3. PH NG PHÁP NGHIÊ NC U
3.1.1 ol ng kv ngl m phát b ng mô hình ARIMA
Mô hình ARIMA (Autoregressive Integrated Moving Average- T h i qui trung bình tr t) đ c nghiên c u b i George Box và Gwilym Jenkins, là m t mô hình đ n bi n s d ng d li u chu i th i gian, mô hình xem xét giá tr trong quá kh c a bi n s Yt
nh m làm rõ m t s m i quan h gi a các giá tr Yt, t đó d báo giá tr Yt trong
t ng lai. Mô hình ARIMA đ c áp d ng khá ph bi n vào vi c phân tích và d báo
các chu i th i gian.
Mô hình này không c n nh ng bi n nào khác hay m t m i quan h c u trúc ǹo đó, vì v y nó khá đ n gi n nh ng c ng có nh ng b t l i nh t đnh nh : (i)không đ c h tr b i các lý thuy t c s hay m t m i quan h c b n nào (ii)bên c nh đó mô hình ARIMA có th t o ra m t k t qu không ch t l ng trong dài h n. Tuy nhiên, trong nhi u nghiên c u tr c đây, ARIMA đư đ c ch ng minh là t o ra các d báo l m phát ng n h n đáng tin c y và đư cho th y hi u qu t t h n so v i các mô hình đ nh l ng khác.
V c u trúc, mô hình ARIMA (p,d,q) g m có 2 thành ph n sau:
Mô hình t h i quy (Autoregressive) AR(p): Giá tr c a chu i th i gian t i th i
đi m hi n t i đ c xác đ nh t p giá tr tr c đó v̀ m t xung nhi u:
Mô hình trung bình tr t (Moving Average) MA(q): giá tr c a chu i th i gian t i
th i đi m hi n t i đ c xác đ nh t trung bình tr t (có tr ng s ) c a xung nhi u t i th i đi m hi n t i và q th i đi m tr c đó:
Mô hình h i quy k t h p trung bình tr t - ARMA(p,d,q):
Trong đó:
d : là b c sai phân c a chu i th i gian đ c kh o sát
p : là b c t h i qui
q : là b c trung bình tr t.
, , : các tham s c a ph ng trình
: nhi u tr ng có trung bình b ng 0.
Quá trình nh n d ng c a m t mô hình ARIMA không có tính mùa hay có tính mùa ph thu c vào nh ng công c th ng kê - đó l̀, đ th t t ng quan (ACF), t ng quan riêng ph n (PACF); và hi u bi t v quá trình đang nghiên c u c ng nh đòi h i kinh nghi m v̀ phán đoán t t (Newbold và Bos, 1994).
Mô hình ARIMA m r ng bao g m các y u t th i v đ c ký hi u t ng quát là:
ARIMA (p, d, q) (P, D, Q)S
Ph n mô hình Ph n mô hình S = s đo n không có tính mùa có tính mùa m i mùa
Câu h i đ t ra là: Khi xem xét m t chu i th i gian, làm sao ta bi t đ c là nó tuân theo m t quá trình AR thu n túy (và n u có thì giá tr c a p b ng bao nhiêu) hay m t quá trình MA thu n túy (và n u có thì giá tr c a q b ng bao nhiêu) hay m t quá trình ARMA (và n u có thì các giá tr c a p và q b ng bao nhiêu) hay m t quá trình ARIMA mà ta ph i bi t các giá tr c a p, d v̀ q. Ph ng pháp lu n Box-Jenkins (BJ) đư xu t hi n
đúng lúc đ tr l i cho câu h i trên. Ph ng pháp ǹy g m b n b c:
B c 1: Nh n d ng. T c là, tìm các giá tr thích h p c a p, d, q, s. Các công c ch
(PACF), và các bi u đ t ng quan v d a vào các hàm này. Các bi u đ này ch đ n
gi n l̀ các đi m c a ACF và PACF v theo đ tr .
H s d: là s l n l y sai phân đ chu i d li u đ t đ c tr ng thái d ng (c n ph i ki m đnh tính d ng vì các thành ph n AR và MA c a mô hình ARIMA ch liên quan đ n các chu i th i gian d ng).
Mô hình AR(p): đ th ACF gi m d n theo d ng hình sóng ho c hình sin, PACF gi m
đ t bi n sau đ tr p.
