CÁC CH  CHÍNH

KINH T
LNG NG DNG:

1. Các mô hình chu
i thi gian
2. Chu
i thi gian dng và không dng
Chu
i Thi Gian – Time Series (Các kim  nh nghi
m n v )
TS. Phm Th Anh 3. Mô hình t h i quy (VAR)
4. Gii thi
u v  ng tích hp
pham.theanh@yahoo.com
Trang web môn hc: (cointegration)
http://theanh98.googlespages.com 5. Mô hình hoá phng sai: Các mô
hình ARCH-GARCH

2
 ®

CH  1:
1. Gi i thiu chung
T ng quan v
chui thi gian Các thành phn ca mt chui thi gian
1. Gii thi
u chung 1. Xu hng (trend): tng dn hoc gim dn nht
2. Ôn li h i quy quán trong dài hn
3. Nhiu trng (White noise processes) 2. Chu kì (cycle): tng hoc gim theo thi gian
4. Chu
i dng ng (Stationary dynamic processes) theo chu kì kinh doanh
5. Chu
i (mô hình) t h i quy bc 1 – AR(1) 3. Mùa v (seasonal): c trng theo tun, tháng,
6. Các chu
i t h i quy tng quát – AR(p) hay quý
7. Chu
i trung bình trt (MA) 4. Bt thng (irregular): ngu nhiên, không d
8. Kim  nh s vi phm các gi  nh h i quy oán c
9. Chu
i không dng

3
 ® 4
 ®

280
Chuyn  i s liu
240
Thay i tn sut c a chu
i thi gian:
200
- Thay i tn s c a mt chu
i thi gian: t tun
160
sang tháng, t tháng sang quý, t quý sang nm…
120
Khi gim tn sut c a mt chu
i thi gian (nh t
80 tháng sang quý), tu! theo c tính c a tng loi s
94 95 96 97 98 99 00 01 02 03 04 05 06 07 08
li
u có th ly theo giá tr trung bình, hoc thi im
Vietnam CPI
u, cui hoc gi"a. (CPI, VN-index…)

Kì gc (c s): tháng 12 nm 1994, CPI94 = 100 Hoc phi cng d n nh i vi GDP, ch# s sn
lng công nghi
p…

5
 ® 6
 ®
S li
u danh ngh$a và thc t: 280

S li
u thc t loi b% xu hng bin ng c a giá c.
240

200

Tu! vào mi quan h

kinh t ang xém xét  la 160

chn s li
u cho phù hp nht quán. 120

80

Log hoá s li
u
94 95 96 97 98 99 00 01 02 03 04 05 06 07 08

Vietnam CPI

Vi
c chuyn i s li
u v dng log rt ph bin 5.6

trong kinh t lng vì nhiu lí do: 5.4

5.2

- Nhiu chu
i thi gian tng theo hàm m&, vi

c log 5.0

hoá có th làm “mt” chu
i thi gian, tránh vi

c
4.8

4.6

làm che giu i nh"ng c tính khác c a s li

u. 4.4
94 95 96 97 98 99 00 01 02 03 04 05 06 07 08

LOG(CPI)

7
 ® 8
 ®

- Có th tuyn tính hoá nh"ng mi quan h

phi tuyn Ly sai phân (differencing)
tính theo tham s.
VD: Hàm sn xut Cobb-Douglas Khi mun loi b% thành phn xu hng trong chu
i
Y = ALα K β eu thi gian ngi ta có th s' dng cách ly sai phân,
log(Y ) = log( A) + α log( L) + β log( K ) + u t(c là tính s thay i c a mt bin t thi kì này ti
thi kì tip theo.
- Các tham s c lng trong phng trình h i quy ∆yt = yt − yt −1
 dng h
s co dãn do Quá trình này c gi là ly sai phân bc 1
y − yt −1
∆ log( yt ) = log( yt ) − log( yt −1 ) ≈ t
yt −1 Nu chu
i s li
u vn còn tính xu hng, chúng ta có
th ly sai phân bc 2:
∆ 2 yt = ∆yt − ∆yt −1 = ( yt − yt −1 ) − ( yt −1 − yt −2 )

9
 ® 10
 ®

Ly sai phân theo mùa v (seasonal differencing) Mt s ví d v

chui thi gian

Khi mun loi b% tính mùa v c a mt chu
i thi

gian chúng ta có th ly sai phân theo mùa v. T(c là
tính s thay i c a mt bin t thi kì này so vi
cùng kì nm trc.

VD:
)i vi s li
u tháng: ∆yt = yt − yt −12

)i vi s li
u quý: ∆yt = yt − yt −4
…

11
 ® 12
 ®
 13
 ® 14
 ®

Bn mun t c gì khi phân tích chui thi Thc hành: http://theanh98.googlespages.com ti v
gian? t
p “data”  dng nén, trong ó bao g m nhiu t
p s
li
u khác nhau  dng excel.
• Nêu ra c các c tính c a chu
i s li
u
• Xác  nh c nh"ng xu hng nht  nh theo Hãy m chng trình Eviews, to workfile mi r i
thi gian nhp s li
u ch# s giá tiêu dùng cpi c a Vi
t Nam
• Xác  nh c nh"ng thành phn có th d báo trong file “vn_series”. Lu ý dùng l
nh import trong
• Kim  nh các gi thuyt kinh t (ví d nh li
u File.
hai chu
i thi gian nào ó có quan h
vi nhau
hay không, và quan h
th nào) V* hình v ch# s giá tiêu dùng cpi theo tháng c a
• D báo chu
i thi gian Vi
t Nam  dng cpi, log(cpi), sai phân log bc 1, sai
phân log theo mùa v. So sánh và nêu nhn xét c a
bn v nh"ng chu
i s li
u này.

15
 ® 16
 ®

2. Hi quy - Normally distributed (n): Phân phi chu+n – gi

 nh này rt mnh!
Xem xét mô hình h i quy sau: - Independently (i): )c lp ( ng phng sai b,ng
không)
yt = 0 + 1x1t + …+ kxkt + ut - Identically (i): ging nhau (trung bình và phng
Bin ph thuc  ây là yt và k bin gii thích xit, sai ging nhau). Trung bình b,ng 0 và phng sai
trong ó i=1,…,k.
b,ng 2.
Trong mô hình h i quy trên sai s ut thng c gi Do vy, sai s h i quy c gi  nh là nhiu trng
 nh tho mãn: (white noise) phân phi chu+n.
ut ~ niid(0, σ2) t = 1, …, n - Tham s c lng OLS β̂1 là phân phi chu+n và
có th s' dng suy din thng kê (kim  nh gi
thuyt và c lng khong tin cy).

17
 ® 18
 ®
Trong phân tích chu
i thi gian, v c bn chúng ta 3. Nhiu trng (White noise)
c gng mô hình hoá bin yt
)ây là chu
i thi gian n gin nht
ph thuc không ch# vào các bin khác ti cùng thi yt = ut
im t mà còn ph thuc vào các bin khác  thi Nu ut là sai s t mt phng trình h i quy, chúng ta
im trc ó, ví d nh thi im t-1. có th gi ây là nhiu trng.
Nói mt cách chính xác, ut là nhiu trng khi:
yt = f(các giá tr trc c a yt, các bin khác  thi 1. Trung bình b,ng không, E[ut] = 0;
im t hoc trc ó) 2. Phng sai không i, E[ut2] = σ2 (no
heteroscedasticity);
(s* quay li ch  này sau) 3. ) ng phng sai b,ng không, E[ut us] = 0, t ≠ s

19
 ® 20
 ®

Lu ý: ) ut là nhiu trng nó KHÔNG nht thit

phi phân phi chu+n! 4

Không th d báo nhiu trng t nh"ng giá tr trong 2

quá kh( c a nó.

0

Ví d v mt chu
i nhiu trng

-2
smpl 1980:01 1980:01
genr yt = 0
-4
smpl 1980:01 2008:12 80 85 90 95 00 05
genr yt = nrnd
smpl 1980:01 2008:12 YT

plot yt

21
 ® 22
 ®

Nhiu trng trong thc t S thay i c a ch# s VN-index t 02/1/2000 n
29/8/2008:
Nhiu trng có t n ti trong kinh t hoc tài chính hay
không? 0.5

Hay chúng ch# t n ti di dng sai s c a h i quy? 0.4

0.3

Chúng t n ti, ít nht là gn nh vy: 0.2

Khi chúng ta quan sát s thay i c a các bin – c 0.1

bi
t là các bin s trên th trng tài chính (ví d nh 0.0

th giá c phiu, t# giá hi oái,…) -0.1

st – st-1 = ut -0.2
500 1000 1500 2000 2500

Nhiu trng ut hàm ý s thy i c a y ti thi im t D_LOG_VNINDEX

là không th d báo t quá kh(.

23
 ® 24
 ®
 4. Chui Dng ng ng Phng Sai
(Stationary Dynamic Processes) (Autocovariance)

Nhiu trng có mt c im quan trng và áng chú ng phng sai   tr k c tính nh sau:
ý là tính dng. Mt chu
i yt bt kì c gi là có Cov(yt, yt-k) = E(yt - µ)(yt-k - µ) = γk
tính dng nu, vi mi t:
1. E(yt) = µ < ∞; )i vi mt chu
i dng:
2. Var(yt) = γ0 < ∞; - γk ch# ph thuc vào k, không ph thuc vào t;
3. Cov(yt, yt-k) = E(yt - µ)(yt-k - µ) = γk. - có ngh$a là  ng phng sai gi"a hai quan sát bt
- Nhiu trng là mt dng c bi
t c a chu
i dng, kì, cách nhau k thi kì, là b,ng nhau vi mi t.
vi µ = 0 & γk = 0, k ≠ 0.
- )c im quan trng là các moments c a chu
i là Mt c im c a tính dng ó là
có gii hn và c  nh theo thi gian. .k = .−k , k = ±1,±2, ...

25
 ® 26
 ®

T Tng Quan - T tng quan ph thuc vào k, nhng không ph

(Autocorrelation)
thuc vào t;
T tng quan   tr k c tính nh sau:
Cov( yt , yt −k ) - Nh vi mi h
s tng quan, chúng phi tho
ρk = mãn –1 ≤ ρk ≤ 1;
Var ( yt ) × Var ( yt −k )
)i vi chu
i dng yt, - Chú ý: ρ0 = γ0/γ0 = 1.
Var(yt) = Var(yt-k) = γ0; Cov(yt, yt-k) = γk.
- Do vy t tng quan   tr k là ρk = γk/γ0;
- T tng quan   tr k là c  nh vi mi t;

27
 ® 28
 ®

5. Chui AR(1) 5

4
3

Mt chu
i t h i quy – AR (Autoregressive) bc 1 2

Hai ví d vi 1

c  nh ngh$a nh sau: 0 YT

φ = -0.8 và φ = 0.8 -1

yt = β + φyt-1 + ut -2

)âu là hình tng
trong ó ut là nhiu trng vi
-3

(ng vi m
i giá tr φ?

-4
10 20 30 40 50 60 70 80 90 100

E[ut] = 0,
4

Var[ut] = E[u2t] = σ2 2

1
Cov[ut,us] = E[utus] = 0, t ≠ s 0
YT
-1

-2

-3

-4
10 20 30 40 50 60 70 80 90 100

29
 ® 30
 ®
T các hình v* trên ta thy hai chu
i: Tip tc thay yt-2
Có cùng giá tr trung bình, khác nhau v h
s tng yt = φ3yt-3 + β + φβ + φ2β + ut + φut-1 + φ2ut-2
quan và  ng phng sai. Tuy nhiên chúng c  nh
theo thi gian! Có th thay tip cho yt-3, yt-4,…

Tính giá tr trung bình, phng sai, và h

s t tng Min là –1 < φ < 1, chúng ta có th b% qua φjyt-j, do
quan c a mt chu
i AR(1) c th φj→ 0 khi j → ∞.
yt = φyt-1 + β + ut
Thay yt-1 = φyt-2 + β + ut-1 vào ta có
yt = φ(φyt-2 + β + ut-1) + β + ut
= φ2yt-2 + β + φβ + ut + φut-1

31
 ® 32
 ®

Trung bình (Mean) Tính dng (Stationarity)

Nu –1 < φ < 1, AR(1) có th c vit nh sau: Nu –1 < φ < 1, Chu
i AR(1) là dng:
yt = (1 + φ+ φ2 + φ3 + …)β+ • Khi ó nh va thy  trên E(yt) = β/(1 - φ);

ut + φut-1 + φ2ut-2 + φ3ut-3 + … • T(c là, E(yt) = µ = β/(1 - φ) c  nh vi mi t;

Ly kì vng hai v, • Phng sai,  ng phng sai & t tng quan c&ng

E[yt] = (1 + φ+ φ2 + φ3 +…)β+ c  nh vi mi t (xem ch(ng minh  phn tip

E[ut] + φE[ut-1] + φ2E[ut-2] + φ3E[ut-3]+ … theo)
= (1 + φ+ φ2 + φ3 +…)β Khi yt = (1 + φ + φ2 + φ3 + …)β +
do E[ut] = E[ut-1] =…= 0 ut + φut-1 + φ2ut-2 + φ3ut-3 + …,
/nh hng c a mt cú sc trong quá kh( ut-k gim dn
= β/(1 - φ)
khi k tng.
Lu ý: tng c a mt cp s nhân vô hn
1 + φ+ φ2 + φ3 + …= 1/(1 - φ) khi –1 < φ < 1 Chu
i AR(1) vi φ ≥ 1 là KHÔNG dng.

