Chương 06: Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng (Univariate, Nonlinear, Structural Break & Bubble Time Series)
time_series), chúng ta sẽ cùng nhau làm chủ 23 mô hình kinh tế lượng được phân bổ có hệ thống vào 5 nhóm phương pháp chuyên sâu. Trọng tâm cốt lõi của chương là giải quyết câu hỏi: “Làm thế nào để kiểm định tính dừng, dự báo chuỗi thời gian, ước lượng đồng tích hợp bất đối xứng (ARDL/NARDL), lấy mẫu tần suất hỗn hợp (MIDAS) và phát hiện điểm gãy/bong bóng?” thông qua thực hành đối chứng 100% trên bộ ba công cụ Stata 18 MP, R 4.x và Python 3.11+ với dữ liệu thực tế từ EcoData và phòng thí nghiệm EcoLab.1. Đặt vấn đề & Bối cảnh Nghiên cứu của Chương 06
Trong hành trình thực hiện khóa luận tốt nghiệp, luận văn thạc sĩ, luận án tiến sĩ hay các công bố quốc tế chuẩn ISI/Scopus giai đoạn 2021–2026, việc lựa chọn đúng họ mô hình kinh tế lượng (econometric model family, time_series) quyết định trực tiếp tính hợp lệ nội tại của toàn bộ nghiên cứu. Rất nhiều bản thảo bị tạp chí từ chối ngay vòng đầu tiên không phải vì thiếu dữ liệu, mà vì nhà nghiên cứu áp dụng ước lượng cổ điển khi cấu trúc dữ liệu đòi hỏi các kỹ thuật chuyên biệt của Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng.
Ở Chương 06 này, chúng ta sẽ tiếp cận từng phương pháp từ trực giác kinh tế gần gũi nhất, đi qua cấu trúc đại số và xác suất vừa đủ để hiểu rõ bản chất nhận dạng, rồi trực tiếp thực thi trên cả ba nền tảng phần mềm phổ biến nhất hiện nay. Như biểu diễn tổng quát trong công thức (1), cấu trúc toán học nền tảng của họ mô hình time_series được đặt trên hệ tiên đề sau:
$$Delta Y_t = alpha_0 + rho Y_{t-1} + theta^+ X_{t-1}^+ + theta^- X_{t-1}^- + sum_{j=1}^{p-1} gamma_j Delta Y_{t-j} + varepsilon_t tag{1}$$
Từ công thức (1), chúng ta có thể thấy rõ cách thức mà từng nhóm mô hình con trong chương mở rộng hoặc nới lỏng các giả định khắt khe về kỳ vọng có điều kiện, ma trận hiệp phương sai của nhiễu và cơ chế nội sinh trong dữ liệu kinh tế Việt Nam.
