6.5. Chuỗi thời gian phi tuyến, điểm gãy và bong bóng

Estimated reading: 12 minutes 7 views

TÓM TẮT NHÓM 6.5:

Định danh nhóm bài giảng: Nhóm 6.5. Chuỗi thời gian phi tuyến, điểm gãy và bong bóng trực thuộc 6. Chuỗi thời gian đơn biến, phi tuyến, điểm gãy và bong bóng.
Phạm vi mô hình: Quy tụ 5 mô hình kinh tế lượng từ mục 6.5.1 đến mục 6.5.5.
Cơ sở phương pháp luận: Hệ thống hóa phương trình cấu trúc, phân biệt giả định nhận dạng và cấu trúc sai số chuẩn theo Pesaran (2015); Becketti (2020); Brooks (2019); Hansen (2022).
Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo Hansen (2000); Zeileis, Leisch, Hornik & Kleiber (2002).

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 Chuỗi thời gian phi tuyến, điểm gãy và bong bóng 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 theo Pesaran (2015); Becketti (2020); Brooks (2019); Hansen (2022). Các mô hình trong nhóm 6.5 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Hansen (2000); Zeileis, Leisch, Hornik & Kleiber (2002):

$$Y_t = X_t^\top \beta_1 \mathbb{I}(q_t \le \gamma) + X_t^\top \beta_2 \mathbb{I}(q_t \gt \gamma) + \varepsilon_t, \quad \text{LR}_T(\gamma) = T\frac{\text{SSR}(\gamma) – \text{SSR}(\hat{\gamma})}{\text{SSR}(\hat{\gamma})} \tag*{[1]}$$

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 6.5.1. Mô hình hồi quy chia mẫu theo ngưỡng Hansen đến 6.5.5. Kiểm định đệ quy đuôi phải phát hiện bong bóng (GSADF) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Hansen (2000); Zeileis, Leisch, Hornik & Kleiber (2002); Pesaran (2015); 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 6.5:

Bảng 6.5.1Đối chiếu bản chất kinh tế lượng, cú pháp thực thi và kiểm định của nhóm 6.5

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
6.5.1	Mô hình hồi quy chia mẫu theo ngưỡng Hansen	Ước lượng hồi quy chuyển chế độ theo biến ngưỡng quan sát được $q_t \le \gamma$ vs $q_t \gt \gamma$ trên dữ liệu chéo hoặc chuỗi thời gian với suy luận khoảng tin cậy ngược tỷ số hợp lý.	Stata: `threshold y, regionvars(x1 x2) threshvar(q_thresh) nthresholds(1)` R: `strucchange::Fstats(y ~ x1 + x2, data = df)` Python: `smf.ols('y ~ x1 * I(q_thresh > gamma) + x2', data=df).fit(cov_type='HC1')`	Thống kê Sup-Wald / Sup-LM bootstrap $p$-value kiểm định tồn tại ngưỡng, khoảng tin cậy $95\%$ cho điểm ngưỡng $\hat{\gamma}$, kiểm định phương sai thay đổi từng chế độ.
6.5.2	Mô hình tự hồi quy chuyển tiếp trơn (LSTAR, ESTAR)	Mô hình chuyển tiếp trơn giữa hai chế độ cực trị thông qua hàm chuyển tiếp liên tục $G(s_t; \gamma, c) \in [0, 1]$ dạng Logistic (LSTAR) hoặc Hàm mũ (ESTAR).	Stata: `nl (y = ({b0} + {b1}l1_y) + ({d0} + {d1}l1_y)/(1 + exp(-{gamma}(l1_y - {c}))))` R: `minpack.lm::nlsLM(y ~ b0 + b1l1_y + (d0 + d1l1_y)/(1 + exp(-g(l1_y - c))), data = df)` Python: `scipy.optimize.least_squares(lstar_residuals, theta0)`	Kiểm định tuyến tính Teräsvirta LM bậc 3, đồng thời chọn tự động LSTAR vs ESTAR, kiểm định Eitrheim–Teräsvirta không còn tự tương quan/phi tuyến dư.
6.5.3	Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (MIDAS)	Dự báo và nowcasting biến vĩ mô tần suất thấp — GDP quý — trực tiếp từ chuỗi chỉ báo tần suất cao — chỉ số sản xuất công nghiệp tháng, tín dụng/chứng khoán tuần–ngày — bằng trọng số đa thức Almon/Beta tiết kiệm tham số.	Stata: `regress y_q x_m_lag0 x_m_lag1 x_m_lag2, vce(hac nwest 4)` R: `midasr::midas_r(y_q ~ mls(x_m, 0:11, 3, nealmon), start = list(x_m = c(1, -0.5)))` Python: `smf.ols('y ~ x1 + x2', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': 4})`	Kiểm định hội tụ trọng số đa thức, kiểm định $h$-step out-of-sample RMSE / Diebold–Mariano so với AR benchmark, HAC Ljung–Box.
6.5.4	Kiểm định và ước lượng đa điểm gãy cấu trúc Bai–Perron	Phát hiện đồng thời $m$ điểm gãy cấu trúc chưa biết trước ngày xảy ra trên phương trình hồi quy chuỗi thời gian bằng quy hoạch động tối thiểu hóa tổng bình phương phần dư toàn cục.	Stata: `regress y x1 x2 -> estat sbsingle` R: `strucchange::breakpoints(y ~ x1 + x2, data = df, h = 0.15)` Python: `smf.ols('y ~ x1 * I(t >= t_break) + x2', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': 4})`	Thống kê supF[k], UDmax / WDmax, kiểm định tuần tự $\text{sup}F(\ell+1\mid\ell)$, ngày gãy ước lượng kèm khoảng tin cậy 95% và hệ số từng chế độ.
6.5.5	Kiểm định đệ quy đuôi phải phát hiện bong bóng (GSADF)	Phát hiện và xác định chính xác ngày khởi phát – ngày vỡ của các giai đoạn tăng trưởng bùng nổ / bong bóng đầu cơ — $H_1: \rho \gt 1$ đuôi phải — thông qua chuỗi cửa sổ trượt đệ quy hai chiều GSADF và BSADF.	Stata: `radf y, prefix(bsadf) boot(500)` R: `exuber::radf(df$y, lag = 1)` Python: `adfuller(df['y'], maxlag=2, regression='c', autolag='AIC')`	Thống kê ADF, SADF, GSADF đối chiếu ngưỡng Wild Bootstrap $90\%, 95\%, 99\%$, danh sách các giai đoạn bong bóng giai đoạn khởi phát, đạt đỉnh và sụp đổ từ chuỗi $\text{BSADF}_t$.