33
 ® 34
 ®

Phng sai (Variance)

Var[yt] = E[ut2] + φ2E[u2t-1] + φ4E[u2t-2] + …
Gi  nh chu
i AR(1) là dng (–1 < φ < 1): = σ2 + φ2 σ2 + φ4 σ2 + …
yt = β + φyt-1 + ut = σ2(1 + φ2 + φ4 + …)
= (1 + φ + φ2 + φ3 + …)β + = σ2/(1 - φ2)
ut + φut-1 + φ2ut-2 + φ3ut-3 + … Lu ý:
= E[yt] + ut + φut-1 + φ2ut-2 + φ3ut-3 + … φ2 < 1, do –1 < φ < 1.
0 ây chúng ta mt ln n"a s' dng công th(c tính tng
Var[yt] = E[yt – E(yt)]2
cp s nhân lùi vô hn:
= E[ut + φut-1 + φ2ut-2 + …]2
1 + φ2 + φ4 + … = 1 + a + a2 +
= E[ut2 + φ2u2t-1 + φ4u2t-2 + …
=1/(1 - a) = 1/(1 - φ2)
+ 2φutut-1 + 2φ2utut-2 + … ] 2
Trong ó a = φ
= E[ut ] + φ2E[u2t-1] + φ4E[u2t-2] + …
2

do E[utus] = 0, t ≠ s

35
 ® 36
 ®
 ng phng sai (Autocovariances)
γk = φkσ2/(1 - φ2) k = 0, 1, 2,…
Cov(ytyt-k)= γk = E(yt - µ)(yt-k - µ)
Tng t ta có:
Xem xét chu
i AR(1) dng sau γk-1 = φk-1σ2/(1 - φ2)
yt = β + φyt-1 + ut vi E(yt) = µ = β/(1 - φ) Hay
Ta có γk = φγk-1
γk = E[(yt - µ)( yt-k - µ)]
= E[ut + φut-1 + φ2ut-2 + …][ut-k + φut-k-1 + φ2ut-k-2 + Lu ý: E(utyt-k) = 0, bi vì yt-k ch# ph thuc vào quá kh(
…] ut-k, ut-k-1,…, mà nh"ng giá tr này không tng quan vi
= φkE[u2t-k] + φk+2E[u2t-k-1] + φk+4E[u2t-k-2] + … ut vi k > 0.
do E[utus] = 0, t ≠ s
= φk(1 + φ2 + φ4 + … )σ2
= φkσ2/(1 - φ2) k = 0, 1, 2,…

37
 ® 38
 ®

T tng quan (Autocorrelations) Dng ca t tng quan

γk = φγk-1, k = 1, 2, … Do ρk = φk, v mt lý thuyt t tng quan c a mt

chu
i dng AR(1) có hai dng có th có sau:
Chia c hai v cho Var(yt) = γ0 = σ2/(1 - φ2) 1. φ > 0, Ví d: yt = β + 0.9yt-1 + ut
→ ρk = φρk-1… Hàm t tng quan (AFC) c a nó có dng: 1k=0.9k
Do vy:
• ρ1 = φρ0 = φ (nh li r,ng ρ0 = 1)
2
• ρ2 = φρ1 = φ

......
• ρk = φρk-1 = φ
k
k = 0, 1, 2,…

39
 ® 40
 ®

6. Chui AR t ng quát
2. φ < 0, Ví d: yt = β − 0.5yt-1 + ut
Hàm t tng quan (AFC) c a nó có dng: 1k=(-0.5)k Mt chu
i AR(p) tng quát có dng sau:
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut
vi ut là nhiu trng.

Có th biu din theo mt cách khác

yt - φ1yt-1 - φ2yt-2 - …- φpyt-p = β + ut

Chu
i AR(p) có nhiu c tính.

Trong c hai trng hp ρk gim dn khi  ln c a k Chúng ta ch# tp trung xem xét chu
i AR dng.
Tng (do φ < 1).

41
 ® 42
 ®
 Chui AR(p) dng Trung bình

)iu ki
n  chu
i AR(p): yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut Gi  nh chu
i này là dng, do ó
ρ
có tính dng là
φi < 1 E [ yt ] = E [ yt −1 ] = ... = E  yt − ρ  = µ
i =1
E [ yt ] = µ
Ví d AR(2) = β + φ1µ + φ2 µ + ... + φρ µ
yt = 0.7 yt −1 − 0.1 yt −2 + ut
ρ
β

φ
i =1
i = 0.7 − 0.1 = 0.6 < 1 µ=
1 − φ1µ − φ2 µ − ... − φρ µ
Chu
i này có tính dng.

43
 ® 44
 ®

Phng sai và ng phng sai Nhân c hai v vi ( yt −k − µ ) ,

( yt − µ )( yt −k − µ ) = φ1 ( yt −1 − µ )( yt −k − µ )
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut +φ2 ( yt −2 − µ )( yt −k − µ ) + ...
Do
β = (1 − φ1 − φ2 + ... + φρ ) µ +φρ ( yt − ρ − µ )( yt −k − µ )
yt = (1 − φ1 − φ2 + ... + φρ ) µ + φt −1 yt −1 + + ( yt −k − µ )ut
φ2 yt −2 + ... + φρ yt − ρ + ut Ly kì vng hai v
γ k = E ( yt − µ )( yt − k − µ )
yt − µ = φ1 ( yt −1 − µ ) + φ2 ( yt −2 − µ ) + ... = φ1 E ( yt −1 − µ )( yt − k − µ )
+φ2 E ( yt − 2 − µ )( yt − k − µ ) + ...
+φρ ( yt − ρ − µ ) + ut
+φ ρ E ( yt − ρ − µ )( yt − k − µ )
+ E ( yt − k − µ )u t

45
 ® 46
 ®

γ k = φ1γ k −1 + φ2γ k − 2 + ... + φ ρ γ k − ρ γ 0 = φ1γ 1 + φ2γ 2 + ... + φ ρ γ ρ + E ( yt − µ )ut

Lu ý: Trong ó
E ( yt −k − µ )ut = E ( yt −k ut ) − µ E (ut )=0
E ( yt − µ )ut = φ1E ( yt −1 − µ )ut + φ2 E ( yt −2 − µ )ut +
Mun tính γ 0 nhân c hai v vi yt − µ ... + φρ E ( yt − ρ − µ )ut + E (ut2 )
γ 0 = E ( yt − µ )( yt − µ )
= φ1 E ( yt −1 − µ )( yt − µ ) Chúng ta ã bit r,ng
+φ2 E ( yt − 2 − µ )( yt − µ ) + ... E ( yt −k − µ )ut = 0 vi mi k > 0, do vy
+φ ρ E ( yt − ρ − µ )( yt − µ ) E ( yt − µ )ut = E (ut2 ) = σ 2 và
+ E ( yt − µ )u t γ 0 = φ1γ 1 + φ2γ 2 + ... + φ ρ γ ρ + σ 2

47
 ® 48
 ®
 T tng quan Ví d:
yt = 0.3 yt −1 + 0.54 yt − 2 + ut
) ng phng sai:
γ k = φ1γ k −1 + φ2γ k − 2 + ... + φ ρ γ k − ρ
Chia c hai v cho γ 0 :
ρ k = φ1 ρ k −1 + φ2 ρ k − 2 + ... + φ ρ ρ k − ρ k = 1, 2…

Hàm t tng quan (ACF–Autocorrelation Function)

c a mt chu
i AR dng bt kì có c im ρ k → 0
khi k → ∞ .

49
 ® 50
 ®

 c lng mô hình AR trong Eviews

yt = − yt −1 + 0.89 yt − 2 + ut
) minh ho, chúng ta hãy to ra mt chu
i s li
u
tuân theo mô hình AR(2) dng.
yt = 1.2 yt −1 − 0.49 yt − 2 + ut

smpl 1 2
genr yt=1
smpl 3 500
genr yt = 1.2*yt(-1) - 0.49*yt(-2) + nrnd
smpl 1 500
plot yt

51
 ® 52
 ®

Tuy nhiên gi s' r,ng mt nhà nghiên c(u nào ó
không bit c  tr thc c a mô hình và anh ta bt
u c lng mô hình AR(4) vi chu
i s li
u trên.
Sau ó anh ta s* s' dng các cách la chn c a mình
 la chn mô hình chính xác.

) c lng mô hình, trc tiên bn hãy m chu
i

s li
u, sau ó trong c'a s c a workfile chn

Quick – Estimate Equation…

Chúng ta c lng mô hình AR(4) vi h,ng s.

53
 ® 54
 ®
Kt qu c lng Kim  nh s tng quan chu
i c a sai s c lg

) tính kim  nh LM v tng quan chu
i c a sai s

c lng hãy vào
View ! Residual tests ! serial correlation LM test
Sau ó la chn  tr (mc  nh là 2)

Mt phn kt qu cho thy

55
 ® 56
 ®

Lu ý: Không th dùng thng kê Durbin-Watson khi

có bin tr.
7.  c lng & Kim  nh gi! thuyt

Có th s' dng phng pháp OLS  c lng các

Hãy nhn xét v kt qu c lng c.
chu
i AR(p) d
ng:
Kt qu c lng c a mô hình trên gi ý iu gì?
VD: yt = φ1yt-1 + φ2yt-2 + ut
Hãy ln lt c lng mô hình AR(3) và AR(2) và
cho nhn xét. Nói mt cách cht ch*, các c lng c a OLS là
ch
ch nhng v"ng. Tuy nhiên  ch
ch là nh% khi
mu tng i ln, min là chu
i có tính dng (hoc
“gn” dng).

Kim  nh gi thuyt có th tin hành theo cách thông

thng min là mu tng i ln.

57
 ® 58
 ®

Cách la ch"n  tr hp lý v i mô hình AR(p)

Ví d:
Phng pháp Box-Jenkins yt = 0.3 yt −1 + 0.54 yt − 2 + ut

(1) La chn  tr hp lý thông qua vi

c xem xét
hàm ACF và PACF, ví d nh la chn c p*
ch2ng hn.

ACF (Autocorrelation Function):

ρ k = φ1 ρ k −1 + φ2 ρ k − 2 + ... + φ p ρ k − p k = 1,2…

Hàm t tng quan – ACF c a mt chu
i AR dng

bt kì có c im ρ k → 0 khi k → ∞ .

59
 ® 60
 ®
PACF (Partial Autocorrelation Function) Ví d vi chu
i AR(2) dng ã to ra  trên:
yt = 1.2 yt −1 − 0.49 yt − 2 + ut
H
s t tng quan riêng   tr k là h
s h i quy
(φk) c a yt-k khi thc hi
n h i quy phng trình smpl 1 2
genr yt=1
yt = β + φ1yt-1 + … + φkyt-k + ut smpl 3 500
genr yt = 1.2*yt(-1) - 0.49*yt(-2) + nrnd
smpl 1 500
)ây là tng quan riêng, bi vì nó o lng s tng plot yt
quan gi"a các giá tr c a yt cách nhau k thi kì, loi
tr tng quan t các bin tr khác. M chu
i yt r i chn View/Correlogram
PAC c a mt chu
i AR(p) s* ct (t   tr p.

61
 ® 62
 ®

)ng (t quãng trong hình v* là cn trên và cn

di sai s c a các h
s tng quan. Nu h
s
tng quan n,m trong cn này thì nó không khác 0 
m(c ý ngh$a 5%.
(2) 3c lng mô hình AR(p*).
(3) Thc hi
n các kim  nh chu+n oán  ánh giá
xem mô hình có c xác  nh úng hay không.
(4) Nu các kim  nh này cho thy mô hình cha hp
lý thì iu ch#nh  tr và c lng li.
Hai ct cui cho ta Q-statistics và p-values c a (5) Tip tc thc hi
n các kim  nh chu+n oán sau
chúng. Q là thng kê kim  nh gi thuyt H0: Không c lng cho ti khi có c mô hình úng.
có t tng quan cho n  tr k.

63
 ® 64
 ®

Phng pháp chung

Nu không th bác b% H0 thì chuyn sang c lng
)ôi khi rt khó ch# ra c  tr p ban u t ACF mô hình AR(p*-1). Lp li các bc nh trên cho ti
và PACF. khi bác b% H0 và chp nhn mô hình.
Do vy, ly mt  tr p* ln nht có th (da vào
các lý thuyt kinh t và d oán)
3c lng mô hình AR(p*)
yt = φ1yt-1 + φ2yt-2 +…+ φkyt-k + ut
Kim  nh xem ut c a AR(p*) có phi là nhiu trng
hay không

Kim  nh H0: φp* = 0, nu bác b% H0 thì chp nhn

mô hình này và dng  ây.