Mô hình MA(q): đ th PACF gi m d n theo d ng hình sóng ho c hình sin, ACF gi m đ t bi n sau đ tr p.
Mô hình ARMA (p, q): ACF v̀ PACF đ u gi m d n theo s m .
H s s: s đo n m i mùa. Thông th ng, n u chu i d li u là chu i theo tháng thì s = 12, theo quý thì s = 4.
B c 2: c l ng. Sau khi đư nh n d ng các giá tr thích h p c a p v̀ q, b c ti p
theo là c l ng các thông s c a các s h ng t h i quy v̀ trung bình tr t trong mô hình. ôi khi ph́p tính ǹy có th đ c th c hi n b ng ph ng pháp bình ph ng t i thi u nh ng đôi khi ta ph i s d ng các ph ng pháp c l ng phi tuy n (thông s phi tuy n).
B c 3: Ki m tra ch n đoán. Sau khi đư l a ch n mô hình ARIMA c th v̀ c
l ng các tham s c a nó, ta tìm hi u xem mô hình l a ch n có phù h p v i d li u m c ch p nh n hay không b i vì có th m t mô hình ARIMA khác c ng phù h p v i d
li u. ó là lý do t i sao ph ng pháp l p mô hình ARIMA c a Box-Jenkins là m t ngh
thu t nhi u h n l̀ m t khoa h c; c n ph i có k n ng t t đ l a ch n đúng mô hình ARIMA. M t ki m đ nh đ n gi n v mô hình l a ch n là xem xem các ph n d c l ng t mô hình này có tính ng u nhiên thu n túy hay không; n u có, ta có th ch p nh n s phù h p này c a mô hình; n u không, ta ph i l p l i t đ u. Nh v y, ph ng pháp lu n BJ là m t quá trình l p l i.
B c 4: D báo. M t trong s các lý do v tính ph bi n c a ph ng pháp l p mô
hình ARIMA là thành công c a nó trong d báo. Trong nhi u tr ng h p, các d báo
mô hình kinh t l ng truy n th ng, đ c bi t l̀ đ i v i d báo ng n h n. T t nhiên, t ng tr ng h p ph i đ c ki m tra c th .
T ng t nh b̀i nghiên c u c a Patra và Partha Ray (2010), bài lu n này s d ng mô
hình ARIMA có tính mùa v đ đo l ng k v ng l m phát (Inflatione) t i Vi t Nam. Mô hình có d ng nh sau:
(1)Inflatione = f [ AR(p), MA(q), SAR(s), SMA(s) ]
3.1.2 Ki m đnh các nhân t tác đ ng đ n k v ng k v ng l m phát b ng mô hình
h i quy theo ph ng pháp LSE và mô hình VAR
Bài lu n v n này s d ng mô hình h i quy đ c xây d ng theo ph ng pháp t t ng
quát đ n đ n gi n (theo tr ng phái kinh t l ng London – LSE) và mô hình v́c t
t h i quy - VAR đ ti n hành ki m đnh các nhân t tác đ ng đ n k v ng l m phát t i Vi t Nam. Mô hình ǹy đư đ c s d ng trong bài nghiên c u c a Patra và Partha Ray (2010) nh đư trình b̀y bên trên.
D a theo nh ng lý thuy t đư có v l m phát và nghiên c u c a Patra và Partha Ray (2010), bài lu n c ng đư ch n ki m đnh 7 y u t chính tác đ ng đ n k v ng l m phát t i Vi t Nam t ng t nh trong nghiên c u c a Patra và Partha Ray (2010), đó l̀: l m phát quá kh , l h ng s n l ng, % thay đ i c a t giá th c hi u l c, % thay đ i trong chi tiêu chính ph , lãi su t th c, % thay đ i trong giá d u, % thay đ i trong giá g o. Tuy nhiên do y u t đ c tr ng c a kinh t Vi t Nam c ng nh h n ch trong quá trình thu th p d li u nên bài lu n v n có m t s thay đ i trong b s li u này. C th là:
(i) Trong bài nghiên c u c a Patra và Partha Ray (2010), l m phát quá kh đ c tính t WPI. Tuy nhiên trong bài nghiên c u này s li u l m phát quá kh t i
Vi t Nam đ c tính toán t CPI, cách tính này là phù h p và ph bi n t i Vi t
Nam.
