vớ dụ như lói suất bất ngờ thay đổi cú thể là phản ứng trước một cú sốc khác, ví dụ như thất nghiệp hay lạm phát, cũng có thể chúng xảy ra hoàn toàn "độc lập". Sự thay đổi một cách độc lập ấy được gọi là "cú sốc cơ bản".
Bước thứ hai là tách "cú sốc cơ bản" ra. Đây là điều kiện tiên quyết để nghiên cứu tác động của việc lãi suất thay đổi "độc lập". Thực tế, một trong những đóng góp lớn của Sims (1986) là chứng minh việc đi từ hiểu biết toàn diện cách thức vận hành của nền kinh tế có thể đi tới nhận diện được các "cú sốc cơ bản".
Sims (1986) và các nhà nghiên cứu tiếp bước ông đã phát triển các phương pháp khác nhau để nhận diện của "có sốc cơ bản" trong mô hình VAR. Một khi đã nhận diện được các "cú sốc cơ bản" từ dữ liệu lịch sử.
Bước thứ ba trong phương pháp của Sims (1986) là phân tích impulse- response (phân tích phản ứng xung). Phân tích này minh họa tác động của các cú sốc cơ bản đối với các biến số vĩ mô qua thời gian cho thấy tăng chi tiêu công có thể trung hòa được một đợt suy thoái tạm thời.
Mô hình VAR là công cụ không thể thiếu trong phân tích ảnh hưởng của nhiều cú sốc khác nhau, đối với nền kinh tế cũng như ảnh hưởng của nhiều chính sách khác nhau để đối phó với các cú sốc trên.
3.2.2 Một số vấn đề của mô hình VAR:
Bên cạnh những ưu điểm nổi trội của mô hình VAR không cần xác định biến nào là biến nội sinh và biến nào là biến ngoại sinh thì mô hình VAR còn vướng phải một số hạn chế như:
1. Khi xét đến mô hình VAR ta phải xét tính dừng của các biến trong mô hình. Yêu cầu đặt ra khi ta ước lượng mô hình VAR là tất cả các biến phải dừng, nếu trong trường hợp các biến này chưa dừng thì ta phải lấy sai phân để đảm bảo chuỗi dừng. Nếu biến không dừng thì việc sử dụng mô hình VAR sẽ dẫn đến kết quả hồi quy giả mạo.
2. Có quá nhiều tham số phải ước lượng nếu mô hình có nhiều biến với độ trễ lớn. Giả sử mô hình đang xem xét có k biến và mỗi biến có p độ trễ đưa vào từng phương trình. Như vậy số tham số cần ước lượng của mô hình sẽ là k + k x k x p tham số. Ví dụ mô hình có ba biến với độ trễ là tám thì số tham số cần ước lượng sẽ là 3 + 3 x 3 x 8 = 75.
3. Mô hình VAR không đo lường được tác động của kỳ hiện tại giữa các biến với nhau mà chỉ đo lường được tác động của các giá trị quá khứ đến giá trị hiện tại giữa các biến.