2. Bản đồ Cấu trúc 5 Nhóm Phương pháp Con thuộc Chương 06
Để giúp bạn dễ dàng định vị phương pháp phù hợp nhất với đề tài và cấu trúc dữ liệu của mình, bảng dưới đây tổng hợp toàn bộ 5 nhóm con và 23 bài học trong Chương 06:
| Mã Nhóm | Tên Nhóm Phương pháp (sub_model) |
Quy mô | Danh sách Bài học & Mô hình thuộc Nhóm |
|---|---|---|---|
| Nhóm 6.1 | unit_root_cointegration — Nghiệm đơn vị & Đồng tích hợp |
6 mô hình | B084 (adf), B085 (phillips_perron), B086 (df_gls), B087 (kpss), B088 (zivot_andrews), B089 (johansen) |
| Nhóm 6.2 | univariate — Dự báo chuỗi đơn biến |
5 mô hình | B090 (ar), B091 (ma), B092 (arma), B093 (arima), B094 (sarima) |
| Nhóm 6.3 | distributed_lag — Trễ phân phối & Phi tuyến ARDL |
4 mô hình | B095 (ardl), B096 (uecm), B097 (nardl), B098 (qardl) |
| Nhóm 6.4 | state_space — Không gian trạng thái |
3 mô hình | B099 (sarimax), B100 (unobserved_components), B101 (dynamic_factor) |
| Nhóm 6.5 | nonlinear_breaks_bubbles — Không gian trạng thái |
5 mô hình | B102 (threshold_regression), B103 (star_smooth_transition), B104 (midas_regression), B105 (bai_perron_break), B106 (psy_bubble_gsadf) |
3. Danh mục Chi tiết 23 Mô hình Kinh tế lượng & Bộ Công cụ Tri-Engine
Mỗi bài học dưới đây đều được thiết kế theo bố cục 8 phần chuẩn sư phạm: từ giới thiệu phương pháp, tình huống dữ liệu thực tế tại Việt Nam, diễn giải toán học, gói lệnh Stata 18 / R 4.x / Python 3.11+, đến thực hành từng bước và kiến giải chính sách:
| Mã Bài | Khóa Mô hình | Tên Bài học Chuyên sâu | Cấp độ | Gói Thư viện Tri-Engine (Stata · R · Python) | Dữ liệu Thực nghiệm Việt Nam (EcoData) |
|---|---|---|---|---|---|
| B084 | adf |
Kiểm định nghiệm đơn vị Dickey–Fuller tăng cường (Augmented Dickey–Fuller — ADF Test) | L1 | base Stata · tseries / urca · statsmodels |
Kiểm định tính dừng chuỗi CPI, GDP, VN-Index Việt Nam |
| B085 | phillips_perron |
Kiểm định nghiệm đơn vị phi tham số Phillips–Perron (PP Unit-Root Test) | L1 | pperron · urca · arch |
Chuỗi tỷ giá USD/VND và lãi suất liên ngân hàng |
| B086 | df_gls |
Kiểm định nghiệm đơn vị khử xu thế cục bộ lực kiểm định cao Elliott–Rothenberg–Stock (DF-GLS) | L2 | dfgls · urca · arch |
Chuỗi lạm phát lõi và cung tiền M2 Việt Nam |
| B087 | kpss |
Kiểm định tính dừng Kwiatkowski–Phillips–Schmidt–Shin đối chứng với ADF (KPSS Test) | L1 | Stata kpss · tseries / urca · statsmodels |
Đối chứng cặp đôi ADF–KPSS cho chuỗi xuất khẩu |
| B088 | zivot_andrews |
Kiểm định nghiệm đơn vị có điểm gãy cấu trúc nội sinh Zivot–Andrews | L2 | zandrews · urca · arch |
Chuỗi GDP Việt Nam qua cú sốc COVID-19 |
| B089 | johansen |
Kiểm định đồng tích hợp đa biến theo vết và trị riêng cực đại Johansen | L2 | base Stata · urca · statsmodels |
Cầu tiền, lãi suất và thu nhập tại Việt Nam |
| B090 | ar |
Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) | L1 | base Stata · stats · statsmodels |
Dự báo ngắn hạn chỉ số sản xuất công nghiệp IIP |
| B091 | ma |
Mô hình trung bình trượt các cú sốc quá khứ (Moving Average Model — $text{MA}(q)$) | L1 | base Stata · stats · statsmodels |
Chuỗi thay đổi dự trữ ngoại hối và cán cân thương mại |
| B092 | arma |
Mô hình tự hồi quy trung bình trượt kết hợp Wold–Box–Jenkins ($text{ARMA}(p,q)$) | L1 | base Stata · stats · statsmodels |
Mô hình hóa lạm phát tháng đã khử xu thế |
| B093 | arima |
