Nhóm 6.3: Trễ phân phối & Phi tuyến ARDL (distributed_lag)
Tóm tắt Nhóm phương pháp 6.3 (AEO Quick Answer): Nhóm 6.3 — Trễ phân phối & Phi tuyến ARDL (mã nhóm
distributed_lag) là phân nhánh chuyên sâu thuộc Chương 06: Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, quy tụ 4 phương pháp ước lượng (từ B095 đến B098). 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 6.3 (Trễ phân phối & Phi tuyến ARDL)
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 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, distributed_lag), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 6.3 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 B095 (ardl) đến B098 (qardl) 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 4 Mô hình thuộc Nhóm 6.3
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 6.3 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 |
|---|---|---|---|---|---|
| B095 | ardl |
Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) ARDL |
L2 | Stata: ardl y x1 x2, lags(2 1 1) ecR: ARDL::ardl(y ~ x1 + x2, data = df, order = c(2, 1, 1))Python: ARDL(df['y'], 2, df[['x1', 'x2']], 1).fit() |
Phương pháp Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) (ARDL) 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. |
| B096 | uecm |
Mô hình hiệu chỉnh sai số không ràng buộc và tốc độ hội tụ cân bằng dài hạn (UECM) UECM |
L2 | Stata: ardl y x1 x2, lags(2 1 1) ec btestR: ARDL::uecm(ardl_fit) / dynlm ECMPython: UECM(df['y'], 2, df[['x1', 'x2']], 1).fit() |
Phương pháp Mô hình hiệu chỉnh sai số không ràng buộc và tốc độ hội tụ cân bằng dài hạn (UECM) (UECM) 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. |
| B097 | nardl |
Mô hình ARDL phi tuyến bất đối xứng Shin–Yu–Greenwood-Nimmo (NARDL) Nonlinear Asymmetric ARDL (NARDL) |
L3 | Stata: nardl (ssc install nardl: nardl y x1 x2, p(2) q(2) deterministic(c) horizon(20))R: ARDL / dynamac (ARDL::ardl với phân tách tổng dương/âm $X^+, X^-$ + ARDL::bounds_f_test)Python: statsmodels (Partial-sum decomposition $X^+, X^-$ UECM + Pesaran $F_{text{PSS}}$ bounds + Wald long/short-run asymmetry & dynamic multipliers) |
Phân tách biến giải thích thành tổng bộ phận dương và âm ($X_t^+ = sum max(Delta X_j, 0), X_t^- = sum min(Delta X_j, 0)$) để đo lường truyền dẫn bất đối xứng trong cả ngắn hạn lẫn cân bằng dài hạn. |
| B098 | qardl |
Mô hình tự hồi quy trễ phân phối trên các phân vị Cho–Kim–Shin (Quantile ARDL — QARDL) Quantile ARDL (QARDL) |
L4 | Stata: qardl / sqreg ECM (qreg/sqreg ARDL-ECM reparameterization với Delta-method long-run $beta(tau)$)R: quantreg (quantreg::rq dynamic ARDL-ECM across $tau$ grid + covariance Wald tests)Python: statsmodels (QuantReg dynamic ECM across $tau in {0.1, 0.25, 0.5, 0.75, 0.9}$ + Delta-method long-run $theta(tau)$) |
Ước lượng đồng tích hợp và cơ chế hiệu chỉnh sai số phụ thuộc vào từng trạng thái phân vị $tau in (0,1)$ của cú sốc kinh tế vĩ mô/tài chính ($Q_{Y_t}(tau mid mathcal{F}_{t-1})$). |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 6.3
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 B095 — Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) (
ardl) khi: Áp dụng khi nghiên cứu Tỷ giá, giá dầu và lạm phát tại Việt Nam và các bài toán thuộc nhóm trễ phân phối & phi tuyến ardl. (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 B096 — Mô hình hiệu chỉnh sai số không ràng buộc và tốc độ hội tụ cân bằng dài hạn (UECM) (
uecm) khi: Áp dụng khi nghiên cứu Động học ngắn hạn và dài hạn của FDI và các bài toán thuộc nhóm trễ phân phối & phi tuyến ardl. (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 B097 — Mô hình ARDL phi tuyến bất đối xứng Shin–Yu–Greenwood-Nimmo (NARDL) (
nardl) khi: Nghiên cứu truyền dẫn tỷ giá, giá dầu – lạm phát, lãi suất ngân hàng, chính sách tiền tệ bất đối xứng trên chuỗi hỗn hợp $I(0)/I(1)$ (không có biến $I(2)$, $T ge 35$). (Kiểm định kèm theo: Kiểm định tiền ước lượng xác nhận không có biến $I(2)$, đường bao $F_{text{PSS}}$ & $t_{text{BDM}}$, kiểm định Wald bất đối xứng dài hạn ($L^+ = L^-$) & ngắn hạn, CUSUM/CUSUMSQ.). - Chọn B098 — Mô hình tự hồi quy trễ phân phối trên các phân vị Cho–Kim–Shin (Quantile ARDL — QARDL) (
qardl) khi: Khi tốc độ quay về cân bằng dài hạn và độ co giãn dài hạn thay đổi mạnh giữa thời kỳ suy thoái ($tau = 0.1$), bình thường ($tau = 0.5$) và bùng nổ ($tau = 0.9$). (Kiểm định kèm theo: Kiểm định Wald tính bất biến theo phân vị của tốc độ điều chỉnh $rho(tau)$ và tham số dài hạn $beta(tau)$, pseudo-$R^1(tau)$ Koenker–Machado.).
Điều hướng Học tập trong Nhóm 6.3:
↑ 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 6.3: Bài B095 — Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) (
→ 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 6.3: Bài B095 — Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) (
ardl)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B095: Mô hình tự hồi quy trễ phân phối và kiểm định đường bao Pesaran–Shin–Smith (ARDL Bounds) (ARDL — ardl)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B096: Mô hình hiệu chỉnh sai số không ràng buộc và tốc độ hội tụ cân bằng dài hạn (UECM) (UECM — uecm)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B097: Mô hình ARDL phi tuyến bất đối xứng Shin–Yu–Greenwood-Nimmo (NARDL) (Nonlinear Asymmetric ARDL (NARDL) — nardl)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B098: Mô hình tự hồi quy trễ phân phối trên các phân vị Cho–Kim–Shin (Quantile ARDL — QARDL) (Quantile ARDL (QARDL) — qardl)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)