Chuong 5. cac mo hinh du bao nhan qua

CAC MO HINH DU BAO NHAN QUA
MO HINH VAR TINH DONG LIEN KET MO HINH VECM MOT SO VAN DE KHAC
Các mô hình dự báo nhân quả
Mô hình VAR
Tính đ ng liên k t
Mô hình VECM
M t s v n đ khác
CAC MO HINH DU BAO NHAN QUA MO HINH VAR 1 / 23

Khái ni m
Mô hình VAR là m t d ng t ng quát c a mô hình t h i quy đơn chi u dùng
trong d báo m t t p h p bi n. V c u trúc VAR g m nhi u phương trình,
m i phương trình ư c lư ng t ng bi n theo đ tr c a nó và đ tr c a các
bi n còn l i (v ph i bao g m h ng s và đ tr c a các bi n trong h th ng
ch không bao g m giá tr hi n t i c a các bi n bên v ph i). Xét mô hình
VAR 2 bi n và p đ tr sau:
Yt = A1 +
p
j=1
BjYt−j +
p
j=1
CjXt−j + t
Xt = A2 +
p
j=1
DjYt−j +
p
j=1
EjXt−j + t

D a vào mô hình trên ta có th th y đư c nh ng đ c đi m sau:
Trong t ng phương trình ta có th th y nó ch bao g m bi n tr c a
chính nó và c a bi n khác nhưng không bao g m giá tr hi n t i c a hai
bi n bên v ph i c a các phương trình.
ng v i m i bi n s có m i đ tr khác nhau, tuy nhiên đ d dàng ta
thư ng s d ng cùng m t đ tr cho t t c các bi n.
ng v i mô hình VAR có đ tr b ng 1 thì ta s có mô hình VAR (1), v i
đ tr b ng 2 thì ta có mô hình VAR (2), tương t v i đ tr là p thì ta
có mô hình VAR(p).
Mô hình VAR có th kh c ph c đư c như c đi m c a các h phương
trình là nó không c n quan tâm đ n tính n i sinh c a các bi n kinh t
(endogeneity).

Đ th c hi n ư c lư ng theo mô hình VAR ta c n th c hi n theo 5 bư c sau:
B1. Ta c n xét tính d ng c a chu i d li u,
B2. L a ch n đ tr phù h p. Thông thư ng ta không ch n đ tr b ng 0
B3. Th c hi n ư c lư ng mô hình.
B4. Đánh giá đ n đ nh c a mô hình.
B5. D báo

Ưu đi m c a VAR:
Mô hình VAR có th dùng đ phân tích nhi u chu i th i gian khác nhau
và đánh giá đư c m i quan h qua l i gi a chúng.
Không c n ph i xác đ nh rõ ràng bi n ngo i sinh và n i sinh, đi u này
giúp ta có th s d ng phương pháp OLS cho t ng bi n.
Như c đi m c a VAR:
Do tr ng tâm đư c đ t vào d báo, các mô hình VAR ít thích h p v i
phân tích chính sách.
T t c các bi n s d ng trong mô hình VAR ph i có tính d ng
Mô hình VAR r t nh y c m đ i v i đ tr nên c n ph i l a ch n m t đ
tr thích h p đ đưa vào mô hình (tuy nhiên vi c l a ch n m t đ tr t i
ưu cho mô hình r t khó khăn).

Ví d th c hi n d báo b ng VAR
Xem xét m i quan h gi a hai bi n GGDP và INF trong workfile VAR2
V tính d ng c a 2 chu i d li u ta có th ki m tra b ng Unit Root Test
Sau đó th c hi n ư c lư ng VAR cho hai chu i này
Ch n đ tr thích h p [VAR] −→ Lag Structure −→ Lag Length Criteria
−→
D a vào tiêu chu n AIC, SIC, HQ, LogL ... đ tìm đ tr thích h p
Ư c lư ng l i VAR

L a ch n đ tr

Đánh giá k t qu ư c lư ng VAR
Có m y tiêu chí đ đánh giá VAR như sau
Tính n đ nh c a VAR d a vào vòng tròn đơn v . [VAR] −→ Lag
Structure −→ AR Root Graph
Nhi u t mô hình VAR là nhi u tr ng: [VAR] −→ Lag Structure −→ Lag
Length Criteria −→
Ch n đ tr thích h p [VAR] −→ Residual Tests −→ Portmanteau
Autocorrellation Test
Đánh giá sai s d báo

Ki m đ nh nghi m đa th c đ c trưng AR

Nhi u tr ng

D báo b ng VAR
Sau khi th c hi n vi c đánh giá mô hình thì ta d báo VAR
Trư c h t c n t o Make Model [VAR] −→ Proc −→ Make Model −→
Solve
Trong h p tho i Model Solution: Gõ vào ô Solution Sample kho ng th i
gian c n d báo
Ch n OK. Có dòng ch Solve complete t c là d báo thành công

M t s v n đ khác v i VAR
Ch nh s a t ng phương trình
Ki m tra bi n n i sinh và ngo i sinh b ng ki m đ nh nhân qu Granger
[VAR] −→ Lag Structure −→ Granger Causality
Ki m tra m c Prob. ng v i dòng All
Trong h p tho i Model Solution: [VAR] −→ Proc −→ Make System −→
Order by Variable
Trong h p tho i hi n ra ta ch nh s a mô hình ch n −→ Estimate −→
Ch n OK.
Sau đó l i d báo như bư c trên

