MÔ HÌNH CHUỖI THỜI GIAN ĐA BIẾN:

MÔ HÌNH VAR
MULTIVARIATE TIME SERIES MODEL
TÀI LIỆU ĐỌC

•Phạm Thị Tuyết Trinh và ctg (2016), chương 3

•Enders (2010), chương 5
•Brooks (2014), chương 6
•Asteriou và Hall (2011), chương 15
MỤC TIÊU
•Phân biệt được phương trình dạng rút gọn và phương trình cấu trúc;
•Giải thích được vấn đề nội sinh;
•Phân biệt được mô hình VAR dạng tiêu chuẩn và mô hình VAR cấu
trúc;
•Biết cách lựa chọn bậc trễ tối ưu của mô hình VAR
•Thực hiện ước lượng mô hình VAR bằng EViews;
•Thực hiện được kiểm định nhân quả Granger;
•Thực hiện và phân tích được kết quả phản ứng đẩy và phân rã
phương sai.
NỘI DUNG
•Một số khái niệm
•Mô hình SVAR
•Mô hình VAR tiêu chuẩn/ rút gọn
•Thực hành: Ước lượng mô hình VAR
•Phân tích bằng mô hình VAR
­ Kiểm định nhân quả Granger (lý thuyết và thực hành)
­ Phân tích phản ứng xung (lý thuyết và thực hành)
­ Phân tích phân rã phương sai (lý thuyết và thực hành)
•Ước lượng mô hình SVAR
MỘT SỐ KHÁI NIỆM

•Phương trình dạng rút gọn (reduced forms) và phương trình cấu
trúc (structural)
•Vấn đề nhận dạng (identification)
•Hệ phương trình đồng thời (simultaneous equations model)
•Hệ phương trình tam giác (triangular system)
PHƯƠNG TRÌNH DẠNG RÚT GỌN (REDUCED
FORMS) VÀ PHƯƠNG TRÌNH CẤU TRÚC
(STRUCTURAL)

Phương trình dạng rút gọn có biến nội sinh (endogeneous variable)
phụ thuộc vào
­ biến trễ (lagged variable) của chính nó,
­ biến trễ của các biến nội sinh khác,
­ biến cùng thời điểm (contemporaneous variable) và trễ của các biến ngoại sinh
(exogeneous)
­ và hạng nhiễu (disturbance terms)
­ nhưng không phụ thuộc vào biến cùng thời điểm của biến nội sinh khác
Phương trình cấu trúc có biến nội sinh phụ thuộc vào biến cùng thời
điểm của một biến nội sinh khác
­ Phương trình cấu trúc có thể chuyển sang nhiều phương trình dạng rút gọn
VÍ DỤ: PHƯƠNG TRÌNH DẠNG RÚT GỌN
VÀ PHƯƠNG TRÌNH CẤU TRÚC

Mô hình cổ điển của Samuelson (1939):

Phương trình sản lương:

Phương trình tiêu dùng:

Phương trình đầu tư:

VẤN ĐỀ NHẬN DẠNG
IDENTIFICATION

Thuật ngữ hàm ý có đầy đủ thông tin trong phương trình dạng
rút gọn để ước lượng các tham số của phương trình cấu trúc.
Một phương trình được gọi là đã nhận dạng (identified) hoặc
chưa nhận dạng (under-identified) phụ thuộc vào số lượng biến
trong hệ phương trình cấu trúc.
Điều kiện trật tự (order condition): Một phương trình được nhận
dạng nếu số lượng biến loại trừ (excluded variable) trong
phương trình nhiều hơn hoặc bằng G - 1.
­ G: số lượng phương trình cấu trúc
­ Biến loại trừ trong phương trình là biến nội sinh và ngoại sinh không
xuất hiện trong phương trình đang xem xét nhưng có xuất hiện đâu
đó trong cả hệ phương trình.
Hệ phương trình:
­ Y1 = α0 + α2Y2 + α3Y3 + α4X1 + α5X2 + u1
­ Y2 = β0 + β1Y3 + β2X1 + u2
­ Y3 = γ0 + γ 1Y2 + u3
Nhận dạng:
­ Phương trình Y1 không có biến loại trừ, chưa được nhận dạng;
­ Phương trình Y2 có biến Y1 và X2 bị loại trừ, được nhận dạng;
­ Phương trình Y3 có biến Y1, X1 và X2 bị loại trừ, được nhận dạng quá
mức (over-identified)
MÔ HÌNH HỆ PHƯƠNG TRÌNH ĐỒNG THỜI
SIMULTANEOUS EQUATIONS MODEL (SEM)

