Nhóm 6.5: Không gian trạng thái (nonlinear_breaks_bubbles)
Tóm tắt Nhóm phương pháp 6.5 (AEO Quick Answer): Nhóm 6.5 — Không gian trạng thái (mã nhóm
nonlinear_breaks_bubbles) 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 B102 đến B106). 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 6.5 (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 5 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, nonlinear_breaks_bubbles), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 6.5 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 B102 (threshold_regression) đến B106 (psy_bubble_gsadf) 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 6.5
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 5 bài học trong Nhóm 6.5 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 |
|---|---|---|---|---|---|
| B102 | threshold_regression |
Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) Hansen Sample-Splitting Threshold Regression |
L3 | Stata: Stata 18 threshold (threshold y, regionvars(x1 x2) threshvar(q) nthresholds(1))R: strucchange (strucchange::Fstats + concentrated SSR profile likelihood & Hansen LR interval trên CRAN active)Python: Concentrated SSR grid search + Hansen (2000) heteroskedasticity-robust LR interval & Sup-Wald multiplier bootstrap |
Ước lượng hồi quy chuyển chế độ theo biến ngưỡng quan sát được $q_t le gamma$ vs $q_t > gamma$ trên dữ liệu chéo hoặc chuỗi thời gian với suy luận khoảng tin cậy ngược tỷ số hợp lý. |
| B103 | star_smooth_transition |
Mô hình tự hồi quy chuyển tiếp trơn Teräsvirta (Smooth Transition — LSTAR & ESTAR) Smooth Transition Autoregressive (LSTAR / ESTAR) |
L4 | Stata: star / nl (nl (y = ({b0} + {b1}*l.y) + ({d0} + {d1}*l.y)/(1 + exp(-{gamma}*(l.y - {c})))))R: minpack.lm (minpack.lm::nlsLM Levenberg–Marquardt LSTAR/ESTAR + chuỗi kiểm định tuyến tính Teräsvirta LM trên CRAN active)Python: scipy.optimize.least_squares + statsmodels (Teräsvirta LM linearity sequence $H_{03}, H_{02}, H_{01}$ + NLS LSTAR/ESTAR) |
Mô hình chuyển tiếp trơn giữa hai chế độ cực trị thông qua hàm chuyển tiếp liên tục $G(s_t; gamma, c) in [0, 1]$ dạng Logistic (LSTAR — bất đối xứng tăng/giảm) hoặc Hàm mũ (ESTAR — đối xứng theo độ lệch xa cân bằng). |
| B104 | midas_regression |
Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (Mixed-Data Sampling — Almon/Beta MIDAS & U-MIDAS) Mixed-Data Sampling Regression (Almon / Beta MIDAS & U-MIDAS) |
L3 | Stata: midas / U-MIDAS (reg y_q x_m1 x_m2 x_m3 hoặc NLS Exponential Almon weights)R: midasr (midasr::midas_r(y_q ~ mls(y_q, 1, 1) + mls(x_m, 0:11, 3, nealmon), start = ...))Python: scipy + statsmodels (Exponential Almon / Beta lag polynomial NLS & Unrestricted U-MIDAS Foroni–Marcellino–Stevanovic với HAC SE) |
Dự báo và nowcasting biến vĩ mô tần suất thấp (GDP quý) trực tiếp từ chuỗi chỉ báo tần suất cao (chỉ số sản xuất công nghiệp tháng, tín dụng/chứng khoán tuần–ngày) bằng trọng số đa thức Almon/Beta tiết kiệm tham số. |
| B105 | bai_perron_break |
Kiểm định và ước lượng đa điểm gãy cấu trúc chưa biết trước của Bai–Perron (xtbreak) Bai–Perron Multiple Unknown Structural Breaks |
L4 | Stata: Stata estat sbsingle / xtbreak (regress y x1 x2 $to$ estat sbsingle hoặc ssc install xtbreak: xtbreak y x1 x2)R: strucchange (strucchange::breakpoints(y ~ x1 + x2, h = 0.15) + supF / UDmax)Python: Dynamic-programming Bai–Perron SSR segmentation (O(T^2) optimal partition + $text{sup}F_T(ell+1midell)$, UDmax, LWZ/BIC break count & CI dates) |
Phát hiện đồng thời $m$ điểm gãy cấu trúc chưa biết trước ngày xảy ra trên phương trình hồi quy chuỗi thời gian bằng quy hoạch động tối thiểu hóa tổng bình phương phần dư toàn cục. |
| B106 | psy_bubble_gsadf |
Kiểm định đệ quy đuôi phải phát hiện và định ngày đa bong bóng Phillips–Shi–Yu (SADF / GSADF / BSADF) Phillips–Shi–Yu Recursive Right-Tailed Bubble Detection (SADF / GSADF / BSADF) |
L4 | Stata: radf (ssc install radf: radf y, prefix(b) boot(500))R: exuber (exuber::radf(y, lag = 1) + exuber::radf_mc_cv() / radf_wb_cv() + datestamp())Python: Recursive Right-Tailed SADF / GSADF / BSADF engine (numpy/statsmodels + Phillips–Shi–Yu heteroskedasticity-robust Wild Bootstrap critical values & bubble date-stamping) |
