Nhóm 6.4: Không gian trạng thái (state_space)
Tóm tắt Nhóm phương pháp 6.4 (AEO Quick Answer): Nhóm 6.4 — Không gian trạng thái (mã nhóm
state_space) là phân nhánh chuyên sâu thuộc Chương 06: Chuỗi thời gian đơn biến, phi tuyến, điểm gãy cấu trúc và bong bóng, quy tụ 3 phương pháp ước lượng (từ B099 đến B101). 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 6.4 (Không gian trạng thái)
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 3 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, state_space), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 6.4 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 B099 (sarimax) đến B101 (dynamic_factor) 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 3 Mô hình thuộc Nhóm 6.4
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 3 bài học trong Nhóm 6.4 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 |
|---|---|---|---|---|---|
| B099 | sarimax |
Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) SARIMAX |
L3 | Stata: arima y x1 x2, arima(1,1,1)R: arima(y, order = c(1, 1, 1), xreg = as.matrix(df[, c('x1', 'x2')]))Python: SARIMAX(df['y'], exog=df[['x1', 'x2']], order=(1, 1, 1)).fit() |
Phương pháp Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) (SARIMAX) 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. |
| B100 | unobserved_components |
Mô hình tách thành phần không quan sát được của Harvey (Unobserved Components — UCM) Unobserved Components |
L3 | Stata: ucm y, model(lltrend)R: StructTS(y, type = 'trend')Python: UnobservedComponents(y, level='local linear trend').fit() |
Phương pháp Mô hình tách thành phần không quan sát được của Harvey (Unobserved Components — UCM) (Unobserved Components) 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. |
| B101 | dynamic_factor |
Mô hình nhân tố động không gian trạng thái Stock–Watson (Dynamic Factor Model — DFM) Dynamic Factor |
L3 | Stata: dfactor (y x1 x2 = , noconstant) (f = , ar(1/2))R: stats::prcomp / MARSS dynamic factor state-spacePython: DynamicFactor(df[['y', 'x1', 'x2']], k_factors=1, factor_order=1).fit() |
Phương pháp Mô hình nhân tố động không gian trạng thái Stock–Watson (Dynamic Factor Model — DFM) (Dynamic Factor) 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 6.4
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 B099 — Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) (
sarimax) khi: Áp dụng khi nghiên cứu Dự báo thu ngân sách có biến sự kiện chính sách thuế và các bài toán thuộc nhóm không gian trạng thái. (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 B100 — Mô hình tách thành phần không quan sát được của Harvey (Unobserved Components — UCM) (
unobserved_components) khi: Áp dụng khi nghiên cứu Ước lượng sản lượng tiềm năng và lỗ hổng sản lượng và các bài toán thuộc nhóm không gian trạng thái. (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 B101 — Mô hình nhân tố động không gian trạng thái Stock–Watson (Dynamic Factor Model — DFM) (
dynamic_factor) khi: Áp dụng khi nghiên cứu Chỉ số chu kỳ kinh doanh tổng hợp Việt Nam và các bài toán thuộc nhóm không gian trạng thái. (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 6.4:
↑ 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 6.4: Bài B099 — Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) (
→ 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 6.4: Bài B099 — Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) (
sarimax)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B099: Mô hình không gian trạng thái SARIMA có biến ngoại sinh (State-Space SARIMAX) (SARIMAX — sarimax)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B100: Mô hình tách thành phần không quan sát được của Harvey (Unobserved Components — UCM) (Unobserved Components — unobserved_components)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B101: Mô hình nhân tố động không gian trạng thái Stock–Watson (Dynamic Factor Model — DFM) (Dynamic Factor — dynamic_factor)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)