65
 ® 66
 ®
S# dng các ch$ tiêu la ch"n mô hình AIC và SIC Trong ó ut là sai s c a mô hình AR(p) và T* là quy
mô mu c s' dng trong c lng.
3c lng mô hình AR vi p = 0, 1, ..., p*. [AR(0)
ch# có h,ng s]. La chn trong nh"ng mô hình này La chn bc tr p ti thiu hoá các ch# tiêu này.
mt mô hình phù hp nht da trên các ch# tiêu AIC
(Akaike Information Criterion) và SIC (Schwarz SIC ôi khi còn c gi là BIC (Bayesian
Information Criterion) Information Criterion BIC).
AIC ( p ) = ln 
t +
 u2  2 p SIC có th c u thích hn AIC bi vì

T*  T* Khi T
- 4, p - giá tr úng c a p vi SIC
as T
- 4, p > giá tr úng c a c a p vi AIC
SIC ( p ) = ln 
t +
 u 2  p ln(T *)

T*  T* Tr khi T* là rt nh%, pAIC 5 pSIC.
Mt s ngi bo th li dùng AIC.

67
 ® 68
 ®

8. S# dng AR(p) cho d báo yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut

Kì vng có iu ki
n
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut Gi s' chúng ta bit giá tr c a yt và sau ó mun bit
giá tr c a yt+1 là bao nhiêu
Kì vng không iu ki
n

)ây c&ng là giá tr d báo c a chu
i nu chúng ta Vy giá tr d báo c a yt+2 ti thi im
không có thông tin gì v nh"ng giá tr hi
n ti c a t?
chu
i
β
E ( yt ) = p
Thi gian d báo càng dài thì d báo có iu ki
n s*
1 −
φi
i =1
hi t vi d báo không iu ki
n (c lp vi giá tr
hi
n ti c a yt).

69
 ® 70
 ®

Bài t%p thc hành: (2) Hãy s' dng file s li

u vn-index08, ch(a ng
(1) Hãy s' dng ch# s CPI c a Vi
t Nam theo tháng ch# s ch(ng khoán Vi
t Nam t ngày 20/01/2008
trong file “vn_series”  c lng mô hình AR(p) n ngày 29/08/2008 (159 quan sát),  c lng
cho chu
i s này. Lu ý thêm bin gi phn ánh tính mô hình AR(p) cho ch# s này. Bn cn làm các bc
mùa v c a CPI nu cn thit. sau
Bn cn làm các bc sau: - Chuyn i s li
u sang dng sai phân log
- Chuyn i s li
u sang dng sai phân log - Thc hi
n các cách la chn  tr p (so sánh kt
qu gi"a các phng pháp) và c lng AR(p)
- Thc hi
n các cách la chn  tr p (so sánh kt
vi 155 quan sát ban u.
qu gi"a các phng pháp) và c lng AR(p*).
- Thc hi
n d báo cho 4 thi kì tip theo, so sánh
- Thc hi
n d báo cho 3 tháng cui nm.
vi s li
u thc và nhn xét

71
 ® 72
 ®
 9. Trung bình trt (MA) Trung bình (Mean)
Moving Average
E[yt ] =E[ut + θ ut −1
) n gin trc tiên chúng ta xem xét chu
i trung = E [ut ] + θ E [ut −1 ]
bình trt bc nht: MA(1)
=0
MA(1) có dng sau:
yt = ut + θ ut −1
Trong ó ut là nhiu trng và var(u t ) = σ 2 .

73
 ® 74
 ®

Phng sai (Variance) ng phng sai (Autocovariance)

Var [ yt ] = E ( y t − E[y t ])  Cov [ yt , yt −k ] =E ( y t − E[y t ])( y t-k − E[y t ]) 

2

 
= E ( ut + θ ut −1 )( ut −k + θ ut −k −1 ) 
= E ( ut + θ ut −1 ) 
2

 
ut ut −k + θ ut −1ut −k + θ ut ut −k −1 
= E ut2 + θ 2ut2−1 + 2θ ut ut −1  = E
 +θ 2ut −1ut −k −1 
= E ut2  + θ 2 E ut2−1  + 2θ E [ut ut −1 ] Nu k = 1:
= σ + θ σ = (1 + θ )σ
2 2 2 2 2 Cov [ yt , yt −1 ] = θ E ut2−1  = θσ 2
Do ut là nhiu trng nên: Nu k > 1:
Cov [ yt , yt −1 ] = 0
E [ut ] = 0 , Cov ( ut ut −1 ) = E [ut ut −1 ] = 0 , Var (ut ) = E ut2  = σ 2

75
 ® 76
 ®

So sánh AR(1) và MA(1) Tng quát hn chúng ta có th có chu
i MA(q):

) so sánh hành vi c a hai chu
i này chúng ta nhìn yt = ut + θ1ut −1 + θ 2ut −2 + ... + θ ρ ut −q
vào các hàm t tng quan c a chúng.
Trung bình:
• AR(1) (vi φ < 1): ρ k = φ k gim dn v 0 E [ yt ] = 0
• MA(1): ρ k = 0 vi k > 1 b,ng 0 t tr 2 tr i Phng sai:
 ρ

Mt c im quan trng c a chu
i MA(q) là h
s Var [ yt ] = 1 +
θi2 σ 2

i =1 
tng quan c a nó không gim dn v 0 nh chu
i ng phng sai:
AR mà t ngt b,ng 0 (ρk = 0) vi mi k > q.

77
 ® 78
 ®
 Cov [ yt , yt −k ] =E ( y t − E[y t ])( y t-k − E[y t ])  Ví d v mt chu
i MA(2):
yt = ut + 0.47ut + 0.29ut −2
( ut + θ1ut −1 + ... + θ qut −q ) × 
= E smpl 1 300

 ( ut − k + θ1ut − k −1 + ... + θ q ut − k − q )
 genr ut=nrnd
genr yt = ut + .47*ut(-1) + 0.29*ut(-2)
= E θ k ut2−k + θ k +1θ1ut2−k −1 + ... + θ qθ q −k ut2−q 
smpl 1 300
= (θ k + θ k +1θ1 + ... + θ qθ q −k )σ 2 plot yt
vi 1 ≤ k ≤ q .

79
 ® 80
 ®

Hình v*: Hàm ACF và PACF c a chu
i MA(2) trên:

4
3
2
1
0
-1
-2
-3
-4
-5
50 100 150 200 250 300

YT
Nguyên tc la chn  tr q: Da vào ACF: AC t
ngt b,ng 0 khi k > q. (trong trng hp này k = 3).

81
 ® 82
 ®

10. Chui ARMA(p,q) dng Nh li hàm ACF c a các mô hình khác nhau,
ρ k = γ k / γ 0 , vi k = 1,2,…
Có th kt hp hai mô hình AR(p) và MA(q)  có
c mô hình ARMA(p,q). Trong ó p là  tr c a • AR(1), vi φ < 1, hàm ACF: ρ k = φ k gim dn v
AR và q là  tr c a MA.
0 khi k → ∞ .
Ví d ARMA(1,1): • MA(1) hàm ACF: ρ k = 0 khi k > 1, b,ng 0 k t
yt = β + φ yt −1 + ut + θ ut −1  tr 2.
Trong ó ut là nhiu trng và φ < 1, φ ≠ −θ • ARMA (1,1), vi φ < 1 và φ ≠ −θ , hàm ACF: ρ k
gim dn v 0 sau  tr 1 khi k → ∞ .
)ây là s kt hp c a
AR(1): yt = β + φ yt −1 + ut và
MA(1): yt = ut + θ ut −1

83
 ® 84
 ®
Ví d: yt = 0.5 + 0.65 yt −1 + ut + 0.47ut −1 Nh"ng khác bi
t v ACF có th giúp cho vi
c xác
8  nh mt mô hình thích hp nht vi chu
i s li
u
6
mà chúng ta có.
4
Mt công c quan trng khác c&ng c s' dng là
hàm tng quan riêng PACF (Partial ACF).
2
YT
Nh li r,ng nu x và y là hai véct vô hng và z là
0
mt véct thì tng quan riêng (PAC) gi"a x và y s*
-2
là h
s tng quan gi"a ux và uy, trong ó
ux là sai s OLS khi h i quy x theo z
-4
50 100 150 200 250 300

smpl 1 1 uy là sai s OLS khi h i quy y theo z.

yt = 0
smpl 2 300
genr ut=nrnd Do vy tng quan riêng là s tng quan gi"a x và y
genr yt = 0.5 + 0.65*yt(-1) + ut + .47*ut(-1)
smpl 1 300 mà không c gii thích bi z.
plot yt

85
 ® 86
 ®

Hàm tng quan riêng (PACF) PACF ca mô hình AR(1)

) nh ngh$a: Hàm tng quan riêng là biu  c a ψ k AR(1): yt = φ yt −1 + ut

theo các giá tr c a k = 1, 2,…
trong ó ψ k là h
s tng quan riêng gi"a yt và yt-k Do vy ta có,
vi s hi
n di
n c a yt-1, yt-2,…, yt-k+1.
• ψ 1 = ρ1 = φ
• ψ2 = 0
) minh ho cho khái ni
m này chúng ta hãy ln lt • ψ k = 0 vi mi k > 1

xem xem hàm PACF c a các mô hình AR(1), MA(1)

và ARMA(1,1). Hàm PACF chính là hình v* các tham s  c lng
t mô hình AR(p).

87
 ® 88
 ®

PACF ca mô hình MA(1) Tip tc thay ut −2 = yt −2 − θ ut −3 vào phng trình này:
yt = θ yt −1 + ut − θ 2ut −2
MA(1): yt = ut + θ ut −1
= θ yt −1 + ut − θ 2 ( yt −2 − θ ut −3 )
PACF liên quan n s tng quan gi"a yt và yt-k. )
ch# ra c mi quan h
này chúng ta cn trình bày = θ yt −1 − θ 2 yt −2 + ut + θ 3ut −3
mô hình di mt dng khác.
Nu tip tc làm nh vy cui cùng ta có
Gi s' θ < 1,
m
yt = ut + θ ut −1  ut = yt − θ ut −1
yt =
α k yt −k + ut + (−1) m+ 2θ m+1ut −m−1
Và do vy ut −k = yt −k − θ ut −k −1 vi mi k. k =1
Thay phng trình này vi k = 1 vào mô hình MA(1) trong ó α k = (−1) k +1θ k .
 trên ta có:
yt = ut + θ ( yt −1 − θ ut −2 ) = θ yt −1 + ut − θ 2ut −2

89
 ® 90
 ®
 Ly lim c a yt khi m → ∞ và s' dng θ < 1 cui cùng ACF và PACF trong Eviews
ta c:
∞ AR(2): yt = 0.5 yt −1 + 0.19 yt −2 + ut
yt =
α k yt − k + ut
k =1

Vy hàm PACF có dng th nào?

ψ k ≠ 0 vi mi k, tuy nhiên ψ k → 0 khi k → ∞ .

91
 ® 92
 ®

MA(2): yt = ut + 0.47ut + 0.29ut −2 ARMA(2,2):

yt = 0.5 yt −1 + 0.19 yt −2 + ut + 0.47ut + 0.29ut −2

93
 ® 94
 ®

ACF và PACF ca các mô hình Mô hình ARMA(p,q)

Mô hình ACF PACF • yt tuân theo mô hình AR(p) nu:

Nhiu trng 0 0 yt = β + φ1 yt −1 + φ2 yt − 2 + ... + φ p yt − p + ut
AR(1)
(ρ k = φ k , → 0 khi k → ∞ ) (ψ1 ≠ 0,ψ k = 0 khi k > 1)
Duy nht khác 0   tr 1
Dao ng theo hình sin hoc • yt tuân theo mô hình MA(q) nu:
có dng hàm m& gim dn. yt = ut + θ1ut −1 + θ 2ut −2 + ... + θ qut − q
MA(1) ( ρ1 ≠ 0, ρk = 0 khi k > 1) (ψk ≠ 0,ψk → 0 khi k →∞)
Duy nht khác 0   tr 1 Dao ng theo hình sin hoc
có dng hàm m& gim dn • yt tuân theo mô hình ARMA(p, q) nu:
ARMA(1,1) ( ρ1 ≠ 0, ρk → 0 khi k →∞) G (ψk ≠ 0,ψk → 0 khi k →∞) yt = β + φ1 yt −1 + φ2 yt −2 + ... + φ p yt − p
im dn (hình sin hoc hàm Gim dn (hình sin hoc
m&) bt u t  tr 1 hàm m&) bt u t  tr 1 +ut + θ1ut −1 + θ 2ut − 2 + ... + θ qut − q
ARMA(p,q) Gim dn (hình sin hoc Gim dn (hình sin hoc Lu ý: chúng ta ch# nghiên c(u nh"ng chu
i dng.
hàm m&) bt u t  tr q hàm m&) bt u t  tr p

95
 ® 96
 ®
 ACF và PACF ca mô hình ARMA Bài t%p thc hành:

• AR(p): (1). Hãy to các chu
i s li

u tuân theo mô hình:
ACF: ρ k ≠ 0, nhng ρ k → 0 khi k → ∞
PACF: ψ p ≠ 0 , nhng ψ k = 0 vi mi k > p
ng thi v* và ch# ra xu hng
• MA(q):
ACF: ρ q ≠ 0, nhng ρ k = 0 vi mi k > q
PACF: ψ p ≠ 0 , nhng ψ k → 0 khi k → ∞
AR(3), MA(1) và ARMA(3,1) trong Eviews.
V* các chu
i trên, 
bin i c a ACF và PACF c a tng chu
i. Các hàm
ACF và PACF có phù hp vi các kt lun ch# ra 
trên không?