Mô hình tự hồi quy tích hợp trung bình trượt trên chuỗi không dừng ($text{ARIMA}(p,d,q)$) | L1 | base Stata · stats / forecast · statsmodels |
Dự báo CPI và kim ngạch xuất khẩu hàng tháng |
| B094 | sarima |
Mô hình ARIMA có tính mùa vụ nhân tính ($text{SARIMA}(p,d,q)(P,D,Q)_s$) | L2 | base Stata · stats / forecast · statsmodels |
Tổng mức bán lẻ hàng hóa và du lịch theo tháng GSO |
| B095 | ardl |
Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) | L2 | Stata ardl · ARDL / dynlm · statsmodels |
Tỷ giá, giá dầu và lạm phát tại Việt Nam |
| B096 | uecm |
Mô hình hiệu chỉnh sai số không ràng buộc và tốc độ hội tụ cân bằng dài hạn (UECM) | L2 | Stata ardl · ARDL / dynlm · statsmodels |
Động học ngắn hạn và dài hạn của FDI |
| B097 | nardl |
Mô hình ARDL phi tuyến bất đối xứng Shin–Yu–Greenwood-Nimmo (NARDL) | L3 | nardl · ARDL / dynamac · statsmodels |
Truyền dẫn bất đối xứng giá xăng dầu lên CPI |
| B098 | qardl |
Mô hình tự hồi quy trễ phân phối trên các phân vị Cho–Kim–Shin (Quantile ARDL — QARDL) | L4 | qardl / sqreg ECM · quantreg · statsmodels |
Đồng tích hợp theo trạng thái thị trường tài chính |
| B099 | sarimax |
Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) | L3 | base Stata · stats · statsmodels |
Dự báo thu ngân sách có biến sự kiện chính sách thuế |
| B100 | unobserved_components |
Mô hình tách thành phần không quan sát được của Harvey (Unobserved Components — UCM) | L3 | base Stata · stats · statsmodels |
Ước lượng sản lượng tiềm năng và lỗ hổng sản lượng |
| B101 | dynamic_factor |
Mô hình nhân tố động không gian trạng thái Stock–Watson (Dynamic Factor Model — DFM) | L3 | base Stata · stats / vars · statsmodels |
Chỉ số chu kỳ kinh doanh tổng hợp Việt Nam |
| B102 | threshold_regression |
Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) | L3 | Stata 18 threshold · strucchange · Concentrated SSR grid search + Hansen |
Ngưỡng lạm phát tác động phi tuyến lên tăng trưởng |
| B103 | star_smooth_transition |
Mô hình tự hồi quy chuyển tiếp trơn Teräsvirta (Smooth Transition — LSTAR & ESTAR) | L4 | star / nl · minpack.lm · scipy.optimize.least_squares + statsmodels |
Điều chỉnh phi tuyến trơn của tỷ giá thực |
| B104 | midas_regression |
Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (Mixed-Data Sampling — Almon/Beta MIDAS & U-MIDAS) | L3 | midas / U-MIDAS · midasr · scipy + statsmodels |
Dự báo GDP quý từ dữ liệu tháng GSO |
| B105 | bai_perron_break |
Kiểm định và ước lượng đa điểm gãy cấu trúc chưa biết trước của Bai–Perron (xtbreak) | L4 | Stata estat sbsingle / xtbreak · strucchange · Dynamic-programming Bai–Perron SSR segmentation |
Xác định các bước ngoặt chế độ vĩ mô Việt Nam |
| B106 | psy_bubble_gsadf |
Kiểm định đệ quy đuôi phải phát hiện và định ngày đa bong bóng Phillips–Shi–Yu (SADF / GSADF / BSADF) | L4 | radf · exuber · Recursive Right-Tailed SADF / GSADF / BSADF engine |
Phát hiện giai đoạn bong bóng chứng khoán / vàng / BĐS |
4. Cây Quyết định Lựa chọn Mô hình & Bộ Kiểm định Chẩn đoán Bắt buộc
Khi đứng trước bộ dữ liệu thực tế của đề tài, chúng ta cần tuân thủ quy trình kiểm định tiền ước lượng (pre-estimation) và hậu ước lượng (post-estimation) nghiêm ngặt. Hãy kiểm tra các tiêu chí sau trước khi báo cáo kết quả của Chương 06:
- Câu hỏi nhận dạng trung tâm: Làm thế nào để kiểm định tính dừng, dự báo chuỗi thời gian, ước lượng đồng tích hợp bất đối xứng (ARDL/NARDL), lấy mẫu tần suất hỗn hợp (MIDAS) và phát hiện điểm gãy/bong bóng?
