7.4. Mô hình VAR tham số biến thiên và mạng lan tỏa
- Định danh nhóm bài giảng: Nhóm 7.4. Mô hình VAR tham số biến thiên và mạng lan tỏa trực thuộc 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa.
- Phạm vi mô hình: Quy tụ 3 mô hình kinh tế lượng từ mục 7.4.1 đến mục 7.4.3.
- 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); 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 Bernanke, Boivin & Eliasz (2005); Boivin, Giannoni & Mihov (2009); Stock & Watson (2016).
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 Mô hình VAR tham số biến thiên và mạng lan tỏa 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); Hansen (2022); Brooks (2019). Các mô hình trong nhóm 7.4 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Bernanke, Boivin & Eliasz (2005); Boivin, Giannoni & Mihov (2009); Stock & Watson (2016):
$$\begin{bmatrix} F_t \\ Y_t \end{bmatrix} = \Phi(L)\begin{bmatrix} F_{t-1} \\ Y_{t-1} \end{bmatrix} + v_t, \quad X_t = \Lambda^f F_t + \Lambda^y Y_t + e_t \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$Y_t = c + \sum_{\ell=1}^p A_\ell Y_{t-\ell} + B^{-1}\Sigma_u \varepsilon_t, \quad \Psi_h = \frac{\partial Y_{t+h}}{\partial \varepsilon_t^\top} = \Phi_h B^{-1}\Sigma_u \tag*{[2]}$$
Sự khác biệt giữa 3 mô hình từ 7.4.1. Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz (FAVAR) đến 7.4.3. Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Bernanke, Boivin & Eliasz (2005); Boivin, Giannoni & Mihov (2009); Stock & Watson (2016); 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 7.4:
| 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 |
|---|---|---|---|---|
| 7.4.1 | Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz (FAVAR) | Bổ sung $r$ nhân tố vĩ mô ẩn trích xuất từ hàng chục chuỗi chỉ báo kinh tế vào hệ VAR cùng biến chính sách quan sát được, khắc phục triệt để bài toán thiếu hụt tập thông tin mà không bùng nổ tham số. | Stata: dfactor (y x1 = , noconstant) (f = x2 x3, ar(1/2))R: vars::VAR(cbind(pc_factors, df$y), p = 2, type = 'const')Python: VAR(df[['f1', 'f2', 'y']]).fit(maxlags=2) |
Tỷ lệ phương sai toàn tập thông tin được giải thích bởi $r$ nhân tố — Bai–Ng $IC_{p2}$ , kiểm định ổn định nghiệm đơn vị hệ FAVAR, FEVD của từng chỉ báo. |
| 7.4.2 | Mô hình VAR tham số và phương sai biến thiên theo thời gian (TVP-VAR) | Cho phép cả ma trận hệ số tự hồi quy $B_t$ và ma trận hiệp phương sai cú sốc $\Sigma_t$ tiến hóa liên tục theo thời gian qua bộ lọc không gian trạng thái Kalman / MCMC, nắm bắt sự thay đổi cơ chế truyền dẫn vĩ mô qua các thập kỷ. | Stata: sspace (b1 L.b1, state noconstant) (y L.y, state)R: tvReg::tvVAR(df[, c('y', 'x1', 'x2')], p = 2)Python: UnobservedComponents(df['y'], exog=df[['x1', 'x2']], mle_regression=False).fit() |
Đường diễn biến hệ số $\hat{B}_{ij,t}$ theo thời gian, phản ứng xung tại các mốc lịch sử trọng yếu $t \in \{t_1, t_2, t_3\}$, log predictive likelihood. |
| 7.4.3 | Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz | Đo lường ma trận lan tỏa cú sốc định hướng tổng quát — GFEVD Koop–Pesaran–Shin không phụ thuộc thứ tự biến Cholesky , chỉ số kết nối toàn hệ thống (TCI), phát ròng — NET = TO – FROM — và lan tỏa cặp đôi. | Stata: var y x1 x2, lags(1/2) -> irf create gfevd, step(10)R: ConnectednessApproach::ConnectednessApproach(df_zoo, nlag = 2, nfore = 10)Python: VAR(df[['y', 'x1', 'x2']]).fit(maxlags=2).fevd(10) |
Tổng chỉ số kết nối TCI — $0–100\%$ , vai trò Net Transmitter — $\text{NET}_i \gt 0$ — vs Net Receiver — $\text{NET}_i \lt 0$ , chuỗi rolling/TVP TCI[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 7.4 cho dữ liệu thực tế theo Pesaran (2015); Becketti (2020); Hansen (2022); Brooks (2019):
- Chọn 7.4.1. Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz (FAVAR) khi: Phân tích chính sách tiền tệ/vĩ mô khi tập dữ liệu có nhiều chỉ báo — $M \ge 10$ chuỗi sản lượng, giá, tín dụng, lao động, thương mại — và $1–2$ công cụ chính sách trực tiếp. — Kiểm định bắt buộc: Tỷ lệ phương sai toàn tập thông tin được giải thích bởi $r$ nhân tố — Bai–Ng $IC_{p2}$ , kiểm định ổn định nghiệm đơn vị hệ FAVAR, FEVD của từng chỉ báo..
- Chọn 7.4.2. Mô hình VAR tham số và phương sai biến thiên theo thời gian (TVP-VAR) khi: Chuỗi vĩ mô/tài chính đa biến — $k \in [2, 5]$, $T \ge 60$ — trải qua chuyển dịch cơ cấu dần dần — thay đổi quy tắc điều hành của NHTW, hội nhập tài chính, đôla hóa giảm dần . — Kiểm định bắt buộc: Đường diễn biến hệ số $\hat{B}_{ij,t}$ theo thời gian, phản ứng xung tại các mốc lịch sử trọng yếu $t \in \{t_1, t_2, t_3\}$, log predictive likelihood..
- Chọn 7.4.3. Mô hình đo lường lan tỏa và kết nối mạng lưới Diebold–Yilmaz khi: Chuẩn xuất bản rất phổ biến 2021–2026 trong nghiên cứu truyền dẫn rủi ro giữa cổ phiếu – trái phiếu – vàng – tỷ giá – dầu thô – hàng hóa hoặc lan tỏa lạm phát liên vùng. — Kiểm định bắt buộc: Tổng chỉ số kết nối TCI — $0–100\%$ , vai trò Net Transmitter — $\text{NET}_i \gt 0$ — vs Net Receiver — $\text{NET}_i \lt 0$ , chuỗi rolling/TVP TCI[t]..
4. Tài liệu tham khảo
- Bernanke, Boivin, & Eliasz(2005). Foundational econometric methodology and empirical inference in The Quarterly Journal of Economics.
- Boivin, J, Giannoni, M. P, & Mihov, I.(2009). Sticky prices and monetary policy: Evidence from disaggregated US data. American Economic Review, 99, số 1, 350–384.
- Stock, & Watson(2016). Foundational econometric methodology and empirical inference in Handbook of Macroeconomics.
- Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 21–24: VAR, VECM, Impulse Responses and Structural Identification. Oxford University Press.
- Becketti, S.(2020). Introduction to Time Series Using Stata, Revised ed, Chương 9–10: Multivariate Time Series, VAR, SVAR and VECM. 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: 7.4.1. Mô hình VAR bổ sung nhân tố ẩn Bernanke–Boivin–Eliasz (FAVAR)