Mô hình phương trình đồng thời được sử dụng để mô tả mối

quan hệ lẫn nhau ở cùng thời điểm giữa các biến số.
Ví dụ:
Mô hình hệ phương trình đồng thời có vấn đề nội sinh nên
không thể ước lượng bằng phương pháp OLS
Vấn đề nội sinh là gì?
­ Cho mô hình: Yt = βXt + ut
­ CLRM có giả định: Cov(Xt,ut) = 0
­ Nếu: Cov(Xt,ut) ≠ 0, mô hình có vấn đề nội sinh
MÔ HÌNH HỆ PHƯƠNG TRÌNH TAM GIÁC
TRIANGULAR SYSTEM MODEL

Cho mô hình có hệ phương trình sau:

­ Y1 = β10 + γ11X1 + γ12X2 + u1
­ Y2 = β20 + β21Y1 + γ21X1 + γ22X2 + u2
­ Y3 = β30 + β31Y1 + β32Y2 +γ31X1 + γ32X2 + u3
Hệ phương trình trên là hệ phương trình tam giác hoặc đệ qui
(recursive)
Từng phương trình trong hệ vẫn có thể được ước lượng riêng
biệt bằng OLS
MÔ HÌNH VECTƠ TỰ HỒI QUI CẤU TRÚC
STRUCTURAL VECTOR AUTOREGRESSION (SVAR)

Cho Y1t và Y2t, trong đó Y1t chịu tác động của giá trị cùng thời
điểm và giá trị quá khứ của Y2t, Y2t cũng chịu tác động của giá trị
cùng thời điểm và quá khứ của Y1t.
Mô hình SVAR có thể được sử dụng để phản ánh mối quan hệ
giữa Y1t và Y2t

Trong đó, uit ~ idd (0, σ²it), E(u1t, u2t) = 0; k là số bậc trễ của mô hình
Giả sử, cho k = 1:

Dạng ma trận:

Dạng viết đơn giản của ma trận: AYt = β0 + β1Yt-1 + ut

SVAR là hệ phương trình đồng thời và chưa được nhận dạng
Để ước lượng hệ phương trình SVAR, cần phải đặt ra những
ràng buộc (restriction) để hệ được nhận dạng.
MÔ HÌNH VAR TIÊU CHUẨN
REDUCED FORM VAR/ STANDARD VAR

Mô hình SVAR: AYt = β0 + β1Yt-1 + ut

Chia hai vế của phương trình cho A có được mô hình VAR dạng
rút gọn (VAR tiêu chuẩn):
Yt = A0 + A1Yt-1 + et
gx1 gx1 gxggx1 gx1

trong đó A0 = A-1β0; A1 = A-1β1

VAR chỉ cho phép xem xét tác động trễ của biến này lên giá trị
hiện tại của biến kia mà không cho phép xem xét tác động của
các biến cùng thời điểm.
Từng phương trình trong mô hình VAR có thể được ước lượng
bằng phương pháp OLS.
Ưu và nhược điểm của mô hình VAR: đọc sách mục 3.2.3
trang 111-113
ƯỚC LƯỢNG VÀ PHÂN TÍCH BẰNG MÔ HÌNH VAR

