6.2. Dự báo chuỗi thời gian đơn biến

Estimated reading: 11 minutes 6 views

TÓM TẮT NHÓM 6.2: Nhóm bài giảng 6.2. Dự báo chuỗi thời gian đơn biến thuộc 6. Chuỗi thời gian đơn biến, phi tuyến, điểm gãy và bong bóng quy tụ 5 mô hình kinh tế lượng (từ mục 6.2.1 đến mục 6.2.5). Nội dung dưới đây hệ thống hóa cơ sở toán học, phân biệt điều kiện nhận dạng và đối chiếu cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo chuẩn giáo trình quốc tế (Box, Jenkins, Reinsel & Ljung (2015); Hamilton (1994); Becketti (2020); Pesaran (2015); Brooks (2019); Hansen (2022)).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Chuỗi thời gian đơn biến, phi tuyến, điểm gãy và bong bóng, nhóm phương pháp Dự báo chuỗi thời gian đơn biến giải quyết các bài toán thực nghiệm đòi hỏi đặc tả chính xác quá trình sinh dữ liệu và kiểm soát chặt chẽ cấu trúc sai số (Brooks (2019); Hansen (2022)). Các mô hình trong nhóm 6.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Box, Jenkins, Reinsel & Ljung (2015); Hamilton (1994); Becketti (2020); Pesaran (2015)):

$$Y_t = c + \sum_{j=1}^p \phi_j Y_{t-j} + \varepsilon_t \tag{1}$$

Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức (2):

$$\hat{\theta}_T = \arg\max_{\theta \in \Theta} \ell_T\left(Y_1, \dots, Y_T; \theta\right), \quad \Phi(L)(1-L)^d Y_t = \mu + \Theta(L)\varepsilon_t \tag{2}$$

Sự khác biệt giữa 5 mô hình từ 6.2.1. Mô hình tự hồi quy chuỗi thời gian (AR) đến 6.2.5. Mô hình ARIMA có tính mùa vụ nhân tính (SARIMA) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Box, Jenkins, Reinsel & Ljung (2015); Hamilton (1994); Becketti (2020); Pesaran (2015); Brooks (2019); Hansen (2022)).

2. Bảng đối chiếu các mô hình trong nhóm

Bảng dưới đây so sánh trực tiếp bản chất kinh tế lượng, câu lệnh thực thi trên ba phần mềm và kiểm định chẩn đoán của từng bài học trong nhóm 6.2:

Mã mục	Tên mô hình	Bản chất kinh tế lượng	Cú pháp ước lượng chuẩn (Stata 18 · R 4.x · Python 3.11+)	Kiểm định chẩn đoán bắt buộc
6.2.1	Mô hình tự hồi quy chuỗi thời gian (AR)	Mô hình hóa giá trị hiện tại của chuỗi thời gian dừng Y_t như một tổ hợp tuyến tính của p giá trị quá khứ của chính nó cộng với cú sốc nhiễu trắng hiện tại.	Stata: `arima y, ar(1/2)` R: `arima(y, order = c(2, 0, 0))` Python: `AutoReg(y, lags=2).fit()`	Điều kiện dừng nghiệm đa thức đặc trưng nằm ngoài vòng tròn đơn vị (\|λ_i\| < 1), đồ thị hàm tự tương quan riêng phần (PACF cắt cụt sau trễ p) và kiểm định nhiễu trắng Ljung–Box Q
6.2.2	Mô hình trung bình trượt các cú sốc quá khứ (MA)	Biểu diễn chuỗi thời gian dừng Y_t như trung bình có trọng số của cú sốc ngẫu nhiên hiện tại ε_t và q cú sốc ngẫu nhiên trong quá khứ ε_{t-1}, …, ε_{t-q}.	Stata: `arima y, ma(1/2)` R: `arima(y, order = c(0, 0, 2))` Python: `ARIMA(y, order=(0, 0, 2)).fit()`	Điều kiện khả nghịch (Invertibility: nghiệm đa thức Θ(z) nằm ngoài vòng tròn đơn vị), đồ thị hàm tự tương quan (ACF cắt cụt sau trễ q) và kiểm định Ljung–Box Q
6.2.3	Mô hình tự hồi quy trung bình trượt kết hợp (ARMA)	Kết hợp thành phần tự hồi quy AR(p) và trung bình trượt MA(q) để biểu diễn tiết kiệm tham số (parsimonious) mọi quá trình dừng hiệp phương sai theo định lý phân rã Wold.	Stata: `arima y, arima(1,0,1)` R: `arima(y, order = c(1, 0, 1))` Python: `ARIMA(y, order=(1, 0, 1)).fit()`	Lựa chọn bậc (p, q) theo ma trận tiêu chuẩn AIC/BIC, kiểm tra sự triệt tiêu nghiệm chung (common roots) giữa đa thức AR và MA, và kiểm định phần dư Ljung–Box / ARCH-LM
6.2.4	Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA)	Lấy sai phân bậc d để chuyển chuỗi không dừng có nghiệm đơn vị I(d) về trạng thái dừng, sau đó ước lượng cấu trúc ARMA(p, q) theo quy trình 4 bước Box–Jenkins.	Stata: `arima y, arima(1,1,1)` R: `arima(y, order = c(1, 1, 1))` Python: `ARIMA(y, order=(1, 1, 1)).fit()`	Kiểm định nghiệm đơn vị ADF/KPSS để xác định bậc sai phân d, tiêu chuẩn AICc/BIC chọn (p, q), kiểm định Ljung–Box phần dư và đánh giá sai số dự báo RMSE/MAPE
6.2.5	Mô hình ARIMA có tính mùa vụ nhân tính (SARIMA)	Mở rộng mô hình ARIMA với các toán tử sai phân mùa vụ (1 – L^s)^D và đa thức tự hồi quy / trung bình trượt mùa vụ nhân tính tại chu kỳ s (s = 4 cho quý, s = 12 cho tháng).	Stata: `arima y, arima(1,1,1) sarima(1,1,1,12)` R: `arima(y, order = c(1,1,1), seasonal = list(order = c(1,1,1), period = 12))` Python: `SARIMAX(y, order=(1,1,1), seasonal_order=(1,1,1,12)).fit()`	Kiểm tra tương quan tại các bội số độ trễ mùa vụ (s, 2s, 3s) trên ACF/PACF, kiểm định tính dừng mùa vụ HEGY/Canova–Hansen và kiểm định nhiễu trắng Ljung–Box

