P. 1
TỰ HỒI QUY VECTO

TỰ HỒI QUY VECTO

3.0

|Views: 4,097|Likes:
Published by Anh Vy Nguyễn

More info:

Published by: Anh Vy Nguyễn on Sep 20, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/16/2013

pdf

text

original

MÔ HÌNH TỰ HỒI QUY VECTOR VAR - MÔ HÌNH VETOR HIỆU CHỈNH SAI SỐ VECM

I- TỰ HỒI QUY VECTO (VAR) Mô hình ARIMA chỉ tiến hành phân tích dựa trên một chuỗi thời gian. Khi chúng ta có nhiều chuỗi thời gian khác nhau và cần phải xem xét mối quan hệ giữa chúng thì mô hình VAR trở thành một sự lựa chọn phù hợp. Mô hình VAR xem xét mối quan hệ giữa những chuỗi thời gian khác nhau. Hiểu một cách đơn giản, đây là mô hình mở rộng cho nhiều chuỗi thời gian của mô hình AR. VAR là mô hình hệ phương trình tự hồi quy rất đặc thù. Tính đặc thù thể hiện ở chỗ:  Tất cả những biến trong mô hình đều là biến nội sinh.  Những phương trình trong hệ sử dụng các biến độc lập giống nhau.  Biến độc lập là biến nội sinh ở các thời kỳ trễ.

1. Khái niệm Mô hình VAR về cấu trúc gồm nhiều phương trình (vector) và các trễ của các biến số (autoregressive). Ta xét hai chuỗi thời gian Y1 và Y2. Mô hình VAR tổng quát đối với Y1 và Y2 có dạng sau đây: ∑ ∑

Trong mô hình trên, mỗi phương trình đều chứa p trễ của mỗi biến. Với hai biến, mô hình có 22p hệ số góc và 2 hệ số chặn. Vậy trong trường hợp tổng quát nếu mô

khó khăn trong việc lựa chọn khoảng trễ còn được thể hiện ở chỗ nếu ta tăng độ dài của trễ sẽ làm cho bậc tự do giảm. Và khi xét đến mô hình VAR ta còn phải xét đến tính dừng của các biến trong mô hình. Phương pháp ước lượng mô hình VAR: Xét tính dừng của các biến trong mô hình. Điều này đòi hỏi số quan sát phải nhiều thì kết quả mới có ý nghĩa.8+3=75. do vậy mà ảnh hưởng đến chất lượng các ước lượng. Yêu cầu đặt ra khi ta ước lượng mô hình VAR là tất cả các biến phải dừng. Lựa chọn khoảng trễ phù hợp. Ngoài ra. Giả sử mô hình VAR bạn đang xét có ba biến và mỗi biến sẽ có 8 trễ đưa vào từng phương trình. Và nếu ta tăng số biến và số trễ đưa vào mỗi phương trình thì số hệ số mà ta phải ước lượng sẽ khá lớn. Càng khó khăn hơn nữa nếu một hỗn hợp chứa các biến có tính dừng và các biến không có tính dừng thì việc biến đổi dữ liệu không phải là việc dễ dàng. Một số vấn đề trong xây dựng mô hình VAR: Bên cạnh những ưu điểm nổi trội của mô hình VAR : không cần xác định biến nào là biến nội sinh và biến nào là biến ngoại sinh hay là ta có thể sử dụng phương pháp OLS cho từng phương trình riêng rẽ thì mô hình VAR còn vướng phải một số hạn chế: Do trọng tâm mô hình được đặt vào dự báo nên VAR ít phù hợp cho phân tích chính sách. 2. khi k càng lớn thì số hệ số phải ước lượng càng tăng. Như xem xét ở trên thì số hệ số mà bạn phải ước lượng là 32. nếu trong trường hợp các biến này chưa dừng thì ta phải lấy sai phân để đảm bảo chuỗi dừng. Nếu chưa dừng thì sử dụng kỹ thuật lấy sai phân để đưa về các chuỗi dừng. Khó khăn trong việc lựa chọn khoảng trễ thích hợp. 3. .hình có k biến thì sẽ có k2p hệ số góc và k hệ số chặn.