Phát hiện và xác định chính xác ngày khởi phát – ngày vỡ của các giai đoạn tăng trưởng bùng nổ / bong bóng đầu cơ ($H_1: rho > 1$ đuôi phải) thông qua chuỗi cửa sổ trượt đệ quy hai chiều GSADF và BSADF. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 6.5
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 B102 — Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) (
threshold_regression) khi: Kiểm tra hiệu ứng ngưỡng nợ công – tăng trưởng, ngưỡng lạm phát, ngưỡng độ mở tài chính trên chuỗi thời gian hoặc mẫu chéo quốc gia ($N ge 30$). (Kiểm định kèm theo: Thống kê Sup-Wald / Sup-LM bootstrap $p$-value kiểm định tồn tại ngưỡng, khoảng tin cậy $95%$ cho điểm ngưỡng $hat{gamma}$, kiểm định phương sai thay đổi từng chế độ.). - Chọn B103 — Mô hình tự hồi quy chuyển tiếp trơn Teräsvirta (Smooth Transition — LSTAR & ESTAR) (
star_smooth_transition) khi: Tỷ giá hối đoái thực (PPP nonlinear adjustment), chu kỳ kinh doanh tăng trưởng GDP, chênh lệch lãi suất nơi hàng triệu tác nhân kinh tế phản ứng dần dần thay vì nhảy bậc tức thời như SETAR. (Kiểm định kèm theo: Kiểm định tuyến tính Teräsvirta LM bậc 3 (đồng thời chọn tự động LSTAR vs ESTAR), kiểm định Eitrheim–Teräsvirta không còn tự tương quan/phi tuyến dư.). - Chọn B104 — Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (Mixed-Data Sampling — Almon/Beta MIDAS & U-MIDAS) (
midas_regression) khi: Khi biến phụ thuộc và biến giải thích có tần suất lấy mẫu lệch nhau (Quý–Tháng $m=3$, Tháng–Tuần/Ngày) — tránh mất thông tin và chệch tổng hợp thời gian khi cộng bình quân đơn giản. (Kiểm định kèm theo: Kiểm định hội tụ trọng số đa thức, kiểm định $h$-step out-of-sample RMSE / Diebold–Mariano so với AR benchmark, HAC Ljung–Box.). - Chọn B105 — Kiểm định và ước lượng đa điểm gãy cấu trúc chưa biết trước của Bai–Perron (xtbreak) (
bai_perron_break) khi: Chuỗi vĩ mô dài hạn trải qua cải cách thể chế, thay đổi chế độ tỷ giá, khủng hoảng tài chính hoặc đại dịch ($T ge 40$, trimming $epsilon in [0.10, 0.15]$). (Kiểm định kèm theo: Thống kê supF(k), UDmax / WDmax, kiểm định tuần tự $text{sup}F(ell+1midell)$, ngày gãy ước lượng kèm khoảng tin cậy 95% và hệ số từng chế độ.). - Chọn B106 — Kiểm định đệ quy đuôi phải phát hiện và định ngày đa bong bóng Phillips–Shi–Yu (SADF / GSADF / BSADF) (
psy_bubble_gsadf) khi: Chuẩn mực hàng đầu trong nghiên cứu bong bóng giá bất động sản, chứng khoán, vàng, hàng hóa nông sản/năng lượng, tỷ giá và cung tiền ($T ge 50$, cửa sổ tối thiểu $r_0 = 0.01 + 1.8/sqrt{T}$). (Kiểm định kèm theo: Thống kê ADF, SADF, **GSADF** đối chiếu ngưỡng Wild Bootstrap $90%, 95%, 99%$, danh sách các giai đoạn bong bóng [start_date, peak_date, collapse_date] từ chuỗi BSADF(t).).
Điều hướng Học tập trong Nhóm 6.5:
↑ 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 6.5: Bài B102 — Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) (
→ 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 6.5: Bài B102 — Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) (
threshold_regression)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B102: Mô hình hồi quy chia mẫu theo ngưỡng của Hansen (Threshold Regression) (Hansen Sample-Splitting Threshold Regression — threshold_regression)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B103: Mô hình tự hồi quy chuyển tiếp trơn Teräsvirta (Smooth Transition — LSTAR & ESTAR) (Smooth Transition Autoregressive (LSTAR / ESTAR) — star_smooth_transition)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B104: Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (Mixed-Data Sampling — Almon/Beta MIDAS & U-MIDAS) (Mixed-Data Sampling Regression (Almon / Beta MIDAS & U-MIDAS) — midas_regression)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B105: Kiểm định và ước lượng đa điểm gãy cấu trúc chưa biết trước của Bai–Perron (xtbreak) (Bai–Perron Multiple Unknown Structural Breaks — bai_perron_break)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B106: Kiểm định đệ quy đuôi phải phát hiện và định ngày đa bong bóng Phillips–Shi–Yu (SADF / GSADF / BSADF) (Phillips–Shi–Yu Recursive Right-Tailed Bubble Detection (SADF / GSADF / BSADF) — psy_bubble_gsadf)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)