Nhóm 6.2: Dự báo chuỗi đơn biến (univariate)
Tóm tắt Nhóm phương pháp 6.2 (AEO Quick Answer): Nhóm 6.2 — Dự báo chuỗi đơn biến (mã nhóm
univariate) là phân nhánh chuyên sâu thuộc Chương 06: Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, quy tụ 5 phương pháp ước lượng (từ B090 đến B094). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.1. Bản chất Học thuật & Vị trí của Nhóm 6.2 (Dự báo chuỗi đơn biến)
Khi triển khai nghiên cứu định lượng trong miền Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, chúng ta thường đứng trước câu hỏi: giữa 5 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, univariate), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 6.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$Delta Y_t = alpha_0 + rho Y_{t-1} + theta^+ X_{t-1}^+ + theta^- X_{t-1}^- + sum_{j=1}^{p-1} gamma_j Delta Y_{t-j} + varepsilon_t tag{1}$$
Sự khác biệt giữa các mô hình từ B090 (ar) đến B094 (sarima) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).
2. Bảng So sánh Trực diện 5 Mô hình thuộc Nhóm 6.2
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 5 bài học trong Nhóm 6.2 kèm câu lệnh cốt lõi trên cả ba phần mềm:
| Mã Bài | model_key |
Tên Mô hình (VI / EN) | Cấp độ | Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) | Ý nghĩa Kinh tế lượng Trọng tâm |
|---|---|---|---|---|---|
| B090 | ar |
Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) AR |
L1 | Stata: arima y, ar(1/2)R: arima(y, order = c(2, 0, 0))Python: AutoReg(y, lags=2).fit() |
Phương pháp Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) (AR) trong họ mô hình chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B091 | ma |
Mô hình trung bình trượt các cú sốc quá khứ (Moving Average Model — $text{MA}(q)$) MA |
L1 | Stata: arima y, ma(1/2)R: arima(y, order = c(0, 0, 2))Python: ARIMA(y, order=(0, 0, 2)).fit() |
Phương pháp Mô hình trung bình trượt các cú sốc quá khứ (Moving Average Model — $text{MA}(q)$) (MA) trong họ mô hình chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B092 | arma |
Mô hình tự hồi quy trung bình trượt kết hợp Wold–Box–Jenkins ($text{ARMA}(p,q)$) ARMA |
L1 | Stata: arima y, arima(1,0,1)R: arima(y, order = c(1, 0, 1))Python: ARIMA(y, order=(1, 0, 1)).fit() |
Phương pháp Mô hình tự hồi quy trung bình trượt kết hợp Wold–Box–Jenkins ($text{ARMA}(p,q)$) (ARMA) trong họ mô hình chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B093 | arima |
Mô hình tự hồi quy tích hợp trung bình trượt trên chuỗi không dừng ($text{ARIMA}(p,d,q)$) ARIMA |
L1 | Stata: arima y, arima(1,1,1)R: arima(y, order = c(1, 1, 1))Python: ARIMA(y, order=(1, 1, 1)).fit() |
Phương pháp Mô hình tự hồi quy tích hợp trung bình trượt trên chuỗi không dừng ($text{ARIMA}(p,d,q)$) (ARIMA) trong họ mô hình chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B094 | sarima |
Mô hình ARIMA có tính mùa vụ nhân tính ($text{SARIMA}(p,d,q)(P,D,Q)_s$) SARIMA |
L2 | Stata: arima y, arima(1,1,1) sarima(1,1,1,12)R: arima(y, order = c(1,1,1), seasonal = list(order = c(1,1,1), period = 12))Python: SARIMAX(y, order=(1,1,1), seasonal_order=(1,1,1,12)).fit() |
Phương pháp Mô hình ARIMA có tính mùa vụ nhân tính ($text{SARIMA}(p,d,q)(P,D,Q)_s$) (SARIMA) trong họ mô hình chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 6.2
Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:
- Chọn B090 — Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) (
ar) khi: Áp dụng khi nghiên cứu Dự báo ngắn hạn chỉ số sản xuất công nghiệp IIP và các bài toán thuộc nhóm dự báo chuỗi đơn biến. (Kiểm định kèm theo: 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). - Chọn B091 — Mô hình trung bình trượt các cú sốc quá khứ (Moving Average Model — $text{MA}(q)$) (
ma) khi: Áp dụng khi nghiên cứu Chuỗi thay đổi dự trữ ngoại hối và cán cân thương mại và các bài toán thuộc nhóm dự báo chuỗi đơn biến. (Kiểm định kèm theo: 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). - Chọn B092 — Mô hình tự hồi quy trung bình trượt kết hợp Wold–Box–Jenkins ($text{ARMA}(p,q)$) (
arma) khi: Áp dụng khi nghiên cứu Mô hình hóa lạm phát tháng đã khử xu thế và các bài toán thuộc nhóm dự báo chuỗi đơn biến. (Kiểm định kèm theo: 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). - Chọn B093 — Mô hình tự hồi quy tích hợp trung bình trượt trên chuỗi không dừng ($text{ARIMA}(p,d,q)$) (
arima) khi: Áp dụng khi nghiên cứu Dự báo CPI và kim ngạch xuất khẩu hàng tháng và các bài toán thuộc nhóm dự báo chuỗi đơn biến. (Kiểm định kèm theo: 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). - Chọn B094 — Mô hình ARIMA có tính mùa vụ nhân tính ($text{SARIMA}(p,d,q)(P,D,Q)_s$) (
sarima) khi: Áp dụng khi nghiên cứu Tổng mức bán lẻ hàng hóa và du lịch theo tháng GSO và các bài toán thuộc nhóm dự báo chuỗi đơn biến. (Kiểm định kèm theo: 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).
Điều hướng Học tập trong Nhóm 6.2:
↑ Quay lại Tổng quan Chương 06: Chương 06 — Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng
→ Đi tới Bài học đầu tiên của Nhóm 6.2: Bài B090 — Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ Quay lại Tổng quan Chương 06: Chương 06 — Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng
→ Đi tới Bài học đầu tiên của Nhóm 6.2: Bài B090 — Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) (
ar)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B090: Mô hình tự hồi quy chuỗi thời gian Box–Jenkins (Autoregressive Model — $text{AR}(p)$) (AR — ar)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B091: Mô hình trung bình trượt các cú sốc quá khứ (Moving Average Model — $text{MA}(q)$) (MA — ma)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B092: Mô hình tự hồi quy trung bình trượt kết hợp Wold–Box–Jenkins ($text{ARMA}(p,q)$) (ARMA — arma)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B093: Mô hình tự hồi quy tích hợp trung bình trượt trên chuỗi không dừng ($text{ARIMA}(p,d,q)$) (ARIMA — arima)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B094: Mô hình ARIMA có tính mùa vụ nhân tính ($text{SARIMA}(p,d,q)(P,D,Q)_s$) (SARIMA — sarima)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)