( File dữ liệu đính kèm) Trước tiên ta kiểm định tính dừng đối với 2 chuỗi dữ liệu CS và Y ta thấy: Theo kiểm định Dickey-Fuller thì chuỗi CS là chuỗi dừng (giá trị |t| = 5.599 lớn hơn các giá trị thống kê tương ứng ở cả 3 mức ý nghĩa 1%. Ví dụ ta chạy mô hình VAR cho chuỗi số liệu về tiêu dùng (CS) và thu nhập sau thuế (Y) trong thời kỳ quý I/1974 – IV/1984 của Anh.- Xem xét mức độ phù hợp của mô hình chạy ra (bằng việc kiểm định tính dừng của phần dư. 3% và 5%) Chạy tương tương tự đối với chuỗi y . Nếu phần dư của mô hình dừng thì mô hình nhận được phù hợp với chuỗi thời gian và ngược lại - So sánh các mô hình phù hợp và lựa chọn mô hình phù hợp nhất.

. Và khi lấy sai phân cho chuỗi này thì ta nhận được một chuỗi dừng.Chuỗi y là chuỗi không dừng.

Khi đã có hai chuỗi dừng CS và d(Y) ta tiến hành chạy ước lượng theo mô hình VAR. bạn phải nhập tương ứng là 1 2 4 4) . với trễ 1-2.4 (lưu ý cách viết trễ trong mô hình VAR phải theo khoảng. tức là khi nhập trễ vào ô.

Sau khi đã ước lượng được mô hình ta sẽ xem xét tính phù hợp của mô hình đối với chuỗi dữ liệu bằng cách kiểm định tính dừng của các phần dư. Nếu phần dư dừng thì mô hình nhận được là phù hợp và ngược lại. .

MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM: Trước khi đi vào mô hình vector hiệu chỉnh sai số. ta sẽ xem qua một số khái niệm liên quan như hồi quy giả mạo. đồng liên kết và mô hình hiệu chỉnh sai số. Hồi quy giả mạo: Khi hồi quy với các chuỗi thời gian. Tương tự đối với phần dư của d(Y) ta cũng được kết quả phần dư này dừng. Vậy mô hình ta chạy ra là phù hợp với chuỗi dữ liệu. có thể kết quả hồi quy là giả mạo do các chuỗi này có cùng xu thế. II. Ước lượng của . 1. Điều này thường xảy ra trong kinh tế.Kiểm định tính dừng phần dư của CS ta thấy phần dư này dừng.

2. Đồng liên kết: Như trên ta đã đề cập tới.98449 khá cao. Như vậy việc hồi quy các chuỗi không dừng có thể dẫn đến hồi quy giả mạo. Engle và Granger (1987) cho rằng nếu kết hợp tuyến tính của các chuỗi thời gian không dừng có thể là một chuỗi dừng và . Tuy nhiên việc đưa biến xu thế vào mô hình chỉ chấp nhận được nếu biến này là phi ngẫu nhiên. người ta đưa thêm biến xu thế vào mô hình. việc hồi quy các chuỗi thời gian không dừng thường dẫn đến kết quả hồi quy giả mạo. Tuy nhiên khi kiểm định tính dừng của hai chuỗi dữ liệu này ta thấy cả hai đều không dừng. các tỷ số |t| khá lớn. Do vậy kết quả hồi quy là giả mạo. chỉ có d=0. Xét ví dụ đối với chuỗi tiêu dùng và thu nhập sau thuế của Costa Rica trong khoảng thời gian 1963-1992 ta thấy kết quả hồi quy Kết quả hồi quy dường như rất đẹp vì R2=0.36169 khá nhỏ. Theo Granger và Newbold thì R2>d là dấu hiệu hồi quy giả mạo (kết luận hoàn toàn phù hợp với kết quả ước lượng ở trên). Khi đó thì các tiêu chuẩn t và F là không sử dụng được. Tuy nhiên.các hệ số hồi quy không phải chỉ chịu ảnh hưởng của biến độc lập đến biến phụ thuộc mà còn bao hàm xu thế. Để khắc phục hồi quy giả mạo.