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 6.5 cho dữ liệu thực tế theo Pesaran (2015); Becketti (2020); Brooks (2019); Hansen (2022):

Chọn 6.5.1. Mô hình hồi quy chia mẫu theo ngưỡng Hansen khi: Kiểm tra hiệu ứng ngưỡng nợ công – tăng trưởng, ngưỡng lạm phát, ngưỡng độ mở tài chính trên chuỗi thời gian hoặc mẫu chéo quốc gia — $N \ge 30$ . — Kiểm định bắt buộc: Thống kê Sup-Wald / Sup-LM bootstrap $p$-value kiểm định tồn tại ngưỡng, khoảng tin cậy $95\%$ cho điểm ngưỡng $\hat{\gamma}$, kiểm định phương sai thay đổi từng chế độ..
Chọn 6.5.2. Mô hình tự hồi quy chuyển tiếp trơn (LSTAR, ESTAR) khi: Tỷ giá hối đoái thực, chu kỳ kinh doanh tăng trưởng GDP, chênh lệch lãi suất nơi hàng triệu tác nhân kinh tế phản ứng dần dần thay vì nhảy bậc tức thời như SETAR. — Kiểm định bắt buộc: Kiểm định tuyến tính Teräsvirta LM bậc 3, đồng thời chọn tự động LSTAR vs ESTAR, kiểm định Eitrheim–Teräsvirta không còn tự tương quan/phi tuyến dư..
Chọn 6.5.3. Hồi quy lấy mẫu tần suất hỗn hợp Ghysels (MIDAS) khi: Khi biến phụ thuộc và biến giải thích có tần suất lấy mẫu lệch nhau — Quý–Tháng $m=3$, Tháng–Tuần/Ngày — — tránh mất thông tin và chệch tổng hợp thời gian khi cộng bình quân đơn giản. — Kiểm định bắt buộc: Kiểm định hội tụ trọng số đa thức, kiểm định $h$-step out-of-sample RMSE / Diebold–Mariano so với AR benchmark, HAC Ljung–Box..
Chọn 6.5.4. Kiểm định và ước lượng đa điểm gãy cấu trúc Bai–Perron khi: Chuỗi vĩ mô dài hạn trải qua cải cách thể chế, thay đổi chế độ tỷ giá, khủng hoảng tài chính hoặc đại dịch — $T \ge 40$, trimming $\epsilon \in [0.10, 0.15]$ . — Kiểm định bắt buộc: Thống kê supF[k], UDmax / WDmax, kiểm định tuần tự $\text{sup}F(\ell+1\mid\ell)$, ngày gãy ước lượng kèm khoảng tin cậy 95% và hệ số từng chế độ..
Chọn 6.5.5. Kiểm định đệ quy đuôi phải phát hiện bong bóng (GSADF) khi: Chuẩn mực hàng đầu trong nghiên cứu bong bóng giá bất động sản, chứng khoán, vàng, hàng hóa nông sản/năng lượng, tỷ giá và cung tiền — $T \ge 50$, cửa sổ tối thiểu $r_0 = 0.01 + 1.8/\sqrt{T}$ . — Kiểm định bắt buộc: Thống kê ADF, SADF, GSADF đối chiếu ngưỡng Wild Bootstrap $90\%, 95\%, 99\%$, danh sách các giai đoạn bong bóng giai đoạn khởi phát, đạt đỉnh và sụp đổ từ chuỗi $\text{BSADF}_t$..

4. Tài liệu tham khảo

Hansen(2000). Sample Splitting and Threshold Estimation. Econometrica.
Zeileis, Leisch, Hornik, & Kleiber(2002). strucchange. Journal of Statistical Software.
Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 12–22: Stationary Processes, Unit Roots, ARDL and Cointegration. Oxford University Press.
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: 6.5.1. Mô hình hồi quy chia mẫu theo ngưỡng Hansen