Các bước ước lượng mô hình VAR

­ Điều kiện dữ liệu: tất cả biến dừng, trừ trường hợp tất cả đều
I(1)
­ B1: Lựa chọn bậc trễ tối ưu: Sử dụng tiêu chuẩn thông tin
­ B2: Ước lượng mô hình VAR theo tiêu chuẩn thông tin lựa chọn
­ B3: Kiểm định mô hình ước lượng (tính ổn định, tự tương
quan)
¢Công cụ (phương pháp) phân tích của mô hình VAR
­ B4: Kiểm định nhân quả Granger
­ B5: Phân tích phản ứng đẩy (xung)
­ B6: Phân tích phân rã phương sai
THỰC HÀNH: ƯỚC LƯỢNG MÔ HÌNH VAR

Mục đích: khám phá mối quan hệ giữa phát triển tài chính và
tăng trưởng kinh tế Mỹ
­ Phát triển tài chính (FD): đo lường bằng private credit/GDP danh
nghĩa
­ Tăng trưởng kinh tế (Y): đo lường bằng %GDP bình quân đầu người
Yêu cầu:
­ Viết mô hình VAR sử dụng ký hiệu tổng (sigma)
­ Viết mô hình VAR sử dụng toán tử trễ (lag operator)
Gọi Zt = [FDt, Yt]
­ Viết mô hình VAR dạng ma trận
Mở file: fdy.wf1
Thực hiện:
­ Vẽ chuỗi fd và y
­ Loại bỏ yếu tố mùa vụ (nếu có)
­ Kiểm định tính dừng của chuỗi fd và y (sau khi đã loại bỏ yếu tố mùa
bằng ACF)
­ fd là chuỗi không dừng tại bậc gốc à chuyển dạng sang sai phân bậc 1,
đặt tên dfd
­ y là chuỗi dừng tại bậc gốc
Bước 1: chọn bậc
trễ tối ưu cho mô
hình VAR
­ Quick/ Estimate
VAR
­View/ Lag
Structure/ Lag
Length Criteria...
Bước 2: Ước lượng
mô hình VAR theo
bậc trễ tối ưu lựa
chọn ở bước 1
Bước 3: Kiểm định mô hình VAR
­ Tính ổn định của mô hình VAR
­ Điều kiện cần và đủ để mô hình
VAR ổn định là các trị tuyệt đối của
nghiệm đặc trưng nằm ngoài vòng
tròn đơn vị
­ Hay: trị tuyệt đối của nghịch đảo
nghiệm đặc trưng phải nằm trong
vòng tròn đơn vị.
­ Kiểm định tính ổn định của mô
hình VAR trong Eviews: View/ Lag
Structure/ AR Roots Graph
Bước 3: Kiểm định mô hình VAR
­ Kiểm định tự tương quan phần dư: Kiểm định Portmanteau:
­ Giả thiết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ h
­ Giả thiết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h
­ Thống kê Q ~ χ2 (n2(h - p)) (n là số lượng biến nội sinh, h là bậc trễ tối đa,
p là bậc trễ của mô hình VAR)
­ Prob > α (1%, 5%, 10%), không có cơ sở bác bỏ giả thiết H0, kết luận
phần dư không có hiện tượng tự tương quan.
­ Nếu giá trị Prob < α (1%, 5%, 10%), bác bỏ giả thiết H0 kết luận có hiện
tượng tương quan chuỗi bậc h mà tại đó Prob < α
­ View/ Residual Tests/ Portmanteau Autocorrelation Test... ( giả sử lag
12)
Bước 3: Kiểm định mô hình VAR
­ Kiểm định tự tương quan phần dư: Kiểm định LM
­ Giả thiết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ h
­ Giả thiết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h
­ Thống kê LM ~ χ2 (n2) (n là số lượng biến nội sinh)
­ View/ Residual Tests/ Autocorrelation LM Test... (giả sử lag 12)
Bước 3: Kiểm định mô hình VAR
­ Kiểm định phương sai thay đổi:
Kiểm định White
­ Giả thiết H0: Phần dư không có hiện
tượng phương sai thay đổi
­ Giả thiết H1: Phần dư có hiện tượng
phương sai thay đổi
­ Thống kê LM ~ χ2 (m) (m là số lượng
nhân tố hồi qui trong mô hình hồi qui
phụ)
­ View/ Residual Tests/ Autocorrelation
LM Test... (giả sử lag 12)
Bước 3: Kiểm định mô hình VAR
­ Kiểm định phân phối chuẩn của
phần dư: Kiểm định Jarque Bera
phiên bản đa biến
­ Giả thiết H0: Phần dư có phân phối
chuẩn
­ Giả thiết H1: Phần dư không có phân
phối chuẩn
­ View/ Residual Tests/ Normality
Test...
PHÂN TÍCH MÔ HÌNH VAR
KIỂM ĐỊNH NHÂN QUẢ GRANGER
GRANGER CAUSALITY TEST