Mối quan hệ nhân quả Granger Để kiểm định liệu có tồn tại mối quan hệ nhân quả Granger giữa hai chuỗi thời gian Y và X. Nói cách khác. và khi đó các kiểm định dựa trên tiêu chuẩn t và F vẫn có ý nghĩa. Và nếu như mô hình là đồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả mạo. kiểm định CRDW…và theo phương pháp VAR của Johasen. thì kết quả hồi qui là thực và thể hiện mối quan hệ cân bằng dài hạn giữa các biến trong mô hình. ta sử dụng thống kê F của kiểm định Wald và cách quyết định như sau: Nếu giá trị thống kê F tính toán lớn hơn giá trị thống kê F phê phán ở một mức ý nghĩa xác định ta bác bỏ giả thiết H và ngược lại. nhưng các biến trễ của X không có tác động lên Y.15) Để xem các biến trễ của X có giải thích cho Y (X tác động nhân quả Granger lên Y) và các biến trễ của Y có giải thích cho X (Y tác động nhân quả Granger lên X) hay không ta kiểm định giả thiết sau đây cho mỗi phương trình: H : β = β = … = β = 0 (2. Để kiểm định trên Eview.16) 0 1 2 l Để kiểm định giả thiết đồng thời này. Kết hợp tuyến tính dừng được gọi là phương trình đồng liên kết và có thể được giải thích như mối quan hệ cân bằng dài hạn giữa các biến.14) t t 0 0 1 1 t-1 t-1 l l t-l t-l 1 1 t-1 t-1 l l t-l t-l t t X = α + α X + … + α X + β Y + … + β Y + ε (2. Có 0 bốn khả năng như sau: Nhân quả Granger một chiều từ X sang Y nếu các biến trễ của X có tác động lên Y.các chuỗi thời gian không dừng đó được cho là đồng liên kết. . Nhân quả Granger một chiều từ Y sang X nếu các biến trễ của Y có tác động lên X. ta xây dựng hai phương trình sau: Y = α + α Y + … + α Y + β X + … + β X + ε (2. 3. Có nhiều phương pháp kiểm định mối quan hệ đồng liên kết: kiểm định EngleGranger. nếu phần dư trong mô hình hồi qui giữa các chuỗi thời gian không dừng là một chuỗi dừng. nhưng các biến trễ của Y không có tác động lên X.

Mô hình trên được gọi là mô hình hiệu chỉnh sai số ECM. giá cao nhất và giá thấp nhất. Mô hình ước lượng sự phụ thuộc của mức thay đổi của Y1 vào mức thay đổi của Y2 và mức mất cân bằng ở thời kỳ trước. Và đặc biệt một vấn đề không thể bỏ qua khi chạy mô hình này là xem xét tác động của các cú shock của biến này lên biến khác.- Nhân quả Granger hai chiều giữa X và Y nếu các biến trễ của X có tác động lên Y và các biến trễ của Y có tác động lên X. Mô hình vector hiệu chỉnh sai số VECM Khi hồi quy mô hình với các biến là chuỗi thời gian thì yêu cầu đặt ra là các chuỗi này phải dừng. Tuy nhiên. khi mà ta hồi quy các giá trị sau khi đã lấy sai phân có thể sẽ bỏ sót những thông tin dài hạn trong mối quan hệ giữa các biến. được sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa đựng mối quan hệ đồng kết hợp. 4. (File dữ liệu kèm theo) . Ví dụ đối với mô hình hai biến Y1 và Y2 ta có: Số hạng chính là phần mất cân bằng. Trong trường hợp chuỗi chưa dừng thì ta phải lấy sai phân của chúng cho đến khi có được chuỗi dừng. Chính vì thế khi hồi quy những mô hình đã lấy sai phân phải có thêm phần dư E. - Không có quan hệ nhân quả Granger giữa X và Y nếu các biến trễ của X không có tác động lên Y và các biến trễ của Y không có tác động lên X. Xét ví dụ chạy chuỗi dữ liệu của mã chứng khoán VNM (công ty Vinamilk) từ 19/01/2006 đến 20/01/2011 dựa trên giá đóng cửa. Từ đó ta xem xét mối quan hệ giữa các loại giá này trong mô hình và đưa ra được dự báo giá. giá mở cửa. Mô hình VECM là một dạng của mô hình VAR tổng quát. Mô hình VECM tổng quát: ∆Xt = ΠXt−1 + Γ1 ∆Xt−1 + · · · + Γp−1 ∆Xt−p+1 + Ut .