3. Quy tắc lựa chọn mô hình phù hợp

Nhà nghiên cứu có thể áp dụng quy tắc phân nhánh dưới đây để chọn đúng mô hình trong nhóm 6.2 cho dữ liệu thực tế (Brooks (2019); Hansen (2022)):

Chọn 6.2.1. Mô hình tự hồi quy chuỗi thời gian (AR) khi: Dự báo ngắn hạn và phân tích tính quán tính, chu kỳ dao động nội tại của các chuỗi vĩ mô đã dừng. (Kiểm định bắt buộc: Điều kiện dừng nghiệm đa thức đặc trưng nằm ngoài vòng tròn đơn vị (|λ_i| < 1), đồ thị hàm tự tương quan riêng phần (PACF cắt cụt sau trễ p) và kiểm định nhiễu trắng Ljung–Box Q).
Chọn 6.2.2. Mô hình trung bình trượt các cú sốc quá khứ (MA) khi: Nắm bắt hiệu ứng điều chỉnh tức thời sau các cú sốc thông tin ngắn hạn trên thị trường hàng hóa và tài chính. (Kiểm định bắt buộc: Điều kiện khả nghịch (Invertibility: nghiệm đa thức Θ(z) nằm ngoài vòng tròn đơn vị), đồ thị hàm tự tương quan (ACF cắt cụt sau trễ q) và kiểm định Ljung–Box Q).
Chọn 6.2.3. Mô hình tự hồi quy trung bình trượt kết hợp (ARMA) khi: Mô hình hóa và dự báo chuỗi thời gian kinh tế dừng có cả tính quán tính dài hạn lẫn điều chỉnh cú sốc ngắn hạn. (Kiểm định bắt buộc: Lựa chọn bậc (p, q) theo ma trận tiêu chuẩn AIC/BIC, kiểm tra sự triệt tiêu nghiệm chung (common roots) giữa đa thức AR và MA, và kiểm định phần dư Ljung–Box / ARCH-LM).
Chọn 6.2.4. Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) khi: Dự báo các chỉ tiêu kinh tế vĩ mô không dừng (CPI, GDP, sản lượng công nghiệp, kim ngạch xuất khẩu) dựa trên lịch sử vận động của chính chuỗi đó. (Kiểm định bắt buộc: Kiểm định nghiệm đơn vị ADF/KPSS để xác định bậc sai phân d, tiêu chuẩn AICc/BIC chọn (p, q), kiểm định Ljung–Box phần dư và đánh giá sai số dự báo RMSE/MAPE).
Chọn 6.2.5. Mô hình ARIMA có tính mùa vụ nhân tính (SARIMA) khi: Dự báo doanh thu bán lẻ, lượng khách du lịch, chỉ số sản xuất công nghiệp (IIP) hoặc kim ngạch thương mại có quy luật dao động mùa vụ mạnh. (Kiểm định bắt buộc: Kiểm tra tương quan tại các bội số độ trễ mùa vụ (s, 2s, 3s) trên ACF/PACF, kiểm định tính dừng mùa vụ HEGY/Canova–Hansen và kiểm định nhiễu trắng Ljung–Box).

4. Tài liệu tham khảo

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
Becketti, S. (2020). Introduction to Time Series Using Stata (Revised ed.). Stata Press.
Pesaran, M. H. (2015). Time Series and Panel Data Econometrics. Oxford University Press.
Brooks, C. (2019). Introductory Econometrics for Finance (4th ed., Chương 6 & 8: Univariate Time Series & Long-Run Relationships). Cambridge University Press.
Hansen, B. E. (2022). Econometrics (Chương 14 & 16: Time Series and Unit Roots). Princeton University Press.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 6. Chuỗi thời gian đơn biến, phi tuyến, điểm gãy và bong bóng
→ Bài học đầu tiên trong nhóm: 6.2.1. Mô hình tự hồi quy chuỗi thời gian (AR)