Hàm ph n ng đ y. Xem xét cơ ch truy n t i s c
Trong màn hình [VAR] ta ch n −→ Impulse −→ Multiple Graphs ho c
Table
Đ c cơ ch truy n t i s c. Lưu ý tính th t c a bi n (s c ph n ng
nhanh hơn)

Phân rã phương sai
Trong màn hình [VAR] −→ View −→ Variance Decomposition −→ Table
ho c Multiple Graphs
Phân rã cho t ng th i kỳ v bi n đ ng c a cú s c

Phân rã phương sai

M t chu i th i gian có th d ng ho c không d ng. Trong trư ng h p sai
phân b c nh t là m t chu i d ng thì ta g i là chu i liên k t b c 1. Tương
t n u sai phân b c d là m t chu i d ng thì ta g i là chu i liên k t b c d,
ta ký hi u là I(d).
Engle và Granger l i cho r ng n u k t h p tuy n tính c a các chu i th i
gian không d ng có th là m t chu i d ng
K t h p tuy n tính d ng đư c g i là phương trình đ ng liên k t và nó có
th gi i thích đư c m i quan h cân b ng dài h n gi a các bi n (nghĩa là
khi ph n dư trong mô hình h i quy gi a các chu i s li u theo th i gian
không d ng là m t chu i d ng thì k t qu h i quy là th c).
CAC MO HINH DU BAO NHAN QUA TINH DONG LIEN KET 16 / 23

M t chu i th i gian có th d ng ho c không d ng. Trong trư ng h p sai
phân b c nh t là m t chu i d ng thì ta g i là chu i liên k t b c 1. Tương
t n u sai phân b c d là m t chu i d ng thì ta g i là chu i liên k t b c d,
ta ký hi u là I(d).
Engle và Granger l i cho r ng n u k t h p tuy n tính c a các chu i th i
gian không d ng có th là m t chu i d ng
K t h p tuy n tính d ng đư c g i là phương trình đ ng liên k t và nó có
th gi i thích đư c m i quan h cân b ng dài h n gi a các bi n (nghĩa là
khi ph n dư trong mô hình h i quy gi a các chu i s li u theo th i gian
không d ng là m t chu i d ng thì k t qu h i quy là th c).

Ki m đ nh đ ng liên k t tính đ ng liên k t
Xét hai chu i th i gian Yt và Xt đ u không d ng b c g c (b c 0) mà cùng
d ng b c d t c là I(d)
Mô hình h i quy: Yt = β0 + β1Xt + ut
Ta c n ch ng minh chu i ut là d ng (nhi u tr ng)

Mô hình VECM
Đ ư c lư ng VAR thì các chu i th i gian ph i là chu i d ng. Tuy nhiên trong
th c ti n, đi u này đôi khi không đ t đư c. Nhi u chu i th i gian ch có tính
đ ng liên k t v i nhau còn b n thân có th không d ng. Chính vì v y mô hình
VECM đư c đ t ra đ thay th cho VAR trong nh ng trư ng h p như th .
Lưu ý r ng VECM là m t d ng c a mô hình Var t ng quát.
M t ưu đi m c a VECM là nó có th đo lư ng tác đ ng c a c ng n h n và
dài h n trong khi VAR ch y u đo nh hư ng trong ng n h n
CAC MO HINH DU BAO NHAN QUA MO HINH VECM 19 / 23

Ví d
Sau khi VAR xong cho hai bi n GGDP và INF ta ch y VECM cho hai bi n này:

M i quan h nhân qu Granger
Đ ki m đ nh có t n t i m i quan h nhân qu Granger gi a hai chu i th i
gian GRDP và CPI. Mô hình như sau sau:
GRDPt = A1 +
p
j=1
αjGRDPt−j +
p
j=1
βjCPIt−j + t
CPIt = A2 +
p
j=1
αjGRDPt−j +
p
j=1
βjCPIt−j + t
Đ xem các bi n tr c a GRDP có gi i thích cho CPI (GRDP tác đ ng nhân
qu Granger lên CPI) và các bi n tr c a CPI có gi i thích cho GRDP (CPI
tác đ ng nhân qu Granger lên GRDP) hay không ta ki m đ nh gi thuy t sau
đây cho m i phương trình: H0 : β1 = β2 = ... = βp = 0
CAC MO HINH DU BAO NHAN QUA MOT SO VAN DE KHAC 22 / 23

Có 4 kh năng như sau:
Nhân qu Granger m t chi u t GRDP sang CPI n u các bi n tr c a
GRDP các tác đ ng lê CPI, nhưng các bi n tr c a CPI không có tác
đ ng lên GRDP.
Nhân qu Granger m t chi u t CPI sang GRDP n u các bi n tr c a
CPI các tác đ ng lê GRDP, nhưng các bi n tr c a GRDP không có tác
đ ng lên CPI.
Nhân qu Granger hai chi u gi a GRDP và CPI n u các bi n tr c a
GRDP có tác đ ng lên CPI và các bi n tr c a CPI có tác đ ng lên GRDP.
Không có quan h nhân qu Granger gi a GRDP và CPI n u các bi n tr
c a GRDP không có tác đ ng lên CPI và các bi n tr c a Y không có tác
đ ng lên GRDP.
CAC MO HINH DU BAO NHAN QUA MOT SO VAN DE KHAC 23 / 23

Chuong 5. cac mo hinh du bao nhan qua

Recommended

Recommended

More Related Content

Recently uploaded

Recently uploaded (20)

Featured

Featured (20)

Chuong 5. cac mo hinh du bao nhan qua