Nhóm 7.1: Hệ mô hình VAR/VECM/SVAR (var_models)
Tóm tắt Nhóm phương pháp 7.1 (AEO Quick Answer): Nhóm 7.1 — Hệ mô hình VAR/VECM/SVAR (mã nhóm
var_models) là phân nhánh chuyên sâu thuộc Chương 07: Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa, quy tụ 4 phương pháp ước lượng (từ B107 đến B112). 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 7.1 (Hệ mô hình VAR/VECM/SVAR)
Khi triển khai nghiên cứu định lượng trong miền Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, var_models), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 7.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$Y_{t+h} = alpha_h + beta_h text{Shock}_t + sum_{ell=1}^p Gamma_{h,ell} Y_{t-ell} + u_{t+h}, quad h = 0, 1, dots, H tag{1}$$
Sự khác biệt giữa các mô hình từ B107 (var) đến B112 (bvar) 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 7.1
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 7.1 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 |
|---|---|---|---|---|---|
| B107 | var |
Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) VAR |
L1 | Stata: var y x1 x2, lags(1/2)R: vars::VAR(df[, c('y', 'x1', 'x2')], p = 2, type = 'const')Python: VAR(df[['y', 'x1', 'x2']]).fit(maxlags=2) |
Phương pháp Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) (VAR) trong họ mô hình chuỗi thời gian đa biến, chiếu cục bộ (local projections) và mạng lan tỏa, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B110 | vecm |
Mô hình hiệu chỉnh sai số vectơ cho các chuỗi đồng tích hợp (Vector Error Correction — VECM) VECM |
L2 | Stata: vec y x1 x2, rank(1) lags(2)R: urca::cajorls(urca::ca.jo(df[, c('y', 'x1', 'x2')], K = 2), r = 1)Python: VECM(df[['y', 'x1', 'x2']], k_ar_diff=1, coint_rank=1).fit() |
Phương pháp Mô hình hiệu chỉnh sai số vectơ cho các chuỗi đồng tích hợp (Vector Error Correction — VECM) (VECM) trong họ mô hình chuỗi thời gian đa biến, chiếu cục bộ (local projections) và mạng lan tỏa, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B111 | svar |
Mô hình tự hồi quy vectơ cấu trúc với ràng buộc ngắn hạn và dài hạn Blanchard–Quah (SVAR) SVAR |
L2 | Stata: matrix A = (1, 0 ., 1) -> svar y x1, lags(1/2) aeq(A)R: vars::SVAR(var_fit, Amat = A_mat, Bmat = NULL)Python: SVAR(df[['y', 'x1']], svar_type='A', A=A_mat).fit(maxlags=2) |
Phương pháp Mô hình tự hồi quy vectơ cấu trúc với ràng buộc ngắn hạn và dài hạn Blanchard–Quah (SVAR) (SVAR) trong họ mô hình chuỗi thời gian đa biến, chiếu cục bộ (local projections) và mạng lan tỏa, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B112 | bvar |
Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota của Litterman (Bayesian VAR) Bayesian VAR |
L3 | Stata: bayes, rseed(42): var y x1 x2, lags(1/2)R: BVAR::bvar(df[, c('y', 'x1', 'x2')], lags = 2) / vars::VARPython: Minnesota Conjugate Normal-Wishart Bayesian VAR Solver |
Phương pháp Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota của Litterman (Bayesian VAR) (Bayesian VAR) trong họ mô hình chuỗi thời gian đa biến, chiếu cục bộ (local projections) và mạng lan tỏa, 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 7.1
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 B107 — Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) (
var) khi: Áp dụng khi nghiên cứu Tương tác Lãi suất – Tín dụng – CPI – Tăng trưởng và các bài toán thuộc nhóm hệ mô hình var/vecm/svar. (Kiểm định kèm theo: Eigenvalue Stability Condition, Granger/Toda–Yamamoto Wald Test, Newey–West HAC IRF Bands, Montiel Olea–Pflueger LP-IV F-stat, Diebold–Yilmaz TCI/NET). - Chọn B110 — Mô hình hiệu chỉnh sai số vectơ cho các chuỗi đồng tích hợp (Vector Error Correction — VECM) (
vecm) khi: Áp dụng khi nghiên cứu Cân bằng dài hạn và điều chỉnh ngắn hạn Tiền tệ – Tỷ giá và các bài toán thuộc nhóm hệ mô hình var/vecm/svar. (Kiểm định kèm theo: Eigenvalue Stability Condition, Granger/Toda–Yamamoto Wald Test, Newey–West HAC IRF Bands, Montiel Olea–Pflueger LP-IV F-stat, Diebold–Yilmaz TCI/NET). - Chọn B111 — Mô hình tự hồi quy vectơ cấu trúc với ràng buộc ngắn hạn và dài hạn Blanchard–Quah (SVAR) (
svar) khi: Áp dụng khi nghiên cứu Nhận dạng cú sốc chính sách tiền tệ NHNN và các bài toán thuộc nhóm hệ mô hình var/vecm/svar. (Kiểm định kèm theo: Eigenvalue Stability Condition, Granger/Toda–Yamamoto Wald Test, Newey–West HAC IRF Bands, Montiel Olea–Pflueger LP-IV F-stat, Diebold–Yilmaz TCI/NET). - Chọn B112 — Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota của Litterman (Bayesian VAR) (
bvar) khi: Áp dụng khi nghiên cứu Dự báo đồng thời giỏ biến vĩ mô Việt Nam và các bài toán thuộc nhóm hệ mô hình var/vecm/svar. (Kiểm định kèm theo: Eigenvalue Stability Condition, Granger/Toda–Yamamoto Wald Test, Newey–West HAC IRF Bands, Montiel Olea–Pflueger LP-IV F-stat, Diebold–Yilmaz TCI/NET).
Điều hướng Học tập trong Nhóm 7.1:
↑ Quay lại Tổng quan Chương 07: Chương 07 — Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa
→ Đi tới Bài học đầu tiên của Nhóm 7.1: Bài B107 — Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ Quay lại Tổng quan Chương 07: Chương 07 — Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa
→ Đi tới Bài học đầu tiên của Nhóm 7.1: Bài B107 — Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) (
var)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B107: Mô hình tự hồi quy vectơ của Sims (Vector Autoregression — $text{VAR}(p)$) (VAR — var)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B110: Mô hình hiệu chỉnh sai số vectơ cho các chuỗi đồng tích hợp (Vector Error Correction — VECM) (VECM — vecm)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B111: Mô hình tự hồi quy vectơ cấu trúc với ràng buộc ngắn hạn và dài hạn Blanchard–Quah (SVAR) (SVAR — svar)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B112: Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota của Litterman (Bayesian VAR) (Bayesian VAR — bvar)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)