Nhóm 7.5: Chuyển chế độ Markov & Ngưỡng (regime_threshold)
Tóm tắt Nhóm phương pháp 7.5 (AEO Quick Answer): Nhóm 7.5 — Chuyển chế độ Markov & Ngưỡng (mã nhóm
regime_threshold) 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 B119 đến B121). 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 7.5 (Chuyển chế độ Markov & Ngưỡng)
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, regime_threshold), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 7.5 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 B119 (setar) đến B121 (ms_var) 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 7.5
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 3 bài học trong Nhóm 7.5 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 |
|---|---|---|---|---|---|
| B119 | setar |
Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) SETAR |
L2 | Stata: threshold y, threshvar(L.y) regionvars(L.y)R: tsDyn::setar(y, m = 1, thDelay = 1) / Threshold OLSPython: Self-Exciting Threshold Autoregression (SETAR Grid Search OLS) |
Phương pháp Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) (SETAR) 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. |
| B120 | markov_regression |
Mô hình chuyển đổi chế độ ẩn theo chuỗi Markov của Hamilton (Markov-Switching Regression) Markov Regression |
L4 | Stata: mswitch dr y x1, states(2) varswitchR: MSwM::msmFit(lm(y ~ x1, data = df), k = 2, sw = c(TRUE, TRUE, TRUE))Python: MarkovRegression(df['y'], k_regimes=2, exog=df[['x1']], switching_variance=True).fit() |
Phương pháp Mô hình chuyển đổi chế độ ẩn theo chuỗi Markov của Hamilton (Markov-Switching Regression) (Markov Regression) 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. |
| B121 | ms_var |
Mô hình tự hồi quy vectơ chuyển đổi chế độ Markov đa biến Hamilton–Krolzig (MS-VAR) Multivariate Markov-Switching Vector Autoregression (MS-VAR) |
L4 | Stata: Stata mswitch / Mata EM-Hamilton-Kim MS-VAR (mswitch dr system / EM-filtered multivariate regime VAR)R: MSwM / vars (MSwM::msmFit system equation-by-equation & multivariate EM Hamilton filter + smoothed probabilities)Python: Multivariate EM-Algorithm Hamilton Filter & Kim Smoother MS(M)-VAR(p) (numpy/scipy regime-dependent $A(S_t), Sigma(S_t)$, transition matrix $hat{P}$, expected regime durations $1/(1-hat{p}_{ii})$ & regime-specific IRFs) |
Mô hình hóa đồng thời hệ động học đa biến $Y_t = nu(S_t) + A_1(S_t)Y_{t-1} + dots + Sigma(S_t)^{1/2}u_t$ chuyển đổi giữa $M$ chế độ vĩ mô ẩn (mở rộng vs suy thoái; bình ổn vs khủng hoảng tài chính) theo chuỗi Markov ma trận chuyển tiếp $P_{ij}$. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 7.5
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 B119 — Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) (
setar) khi: Áp dụng khi nghiên cứu Động học tăng trưởng khác biệt giữa hai chế độ và các bài toán thuộc nhóm chuyển chế độ markov & ngưỡng. (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 B120 — Mô hình chuyển đổi chế độ ẩn theo chuỗi Markov của Hamilton (Markov-Switching Regression) (
markov_regression) khi: Áp dụng khi nghiên cứu Nhận diện chế độ Mở rộng vs Suy giảm của thị trường và các bài toán thuộc nhóm chuyển chế độ markov & ngưỡng. (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 B121 — Mô hình tự hồi quy vectơ chuyển đổi chế độ Markov đa biến Hamilton–Krolzig (MS-VAR) (
ms_var) khi: Phân tích chu kỳ kinh doanh đa biến, truyền dẫn chính sách tiền tệ – tài khóa phụ thuộc trạng thái nền kinh tế và cảnh báo sớm khủng hoảng hệ thống ($k in [2, 4]$ biến, $T ge 60$). (Kiểm định kèm theo: Ma trận xác suất chuyển chế độ $hat{P}$, thời gian tồn tại kỳ vọng từng chế độ, chỉ số chất lượng phân loại chế độ (RCM Ang–Bekaert $< 50$), kiểm định LR Davies-adjusted chống chế độ thừa.).
Điều hướng Học tập trong Nhóm 7.5:
↑ 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 7.5: Bài B119 — Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) (
→ 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 7.5: Bài B119 — Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) (
setar)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B119: Mô hình tự hồi quy ngưỡng tự kích hoạt Tong (Self-Exciting Threshold Autoregression — SETAR) (SETAR — setar)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B120: Mô hình chuyển đổi chế độ ẩn theo chuỗi Markov của Hamilton (Markov-Switching Regression) (Markov Regression — markov_regression)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B121: Mô hình tự hồi quy vectơ chuyển đổi chế độ Markov đa biến Hamilton–Krolzig (MS-VAR) (Multivariate Markov-Switching Vector Autoregression (MS-VAR) — ms_var)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)