• ARMA(p, q):
ACF: ρ k ≠ 0, nhng ρ k → 0 khi k → ∞
PACF: ψ k ≠ 0 , nhng ψ k → 0 khi k → ∞

97
 ® 98
 ®

(2). Hãy ly file us_gdp.xls ch(a ng s li

u v Tip theo  hàng các menu la chn trên cùng hãy
GDP c a nc M$ t quý 1 nm 1947 n quý 4 nm chn Genr, mt c'a s mi s* m ra. Trong c'a s
2003  dng log t nhiên. Nhp s li
u này vào này hãy son:
Eviews, tng cng có 228 quan sát. y = lgdp – lgdp(-1)
Chu
i s li
u sai phân bc nht c a log(GDP) ã
Hãy v* chu
i s li
u này. Bn có th nhn thy r,ng c to ra vi cái tên là y.
chu
i này là không dng, do vy trc tiên hãy ly
sai phân bc nht  có c chu
i s dng. ) to ra (a) V* chu
i y,  ng thi v* các hàm ACF và PACF
c chu
i sai phân bc nht c a log(gdp) - t(c là tc cho y. Da vào ACF và PACF li
u bn có th
 tng trng gdp – hãy làm nh sau: la chn mt mô hình phù hp cho y không?
(b) 3c lng mô hình AR(12) cho y. Thc hi
n
0 trong c'a s c a workfile, nhn chut phi vào kim  nh t tng quan LM s' dng các  tr
chu
i s lgdp r i sau ó chn Open.

99
 ® 100
 ®

2, 4 và 8. So sánh các kt qu. Mô hình AR(12)

có phù hp vi chu
i s li
u này không? CH  2
Chui dng và không dng
(c) 3c lng mô hình AR(17) cho y. Theo bn mô Stationary and Non-stationary Time series
hình này có phù hp không?
1. Gii thi
u chung
(d) S' dng mô hình AR(17)  d báo y cho giai 2. Gii thi
u v kim  nh nghi
m n v
on 2004.1 n 2008.4. Khi thi gian d báo 3. Kim  nh Dickey-Fuller vi AR(1)
càng xa các giá tr d báo có hi t v mt giá tr Ví d v chu
i lãi sut c a )(c
nào ó không? Giá tr này là gì? 4. Kim  nh nghi
m n v và dng có xu hng
Ví d v ch# s ch(ng khoán c a M$
5. Kim  nh ADF (Augmented Dickey-Fuller)
6. Kim  nh s vi phm các gi  nh

101
 ® 102
 ®

 1. Gi i thiu chung Ví d v
chui không dng:

Nh li r,ng, mt chu
i y bt kì c coi là dng Cung tin (M2) c a Vi
t Nam 1994 – 2008.
nu: 15

1. E(yt) = µ < ∞;
14
2. Var(yt) = γ0 < ∞;
3. Cov(yt, yt-k) = E(yt - µ)(yt-k - µ) = γk. 13

LM2
12
Chu
i là không dng nu bt kì iu ki
n trên b vi
phm. 11

Ví d, chu
i là không dng nu trung bình hoc

phng sai c a nó thay i theo thi gian. 10
1996 1998 2000 2002 2004 2006 2008

103
 ® 104
 ®

Mt s chui không dng n gi!n Chui xu h ng xác  nh

(Deterministic Trend Processes)

1. Chu
i xu hng xác  nh (Deterministic Trend • Process:

Processes) yt = β0 + β1t + vt, t = 1, 2, 3, …, T
2. Các chu
i tích hp (Integrated Processes): vt là dng vi E(vt) = 0 and Var(vt) = σ2.
(i) Bc ngu nhiên (Random walk)
(ii) Bc ngu nhiên vi h
s trt (Random Lu ý: phân phi c a vt không nht thit phi là nhiu
walk with drift) trng – nó có th t tng quan (t(c là có th là mt
(iii) Chu
i AR tích hp (Integrated AR process) chu
i AR dng).

yt  ây c gi là chui dng theo xu h ng bi

vì nó dng quanh mt xu hng thi gian:

105
 ® 106
 ®

B c ng&u nhiên
E(yt) = E(β0 + β1t) = β0 + β1t thay i theo t; (Random Walk)
Var(yt) = Var(vt) = σ2 c  nh. B c ng&u nhiên là:
yt = yt-1 + ut , t = 1, 2, …,
Mt chu
i th này có th c bin i làm cho có hay ∆yt = ut (∆yt = yt - yt-1)
tính dng b,ng cách c lng xu hng , Tt trong ó ut là nhiu trng.
sau ó loi tr xu hng này kh%i yt, yt - Tt
• Vi t = 1, y1 = y0 + u1
t = 2, y2 = y1 + u2 = y0 + u1 + u2
t = 3, y3 = y2 + u3 = y0 + u1 + u2 + u3
• Tng quát, vi bt kì t,
yt = y0 + u1 + u2 + u3 + ……+ ut

107
 ® 108
 ®

 • Biu din theo cách này ta có: Phng sai:
yt = y0 + u1 + u2 + u3 + ……+ ut Var[yt] = E [u1 + u2 + ……+ ut]2
• ) n gin gi  nh y0 = 0, = E[u12] + E[u22] + …. + E[ut2]
yt = u1 + u2 + u3 + ……+ ut = tσ2 do E[utus] = 0, s  t
Phng sai tng theo t
Trung bình:
E[yt] = E[u1 + u2 + u3 + ……+ ut] = 0 Chu
i này có th c bin i thành chu
i dng
Trung bình không i vi mi t. b,ng cách ly sai phân bc nht:

109
 ® 110
 ®

B c ng&u nhiên v i h s trt • Tng quát, vi mi t,

Random Walk Process with Drift yt = t β + u1 + u2 + u3 + …+ ut
B c ng&u nhiên có chuyn d ch là: Trung bình:
yt = yt-1 + β + ut , t = 1, 2, …, (β ≠ 0) E[yt] = t β + E[u1 + u2 +…+ ut] = t β
hay ∆yt = β + ut Trung bình thay i theo t, tng nu β > 0, gim nu
trong ó ut là nhiu trng. β c gi là h
s trt. β < 0.
• ) n gin gi  nh y0 = 0. Phng sai:
• Vi t = 1, y1 = y0 + β + u1 = β + u1 Var[yt] = E[yt – E(yt)]2 = E[u1 + u2 +…+ ut]2
t = 2, y2 = y1 + β + u2 = (β + u1) + β + u2 = E[u12] + E[u22] + … + E[ut2]
= 2β + u1 + u2 = t σ2, do E[utus] = 0, s ≠ t
t = 3, y3 = y2 + β + u3 = (2β+u1+u2) + β + u3 Phng sai tng theo t. Chu
i này có th bin i
= 3β + u1 + u2 + u3 thành chu
i dng b,ng cách trc tiên loi b% xu
hng sau ó ly sai phân bc nht.

111
 ® 112
 ®

Ví d:
200 200

160 160

120 yt = 0.6 + yt −1 + ut
yt = 0.6t + ut 120

80
80
40
yt = 0.6 + yt −1 + ut 40
yt = yt −1 + ut
0
0
-40
50 100 150 200 250 300 -40
smpl 1 1 smpl 1 300 50 100 150 200 250 300
genr yt=0 t=@trend(0)
smpl 2 300 genr xt = 0.6*t + nrnd
genr yt = 0.6 + yt(-1) + nrnd smpl 1 300
smpl 1 300 plot xt
plot yt

113
 ® 114
 ®

 2. Gi i thiu kim  nh nghim n v Các chui AR tích hp
Unit root tests Integrated AR processes

Nhiu chu
i s thi gian trong kinh t và tài chính là Chui tích hp là chu
i không dng nhng có th
không dng. )iu này có quan trng không? c x' lý cho có tính dng b,ng cách ly sai phân.

Có, bi vì: Bc ngu nhiên, có h

s trt hoc không, là chu
i
tích hp.
• Chu
i không dng có nh"ng c tính rt khác so yt = yt-1 + β + ut là không dng
vi các chu
i dng. Nhng yt – yt-1 = ∆yt = β + ut là dng bi vì:
• E[∆yt] = β
• Các kim  nh gi thuyt truyn thng không áp • Var[∆yt] = σ
2

dng c cho các chu
i không dng. • ρk(∆yt) = 0, k = 1, 2, …

115
 ® 116
 ®

Tng quát hn vi chu
i AR(p): Chui tích hp và nghim n v
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut
Khi yt là không dng, nhng ∆yt là dng, thì yt c
Có th dng hoc không, ph thuc vào các h
s AR.
gi là chu
i tích hp b%c 1
• AR không dng có th tích hp.

• Ví d:
Kí hi
u yt ∼ I(1).
AR(2): yt = 1.2yt-1 – 0.2yt-2 + ut không dng
p
bi vì
φ i = 1.2 − 0.2 = 1 không nh% hn 1 Chu
i yt ∼ I(1) thng c gi là chui có nghim
i =1 n v (bi vì phng trình c trng c a nó có
Tuy nhiên ∆yt = yt – yt-1 = 1.2yt-1 – 0.2yt-2 + ut – yt-1 nghi
m n v ).
= 0.2yt-1 – 0.2yt-2 + ut
= 0.2∆yt-1 + ut Nu yt là dng & không cn phi ly sai phân thì yt là
∆yt là mt chu
i AR(1) dng. tích hp b%c 0: yt ∼ I(0).

117
 ® 118
 ®

Chui AR(1) dng & không dng 3. Kim  nh Dickey-Fuller i v i AR(1)

AR(1) minh ho mt s nguyên tc quan trng. Nh,m kim  nh xem mt chu
i AR(1) là dng hay
Chu
i AR(1) yt = β + φyt-1 + ut. không, hay có nghi
m n v hay không. Vi AR(1)
Các kh nng có th có: yt = φyt-1 + β + ut, ut ~ NID(0, σ2)
(i) |φ| < 1 yt ~ I(0): dng Kim  nh tính không dng s' dng:
H0: φ = 1
(ii) φ = 1 yt ~ I(1): bc ngu nhiên HA: φ < 1
(iii) |φ| > 1 yt không dng, nhng không phi I(1) H0 yt ~ I(1) – nghi
m n v – chu
i không dng
Trng hp |φ| > 1 không thng xuyên xut hi
n HA yt ~ I(0) – chu
i dng
trong kinh t nên chúng ta không xem xét k$ thêm
chu
i này. )ây là kim  nh mt phía - ch# t chi H0 nu φˆ nh'
hn 1.

119
 ® 120
 ®

 Các v(n 
v i kim  nh truy
n thng Mt trong nh"ng lý do, nh ã nhc n trc ây, là
chu
i AR(1) không dng không có phng sai c
φˆ − 1  nh.
Kim  nh gi thuyt thng thng da trên: t =
se(φˆ) Kim  nh gi thuyt truyn thng không phù hp vi
Tuy nhiên phân phi t (t-distribution) không còn kim  nh nghi
m n v
thích hp nu H0 úng. Trong trng hp này, phân
phi c a thng kê t không phi phân phi chu+n vi
mu ln, hoc thm chí không cân x(ng.

Kim  nh truyn thng gi  nh yt là dng, tuy nhiên

nó không dng khi φ = 1.

121
 ® 122
 ®

Kim  nh Dickey-Fuller Hi quy Dickey-Fuller

Dickey và Fuller (1979) ã xây dng mt kim  nh
Thay vì kim  nh φ = 1 vi AR(1),
thích hp trong trng hp này.
yt = φyt-1 + β + ut (1)
φˆ − 1 Tr yt-1 t c hai v
Kim  nh DF vn da trên thng kê t =
se(φˆ) yt – yt-1 = (φ - 1)yt-1 + β + ut
∆yt = αyt-1 + β + ut (2)
Tuy nhiên mt bng giá tr t c bi
t c s' dng trong ó α = φ - 1.
nh,m tính n tính không dng c a yt khi H0 úng, • Phng trình (2) thng c gi là h i quy

phn ánh phân phi chu+n c a thng kê kim  nh. Dickey-Fuller.

• H0: α = 0 (tng ng vi φ = 1)

HA: α < 0 (tng ng vi φ < 1)

123
 ® 124
 ®

Mô hình h i quy (1) & (2) là tng ng; Thc hành kim  nh Dickey-Fuller
Thng kê kim  nh khi φ = 1 trong (1) và α = 0 • Bc 1: 3c lng h i quy kim  nh DF (2) b,ng
trong (2) là ging nhau. phng pháp OLS (∆yt là bin ph thuc, yt-1 &
Li ích c a (2) so vi (1) ó là “t# s t” khi α = 0 t h,ng s là bin c lp).
• Bc 2: Xác  nh “t# s t” khi α = 0.
ng c a ra bi các chng trình máy tính.
• Bc 3: So sánh “t# s t” vi các giá tr ti hn DF
Tuy nhiên ph!i s' dng các giá tr ti hn c a DF, ti mt m(c ý ngh$a nht  nh.
không s' dng các giá tr t hay phân phi Chu+n. • Bc 4: Bác b% H0 nu t nh hn các giá tr này (α̂

Các giá tr ti hn: nh' hn 0 v

m)t thng kê).
DF -2.86 ti 5%, -3.43 ti 1% Da vào giá tr ti hn DF - kt lun yt là dng.
So sánh các giá tr này vi các giá tr truyn thng: Nu không, không bác b% H0 & kt lun ~ I(1);
N(0,1) -1.65 ti 5%, -2.33 ti 1% Lu ý kh nng chp nhn H0 khi H0 sai.

