Nhóm 7.2: Nhân quả và phản ứng xung (causality)

Estimated reading: 6 minutes 1 views
Tóm tắt Nhóm phương pháp 7.2 (AEO Quick Answer): Nhóm 7.2 — Nhân quả và phản ứng xung (mã nhóm causality) là phân nhánh chuyên sâu thuộc Chương 07: Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa, quy tụ 2 phương pháp ước lượng (từ B108 đến B109). 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 7.2 (Nhân quả và phản ứng xung)

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 2 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, causality), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 7.2 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 B108 (granger_causality) đến B109 (impulse_response) 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 2 Mô hình thuộc Nhóm 7.2

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 7.2 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
B108 granger_causality Kiểm định nhân quả dự báo Granger và nhân quả Toda–Yamamoto (Granger Causality)
Granger Causality		 L1 Stata: var y x1 x2, lags(1/2) -> vargranger
R: lmtest::grangertest(y ~ x1, order = 2, data = df)
Python: grangercausalitytests(df[['y', 'x1']], maxlag=2)		 Phương pháp Kiểm định nhân quả dự báo Granger và nhân quả Toda–Yamamoto (Granger Causality) (Granger Causality) 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.
B109 impulse_response Hàm phản ứng xung trực giao và phân rã phương sai sai số dự báo (IRF & FEVD)
Impulse Response		 L1 Stata: var y x1 x2, lags(1/2) -> irf create oirf, step(10)
R: vars::irf(var_fit, impulse = 'x1', response = 'y', n.ahead = 10)
Python: VAR(df[['y', 'x1', 'x2']]).fit(2).irf(10)		 Phương pháp Hàm phản ứng xung trực giao và phân rã phương sai sai số dự báo (IRF & FEVD) (Impulse Response) 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 7.2

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:

Điều hướng Học tập trong Nhóm 7.2:
↑ 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 7.2: Bài B108 — Kiểm định nhân quả dự báo Granger và nhân quả Toda–Yamamoto (Granger Causality) (granger_causality)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 7.2: Nhân quả và phản ứng xung (causality) - PreviousBài B112: Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota của Litterman (Bayesian VAR) (Bayesian VAR — bvar)Next - Nhóm 7.2: Nhân quả và phản ứng xung (causality)Bài B108: Kiểm định nhân quả dự báo Granger và nhân quả Toda–Yamamoto (Granger Causality) (Granger Causality — granger_causality)

Bài liên quan

Back to top button