- Hệ thống kiểm định bắt buộc: ADF/PP/KPSS/DF-GLS/Zivot–Andrews Unit Root, Ljung–Box Q, Pesaran PSS Bounds F & t Test, Bai–Perron Sup-F, PSY GSADF Wild Bootstrap
- Nguyên tắc đối chứng Tri-Engine: Luôn kiểm tra độ hội tụ của hàm hợp lý / điều kiện moment và đối chiếu sai số chuẩn vững (robust / clustered standard errors) giữa Stata, R và Python.
- Tích hợp dữ liệu thực nghiệm Việt Nam: Tận dụng trực tiếp các bộ dữ liệu chuẩn hóa từ EcoData (VHLSS, GSO 63 tỉnh thành, Hải quan, Doanh nghiệp niêm yết HOSE/HNX) và chạy kiểm chứng một chạm trên EcoLab.
5. Bộ Prompt Copy-Ready Sinh Infographic Tổng quan Chương 06
Chúng ta có thể sao chép trực tiếp đoạn prompt chuẩn hóa dưới đây vào Gemini NotebookLM hoặc Gemini Nano Banana Pro để tạo ngay bản đồ Infographic 4K tóm tắt toàn bộ cây quyết định của Chương 06 phục vụ slide bảo vệ khóa luận, luận văn hoặc bài giảng trên lớp:
🎨 Copy-Ready Prompt: Gemini NotebookLM / Nano Banana Pro — Infographic Chương 06
[GEMINI NOTEBOOKLM / NANO BANANA PRO — INFOGRAPHIC BLUEPRINT CHƯƠNG 06]
Vai trò: Chuyên gia Thiết kế Đồ họa Thông tin Học thuật (Academic Information Designer) & Giảng viên Kinh tế lượng 18 năm kinh nghiệm.
Chủ đề: Bản đồ Tư duy & Cây Quyết định Lựa chọn Mô hình cho Chương 06: Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng (Univariate, Nonlinear, Structural Break & Bubble Time Series — Họ `time_series`).
Bố cục 4 tầng (Tỷ lệ 16:9 chuẩn 4K 3840x2160, nền trắng ngà #F8FAFC, bảng màu xanh Navy #0F172A, xanh cổ vịt #0D9488, vàng đồng #D97706):
1. Tầng Tiêu đề (Top Banner): 'CHƯƠNG 06: CHUỖI THỜI GIAN ĐƠN BIẾN, PHI TUYẾN, ĐIỂM GÃY CẤU TRÚC VÀ BONG BÓNG' — Tổng hợp 5 nhóm con & 23 mô hình Tri-Engine (Stata 18 · R 4.x · Python 3.11+).
2. Tầng Cây Quyết định (Central Decision Flowchart): Sơ đồ rẽ nhánh giúp nhà nghiên cứu chọn đúng mô hình trong 5 nhóm con: (1) Nhóm 6.1 Nghiệm đơn vị & Đồng tích hợp (6 bài: B084, B085, B086, B087, B088, B089); (2) Nhóm 6.2 Dự báo chuỗi đơn biến (5 bài: B090, B091, B092, B093, B094); (3) Nhóm 6.3 Trễ phân phối & Phi tuyến ARDL (4 bài: B095, B096, B097, B098); (4) Nhóm 6.4 Không gian trạng thái (3 bài: B099, B100, B101); (5) Nhóm 6.5 Không gian trạng thái (5 bài: B102, B103, B104, B105, B106).
