7.1. Hệ mô hình tự hồi quy vectơ (VAR, VECM, SVAR)
- Định danh nhóm bài giảng: Nhóm 7.1. Hệ mô hình tự hồi quy vectơ (VAR, VECM, SVAR) trực thuộc 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa.
- Phạm vi mô hình: Quy tụ 4 mô hình kinh tế lượng từ mục 7.1.1 đến mục 7.1.4.
- 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 Hansen (2022); Brooks (2019).
- Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo Sims (1980); Lütkepohl (2005); Pesaran (2015); Becketti (2020).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa, nhóm phương pháp Hệ mô hình tự hồi quy vectơ (VAR, VECM, SVAR) 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 Hansen (2022); Brooks (2019). Các mô hình trong nhóm 7.1 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Sims (1980); Lütkepohl (2005); Pesaran (2015); Becketti (2020):
$$Y_t = c + A_1 Y_{t-1} + \dots + A_p Y_{t-p} + u_t, \quad \text{E}[u_t u_t^\top] = \Sigma_u \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$Y_t = c + \sum_{\ell=1}^p A_\ell Y_{t-\ell} + B^{-1}\Sigma_u \varepsilon_t, \quad \Psi_h = \frac{\partial Y_{t+h}}{\partial \varepsilon_t^\top} = \Phi_h B^{-1}\Sigma_u \tag*{[2]}$$
Sự khác biệt giữa 4 mô hình từ 7.1.1. Mô hình tự hồi quy vectơ (VAR) đến 7.1.4. Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota (BVAR) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Sims (1980); Lütkepohl (2005); Pesaran (2015); Becketti (2020); Hansen (2022); Brooks (2019).
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 7.1:
| 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 |
|---|---|---|---|---|
| 7.1.1 | Mô hình tự hồi quy vectơ (VAR) | Đối xử bình đẳng mọi biến số trong hệ thống $K$ chiều như các biến nội sinh phụ thuộc vào $p$ độ trễ của chính nó và của tất cả các biến khác theo triết lý không áp đặt ràng buộc tiên nghiệm của Sims. | Stata: var y x1 x2, lags(1/2)R: vars::VAR(df[, c('y', 'x1', 'x2')], p = 2, type = 'const')Python: VAR(df[['y', 'x1', 'x2']]).fit(maxlags=2) |
Lựa chọn độ trễ tối ưu theo (AIC) / SBIC / (HQIC), điều kiện ổn định nghiệm đặc trưng nằm trong vòng tròn đơn vị và kiểm định tự tương quan (LM) phần dư đa biến |
| 7.1.2 | Mô hình hiệu chỉnh sai số vectơ (VECM) | Biểu diễn hệ (VAR) của các chuỗi không dừng tích hợp bậc 1 nhưng đồng tích hợp dưới dạng sai phân có chứa thành phần hiệu chỉnh sai số $\alpha \beta^\top Y_{t-1}$ theo định lý biểu diễn Granger, kết nối động học ngắn hạn với mặt phẳng cân bằng dài hạn. | Stata: vec y x1 x2, rank(1) lags(2)R: urca::cajorls(urca::ca.jo(df[, c('y', 'x1', 'x2')], K = 2), r = 1)Python: VECM(df[['y', 'x1', 'x2']], k_ar_diff=1, coint_rank=1).fit() |
Kiểm định Johansen xác định hạng $r$, kiểm định tính ngoại sinh yếu $H_0: \alpha_i = 0$, kiểm định ổn định nghiệm của hệ (VECM) và kiểm định (LM) phần dư |
| 7.1.3 | Mô hình tự hồi quy vectơ cấu trúc (SVAR) | Áp đặt các ràng buộc cấu trúc dựa trên lý thuyết kinh tế lên ma trận tác động đồng thời ngắn hạn hoặc ma trận tổng hiệu ứng tích lũy dài hạn của Blanchard–Quah để khôi phục các cú sốc cấu trúc trực giao có ý nghĩa kinh tế. | Stata: matrix A = (1, 0 \ ., 1) -> svar y x1, lags(1/2) aeq(A)R: vars::SVAR(var_fit, Amat = A_mat, Bmat = NULL)Python: SVAR(df[['y', 'x1']], svar_type='A', A=A_mat).fit(maxlags=2) |
