6.3. Mô hình trễ phân phối tự hồi quy (ARDL)

Estimated reading: 10 minutes 4 views

TÓM TẮT NHÓM 6.3: Nhóm bài giảng 6.3. Mô hình trễ phân phối tự hồi quy (ARDL) thuộc 6. Chuỗi thời gian đơn biến, phi tuyến, điểm gãy và bong bóng quy tụ 4 mô hình kinh tế lượng (từ mục 6.3.1 đến mục 6.3.4). 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 (Pesaran, Shin & Smith (2001); Kripfganz & Schneider (2020); Pesaran (2015); Nkoro & Uko (2016); Becketti (2020); 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 Mô hình trễ phân phối tự hồi quy (ARDL) 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 (Becketti (2020); Brooks (2019); Hansen (2022)). Các mô hình trong nhóm 6.3 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Pesaran, Shin & Smith (2001); Kripfganz & Schneider (2020); Pesaran (2015); Nkoro & Uko (2016)):

$$Y_t = c + \sum_{i=1}^p \phi_i Y_{t-i} + \sum_{k=1}^K \sum_{j=0}^{q_k} \beta_{k,j} X_{k,t-j} + \varepsilon_t \tag{1}$$

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 4 mô hình từ 6.3.1. Mô hình tự hồi quy trễ phân phối và kiểm định đường bao (ARDL) đến 6.3.4. Mô hình tự hồi quy trễ phân phối trên các phân vị (QARDL) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Pesaran, Shin & Smith (2001); Kripfganz & Schneider (2020); Pesaran (2015); Nkoro & Uko (2016); Becketti (2020); 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 6.3:

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
6.3.1	Mô hình tự hồi quy trễ phân phối và kiểm định đường bao (ARDL)	Ước lượng đồng thời mối quan hệ động ngắn hạn và cân bằng dài hạn thông qua kiểm định đường bao (Bounds test) của Pesaran–Shin–Smith, áp dụng hợp lệ bất kể các biến giải thích là I(0), I(1) hay hỗn hợp.	Stata: `ardl y x1 x2, lags(2 1 1) ec` R: `ARDL::ardl(y ~ x1 + x2, data = df, order = c(2, 1, 1))` Python: `ARDL(df['y'], 2, df[['x1', 'x2']], 1).fit()`	Kiểm định đường bao F-Bounds và t-Bounds với giá trị tới hạn hữu hạn mẫu Kripfganz–Schneider (2020), kiểm định tự tương quan Breusch–Godfrey, ARCH-LM và ổn định tham số CUSUM / CUSUMSQ
6.3.2	Mô hình hiệu chỉnh sai số không ràng buộc (UECM)	Biểu diễn tái tham số hóa tương đương 1-1 của mô hình ARDL dưới dạng phương trình hiệu chỉnh sai số không ràng buộc, tách bạch trực tiếp tốc độ điều chỉnh về cân bằng dài hạn (ECT < 0) và các hệ số co giãn ngắn hạn.	Stata: `ardl y x1 x2, lags(2 1 1) ec btest` R: `ARDL::uecm(ardl_fit) / dynlm ECM` Python: `UECM(df['y'], 2, df[['x1', 'x2']], 1).fit()`	Kiểm định dấu âm và ý nghĩa thống kê của hệ số tốc độ điều chỉnh (π_Y ∈ (-1, 0)) qua t-Bounds test, phương pháp Delta tính sai số chuẩn hệ số dài hạn và kiểm định ổn định CUSUM
6.3.3	Mô hình ARDL phi tuyến bất đối xứng (NARDL)	Phân tách biến giải thích thành tổng bộ phận dương và âm ($X_t^+ = \sum \max(\Delta X_j, 0), X_t^- = \sum \min(\Delta X_j, 0)$) để đo lường truyền dẫn bất đối xứng trong cả ngắn hạn lẫn cân bằng dài hạn.	Stata: `nardl (ssc install nardl: nardl y x1 x2, p(2) q(2) deterministic(c) horizon(20))` R: `ARDL / dynamac (ARDL::ardl với phân tách tổng dương/âm $X^+, X^-$ + ARDL::bounds_f_test)` Python: `statsmodels (Partial-sum decomposition $X^+, X^-$ UECM + Pesaran $F_{\text{PSS}}$ bounds + Wald long/short-run asymmetry & dynamic multipliers)`	Kiểm định tiền ước lượng xác nhận không có biến $I(2)$, đường bao $F_{\text{PSS}}$ & $t_{\text{BDM}}$, kiểm định Wald bất đối xứng dài hạn ($L^+ = L^-$) & ngắn hạn, CUSUM/CUSUMSQ.
6.3.4	Mô hình tự hồi quy trễ phân phối trên các phân vị (QARDL)	Ước lượng đồng tích hợp và cơ chế hiệu chỉnh sai số phụ thuộc vào từng trạng thái phân vị $\tau \in (0,1)$ của cú sốc kinh tế vĩ mô/tài chính ($Q_{Y_t}(\tau \mid \mathcal{F}_{t-1})$).	Stata: `qardl / sqreg ECM (qreg/sqreg ARDL-ECM reparameterization với Delta-method long-run $\beta(\tau)$)` R: `quantreg (quantreg::rq dynamic ARDL-ECM across $\tau$ grid + covariance Wald tests)` Python: `statsmodels (QuantReg dynamic ECM across $\tau \in \{0.1, 0.25, 0.5, 0.75, 0.9\}$ + Delta-method long-run $\theta(\tau)$)`	Kiểm định Wald tính bất biến theo phân vị của tốc độ điều chỉnh $\rho(\tau)$ và tham số dài hạn $\beta(\tau)$, pseudo-$R^1(\tau)$ Koenker–Machado.