125
 ® 126
 ®

Ví d: EVIEWS: VIEW/Unit Root Tests/Augmented DF
l•a ch•n level,g•m h• s• ch•n & •• tr•: 0)
Lãi sut ngn hn  )(c, t 12/959 n 12/2004:
• Thng kê kim  nh DF –1.73: không th s' dng p-
value (0.0834) nh thông thng.
Lãi su
t kì hn 3 tháng ca c
16 • 0 m(c ý ngh$a 5%, giá tr ti hn c a DF (500 quan
14 sát) là –2.87.
12 • Thng kê kim  nh b,ng –1.73 nh% hn giá tr ti hn
10 v giá tr tuy
t i.
8 • Không th bác b% gi thuyt H0 v s t n ti c a
6 nghi
m n v  m(c ý ngh$a 5%.
4 • Kt lun r,ng lãi sut kì hn 3 tháng  )(c là chu
i
2 I(1).
0
Dec-59 Dec-64 Dec-69 Dec-74 Dec-79 Dec-84 Dec-89 Dec-94 Dec-99 Dec-04
• Kt lun tng t nu s' dng p-value thích hp:
0.4133.

127
 ® 128
 ®

4. Nghim n v và tính dng theo xu h ng

Unit Root versus Trend Stationarity

Chúng ta ã xem xét kim  nh nghi

m n v vi
AR(1) có h
s chn.
∆yt = αyt-1 + β + ut
Tuy nhiên {yt} có th không dng do xu hng.

Vi kim  nh  trên, theo HA {yt} thì AR(1) dng

vi trung bình c  nh.

129
 ® 130
 ®

Nu chúng ta a xu hng thi gian vào thì theo H0 Ví d: Ch# s th trng ch(ng khoán S&P500 theo
chu
i có nghi
m n v vi h
s trt – làm cho ngày trong thp niên 90.
E[yt] có xu hng theo thi gian. Rõ ràng là có xu hng tng dn. Xu hng này
tuyn tính?
Theo HA {yt} là chu
i AR(1) dng, vi xu hng thi S&P500
1600.00
gian. 1400.00

1200.00

Quy tc Denise: Nu chu
i rõ ràng có xu hng theo 1000.00

thi gian, thì xu hng ph!i c a vào khi thc 800.00

hi
n h i quy kim  nh nghi
m n v . 600.00

400.00

200.00

0.00
01/02/90 03/11/91 05/15/92 07/23/93 09/29/94 12/06/95 02/12/97 04/23/98 07/01/99

131
 ® 132
 ®

 Kim  nh φ = 1 so vi φ < 1 trong mô hình AR(1) +
xu hng,
7.5
ln(S&P500)
yt = φyt-1 + β + γt + ut (1′)
Tng ng vi kim  nh α = 0 so vi α < 0 trong
h i quy DF vi xu hng
7

6.5
∆yt = αyt-1 + β + γt + ut (2 ′)
6 trong ó α = φ - 1.
5.5

Vi
c a xu hng vào s* nh hng n phân phi
5
01/02/90 03/11/91 05/15/92 07/23/93 09/29/94 12/06/95 02/12/97 04/23/98 07/01/99 c a α̂ khi H0 úng. Do vy, nó nh hng n các giá
tr ti hn c a DF.

133
 ® 134
 ®

Vi xu hng xut hi

n, các giá tr ti hn c a DF là: EVIEWS: VIEW/Unit Root Tests/Augmented DF
-3.41 ti 5%, -3.96 ti 1%. (l•a ch•n level, g•m xu h••ng & h• s• ch•n
và •• tr•: 0)

Các giá tr c a DF khi có h

s chng & không có xu Chú ý s khác bi
t gi"a p-value úng và p-value truyn thng
hng là: s' dng trong các h i quy OLS có th dn n các quyt  nh
-2.86 ti 5%, -3.43 ti 1%. sai lm.

Nhìn bng kt qu kim  nh  trang sau. Chúng ta kt lun
Các giá tr ti hn c a DF là xp x# - các giá tr trong chu
i này th nào?
các sách kinh t lng, các chng trình máy tính có
th hi khác.

135
 ® 136
 ®

5. Kim  nh Dickey-Fuller m* rng

Augmented Dickey-Fuller Test

Kim  nh Dickey-Fuller xem xét  trên ch# áp dng

cho chu
i AR(1)

Hãy xem xét:

yt = β + φ1yt-1 + φ2yt-2 + ut hay
∆yt = β + (φ1-1)yt-1 + φ2yt-2 + ut
Nu bây gi bn thc hi
n c lng h i quy DF
∆yt = αyt-1 + β + ut
thì bn ã b% qua mt bin.

137
 ® 138
 ®

Kim  nh DF da trên gi  nh r,ng phn nhiu Hi quy ADF
AR(1), ut , là nhiu trng.
)i vi chu
i AR(2) (không có xu hng), h i quy
Nu yt là mt chu
i AR(p), vi p > 1, thì kim  nh kim  nh ADF thích hp s* là:
nghi
m n v thích hp  ây là kim  nh Dickey- ∆yt = αyt-1 + κ∆yt-1 + β + ut, ut white noise
Fuller m* rng. Vi
c a thêm κ∆yt-1 = κ(yt-1 – yt-2) yt ~ AR(2).
Tng quát hn, vi mt chu
i AR(p) vi p > 1, h i
Thng c gi là kim  nh ADF. quy kim  nh ADF có dng sau:
∆yt = αyt-1 + Σiκi∆yt-i + β + ut
Phi a   tr ∆yt-i vào phng trình  m bo
ut là nhiu trng.
Vi
c a thêm nh"ng thành phn này vào c gi là
“s m rng” bi  tr c a ∆yt.

139
 ® 140
 ®

Vi chu
i có xu hng, h i quy kim  nh ADF phi • S' dng các giá tr ti hn ging nh trong kim
bao g m c xu hng:  nh DF (không có phn m rng).
∆yt = αyt-1 + Σiκi∆yt-i + β + γt + ut:
• Kim  nh ADF rt h"u ích, tuy nhiên chúng ta phi
Vi bt kì dng nào c a h i quy kim  nh nghi
m la chn bc m rng (s  tr c a ∆yt).
n v (có xu hng hay không có xu hng):
• Ging nh kim  nh DF, gi thuyt nghi
m n v • Kt qu kim  nh ADF có th khác i, ph thuc
trong kim  nh ADF là: vào s bin tr c la chn.
H0: α = 0 yt ∼ I(1)
HA: α < 0 yt ∼ I(0), nu không có xu
hng, hay dng. Hoc dng có
xu hng nu có xu hng.

141
 ® 142
 ®

Thc hành kim  nh ADF Bn nên:

• S' dng kt qu vi h
s chn & không có xu
EVIEWS cho phép bn la hng nu chu
i s rõ ràng không có xu hng
chn  tr mt cách t (kim tra chu
i có xu hng hay không b,ng cách
ng. Tuy nhiên, có nhiu nhìn vào hình v*).
ch# tiêu la chn khác có
• S' dng kt qu vi h
s chn và mt ng xu
th cho kt qu khác.
hng nu chu
i s có mt (hoc nhiu) xu hng
theo thi gian.
Ví d vi S&P500. AIC la • Không thc hi
n kim  nh ADF/DF mà không có
chn 16 tr và SIC la chn 0!! c h
s chn ln xu hng!
Tuy nhiên kt qu không khác nhau.

143
 ® 144
 ®

Khi la chn t ng Các kim  nh khác
 tr, bn nên m bo
Kim  nh bc tích hp c a mt chu
i thi gian c
 tr ti a  ln.
coi là quan trng trong nghiên c(u thc nghi
m các
Ví d vi chu
i s GDP
chu
i thi gian.
c a UK theo quý này,
Các kim  nh khác ã c xây dng. Nh"ng kim
MAXLAG = 12 tng
 nh này có th phân loi nh sau:
ng vi 3 nm.
ADF PP1 KPSS2
UK GDP, seasonally adjusted, in logs
12.6
H0 I(1) I(1) I(0)
12.4

12.2
HA I(0) I(0) I(1)
12
Tính ng g m ∆yt-k Newey-West Newey-West
11.8
1
11.6 Phillips and Perron (1988), Biometrika, 75, 335-346
2
11.4

11.2
Kwiatkowski et al. (1992), Journal of Econometrics, 54,
1972 Q1 1978 Q1 1984 Q1 1990 Q1 1996 Q1 2002 Q1
159-178

145
 ® 146
 ®

Phng pháp Box-Jenkins v i ARMA(p,q) B c 5: Vi m
i mô hình này:

• Kim tra xem li
u tham s c a bin tr dài nht có ý
B c 1: Tính các hàm ACF và PACF c a s li
u thô, và ngh$a hay không. Nu không thì có l* mô hình ã có
kim tra xem chu
i là dng hay không dng. Nu chu
i quá nhiu tham s, và bn nên gim bc p và/hoc q.
dng chuyn sang bc 3, nu không dng chuyn sang • Xem xét ACF và PACF c a sai s. Nu mô hình có
bc 2. va  các tham s, thì ACF và PACF c a sai s s*
không có ý ngh$a.
B c 2: Log hoá s li
u và ly sai phân bc nht, tính các
• Kim tra các ch# tiêu AIC, SIC cùng vi adj-R2 c a mô
hàm ACF và PACF vi các chu
i sai phân bc nht c a
hình c lng  xem mô hình nào là phù hp nht
log này.
(t(c là mô hình có AIC và SIC nh% nht và adj-R2 ln
B c 3: Xem xét các  th c a ACF và PACF  la nht).
chn các mô hình có th có.
B c 6: Nu cn có nh"ng thay i  mô hình gc thì
B c 4: 3c lng nh"ng mô hình này quay li bc 4

147
 ® 148
 ®

6. Kim  nh s vi phm các gi!  nh Có hai mc ích c a nh"ng kim  nh này:
Testing for breach of assumptions
• Kim  nh t tng quan có th giúp xác  nh chính
Phn này s* gii thi
u hai kim  nh thng kê c bn: xác bc c a mô hình ARMA(p,q). Nu sai s t mô
hình ARMA(p,q) có t tng quan chuyn sang
1. Kim  nh t tng quan (c a sai s).
mô hình ARMA ph(c tp hn.
2. Kim  nh phng sai sai s thay i (t tng
quan c a bình phng sai s) • )i vi bt kì mô hình h i quy nào (không ch# vi
chu
i thi gian nh"ng kim  nh này giúp ánh giá
li
u nh"ng gi  nh c a phng pháp OLS có c
tho mãn hay không.

149
 ® 150
 ®

 Kim  nh t tng quan H0: ρ= 0 → sai s ut không tng quan theo thi gian
Test for autocorrelation HA: ρ≠ 0 → sai s ut tuân theo AR(1) [hoc AR(p)]

Gi s' mt nhà nghiên c(u áp dng mô hình AR(1) Thay (2) vào (1),
yt = β + φyt-1 + ut (1) yt = β + φyt-1 + ρut-1 + εt (3)
[hoc vi bt kì mô hình h i quy yt = β + φxt + ut nào]
& sau ó anh ta mun kim  nh xem ut có phi là Nu chúng ta c lng phng trình (1), c lng
nhiu trng hay tuân theo mt mô hình AR(p) nào ó c a chúng ta v φ s* b ch
ch (bin b b% qua  ây là
hay không. ut-1) → cn xác  nh mô hình AR úng.
Nhà nghiên c(u xem xét Ch# khi ρ = 0 mô hình (1) mi c chp nhn!
ut = ρut-1 + εt , εt là nhiu trng (2)
[hoc ut = ρ1ut-1 + …+ ρp ut-p + εt ]

151
 ® 152
 ®

Mt kim  nh ph bin i vi s xut hi

n c a t 3. Kim  nh H0: ρ1 = …= ρp = 0
tng quan c a sai s là kim  nh Durbin-Watson. HA: ít nht mt ρi ≠ 0
Tuy nhiên, mt s vn  c bi
t s* phát sinh khi có Kim  nh này c gi là kim  nh Nhân t'
bin c lp là bin tr. Lagrange (Lagrange Multiplier test)
→ không s' dng kim  nh DW trong trng hp Trong EVIEWS gi là “Serial Correlation LM test”.
này (EVIEWS:
Regression Window/View/Residual
) kim  nh t tng quan c a sai s, chúng ta áp Tests/Serial Correlation LM Test)
dng các bc sau: Thng kê kim  nh là NR2, tuân theo phân phi χ 2
1. 3c lng yt = β + φyt-1 + ut (1) b,ng OLS, và vi p bc t do.
lu li sai s, N = s quan sát trong phng trình h i quy  bc 2.
2. 3c lng uˆt = α + π yt −1 + ρ1uˆt −1 + ... + ρ puˆt − p + ε t R2 = là h
s xác  nh c a phng trình h i quy 
bc 2

153
 ® 154
 ®

Kim  nh phng sai sai s thay  i

Test for heteroskedasticity

) kim  nh s thay i c a phng sai sai s (nh

ch# ra bi s t tng quan c a sai s bình phng),
ta làm các bc sau:

1. 3c lng yt = β + φyt-1 + ut (1) b,ng OLS, và lu

li sai s,
2. 3c lng uˆt = α + ρ1uˆ t2−1 + ... + ρ puˆ t2− p + ε t
3. Kim  nh H0: ρ1 = …= ρp = 0 vi HA: ít nht mt
ρi ≠ 0

155
 ® 156
 ®

Kim  nh này c gi là “ARCH LM test”
ARCH = AutoRegressive Conditional Heteroskedasticity

(EVIEWS:
Regression Window/View/Residual
Tests/ARCH LM Test)

Thng kê kim  nh là NR2, tuân theo phân phi χ 2

vi p bc t do.
N = s quan sát trong phng trình h i quy  bc 2.
R2 = là h
s xác  nh c a phng trình h i quy 
bc 2.

