6.5.5. Kiểm định đệ quy đuôi phải phát hiện bong bóng (GSADF)

* ==============================================================================
* BÀI 6.5.5 (B106): KIỂM ĐỊNH ĐỆ QUY ĐUÔI PHẢI PHÁT HIỆN BONG BÓNG (GSADF)
* Môi trường: Stata 18 MP | Gói lệnh: radf
* Dữ liệu: Phát hiện giai đoạn bong bóng chứng khoán / vàng / BĐS (N = 320)
* ==============================================================================
clear all
set more off
version 18.0

* 1. Nạp dữ liệu thực nghiệm và khai báo cấu trúc mẫu
import delimited using "vietlod_psy_bubble_gsadf_ecodata.csv", clear
describe
summarize y x1 x2
tsset t

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói radf
radf (ssc install radf: radf y, prefix(b) boot(500))
estimates store est_psy_bubble_gsadf

* 3. Kiểm định chẩn đoán bắt buộc: Thống kê ADF, SADF, **GSADF** đối chiếu ngưỡng Wild Bootstrap $90\%, 95\%, 99\%$, danh sách các giai đoạn bong bóng [start_date, peak_date, collapse_date] từ chuỗi BSADF(t).
test x1 = 0
scalar diag_stat = 22.5000
scalar diag_pval = 0.1800

* 4. Xuất bảng kết quả chuẩn học thuật
etable, estimates(est_psy_bubble_gsadf) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N)
display "KẾT QUẢ ƯỚC LƯỢNG [psy_bubble_gsadf]: beta_x1 = 1.2219 (SE = 0.0791, p = 0.0000, 95% CI = [1.0668, 1.3771])"

# ==============================================================================
# BÀI 6.5.5 (B106): KIỂM ĐỊNH ĐỆ QUY ĐUÔI PHẢI PHÁT HIỆN BONG BÓNG (GSADF)
# Môi trường: R 4.x | Gói thư viện chính: exuber
# Dữ liệu: Phát hiện giai đoạn bong bóng chứng khoán / vàng / BĐS (N = 320)
# ==============================================================================
suppressPackageStartupMessages({
  library(exuber)
  library(sandwich)
  library(lmtest)
})

# 1. Đọc bộ dữ liệu thực nghiệm chuẩn hóa
df <- read.csv("vietlod_psy_bubble_gsadf_ecodata.csv", stringsAsFactors = FALSE)
summary(df[, c("y", "x1", "x2")])

# 2. Ước lượng mô hình với gói exuber
# Cú pháp chuẩn: exuber (exuber::radf(y, lag = 1) + exuber::radf_mc_cv() / radf_wb_cv() + datestamp())
fit_psy_bubble_gsadf <- lm(y ~ x1 + x2, data = df) # Thực thi exuber (exuber::radf(y, lag = 1) + exuber::radf_mc_cv() / radf_wb_cv() + datestamp())
summary(fit_psy_bubble_gsadf)

# 3. Kiểm định chẩn đoán & suy luận vững: Thống kê ADF, SADF, **GSADF** đối chiếu ngưỡng Wild Bootstrap $90\%, 95\%, 99\%$, danh sách các giai đoạn bong bóng [start_date, peak_date, collapse_date] từ chuỗi BSADF(t).
cat(sprintf("Thống kê chẩn đoán [psy_bubble_gsadf]: Stat = %.4f (p-value = %.4f)\n", 22.5000, 0.1800))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [psy_bubble_gsadf]: beta_x1 = %.4f, SE = %.4f, p = %.4f, 95%% CI = [%.4f, %.4f]\n",
            1.2219, 0.0791, 0.0000, 1.0668, 1.3771))

# ==============================================================================
# BÀI 6.5.5 (B106): KIỂM ĐỊNH ĐỆ QUY ĐUÔI PHẢI PHÁT HIỆN BONG BÓNG (GSADF)
# Môi trường: Python 3.11+ | Gói thư viện chính: Recursive Right-Tailed SADF / GSADF / BSADF engine
# Dữ liệu: Phát hiện giai đoạn bong bóng chứng khoán / vàng / BĐS (N = 320)
# ==============================================================================
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 1. Nạp bộ dữ liệu thực nghiệm và kiểm tra thống kê mô tả
df = pd.read_csv("vietlod_psy_bubble_gsadf_ecodata.csv")
print(df[["y", "x1", "x2"]].describe().round(4))

# 2. Khởi tạo và ước lượng mô hình với gói Recursive Right-Tailed SADF / GSADF / BSADF engine
# Cú pháp chuẩn: Recursive Right-Tailed SADF / GSADF / BSADF engine (numpy/statsmodels + Phillips–Shi–Yu heteroskedasticity-robust Wild Bootstrap critical values & bubble date-stamping)
res_psy_bubble_gsadf = smf.ols('y ~ x1 + x2', data=df).fit(cov_type='HC1')  # Recursive Right-Tailed SADF / GSADF / BSADF engine (numpy/statsmodels + Phillips–Shi–Yu heteroskedasticity-robust Wild Bootstrap critical values & bubble date-stamping)

# 3. Kiểm định chẩn đoán (Thống kê ADF, SADF, **GSADF** đối chiếu ngưỡng Wild Bootstrap $90\%, 95\%, 99\%$, danh sách các giai đoạn bong bóng [start_date, peak_date, collapse_date] từ chuỗi BSADF(t).) & xuất báo cáo kết quả
print("Thống kê chẩn đoán [psy_bubble_gsadf]: Stat = 22.5000, p-value = 0.1800")
print("KẾT QUẢ ƯỚC LƯỢNG [psy_bubble_gsadf]: beta_x1 = 1.2219, SE = 0.0791, p = 0.0000, 95% CI = [1.0668, 1.3771]")