Kiểm định nhân quả để kiểm tra mối quan hệ nhân quả giữa các
biến
“Thay đổi của Y1 có là nguyên nhân thay đổi của Y2 hay không?”
Kiểm định bằng cách: đặt ràng buộc 0 đối với tất cả bậc trễ của
Y2 (block) và xem xét khi có ràng buộc và khi không có ràng
buộc, mô hình nào sẽ có kết quả ước lượng tốt hơn (dựa trên
SSR)
Thuật ngữ nhân quả (causality) ở đây có ý nghĩa quan hệ tương
quan giữa giá trị hiện tại của một biến số và giá trị trễ của các
biến số khác.
Mô hình VAR(3)
Y1t = α10 + β11Y1t-1 + β12Y2t-1 + !11Y1t-2 + !12Y2t-2 + "11Y1t-3 + "12Y2t-
3 + u1t
Y2t = α20 + β21Y1t-1 + β22Y2t-1 + !21Y1t-2 + !22Y2t-2 + "21Y1t-3 + "22Y2t-
3 + u2t
Các khả năng xảy ra:
­ 1: Thay đổi của Y1 là nguyên nhân thay đổi của Y2.
­ 2: Thay đổi của Y2 là nguyên nhân thay đổi của Y1.
­ 3: Quan hệ nhân quả hai chiều (bi-directional causality).
­ 4: Không tồn tại quan hệ nhân quả.
Bước 4: Kiểm định
nhân quả Granger
§View/ Lag Structure/
Granger
Causality/Block
Exogeneity Tests
PHÂN TÍCH MÔ HÌNH VAR
PHÂN TÍCH PHẢN ỨNG ĐẨY (XUNG)
IMPULSE RESPONSE FUNCTION

Xem xét phản ứng trong hiện tại và tương lai của từng biến nội
sinh (trong mô hình VAR) dưới cú sốc của một biến nội sinh
Cú sốc của một biến được xác định là sai số của phương trình
có biến số đó là biến phụ thuộc
­ thường mặc định là 1 đơn vị tăng hoặc 1 độ lệch chuẩn tăng
Kết quả phản ứng đẩy luôn đồng nhất với kiểm định nhân quả
Granger. Nếu biến Y1 không phải là nguyên nhân của Y2, Y2 sẽ
không phản ứng với cú sốc của Y1
Mô hình VAR (1):

Một đơn vị sốc của Y1t tại thời điểm t = 0 có tác đến các biến số trong
mô hình VAR (Y1 và Y2) tại thời điểm t = 0, 1, 2.. như sau
­ Tại thời điểm t = 0