157
 ® 158
 ®

Các kim  nh khác

Other Diagnostic Tests
Bn có th s' dng EVIEWS  thc hi
n nhiu kim
 nh  nh dng mô hình.
C&ng có th thc hi
n các kim  nh gi thit H0 sau:
• Mô hình AR là tuyn tính (kim  nh dng hàm hay

RESET)
• Sai s có phân phi chu+n hay không (kim  nh

Jarque-Bera)
• Không có phng sai sai s thay i (mt dng

khác c a ARCH)
V mt lý tng, chúng ta KHÔNG mun bác b%
nh"ng gi thit H0 này.

159
 ® 160
 ®

Bài t%p thc hành: • La chn các mô hình AR(p), MA(q), hoc
Hãy m file s li
u vn_series, bao g m các s li
u v ARMA(p,q) cho tng chu
i. Bn phi kt hp các
cung tin (m2), ch# s giá tiêu dùng (cpi), sn lng tiêu chí la mô hình nh phng pháp Box-Jerkins,
công nghi
p (ind) và lãi sut ngn hn (r) theo tháng. các kim  nh chu+n oán sau c lng (kim  nh
Bn hãy: t tng quan LM, kim  nh phng sai sai s thay
i,…) các ch# tiêu AIC, và SIC.
• Chuyn i s li
u (tr lãi sut) sang dng log.
• 3c lng các mô hình thích hp cho tng chu
i và
• V* hình cho m
i chu
i s li
u này, nhn xét xem
tin hành d báo cho 3 tháng tip theo.
chu
i có xu hng theo thi gian hay không.
• Tin hành kim  nh ADF thích hp (có xu hng

hoc không) i vi tng chu
i s li

u.
• Ly sai phân bc nht các chu
i s nu các chu
i có

nghi
m n v .

161
 ® 162
 ®

 1. Gi i thiu mô hình VAR
CH  3
Mô hình véct t hi quy (VAR) Mô hình AR(p), MA(q), và ARMA(p,q) ch# xem xét
Vector Autoregressive (VAR) Models các chu
i riêng l6.

1. Gii thi
u v mô hình VAR Mô hình xem xét nhiu chu
i mt lúc c gi là mô
2. Véct nhiu trng hình VAR(p): ây là mt h
các phng trình.
3. Biu din  dng ma trn
4. 3c lng và kim  nh gi thit Mô hình VAR cho phép các bin tng tác ng ln
5. D báo vi mô hình VARs nhau (tt c có th u là bin ni sinh).
6. Kim  nh nhân qu Granger
7. Các hàm phn (ng Nh vi AR(p), mô hình VAR có p là  tr ti a.
8. Phân tách phng sai

163
 ® 164
 ®

Mc ích c a mô hình VAR là: Ví d: Mô hình VAR(1) v i hai bin
• Xây dng các mô hình d báo mà không cn lý Mô hình VAR(1) vi hai bin y1t & y2t c biu
thuyt din nh sau (dng cu trúc):
• Cho phép xem xét nh hng ng c a mt cú sc
i vi các bin khác
Trong ó các sai s là nhiu trng.
• Cho phép ánh giá tm quan trng c a mt cú sc
Biu din di dng véct:
i vi s dao ng c a các bin.
 1 −ϕ10  y1t  α1  ϕ11 ϕ12  y1,t−1  ε1t 
• Cung cp c s cho vi
c thc hi
n kim  nh nhân −ϕ  =  +  +
qu Granger.  20 1 y2t  α2 ϕ21 ϕ22y2,t−1 ε2t 
Hay,
Ψ 0 y = α + Ψ1 yt −1 + ε t (1)

165
 ® 166
 ®

B,ng cách nhân c hai v (1) vi Ψ 0−1, mô hình C th:

VAR(1) này có th c chuyn thành dng rút gn
sau:
Do 71t và 72t theo  nh ngh$a là nhiu trng nên u1t và
u2t c&ng là nhiu trng, tuy nhiên,
u1t và u2t có tng quan  ng thi.
Biu din di dng véct:
 y1t  δ1  φ11 φ12   y1,t−1  u1t  Chú ý: m
i h
s có hai ch# s di: ch# s trc phn
y = δ + φ φ y + u ánh phng trình, ch# s sau phn ánh bin.
 2t   2   21 22   2,t−1  2t 
Hay: VD: φ12 , (1) ám ch# phng trình th( nht, (2) ám ch#
y = δ + Φ1 yt −1 + ut (2) bin y2
Trong ó: δ = Ψ 0−1α , Φ1 = Ψ 0−1Ψ1, và ut = Ψ 0−1ε t .

167
 ® 168
 ®

 Mô hình VAR(p) Nh%n xét:

Mô hình VAR(2) vi hai bin: • Mô hình VAR có p là  tr ti a c a bt kì bin
nào.
Mô hình VAR(p) vi hai bin có  tr p vi c hai • VAR có th có m > 2 bin.
bin trong hai phng trình. • M
i mt bin trong m bin có riêng mt phng
Dng rút gn: trình trong c h
.
• Trong mô hình VAR không có ràng buc trên, m
i
bin xut hi
n vi m
i  tr  tt c các phng
trình.
• Vi mô hình VAR(p) có m bin, s* có m2 các h
s
 m
i  tr; mô hình VAR có rt nhiu h
s!

169
 ® 170
 ®

• Các sai s ngu nhiên (disturbances) c a VAR là Bài t%p thc hành:
véct nhiu trng.
→ mi mi quan h
ng s* c th hi
n qua các h
• Biu din mô hình VAR(2) cu trúc và rút gn vi 2
s c a VAR. bin ni sinh y1t, y2t và 1 bin ngoi sinh xt vi 
• T(c là, m
i sai s ngu nhiên không th d báo tr 1,  c dng h
phng trình ln dng ma trn.
c t quá kh( – hoc là t quá kh( c a chính nó
hoc c a sai s khác.
• )iu này làm tng kh nng c lng các tham s • Biu din mô hình VAR(2) cu trúc và rút gn vi 3
trong h
VAR. bin ni sinh y1t, y2t và y3t,  c dng h
phng
• ) tr p phi c la chn sao cho không có s t trình ln dng ma trn.
tng quan gi"a các sai s c lng.

171
 ® 172
 ®

2. Véct nhiu trng véct sau s ngu nhiên c xác  nh nh sau:

Sai s ngu nhiên c a VAR là véct nhiu trng.

Vi mô hình VAR(p) có m bin:
Dng cu trúc:
Ψ 0 y = α + Ψ1 yt −1 + ...Ψ1 yt − p + +ε t Véct nhiu trng có c tính:
• E(ut) = 0 Trung bình b,ng 0
• E(utut′) = Σ Phng sai c  nh theo thi gian và
Dng rút gn:
 ng phng sai gi"a uit & ujt là c
y = δ + Φ1 yt −1 + ... + Φ p yt − p + ut
 nh (i ≠ j).
 y1t  • E(utus′) = 0, s ≠ t,  ng phng sai c  nh theo thi
Trong ó, yt = 
= ( y1t , y2t ,..., ymt ) ' và gian.
 Chúng ta luôn gi  nh r,ng phân phi chung c a sai s là
 ymt 
Chu+n N(0, Σ)

173
 ® 174
 ®

 Ma tr%n phng sai - ng phng sai ng phng sai theo thi gian
Variance-Covariance Matrix

Véct nhiu trng có E(utus′) = 0, s ≠ t

Vi hai bin, ut = (u1t , u2t )', do vy ma trn phng
T(c là, E(uituj,t-k) = 0 i, j = 1, 2, …, m & k ≠ 0.
sai- ng phng sai ti thi im t là:
Sai s ngu nhiên c a mi phng trình  thi im t
là không tng quan vi bt kì sai s ngu nhiên nào
 mi thi im khác.
• Var(u1t) = σ12
• Var(u2t) = σ22 )iu này liên quan n vi
c la chn  tr p c a mô
• Cov(u1tu2t) = σ12 : sai s ngu nhiên ti thi im t hình VAR. p phi c la chn sao cho  ln 
c a hai phng trình có th có tng quan. m bo c tính này c a sai s ngu nhiên.
• M rng thêm nhiu bin (>2 bin).

175
 ® 176
 ®

3. Dng Ma tr%n ca mô hình VAR 4.  c lng & kim  nh gi! thuyt
Matrix Representation
Gi s' chúng ta c lng VAR(1) vi hai bin:
Vi nhiu bin và  tr p vi
c biu mô hình VAR rt
rc ri. ) n gin d nhìn, chúng ta nên biu din
VAR(p) di dng ma trn;
yt = δ + Φ1yt-1 + …+ Φpyt-p + ut Min là tt c các bin yit u dng:
Các tham s c a VAR rút gn có th c c lng
Ví d: VAR(1) vi m = 2 bin  dng rút gn: bi OLS, ln lt tng phng trình mt.
Kim  nh gi thuyt i vi tng tham s riêng l6
c thc hi
n s' dng phân phi Chu+n hoc phân
phi t. Kim  nh chung vi nhiu tham s trong mt
phng trình thì s' dng kim  nh F.

177
 ® 178
 ®

Σ có th c c lng s' dng các sai s c a Gi s' chúng ta mun c lng VAR(2) sau:
phng pháp.
1 T

=
uˆt uˆt'
T t =1
) tr p c a VAR có th a la chn s' dng các
kim  nh gi thuyt.

) cân nhc gi"a VAR(2) vi VAR(1), chúng ta

kim  nh
H0: φ11(2) = φ12(2) = φ21(2) = φ22(2) = 0
HA: ít nht có mt φ11(2) ,φ12(2) ,φ21(2) ,φ22(2) ≠ 0
H0 → VAR(1); HA → VAR(2).

179
 ® 180
 ®

Chú ý: Nh"ng gi thuyt này liên quan n các tham
s t c! hai phng trình.

Chúng ta s' dng các tiêu chí la chn AIC & SIC –
xem ví d.

Ví d: Thay i lãi sut c a Úc, kì hn 90 ngày

(d90dt), và kì hn 5 nm (d5yt). S li
u theo tháng t
Tháng 6 nm 1982 n tháng 8 nm 1996.

181
 ® 182
 ®

• Có nhiu ch# tiêu la chn c s' dng  xác  nh  Các ch# tiêu la chn  tr:
tr c a VAR. )ôi khi các ch# tiêu này cho các áp án
hi khác nhau.
• Nu không gp vn  v bc t do, thì vi
c la chn
mt  tr ln s* không có hi gì.
• Các ch# tiêu la chn ph bin nht là: SIC (Schwarz
Information Criterion) và AIC (the Akaike Information
Criterion (AIC). Các ch# tiêu này ti u hoá s ánh i
gi"a s phù hp c a mô hình và s tham s cn c
c lng.
• 0 ây  tr 2 có v6 hp lý. Chúng ta s' dng VAR(2)!

183
 ® 184
 ®

5. D báo v i VAR D báo cho nhiu thi kì ti c thc hi

n nh
trong các mô hình chu
i n, s' dng các d báo ti
thi kì T+1.

S' dng thông tin trong ma trn phng sai- ng

Gi s' chúng ta c lng c các tham s c a mô phng sai Σ chúng ta c&ng có th xây dng các
hình VAR  trên, và gi s' hi
n ti là thi im T và khong tin cy xung quanh giá tr d báo.
mun d báo cho thi kì ti:

185
 ® 186
 ®

D báo trong Eviews: 6. Kim  nh nhân qu! Granger
Trong c'a s VAR chn Procs/Make Model. Sau ó Granger causality testing
mt c'a s mi m ra ch(a các phng trình c
lng trong ó. Chn tip Solve. Kim  nh nhân qu Granger nh,m tr li câu h%i li
u
giá tr trong quá kh( c a mt bin nào ó có giúp d
báo mt bin khác hay không.
Chn thi gian
d báo  ây. Gi s' chúng ta có hai bin zt và xt. Các kh nng có
Lu ý: Bn phi
m rng mu
th có là:
b,ng cách chn 1. C giá tr trong quá kh( c a zt và xt u h"u ích
Proc/Change i vi vi
c d báo ln nhau (xt và zt là nguyên
Workfile Range nhân gây ra bin kia)
trong c'a s c a
workfile.

187
 ® 188
 ®

2. Các giá tr trong quá kh( c a zt không giúp d

báo các giá tr c a xt (zt không phi là nguyên
nhân gây ra xt)
3. Các giá tr trong quá kh( c a xt không giúp d
báo các giá tr c a zt (xt không phi là nguyên
nhân gây ra zt) Gi s' chúng ta c lng c các tham s c a mô
4. C giá tr trong quá kh( c a zt hay xt không h"u hình VAR trên, và mun kim  nh xem li
u y2t có
ích i vi d báo ln nhau (xt và zt không là phi là nguyên nhân gây ra y1t theo ngh$a Granger hay
nguyên nhân gây ra bin kia) không.
H0: φ12(1) = φ12(2) = 0 , y2t không gây ra y1t
) thc hi
n kim  nh này trong Eviews, t c'a s
HA: φ12(1) và/hoc φ12(2) ≠ 0 , y2t gây ra y1t
c a VAR, chn View/Lag stucture/Granger
causality/Block exogeneity tests. Kim  nh F tiêu chu+n c s' dng  kim  nh
gi thuyt này.

