Nhóm 7.4: Nhân quả và phản ứng xung (tvp_factor_spillover)
Tóm tắt Nhóm phương pháp 7.4 (AEO Quick Answer): Nhóm 7.4 — Nhân quả và phản ứng xung (mã nhóm
tvp_factor_spillover) là phân nhánh chuyên sâu thuộc Chương 07: Chuỗi thời gian đa biến, chiếu cục bộ (Local Projections) và mạng lan tỏa, quy tụ 3 phương pháp ước lượng (từ B116 đến B118). 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 7.4 (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 3 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, tvp_factor_spillover), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 7.4 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 B116 (favar) đến B118 (spillover_connectedness) 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 7.4
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 3 bài học trong Nhóm 7.4 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 |
|---|---|---|---|---|---|
| B116 | favar |
Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz khắc phục Price Puzzle (FAVAR) Factor-Augmented Vector Autoregression (FAVAR) |
L3 | Stata: pca / dfactor + svar (Two-step Stock–Watson PCA latent factors $hat{F}_t$ + Cholesky/short-run var/svar)R: FAVAR / vars (prcomp slow/fast factor rotation của Bernanke–Boivin–Eliasz + vars::VAR + factor-loading IRF projection)Python: Two-step BBEorthogonalized PCA factors + statsmodels.tsa.api.VAR + IRF chiếu ngược lên toàn bộ biến quan sát $X_{it} = Lambda_i' F_t + gamma_i Y_t + e_{it}$ |
Bổ sung $r$ nhân tố vĩ mô ẩn trích xuất từ hàng chục chuỗi chỉ báo kinh tế vào hệ VAR cùng biến chính sách quan sát được, khắc phục triệt để bài toán thiếu hụt tập thông tin (price puzzle) mà không bùng nổ tham số. |
| B117 | tvp_var |
Mô hình VAR có tham số và phương sai biến thiên theo thời gian Primiceri–Koop–Korobilis (TVP-VAR) Time-Varying Parameter VAR (TVP-VAR) |
L4 | Stata: Mata Kalman State-Space / sspace (tvpvar state-space forgetting-factor / Bayesian Gibbs sampler)R: bvarsv / tvReg (bvarsv::bvar.sv.tvp(Y, p = 2, nrep = 5000) hoặc tvReg::tvVAR(Y, p = 2))Python: Koop–Korobilis Forgetting-Factor Kalman Filter & Rauch–Tung–Striebel Smoother TVP-VAR (numpy/scipy state-space) |
Cho phép cả ma trận hệ số tự hồi quy $B_t$ và ma trận hiệp phương sai cú sốc $Sigma_t$ tiến hóa liên tục theo thời gian qua bộ lọc không gian trạng thái Kalman / MCMC, nắm bắt sự thay đổi cơ chế truyền dẫn vĩ mô qua các thập kỷ. |
| B118 | spillover_connectedness |
Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz / TVP-VAR (TCI / TO / FROM / NET) Diebold–Yilmaz / TVP-VAR Spillover Connectedness |
L3 | Stata: dyconnectedness / Mata GFEVD (var / rolling-window GFEVD Pesaran–Shin matrix decomposition)R: ConnectednessApproach (ConnectednessApproach::ConnectednessApproach(zoo_Y, nlag = 2, nfore = 10, model = "TVP-VAR", connectedness = "Time"))Python: Generalized FEVD Diebold–Yilmaz & Koop–Korobilis TVP-VAR dynamic connectedness engine (TCI, TO, FROM, NET, NPDC adjacency matrix) |
Đo lường ma trận lan tỏa cú sốc định hướng tổng quát (GFEVD Koop–Pesaran–Shin không phụ thuộc thứ tự biến Cholesky), chỉ số kết nối toàn hệ thống (TCI), phát ròng (NET = TO – FROM) và lan tỏa cặp đôi (NPDC). |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 7.4
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 B116 — Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz khắc phục Price Puzzle (FAVAR) (
favar) khi: Phân tích chính sách tiền tệ/vĩ mô khi tập dữ liệu có nhiều chỉ báo ($M ge 10$ chuỗi sản lượng, giá, tín dụng, lao động, thương mại) và $1–2$ công cụ chính sách trực tiếp. (Kiểm định kèm theo: Tỷ lệ phương sai toàn tập thông tin được giải thích bởi $r$ nhân tố (Bai–Ng $IC_{p2}$), kiểm định ổn định nghiệm đơn vị hệ FAVAR, FEVD của từng chỉ báo.). - Chọn B117 — Mô hình VAR có tham số và phương sai biến thiên theo thời gian Primiceri–Koop–Korobilis (TVP-VAR) (
tvp_var) khi: Chuỗi vĩ mô/tài chính đa biến ($k in [2, 5]$, $T ge 60$) trải qua chuyển dịch cơ cấu dần dần (thay đổi quy tắc điều hành của NHTW, hội nhập tài chính, đôla hóa giảm dần). (Kiểm định kèm theo: Đường diễn biến hệ số $hat{B}_{ij,t}$ theo thời gian, phản ứng xung tại các mốc lịch sử trọng yếu $t in {t_1, t_2, t_3}$, log predictive likelihood.). - Chọn B118 — Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz / TVP-VAR (TCI / TO / FROM / NET) (
spillover_connectedness) khi: Chuẩn xuất bản rất phổ biến (2021–2026) trong nghiên cứu truyền dẫn rủi ro giữa cổ phiếu – trái phiếu – vàng – tỷ giá – dầu thô – hàng hóa hoặc lan tỏa lạm phát liên vùng. (Kiểm định kèm theo: Tổng chỉ số kết nối TCI ($0–100%$), vai trò Net Transmitter ($text{NET}_i > 0$) vs Net Receiver ($text{NET}_i < 0$), chuỗi rolling/TVP TCI(t).).
Điều hướng Học tập trong Nhóm 7.4:
↑ 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 7.4: Bài B116 — Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz khắc phục Price Puzzle (FAVAR) (
→ 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 7.4: Bài B116 — Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz khắc phục Price Puzzle (FAVAR) (
favar)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B116: Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz khắc phục Price Puzzle (FAVAR) (Factor-Augmented Vector Autoregression (FAVAR) — favar)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B117: Mô hình VAR có tham số và phương sai biến thiên theo thời gian Primiceri–Koop–Korobilis (TVP-VAR) (Time-Varying Parameter VAR (TVP-VAR) — tvp_var)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B118: Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz / TVP-VAR (TCI / TO / FROM / NET) (Diebold–Yilmaz / TVP-VAR Spillover Connectedness — spillover_connectedness)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)