3. Tầng Công thức & Kiểm định Trụ cột (Core Identification & Diagnostics): Câu hỏi trọng tâm (Làm thế nào để kiểm định tính dừng, dự báo chuỗi thời gian, ước lượng đồng tích hợp bất đối xứng (ARDL/NARDL), lấy mẫu tần suất hỗn hợp (MIDAS) và phát hiện điểm gãy/bong bóng?), công thức lõi (Delta Y_t = alpha_0 + rho Y_{t-1} + theta^+ X_{t-1}^+ + theta^- X_{t-1}^- + sum_{j=1}^{p-1} gamma_j Delta Y_{t-j} + varepsilon_t), kiểm định bắt buộc (ADF/PP/KPSS/DF-GLS/Zivot–Andrews Unit Root, Ljung–Box Q, Pesaran PSS Bounds F & t Test, Bai–Perron Sup-F, PSY GSADF Wild Bootstrap) và các mô hình tiêu biểu (B084 Kiểm định nghiệm đơn vị Dickey–Fuller tăng cường (Augmented Dickey–Fuller — ADF Test) (adf), B085 Kiểm định nghiệm đơn vị phi tham số Phillips–Perron (PP Unit-Root Test) (phillips_perron), B086 Kiểm định nghiệm đơn vị khử xu thế cục bộ lực kiểm định cao Elliott–Rothenberg–Stock (DF-GLS) (df_gls), B087 Kiểm định tính dừng Kwiatkowski–Phillips–Schmidt–Shin đối chứng với ADF (KPSS Test) (kpss), B088 Kiểm định nghiệm đơn vị có điểm gãy cấu trúc nội sinh Zivot–Andrews (zivot_andrews), B089 Kiểm định đồng tích hợp đa biến theo vết và trị riêng cực đại Johansen (johansen)).
4. Tầng Chân trang (Footer): Hệ sinh thái Dữ liệu Kinh tế Việt Nam EcoData (ecodata.io.vn) · Phòng thí nghiệm Kinh tế lượng EcoLab (ecolab.io.vn) · Cổng Học thuật VietLOD (vietlod.tnsai.vn).6. Tài liệu Tham khảo Học thuật Trụ cột của Chương 06
- Tài liệu gốc & Giáo trình nền tảng: Box & Jenkins (1976); Pesaran, Shin & Smith (2001); Shin, Yu & Greenwood-Nimmo (2014); Bai & Perron (1998); Phillips, Shi & Yu (2015)
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.
- Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vols. 1–2). Stata Press.
- Hansen, B. E. (2022). Econometrics. Princeton University Press.
← Chương trước: Chương 05: Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến
→ Bắt đầu Bài học đầu tiên của Chương 06: Bài B084 — Kiểm định nghiệm đơn vị Dickey–Fuller tăng cường (Augmented Dickey–Fuller — ADF Test) (
adf)→ Chương tiếp theo: Chương 07: Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa
Hướng dẫn chọn mô hình và so sánh 6 phương pháp ước lượng thuộc Nhóm 6.1 (Nghiệm đơn vị & Đồng tích hợp)
Hướng dẫn chọn mô hình và so sánh 5 phương pháp ước lượng thuộc Nhóm 6.2 (Dự báo chuỗi đơn biến) trên Stata
Hướng dẫn chọn mô hình và so sánh 4 phương pháp ước lượng thuộc Nhóm 6.3 (Trễ phân phối & Phi tuyến ARDL)
Hướng dẫn chọn mô hình và so sánh 3 phương pháp ước lượng thuộc Nhóm 6.4 (Không gian trạng thái) trên Stata 18,
Hướng dẫn chọn mô hình và so sánh 5 phương pháp ước lượng thuộc Nhóm 6.5 (Không gian trạng thái) trên Stata 18,