189
 ® 190
 ®

Nh li r,ng gi thuyt H0 c a 7. Các hàm ph!n +ng - IRFs
kim  nh nhân qu Granger là (Impulse Response Functions)
“không có quan h
nhân qu
Granger”. Thng rt khó c hiu các tham s c a VAR. Các
Kt qu c a kim  nh  ây
có v6 nh là d90dt không phi
bin liên quan n nhau & có rt nhiu tham s trong
là nguyên nhân gây ra d5yt. mô hình VAR.
S thay i c a lãi sut dài hn,
d5yt, là nguyên nhân (Granger) Vi
c c hiu mi liên h
gi"a các bin thng c
gây ra s thay i c a lãi sut thc hi
n qua các hàm ph!n +ng.
ngn hn, d90dt.
S thay i c a lãi sut dài hn
cung cp thông tin h"u ích  d
Các hàm phn (ng xác  nh hi
u (ng theo thi gian
báo lãi sut ngn hn, nhng không c a cú sc c a mt bin nào ó i vi các bin khác
có chiu ngc li. trong mô hình VAR.

191
 ® 192
 ®

Sai s ngu nhiên uit thng c coi là cú sc trong IRFs: Ví d trong EVIEWS
kinh t v$ mô, bi vì ngi ta không th d báo c
nó t các quan sát trong quá kh( (bi vì nó là nhiu S' dng mô hình VAR c lng c  trên i vi
trng). các bin d5yt & d90dt.
Tuy nhiên, u1t là hp th(c c a 71t và 72t trong mô hình Chúng ta xem xét hi
u (ng cú sc d5yt có  ln
cu trúc. 71t và 72t là các cú s cu trúc i vi y1t và b,ng  l
ch chu+n i vi d90dt trong nh"ng thi kì
y2t. tip theo (hoc ngc li)

Các hàm phn (ng xác  nh hi

u (ng theo thi gian
c a cú sc này i vi c d5yt & d90dt

193
 ® 194
 ®

Tính toán IRFs

Gi s' cú sc xy ra i vi bin u tiên trong m
bin c a mô hình VAR. IRFs s* là:
∂yi ,t + k
, i = 1,..., m; k = 0,1,...
∂ε it
) ln c a cú sc thng c t b,ng vi  l
ch
chu+n ch( không phi mt n v ,  m bo tính
hp lý c a  ln cú sc trong thc t.

VARs & các hàm phn (ng c s' dng rt rng rãi
trong kinh t v$ mô (ng dng, c bi
t là trong phân
tích các vn  thuc kinh t hc tin t
.

195
 ® 196
 ®

Tuy nhiên có mt khó khn chính  ây: không th Th+ t Cholesky trong EVIEWS
xác  nh c toàn b các tham s trong mô hình cu Cholesky ordering
trúc t mô hình rút gn. Mà các hàm phn (ng li
c tính toán da trên mô hình cu trúc.
Do vy, chúng ta cn ràng buc mt tham s  có
th tính c IRFs t các tham s c lng c
c a mô hình rút gn.

Thng ràng buc hoc ϕ10 hoc ϕ20 = 0. Trong ví d

này chúng ta ràng buc ϕ10 = 0, hàm ý 72t không nh
hng ngay lp t(c n d5yt.

197
 ® 198
 ®

Gi s' chúng ta c lng VAR vi 2 bin dlcpi và Tng quát cho VAR(p) vi m > 2 bin:
dlm2, th( t (Cholesky) sp xp các bin trong
Eviews s* xác  nh ϕ10 hoc ϕ20 = 0 trong mô hình
VAR(2).
C th, nu bin dlcpi (ng trc bin dlm2 thì iu
ó hàm ý:
1) ϕ10 = 0, và 72t hay dlm2t không có tác ng ngay
Th( t Cholesky quy  nh bin (ng sau không có
tác ng ngay t(c thi (trong cùng thi im t) ti
bin (ng trc.
Nhng bin (ng trc có tác ng ngay t(c thi ti
bin (ng sau.
t(c thi ti dlcpit. T(c là s thay i c a cung tin
trong tháng t không làm thay i cpi trong tháng t Vi
c xác  nh bin nào (ng trc bin nào (ng sau
(nhng s* làm thay i cpi trong tháng t+1, t+2…) ph thuc vào lý thuyt kinh t. Th( t này là quan
2) ϕ20 8 0, và 71t hay dlcpit có tác ng ngay t(c thi trng i vi kt qu c lng VAR.
ti dlm2t.

199
 ® 200
 ®

8. Phân rã phng sai Trong Eviews sau khi c lng VAR, t c'a s c a
Variance decomposition VAR hãy vào View/Variance Decomposition...
• IRFs xác  nh nh hng c a mt cú sc i vi các
bin ni sinh khác trong mô hình VAR.
• Phân rã phng sai phân tách s bin thiên (dao
ng) c a mt bin ni sinh nào ó trong mô hình
theo thành phn các cú sc trong VAR.

Phân rã phng sai cho phép chúng ta ánh giá c

tm quan trng tng i theo thi gian c a m
i cú
sc i vi s bin ng c a các bin trong mô hình
VAR.

201
 ® 202
 ®

Bài t%p thc hành

(1) Hãy c lng mô hình VAR vi hai bin cpi và
m2 trong file “vn_series.xls” cho Vi
t Nam. Trc tiên
bn cn phi:
• Chuyn s li
u sang dng log. V* hình.

• Kim  nh tính dng c a các chu
i s. Nu các chu
i

s có tính dng bn phi ly sai phân bc nht.
• La chn  tr cho VAR s' dng SIC và AIC, và các
kim  nh sau c lng vi sai s.
• Thc hi
n kim  nh nhân qu Granger.

• Tính IRF, phân rã phng sai cho khong thi gian là

Theo thi gian cú sc c a dlcpi và dlm2 nh hng th nào 12 tháng. D báo cho 3 tháng cui nm
n dlcpi?

203
 ® 204
 ®

(2)* Vn s' dng file s li
u trên. 3c lng mô hình
VAR vi 5 bin cho Vi
t Nam. Trong ó 4 bin ni
CH  4
sinh là: sn lng công nghi
p (ind), ch# s giá tiêu
dùng (cpi), cung tin (m2), và lãi sut (r), bin ni sinh ng tích hp
là giá du thô th gii oil_p. Cointegrations
Lp li các bc trong bài 1. 1. T VAR n ) ng tích hp
2. H i quy gi
3. Mi quan h
trong dài hn:  ng tích hp
Chú ý: Trong c'a s 4. Kim  nh  ng tích hp
VAR, bin ngoi sinh 5. Véct  ng tích hp
a vào ô m&i tên ch# 6. C ch t iu ch#nh sai s (ECM)
trong hình v* 7. Phng pháp Engle-Granger
8. ) ng tích hp c a nhiu bin

205
 ® 206
 ®

1. T VAR n ng tích hp Gi hai bin mà chúng ta ang xem xét  ây là x1t và
x2t. Chúng ta có th s' dng sai phân bc nht làm
Nh li mô hình VAR(1) vi hai bin:
bin trong VAR.
y1t = δ1 + φ11y1,t-1 + φ12y2,t-1 + u1t
∆x1t = δ1 + φ11∆x1,t-1 + φ12∆x2,t-1 + u1t (1’)
y2t = δ2 + φ21y1,t-1 + φ22y2,t-1 + u2t
∆x2t = δ2 + φ21∆x1,t-1 + φ22∆x2,t-1 + u2t (1”)
Nu yit là dng (I(0)), thì chúng ta có th c lng
các tham s b,ng OLS và s' dng các suy lun thng Nh ch# ra  ây, ∆xit là c lp vi xit và/hoc các
kê c a VAR. mi quan h
gi"a x1t và x2t.
Gi s' chúng ta mun mô hình hoá hai chu
i thi
gian mà c hai u ∼ I(1). Ví d nh cu tin và GDP, Trong nh"ng iu ki
n nht  nh, ây là mt vn ,
hoc giá c và t# giá hi oái. và có l* chúng ta phi a thêm mt bin nào ó vào
Nu chúng là I(1) thì sai phân bc nht c a chúng s* c hai phng trình  dng et=g(x1t, x2t, 9).
dng – I(0) (tr khi chúng là dng theo xu hng).

207
 ® 208
 ®

Nu ∆xit phn nào ch u nh hng c a bin này thì nó 2. Hi quy gi!
phi c a vào phng trình (1’) và (1”). Vy
bin et có bc tích hp là bao nhiêu? Xét hai chu
i I(1), chúng có v6 nh liên quan vi
nhau nhng thc cht thì không.
Thc cht, nu x1t và x2t là I(1) nhng s kt hp
tuyn tính c a x1t và x2t là I(0), thì các bin x1t và x2t Mi quan h
h
i quy gi"a hai chu
i I(1) không liên
c gi là 
ng tích hp. S kt hp tuyn tính này
là bin cn c a vào (1’) và (1”).
Chúng ta s* quay li mô hình VAR sau.
209
quan vi nhau c gi là hi quy gi!.
Ví d: x & y là không liên quan vi nhau; c to ra
t EVIEWS  dng các bc ngu nhiên c lp:
yt = yt-1 + ut, ut ∼ NID(0, 1), y1 = 15
xt = xt-1 + et, et ∼ NID(0, 1), x1 = 10
ut & et c lp vi nhau.

 ® 210
 ®
H
i quy c a yt theo xt có v6 nh là mt mi quan h

rt có ý ngh$a.
50

40

30

20

10
smpl 1 1
0 genr y =15
genr x = 10
25 50 75 100 125 150 175 200
smpl 2 200
genr y = y(-1) + nrnd
Y X genr x = x(-1) + nrnd
smpl 1 200
plot y x

211
 ® 212
 ®

Mt s nh%n xét chung

H i quy gi phát sinh t mi tng quan trong dài
hn gi"a các chu
i I(1) c lp vi nhau.

H i quy gi thng có c im: thng kê Durbin-

Watson nh%, R2 trung bình hoc cao.

Các kim  nh t & F thông thng i vi các tham

yt & xt có v6 nh có liên quan
s thng sai l
ch.
(tβ= 8.7, R2 = 0.366), mc dù
thc cht chúng không.
Kim  nh tng quan c a sai s
cho thy có vn .

213
 ® 214
 ®

Mi quan h trong ngn hn 3. Mi quan h dài hn: ng tích hp

Kim  nh gi thuyt gi  nh các bin là I(0). Gi s' xt, yt ~ I(1), xt & yt là ng tích hp nu t n
Nu yt và xt ∼ I(1), chúng ta có th xem xét các mi ti mt mi quan h
:
quan h
gi"a các bin I(0) ∆y & ∆x s' dng các kim yt = β0 + β1xt + et
 nh gi thuyt truyn thng. vi et là dng, I(0).
Tuy nhiên, vi
c làm này ch# xem xét mi quan h
) ng tích hp hàm ý các chu
i bin ng cùng nhau
trong ngn hn mà b% qua mi quan h
dài hn. theo thi gian, do vy các chu
i c coi là có mi
Lý thuyt kinh t thng quan tâm n mi quan h
quan h
trong dài hn: et là dng nên không th “quá
cân b,ng trong dài hn gi"a x & y. ln” & do vy xt & yt c gi" cùng nhau trong dài
Chúng ta mun mô hình hoá c mi quan h
dài hn hn.
và ngn hn.
)c bi
t, Var(et) là h"u hn và c  nh theo thi gian.

215
 ® 216
 ®

Vi xt, yt ~ I(1),  ng tích hp hàm ý Khi có nhi
u hn 2 bin
yt - β1xt = zt = β0 + et ~ I(0)
zt là s kt hp tuyn tính c a các bin I(0). Khái ni
m này có th áp dng cho hn 2 bin.
Thông thng, s kt hp tuyn tính gi"a các bin Gi s' xt, yt, wt ∼ I(1) và có duy nht mt mi quan h

I(1) s* là I(1).  ng tích hp, khi ó

Do vy,  ng tích hp (v mt thng kê) là bt yt = β0 + β1xt + β2wt + et
thng. vi et là dng.
Cn phân bi
t  ng tích hp vi h i quy gi, khi ó zt
Các nhn xét chung ging nh trng hp 2 bin.
~ I(1).
Chú ý: ) có  ng tích hp òi h%i et phi dng; Vi 3 hoc nhiu bin I(1), có th có nhiu hn 1 mi
không phi dng theo xu hng & không nht thit quan h
 ng tích hp (tho lun sau).
phi là nhiu trng.