. đóng cửa. Cũng như ước lượng bất kì một mô hình với dữ liệu là chuỗi thời gian. Ta thấy. Kết quả là các chuỗi này đều không dừng tại I(0) mà cả 4 chuỗi này sẽ dừng tại I(1). tức là trễ tại các giá trị 1. Ta sẽ xem xét mô hình này với khoảng trễ 1-2. Do đó mà ta bác bỏ giả thiết H0 (giả thiết bên phần Null Hypothesis). ta sẽ lấy logarit của chúng để chuỗi dữ liệu ổn định hơn. Hay nói cách khác là tất cả các biến này đều có mối quan hệ qua lại lẫn nhau. 2. Để thuận tiện thì trong các phần tiếp theo khi nói đến các chuỗi giá thì bạn hiểu là các chuỗi này sau khi đã được lấy logarit. cao nhất và thấp nhất).Trước tiên đối với chuỗi dữ liệu này. việc trước tiên ta sẽ kiểm định tính dừng đối với các chuỗi dữ liệu này (chuỗi giá mở cửa. ta tiến hành kiểm định mối quan hệ nhân quả Granger để xem xét mối quan hệ giữa các biến trong mô hình. Sau khi nhận được các chuỗi dừng. tất cả các giá trị thống kê F tính toán đều lớn hơn các giá trị thống kê F phê phán tương ứng ở mức ý nghĩa 5%.

tuy nhiên đối với mô hình VECM biến xu hướng và chặn được mặc định sẵn và chúng ta sẽ lựa chọn 1 trong 5 trường hợp dưới: . do đó phần tiếp theo ta sẽ sử dụng mô hình VECM để ước lượng. Lưu ý là riêng phần kiểm định tính đồng liên kết thì ta sẽ kiểm định dựa trên các chuỗi giá chưa lấy sai phân. Sau khi đã tiến hành các kiểm định liên quan thì ta nhận thấy đây là các chuỗi không dừng và có mối quan hệ đồng liên kết. Cách chạy mô hình cũng tương tự như mô hình VAR trên.Tiếp theo ta sẽ xem xét tính đồng liên kết giữa các biến trong mô hình. Kết quả là có 3 mối quan hệ đồng liên kết giữa các biến.

Sau khi ước lượng ta có kết quả sau: .

Kết quả ước lượng mô hình có thể được viết lại như sau: .Trong đó các Eq là các phương trình đồng kết hợp.

Hoặc đơn giản hơn ta có thể xem các đồ thị phần dư của dưới đây để xem xét tính dừng. .Sau khi đã ước lượng mô hình thì ta tiếp tục kiểm định sự phù hợp của mô hình bằng cách kiểm định phần dư tương tự như mô hình VAR.

Ta sử dụng hàm phản ứng đẩy: .So sánh các mô hình khi thay đổi trễ để lựa chọn mô hình phù hợp nhất. Ở đây ta còn có thể xem xét sự tác động của biến nay lên biến kia khi có một sự thay đổi. một cú sốc xảy ra.