(ii) Trong bài nghiên c u c a Patra và Partha Ray (2010), các tác gi s d ng % thay đ i c a m t s nhiên li u và m t hàng thi t y u. Tuy nhiên, vì h n ch trong vi c
thu th p s li u, bài nghiên c u này ch s d ng % thay đ i c a giá d u – hàng hóa có nh h ng quan tr ng đ n h u h t các hàng hóa khác trong n n kinh t và giá g o – m t h̀ng l ng th c, th c ph m quan tr ng c a Vi t Nam.
Các y u t đ c ki m đ nh trong
nghiên c u c a M.D.Patra và Partha Ray (2010)
Các y u t đ c ch n ki m đ nh
trong bài lu n v n nƠy
L m phát quá kh - Lagged inflation L m phát quá kh - Inflation L h ng s n l ng – GDPGap L h ng s n l ng – OutputGap
% Thay đ i chi tiêu chính ph -
G(EXPN)
% Thay đ i chi tiêu chính ph -
G_EXPN
Lãi su t th c - Real Interest Rate Lãi su t th c – Real_Int_ Rate % Thay đ i t giá th c hi u l c –
G(REER)
% Thay đ i t giá th c hi u l c – G_REER
% Thay đ i giá nhiên li u – FL % Thay đ i giá d u – G_Oil
% Thay đ i giá hàng thi t y u – PR % Thay đ i giá g o – G_Rice
Mô hình c a b̀i lu n ǹy có d ng nh sau:
(2)Inflatione= f [ ∑iInflationt-i, ∑iOutputgapt-i, ∑iG_EXPNt-i ,
∑iReal_Int_Ratet-i, ∑iG_REERt-i, ∑iG_Oilt-i, ∑iG_Ricet-i]
3.1.2.1 Ph ng pháp xây d ng mô hình t t ng quát đ n đ n gi n theo tr ng phái
LSE
Chi n l c xây d ng mô hình t t ng quát đ n đ n gi n (còn g i là top -down approach) đ c kh i x ng b i ông Hendry (1985) (tr ng phái kinh t l ng London - LSE). Ý
t ng c b n c a chi n l c ǹy l̀ mô hình đ u tiên s c n c vào toàn b các bi n mà d
li u có s n, đây l̀ m t quá trình hình thành mô hình t d li u (Data generate process - DGP). Sau đó lo i b t ng b c m t s bi n trong mô hình không gi i h n (Unrestricted model - U) b ng m t s tiêu chu n l a ch n th ng kê. u đi m c a cách l a ch n này là
kh n ng b sót bi n ít, đ chính xác c a mô hình cao.
Các b c bao g m:
B c 1: S d ng lý thuy t kinh t , nghiên c u tr c đây, v̀ kinh nghi m đ xác đ nh
m t mô hình t ng quát (trong tr ng h p này, "t ng quát" có ngh a l̀ m t mô hình bao g m t t c m i bi n có th có liên quan mà chúng ta có d li u). Ngoài nh ng bi n mà chúng ta có d li u chúng ta cò có th s d ng nh ng bi n đ c l p có đ tr , nh ng bi n đ c l p d ng phi tuy n, d ng bi n t ng tác. Vi c s d ng các bi n đ c l p có đ tr
c ng nh d ng phi tuy n v a nh m nh n d ng mô hình đúng theo b n ch t d li u mà
v a mang Ủ ngh a kinh t .
B c 2: c l ng mô hình.
B c 3: N u b t c h s nào trong nh ng h s c l ng không có Ủ ngh a th ng
kê, thì chúng ta nên b đi bi n ít Ủ ngh a nh t v̀ c l ng l i mô hình v i các bi n s còn l i. Nên lo i b t ng bi n m t b i vì nh h ng c a vi c lo i b lên các
ph ng sai c a nh ng bi n còn l i. N u h i qui l n th nh t cho chúng ta th y có hai
bi n không có Ủ ngh a th ng kê, thì bi n ít Ủ ngh a nh t s b b ra tr c, đi u này có
th l̀m t ng m c Ủ ngh a c a bi n kia.