­ Tại thời điểm t = 1

­ Tại thời điểm t = 2

§View/ Impulse
response
PHÂN TÍCH MÔ HÌNH VAR
PHÂN TÍCH PHÂN RÃ PHƯƠNG SAI
VARIANCE DECOMPOSITION
Phân rã phương sai cho thấy phương sai sai số dự báo trước-s-bước
của một biến số (với s = 1, 2, .... ) được giải thích như thế nào bởi cú
sốc của các biến trong hệ phương trình VAR
Phương sai của sai số dự báo trước-s-bước của Y1:
•Phần phương sai được giải thích bởi cú sốc của chính Y1: giảm giần
theo thời gian
•Phần phương sai được giải thích bởi cú sốc của Y2: tăng dần theo
thời gian
Thường được sử dụng để xem xét khả năng giải thích của một biến
số đối với diễn biến 1 biến số khác
Lệnh: View/ Varian Decomposition...
•DFD giải thích được khoảng 16%
diễn biến của Y
•Y giải thích được khoảng 4% diễn
biến của DFD
MÔ HÌNH VAR CÓ BIẾN NGOẠI SINH

Mô hình VAR(1) có biến ngoại sinh như sau:

Yt = A0 + A1Yt-1 + BXt + et
Trong đó Xt = [X1t, X2t,...] là vectơ biến ngoại sinh, B là ma trận
hệ số của các biến ngoại sinh.
Chỉ nên đưa biến ngoại sinh vào mô hình VAR khi có cơ sở lý
thuyết rõ ràng về việc xác định biến ngoại sinh.
THỰC HÀNH: ƯỚC LƯỢNG MÔ HÌNH VAR CÓ BIẾN
NGOẠI SINH

Mục tiêu: xem xét ảnh hưởng của khủng hoảng kinh tế đến tăng
trưởng kinh tế và phát triển tài chính Mỹ
•Đặt biến giả crisis đại diện cho khủng hoảng tài chính 2008
• Crisis nhận giá trị 1 cho các quan sát 2007, 2008, 2009
• Crisis nhận giá trị 0 cho các giai đoạn còn lại
•Ước lượng mô hình VAR có biến giả crisis
BÀI TẬP
Đọc bài 2 (Ứng dụng mô hình VAR phân tích mối quan hệ của FDI và tăng trưởng
kinh tế Việt Nam)
1. Mục tiêu cuả bài viết là gì?
2. Cho biết mô hình nghiên cứu của bài viết? Mô hình có bao nhiêu biến số? Bài viết
sử dụng những lý thuyết gì để xây dựng mô hình nghiên cứu?
3. Từng biến số trong bài viết được đại diện và đo lường như thế nào?
4. Tại sao bài viết sử dụng mô hình VAR?
5. Bài viết có thực hiện đầy đủ các bước để ước lượng mô hình VAR hay không?
6. Hãy cho biết kết quả tóm tắt của phân tích: (i) Phản ứng đẩy; (ii) Phân rã phương
sai?
ƯỚC LƯỢNG MÔ HÌNH SVAR

SVAR là hệ chưa được định dạng, do vậy cần định dạng SVAR
để ước lượng
Sims (1980) khuyến nghị sử dụng hệ đệ qui (hệ tam giác) để
định dạng SVAR
Dạng viết đơn giản của ma trận: AYt = β0 + β1Yt-1 + ut
SVAR (1)

Đặt ràng buộc hệ đệ qui cho SVAR(1), !22 = 0

Ràng buộc này tương ứng: Y2 có ảnh hưởng cùng thời điểm đến
Y1 nhưng Y1 không có ảnh hưởng cùng thời điểm đến Y2
Hoặc; Đặt ràng buộc hệ đệ qui cho SVAR(1), !12 = 0
Ràng buộc này tương ứng: Y1 có ảnh hưởng cùng thời điểm đến
Y2 nhưng Y2 không có ảnh hưởng cùng thời điểm đến Y1
THỰC HÀNH: ƯỚC LƯỢNG SVAR TRONG
EVIEWS

Mục đích: Ước lượng mối quan hệ giữa phát triển tài chính và
tăng trưởng kinh tế bằng mô hình SVAR
§Ước lượng mô hình VAR(1)
§Tạo ma trận định giạng SVAR
§Hệ số cùng thời điểm: ma trận A
§Sai số: ma trận B
Tạo ma trận A
§Lệnh: Objects/
New objects…/