217
 ® 218
 ®

4. Kim  nh ng tích hp Các giá tr ti hn s' dng cho kim  nh  ng tích
hp khác vi các giá tr ti hn s' dng cho kim
Phng pháp n gin: c lng mi quan h
trong  nh nghi
m n v i vi mt bin.
dài hn có th có & áp dng kim  nh ADF i vi
sai s h i quy. )i vi 2 bin, các giá tr ti hn s' dng cho kim
• Sai s ∼ I(0) →  ng tích hp.  nh  ng tích hp là:
• Sai s ∼ I(1) → không có  ng tích hp. -3.34 vi 5%, -3.90 vi 1%
So sánh vi các giá tr ti hn c a kim  nh DF cho
Chú ý: S' dng kim  nh ADF không có xu hng, mt bin :
bi vì chúng ta cn kim tra tính dng (ch( không -2.86 vi 5%, -3.43 vi 1%
phi dng theo xu hng) c a sai s.

219
 ® 220
 ®

Ví d: Lãi sut hàng tháng c a Pháp & )(c Sai s có dng không? S' dng kim  nh ADF, không có xu
(coint.wf1). rt FRA = α + β rtGER + ε t hng.

S' dng các giá tr ti hn khác nhau (xem ph lc), ph thuc
2 bin này có mi quan h
cân b,ng không? Làm th nào  vào s bin và phng trình  ng tích hp có h,ng s và/hoc
kim  nh xem chúng có phi là 2 bin  ng tích hp hay xu hng hay không. 0 ây vi 5%, giá tr ti hn là -3.34.
không? Sai lm trong mi quan h
 ng tích hp này là gì?

221
 ® 222
 ®

Bây gi ta a thêm ng xu hng vào phng trình  ng Khi có nhi
u hn 2 bin
tích hp. Giá tr ti hn mi c a kim  nh này là:
5%: -3.78 (xem ph lc)
Phân tích  trên có th d dàng áp dng cho trng
hp có nhiu hn 1 bin c lp trong phng trình
 ng tích hp (min là chúng ta bit r,ng ch# có mt
mi quan h
 ng tích hp – xét sau)
• Có th kim  nh  ng tích hp da trên sai s

• Mt ln n"a kim  nh ADF không có xu hng

s* c s' dng.

• S' dng các giá tr ti hn ph thuc vào s bin

(xem ph lc).

223
 ® 224
 ®

5. Véct ng tích hp Véct  ng tích hp c c lng bi OLS.

Vi mi quan h

 ng tích hp yt = β0 + β1xt + et: Chúng ta bit r,ng h i quy OLS không áp dng c
vi các chu
i I(1).
Vit di dng et = yt - β0 - β1xt, các h
s c a yt & xt
to nên véct ng tích hp. Tuy nhiên, c lng OLS c a véct  ng tích hp
Véct  ng tích hp  ây là (1, - β1 )′. có mt c tính mong mun (Siêu v"ng), có ngh$a là
các sai s chu+n nh%.
H
s c a yt c chu+n hoá (t) b,ng 1, tuy nhiên
Không nht thit hàm ý mi quan h
nhân qu xt
→ yt;
Véct  ng tích hp tng ng c a (yt, xt) vi s
chu+n hoá i vi xt là (-β1-1, 1)′.

225
 ® 226
 ®

ng tích hp (nhc li) 6. C ch i

u ch$nh sai s
Error-Correction Mechanisms
xt, yt ~ I(1) là ng tích hp nu ti mt mi quan h

 dng Nu xt, yt ~ I(1) là  ng tích hp, thì phi có mt c

yt = β0 + β1xt + et vi et ∼ I(0). ch nào ó m bo s t n ti c a mi quan h
này
trong dài hn.
Nu xt & yt là  ng tích hp, et có E(et) = 0 và Var(et) et = yt - β0 - β1xt phn ánh s mt cân b,ng.
h"u hn và c  nh theo thi gian. C ch i
u ch$nh sai s (ECM), phn (ng  iu
ch#nh s mt cân b,ng trc ó.
yt = β0 + β1xt là mt mi quan h
cân b,ng có ý ngh$a.
Dng n gin nht c a ECM là
∆yt = γet-1 + ut = γ(yt-1 - β0 - β1xt-1) + ut
vi ut là nhiu trng.

227
 ® 228
 ®

H
s ECM c a et-1 thng c gi là h s i
u Ví d v
ECM
ch$nh (adjustment coefficient).
Gi s' xt-1 = xt = 20, yt-1 = 25, ut = 0;
Ý ngh$a c a nó là y thay i nh,m loi b% γ phn mt β0 = 0, β1 = 1, γ = – 0.8.
cân b,ng c a thi im t-1. Ti thi im t-1, s mt cân b,ng là:
et-1 = yt-1 – β0 – β1xt-1 = 25 – 20 = 5
Do vy, γ in hình là âm. (iu ó có ngh$a là yt ang “quá ln”)
ECM i vi yt
∆yt = γet-1 + ut = – 0.8 × 5 = – 4
∴ yt = yt-1 + ∆yt = 25 – 4 = 21
và et = yt - β0 - β1xt = 21 – 20 = 1.
0,8 phn mt cân b,ng (5) ti thi im t-1 ã b loi
b% ti thi im t.

229
 ® 230
 ®

C ch ECM t ng quát (2 bin)  nh lý Granger

) xt, yt ~ I(1) là  ng tích hp, dng ECM tng quát ) nh lý Granger cho 2 bin v c bn phát biu nh
c a yt là: sau:
∆yt = γet-1 + δ + φ1∆yt-1 + …+ φp∆yt-p Nu xt, yt ~ I(1) là  ng tích hp, mt c ch ECM
+ π1∆xt-1 + …+ πq∆xt-q + ut phi t n ti i vi yt hoc xt (hoc c hai).
T(c là, ít nht mt trong hai bin phi phn (ng 
Vi
c thêm bin tr c a ∆yt & bin tr ∆xt không làm loi b% (mt phn) s mt cân b,ng c a thi kì trc,
thay i các hàm ý c bn. et-1.
Có th có mt c ch ECM khác vi xt; )iu ngc li c&ng úng. T(c là:
VD. ∆xt = γxet-1 + vt, vt là nhiu trng. Nu xt, yt ~ I(1) và có mt ECM t n ti i vi yt hoc
Chú ý: T(t c! các bin trong ECM ph!i là I(0). xt, thì xt & yt phi  ng tích hp.

231
 ® 232
 ®

 c lng ECM 7. Phng pháp Engle-Granger

3c lng c a véct  ng tích hp là siêu v"ng, c Phng pháp Engle-Granger 2 b c có th tóm tt
lng véc t  ng tích hp chính xác hn c lng nh sau:
ECM. (gi  nh chúng ta có các bin ∼ I(1))
Do c tính này, khi c lng ECM, chúng ta coi
các sai s t h i quy  ng tích hp là các giá tr quan B c 1: 3c lng mi quan h
dài hn có th có &
sát c c a et. kim  nh tính  ng tích hp.
Kim  nh gi thuyt chu+n c áp dng vi ECM, Nu có  ng tích hp, lu li sai s c lng.
nh vi các bin I(0), bao g m c h
s iu ch#nh γ.
Nên kim tra m(c ý ngh$a c a γˆ , nó phi khác 0  B c 2: Xác  nh & c lng ECM, vi bin c
m bo cho ECM t n ti. lp là sai s t bc 1 ti thi im t – 1.

233
 ® 234
 ®

Ví d: Lãi sut (kì hn 3 tháng) hàng tháng c a UK & Gi s' lãi sut ngn hn c a UK & US u là I(1).
US, coint2.wf1 B c 1: Phân tích  ng tích hp

B c 1: 3c lng h i quy  ng tích hp, kim  nh

 ng tích hp và lu li sai s c lng (xem 
trên).
rtUK = α + β rtUS + ε t
B c 2: S' dng sai s ã lu li  trên  c lng
mô hình ECM.

∆rtUK = δ + φ1∆rtUK UK
−1 + φ2 ∆rt − 2

+φ3∆rtUS US
−1 + φ4 ∆rt −1 + γε t −1 + ut
Sai s: cores 01 = rtUK − α − β rtUS

235
 ® 236
 ®

Kt qu kim  nh ADF cho sai s: Các giá tr ti hn i vi kim  nh  ng tích hp
vi h i quy hai bin là
1% -3.90, 5% -3.34, 10% -3.04

T chi H0: Sai s ~ I(1) & kt lun sai s CORES01

~ I(0)
→ Lãi sut UK & Lãi sut US là  ng tích hp.

→ thng kê kim  nh h i quy là – 4.08.

237
 ® 238
 ®

 c lng mi quan h ng tích hp B c 2: Xác  nh ECM & c lng ECM; ban u
th' vi  tr 2 c a ∆y & ∆x:
• Chúng ta c lng c mi quan h
 ng tích Kim  nh LM vi tng quan chu
i (tr 4): p-value = 0.112
hp sau: Kim  nh Reset: p-value = 0.534
Kim  nh ARCH LM (tr 4): p-value = 0.086
RtUK = 3.40 + 0.899 RtUS + et
• Trong dài hn, RtUK = 3.40 + 0.899 RtUS
• Mi quan h
này không cho chúng ta bit gì v
chiu nhân qu gi"a chúng; có th biu din RtUS
bên v trái.
• Véct  ng tích hp c lng c gi"a (RtUK
RtUS) là (1, - 0.899).

239
 ® 240
 ®

Loi b% nh"ng bin không có ý ngh$a:  c lng ECM

∆RtUK = 0.002–0.0.54(Rt-1UK–3.40–0.899Rt-1US)
+ 0.14∆Rt-1UK + 0.11∆Rt-2US + vt
vt là sai s.

• C h
s iu ch#nh & bin tr ∆RUK u có m(c ý
ngh$a cao. Bin tr ∆RUS gn có ý ngh$a.
• H
s iu ch#nh có ý ngh$a ch(ng minh s t n ti
c a ECM.
• ECM RUK bin ng  loi b% khong 5% s
mt cân b,ng gi"a RUK & RUS sau m
i quý.

241
 ® 242
 ®

8. ng tích hp ca nhi

u bin ng tích hp v i m bin

Nh ã nhc trên: V mt thng kê, vi m bin, m
i bin ∼ I(1), có th
Min là có (nhiu nht) 1 mi quan h
 ng tích hp, có ti m-1 mi quan h
 ng tích hp khác nhau.
thì kim  nh ADF i vi  ng tích hp có th áp Do vy, vi m = 2 bin, có th ch# có 1 mi quan h

dng cho nhiu hn 2 bin.  ng tích hp.

Vi m > 2 bin, phng pháp thng s' dng i vi
Các giá tr ti hn c a kim  nh  ng tích hp ADF  ng tích hp là phng pháp Johansen; ph(c tp hn
ph thuc vào s bin. nhiu so vi phng pháp Engle-Granger.
Bc th( nht c a phng pháp Johansen là xác  nh
Chú ý: Phng pháp 2 bc Engle-Granger ngm gi xem có bao nhiêu mi quan h
 ng tích hp t n ti
 nh có nhiu nht 1 véct  ng tích hp gi"a các gi"a m bin.
bin. Không xét phng pháp Johansen  khoá hc này.

243
 ® 244
 ®

Ví d v
ng tích hp nhi
u bin Phân tích Johansen hàm ý có 2 mi quan h
 ng tích
hp, c c lng nh sau;
m1t = – 0.023inflatt + 0.425gdpt – 0.028girt + 3.36
Mt khi các mi quan h
 ng tích hp c c
cirt = 0.041inflatt – 0.037gdpt + 1.017girt + 0.687
lng, chúng ta có th áp dng bc th( hai c a
phng pháp Engle-Granger  xác  nh ECM. Phng trình th( 1 c coi là cu tin trong dài hn;
Ví d t Verbeek, phn 9.6 (trang 299-301). Phng trình th( 2 c coi là phn thng r i ro trong
• 5 bin, s li
u theo quý c a US, tt c u là I(1): dài hn
- m1: cung tin thc (M1, log) • Mt s hàm ý:
- inflat: t# l
lm phát (% nm) H
s co dãn trong dài hn c a tin i vi GDP là 0,425.
- cir: lãi sut th trng Phn thng r i ro (cir – gir) liên quan n lm phát
- gdp: GDP thc t (log) (dng) & GDP (âm).
- gir: lãi sut trái phiu chính ph

245
 ® 246
 ®

ECM: 3c lng ma trn các h
s iu ch#nh

• Có 5 phng trình, m
i phng trình cho mt bin.

• M
i mt trong 2 s mt cân b,ng có th có mt

trong m
i phng trình → ma trn h
s iu ch#nh.

• Sai s t các mi quan h

 ng tích hp là:
ecm1t = m1t + 0.023inflatt
- 0.425gdpt + 0.028girt - 3.36
ecm2t = cirt - 0.041inflatt
+ 0.037gdpt - 1.017 girt - 0.687

247
 ® 248
 ®

Mt s hàm ý c a các h

s iu ch#nh
• * hàm ý bin ó có ý ngh$a  m(c 5%. Da trên m(c ý
ngh$a:
• Cu tin thay i  phn (ng li s mt cân b,ng c a cu
tin trong dài hn & phn thng r i ro;
• Lm phát & lãi sut th trng phn (ng li s mt cân
b,ng c a phn thng r i ro, nhng không phn (ng li s
mt cân b,ng c a cu tin;
• GDP phn (ng li s mt cân b,ng c a cu tin, nhng
không phn (ng li s mt cân b,ng c a phn thng r i
ro;
• Lãi sut trái phiu chính ph không phn (ng li s mt
cân b,ng nào.

249
 ®