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 6.3 cho dữ liệu thực tế (Becketti (2020); Brooks (2019); Hansen (2022)):

Chọn 6.3.1. Mô hình tự hồi quy trễ phân phối và kiểm định đường bao (ARDL) khi: Phân tích kinh tế vĩ mô cỡ mẫu vừa và nhỏ (T = 30..100) khi các biến giải thích có bậc tích hợp hỗn hợp I(0) và I(1) nhưng không có biến nào là I(2). (Kiểm định bắt buộc: Kiểm định đường bao F-Bounds và t-Bounds với giá trị tới hạn hữu hạn mẫu Kripfganz–Schneider (2020), kiểm định tự tương quan Breusch–Godfrey, ARCH-LM và ổn định tham số CUSUM / CUSUMSQ).
Chọn 6.3.2. Mô hình hiệu chỉnh sai số không ràng buộc (UECM) khi: Đo lường tốc độ tự điều chỉnh của nền kinh tế sau mỗi cú sốc lệch khỏi trạng thái cân bằng dài hạn. (Kiểm định bắt buộc: Kiểm định dấu âm và ý nghĩa thống kê của hệ số tốc độ điều chỉnh (π_Y ∈ (-1, 0)) qua t-Bounds test, phương pháp Delta tính sai số chuẩn hệ số dài hạn và kiểm định ổn định CUSUM).
Chọn 6.3.3. Mô hình ARDL phi tuyến bất đối xứng (NARDL) khi: Nghiên cứu truyền dẫn tỷ giá, giá dầu – lạm phát, lãi suất ngân hàng, chính sách tiền tệ bất đối xứng trên chuỗi hỗn hợp $I(0)/I(1)$ (không có biến $I(2)$, $T \ge 35$). (Kiểm định bắt buộc: Kiểm định tiền ước lượng xác nhận không có biến $I(2)$, đường bao $F_{\text{PSS}}$ & $t_{\text{BDM}}$, kiểm định Wald bất đối xứng dài hạn ($L^+ = L^-$) & ngắn hạn, CUSUM/CUSUMSQ.).
Chọn 6.3.4. Mô hình tự hồi quy trễ phân phối trên các phân vị (QARDL) khi: Khi tốc độ quay về cân bằng dài hạn và độ co giãn dài hạn thay đổi mạnh giữa thời kỳ suy thoái ($\tau = 0.1$), bình thường ($\tau = 0.5$) và bùng nổ ($\tau = 0.9$). (Kiểm định bắt buộc: Kiểm định Wald tính bất biến theo phân vị của tốc độ điều chỉnh $\rho(\tau)$ và tham số dài hạn $\beta(\tau)$, pseudo-$R^1(\tau)$ Koenker–Machado.).

4. Tài liệu tham khảo

Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289–326.
Kripfganz, S., & Schneider, D. C. (2020). Response surface regressions for critical value bounds and approximate p-values in equilibrium correction models. Oxford Bulletin of Economics and Statistics, 82(6), 1456–1481.
Pesaran, M. H. (2015). Time Series and Panel Data Econometrics. Oxford University Press.
Nkoro, E., & Uko, A. K. (2016). Autoregressive distributed lag (ARDL) cointegration technique: Application and interpretation. Journal of Statistical and Econometric Methods, 5(4), 63–91.
Becketti, S. (2020). Introduction to Time Series Using Stata (Revised ed., Chương 5–9: ARIMA, Unit Roots and Cointegration). Stata 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: 6.3.1. Mô hình tự hồi quy trễ phân phối và kiểm định đường bao (ARDL)