Điều kiện bậc cho nhận dạng đúng yêu cầu số ràng buộc độc lập đạt ít nhất $K(K-1)/2$, kiểm định tỷ số hợp lý (LR) cho các ràng buộc nhận dạng quá mức và kiểm tra dấu của hàm phản ứng xung cấu trúc |
| 7.1.4 | Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota (BVAR) | Khắc phục lời nguyền số chiều của hệ (VAR) nhiều biến bằng cách áp đặt phân phối tiên nghiệm co ngót Minnesota của Litterman đưa các hệ số trễ bậc cao về $0$ và tạo phân phối hậu nghiệm chính xác. | Stata: bayes, rseed(42): var y x1 x2, lags(1/2)R: BVAR::bvar(df[, c('y', 'x1', 'x2')], lags = 2)Python: VAR(df[['y', 'x1', 'x2']]).fit(maxlags=2) |
Tối ưu hóa siêu tham số độ chặt tiên nghiệm $\lambda_1$ và trọng số liên biến $\lambda_2$, kiểm định hội tụ (MCMC) qua cỡ mẫu hiệu dụng (ESS) và đánh giá (RMSE) dự báo ngoài mẫu |
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 7.1 cho dữ liệu thực tế theo Hansen (2022); Brooks (2019):
- Chọn 7.1.1. Mô hình tự hồi quy vectơ (VAR) khi: Phân tích sự truyền dẫn động học đa chiều giữa chính sách tiền tệ, tài khóa, lạm phát, tỷ giá và tăng trưởng kinh tế. — Kiểm định bắt buộc: Lựa chọn độ trễ tối ưu theo (AIC) / SBIC / (HQIC), điều kiện ổn định nghiệm đặc trưng nằm trong vòng tròn đơn vị và kiểm định tự tương quan (LM) phần dư đa biến.
- Chọn 7.1.2. Mô hình hiệu chỉnh sai số vectơ (VECM) khi: Mô hình hóa hệ thống đa biến các chuỗi tích hợp bậc 1 đã được kiểm định Johansen xác nhận có $r \ge 1$ quan hệ đồng tích hợp. — Kiểm định bắt buộc: Kiểm định Johansen xác định hạng $r$, kiểm định tính ngoại sinh yếu $H_0: \alpha_i = 0$, kiểm định ổn định nghiệm của hệ (VECM) và kiểm định (LM) phần dư.
- Chọn 7.1.3. Mô hình tự hồi quy vectơ cấu trúc (SVAR) khi: Nhận dạng cú sốc chính sách tiền tệ, cú sốc cung tổng hợp và cú sốc cầu tổng hợp trong kinh tế lượng vĩ mô. — Kiểm định bắt buộc: Điều kiện bậc cho nhận dạng đúng yêu cầu số ràng buộc độc lập đạt ít nhất $K(K-1)/2$, kiểm định tỷ số hợp lý (LR) cho các ràng buộc nhận dạng quá mức và kiểm tra dấu của hàm phản ứng xung cấu trúc.
- Chọn 7.1.4. Mô hình tự hồi quy vectơ Bayes với tiên nghiệm Minnesota (BVAR) khi: Dự báo vĩ mô đa biến khi số lượng biến $K$ lớn và chuỗi thời gian $T$ ngắn khiến ước lượng (VAR) tần suất cổ điển bị quá khớp và sai số dự báo lớn. — Kiểm định bắt buộc: Tối ưu hóa siêu tham số độ chặt tiên nghiệm $\lambda_1$ và trọng số liên biến $\lambda_2$, kiểm định hội tụ (MCMC) qua cỡ mẫu hiệu dụng (ESS) và đánh giá (RMSE) dự báo ngoài mẫu.
4. Tài liệu tham khảo
- Sims, C. A.(1980). Macroeconomics and reality. Econometrica, 48, số 1, 1–48.
- Lütkepohl, H.(2005). New Introduction to Multiple Time Series Analysis. Springer.
- Pesaran, M. H.(2015). Time Series and Panel Data Econometrics. Oxford University Press.
- Becketti, S.(2020). Introduction to Time Series Using Stata, Revised ed.. Stata Press.
- Hansen, B. E.(2022). Econometrics, Chương 15: Multivariate Time Series and Local Projections. Princeton University Press.
- Brooks, C.(2019). Introductory Econometrics for Finance, 4th ed, Chương 7–8 & 10: VAR and Regime-Switching Models. Cambridge University Press.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa
→ Bài học đầu tiên trong nhóm: 7.1.1. Mô hình tự hồi quy vectơ (VAR)