Ngoài ra ta còn có thể sử dụng mô hình trên để dự báo giá chứng khoán. Như vậy chúng ta có nhiều phương pháp dự báo khác nhau. Otavio R.Có thể hiểu là sự phản ứng của giá đóng cửa trong hiện tại lẫn tương lai khi có bất kì một sự thay đổi. N. De Oliveira . Tài liệu tham khảo: Modeling and Forecasting a Firm’s Financial Statements with a VAR – VECM Model.Bernardus F. Việc lựa chọn phương pháp nào không chỉ tùy thuộc vào khả năng của người sử dụng mà còn đòi hỏi phải có những kinh nghiệm nhất định. De Medeiros. Gustavo R. Không có một phương pháp nào lại phù hợp trong mọi trường hợp. thấp nhất và giá mở cửa. Van Doornik. một cú sốc nào trong giá cao nhất. Tuy nhiên cần phải qua một số các kiểm định khác nữa nên không được đề cập đến ở đây.

1-Phùng Thanh Bình .A Vector Error Correction Model (VECM) of Stockmarket Returns .Nagaratnam J Sreedharan Kinh tế lượng nâng cao-Phạm Trí Cao Hướng dẫn sử dụng Eview 5.

  9  NNN .

5  9 5  & 9  F9 .3 4E3 ' .J / .3 9 '3.. 2 . .: / : .2  9 .

.

  3 .

.

9H3 . E..:E 9K-3:.:/: 3 3.E. . 2 K3302F99E.:/:3 9.-33H3-3E. . 3.E.53959043O 3..4E397432K3 .E..E. /. / -E4 E  ' . -9 29 ..  0/ :G2904  %7.E 9539 % O9..  .4....3  3 9 - 6:.439.:  ...02F9 26:...97H3E O3..84.3 l9:3939K9743..84.:38.3 ..3 ..79.79  ..E.. 7. E2.

.9 99..E9793H9J394E3 :3.:9.3336: 7.-397432K3   %..3 .:38/39   %.:33 .E9793H 5H5E39..E.97.E.9332 326:...8.E../:.82 3/.36:.3.4397  9.802F92K33.. .:3 :3/39  2.-99  99 -H353:549088 .3..3-9K292K3.53  .. .-33 :.97H3.:  %59049.E.E..E.  O3.E.3O...-397432K3 . E.:/3 9.307 02F926:..:  7H3532 39J3 3H399K9.E..33.. 3.E.439.332.O2 6:... 9H3 9.E.:E .E.-E.. 4 O29.33.99. .802F99J3 3H39.: E 2 .. 8 2 3 9J3 /3  .9539 96:.: / : 3 .E97   $..979.

2 K3'-3:... 2K3'#97H3 9:3H3  .E.39.35/. .-3  $.2.E... 383.2K3.393.39.: 3/3.3 3H39 /4 O53959049.3  E.3 9K 9.. 96:. 2 3 H3 6:..3 3H39. 33 9   .8.O26:..3..:   93 3 .3 974397...3 .E. .O26:.88/3 2K3' .

.O96:8.:.39. $...: .

8.. %743 O.5..397K3 395 96:.6.E...: .E.32K3..93.O 9 .

O9 02. .E. $. .3 3 . 9./.. 2 3 53 /..2K3-3 .3 9.32K39K9..2 3855.E.3 9 3.: . 2 K3 '#  4. 953/.  02F99J3/3  ...959..

. 97 .8.O902F989E. $48E3.  29.-33.2K39..32K35539   9.7..8/32533  .E..O2989.H3-3. 3. %.3.

.2 3E..4 #  0 .3.. .4 #  0 0/0748  :89.3 ..3 5E5 34 3 .298.  O9:8533.35E5/-E4E.3 4473  9.3.3 5E5 34  5 5 9743 2 97.$9. .8.3H33 . 9 9:.3.7/:8     '. 3.O295.3/470..893.. . 9. .439 9539. .O3:5.39..: 3.5 3   ...24 4/03.349743E.3   5 ....  4 7.O 9 8 /3 2 K3 97H3  / -E4 E .3 4E3  %: 3H3.3.'# ' 4/0  073....97433939.E2.07.90203989.E O3.3 5..356:..O 3333239 3   %:9.4  3g3 ..O-9 K2989.72 83. 8 /3 2 .E. .  29.3 5  '.

..709#09:738 .3 39.93.333.'0.9434/0 ' 41$94.4 .2 $700/.4 !2%7J.94777474770.7.3K3  .2.0  !3%.7.3/38/3.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->