Tiêu chu n th ng kê lo i b l̀ c n c vào p - value trong k t qu b ng h i qui.
• u tiên th nh t lo i b nh ng bi n đ c l p có p - value ≥ 90% (đi u ǹy có ngh a là xác xu t sai l m c a chúng ta là 90% n u không lo i b bi n ra kh i mô hình kinh t l ng).
• u tiên th nhì là lo i b nh ng bi n đ c l p có p - value ≥ 50%.
B c 4: S d ng ki m đnh Wald đ ki m tra mô hình cu i cùng (mô hình gi i h n-
Restricted model - R) so v i mô hình t ng quát ban đ u (mô hình không gi i h n - U).
3.1.2.2 Mô hình t h i quy véc t – VAR
Mô hình t h i quy v́c t –VAR đ c phát tri n b i Sims. Ông l̀ m t nh̀ khoa h c
kinh t ng i M đư đ c đ c trao gi i Nobel Kinh t n m 2011 cùng Thomas J. Sargent. Ông l̀ ng i c v s d ng mô hình VAR trong phân tích kinh t v mô th c
C ng hi n quan tr ng nh t c a Sims l̀ ông cho th y th c t có th s d ng d li u l ch s đ phân tích m i quan h nhân qu trong kinh t v mô, cho dù đó có l̀ m i quan h
hai m t. Nghiên c u c a Sims t p trung v̀o vi c phân bi t gi a nh ng thay đ i không
l ng tr c c a các bi n s kinh t v mô và nh ng thay đ i đã l ng tr c đ xác
đ nh tác đ ng c a chúng đ i v i các bi n s v mô quan tr ng. Sims đ xu t m t mô
hình m i giúp nh n di n, gi i thích các cú s c kinh t trong d li u l ch s , v̀ giúp
phân tích xem nh ng cú s c y d n d n tác đ ng ra sao t i các bi n s v mô khác. T
đó c ng l̀ n n t ng cho vi c ban h̀nh chính sách kinh t c a chính ph . Ph ng pháp
lu n c a Sims nói chung hay VAR nói riêng g m ba b c.
Th nh t, s d ng mô hình VAR đ d báo các bi n s kinh t v mô. ây l̀ m t mô
hình t ng đ i đ n gi n s d ng d li u chu i th i gian, theo đó các giá tr quan sát
tr c đó đ c dùng đ đ a ra các d báo chính xác nh t có th . Khác bi t gi a d báo
v̀ k t qu (l i d báo) đ i v i m t bi n c th đ c coi l̀ m t lo i “cú s c”, nh ng Sims cho th y nh ng l i d báo y không có Ủ ngh a kinh t rõ r̀ng. Ví d nh lưi su t b t ng thay đ i có th l̀ ph n ng tr c m t cú s c khác, ví d nh th t nghi p hay
l m phát, c ng có th chúng x y ra hòn tòn “đ c l p”. S thay đ i m t cách đ c l p
y đ c g i l̀ “cú s c c b n”.
Th hai, tách “cú s c c b n” ra, đây l̀ đi u ki n tiên quy t đ nghiên c u tác đ ng
c a vi c lưi su t thay đ i “đ c l p”.Th c t , m t trong nh ng đóng góp l n c a Sims
l̀ ch ng minh vi c đi t hi u bi t tòn di n cách th c v n h̀nh c a n n kinh t có th
đi t i nh n di n đ c các “cú s c c b n”.Sims v̀ các nh̀ nghiên c u ti p b c ông
đư phát tri n các ph ng pháp khác nhau đ nh n di n c a “cú s c c b n” trong mô
hình VAR.
Th ba, m t khi đư nh n di n đ c các “cú s c c b n” t d li u l ch s ta ti p t c là phân tích impulse-response (phân tích ph n ng đ y) v̀ k thu t phân rư ph ng sai đ minh h a tác đ ng c a các cú s c c b n đ i v i các bi n s v mô qua th i gian. V c u trúcVAR g m nhi u ph ng trình (mô hình h ph ng trình) và có các tr c a các bi n s . Mô hình VAR t ng quát g m 1 h các ph ng trình m̀ m i ph ng
trìnhcó d ng sau đây:
Trong đó:
Yt : Bi n (chu i th i gian) t i th i đi m t.
a : H ng s c a ph ng trình