Professional Documents
Culture Documents
2 ®
CH 1:
1. Gi
i thiu chung
T ng quan v
chui thi gian Các thành phn ca mt chui thi 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. Chui dng ng (Stationary dynamic processes) theo chu kì kinh doanh
5. Chui (mô hình) t h
i quy bc 1 – AR(1) 3. Mùa v (seasonal): c trng theo tun, tháng,
6. Các chui t h
i quy tng quát – AR(p) hay quý
7. Chui 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. Chui không dng
3 ® 4 ®
280
Chuyn i s liu
240
Thay i tn sut c a chui thi gian:
200
- Thay i tn s c a mt chui thi gian: t tun
160
sang tháng, t tháng sang quý, t quý sang nm…
120
Khi gim tn sut c a mt chui 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 thc t: 280
S li
u thc t loi b% xu hng bin ng c a giá c.
240
200
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
5.2
4.6
LOG(CPI)
7 ® 8 ®
9 ® 10 ®
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 thi Thc 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 chui 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 chui 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 chui 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 chui s li
u này.
15 ® 16 ®
17 ® 18 ®
Trong phân tích chui thi gian, v c bn chúng ta 3. Nhiu trng (White noise)
c gng mô hình hoá bin yt
)ây là chui 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 ®
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
0.3
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
st – st-1 = ut -0.2
500 1000 1500 2000 2500
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 chui 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 chui 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 chui 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 chui 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 ®
27 ® 28 ®
5. Chui AR(1) 5
4
3
Hai ví d vi 1
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
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 chui: 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,…
31 ® 32 ®
Nu –1 < φ < 1, AR(1) có th c vit nh sau: Nu –1 < φ < 1, Chui AR(1) là dng:
yt = (1 + φ+ φ2 + φ3 + …)β+ • Khi ó nh va thy trên E(yt) = β/(1 - φ);
Ly kì vng hai v, • Phng sai, ng phng sai & t tng quan c&ng
33 ® 34 ®
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 chui 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 ®
......
• 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 chui AR(p) tng quát có dng sau:
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut
vi ut là nhiu trng.
41 ® 42 ®
Chui AR(p) dng Trung bình
)iu ki
n chui AR(p): yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut
yt = β + φ1yt-1 + φ2yt-2 + …+ φpyt-p + ut Gi nh chui 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
Chui này có tính dng.
43 ® 44 ®
45 ® 46 ®
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…
49 ® 50 ®
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 thc c a mô hình và anh ta bt
u c lng mô hình AR(4) vi chui s li
u trên.
Sau ó anh ta s* s' dng các cách la chn c a mình
la chn mô hình chính xác.
53 ® 54 ®
Kt qu c lng Kim nh s tng quan chui c a sai s c lg
55 ® 56 ®
57 ® 58 ®
59 ® 60 ®
PACF (Partial Autocorrelation Function) Ví d vi chui 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 thc 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 chui yt r
i chn View/Correlogram
PAC c a mt chui AR(p) s* ct (t tr p.
61 ® 62 ®
63 ® 64 ®
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]. La chn trong nh"ng mô hình này La chn bc tr p ti thiu hoá các ch# tiêu này.
mt mô hình phù hp nht da 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 ®
)ây c&ng là giá tr d báo c a chui 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?
chui
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 ®
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 chui 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 ®
= 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 hành vi c a hai chui 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 chui MA(q) là h
s Var [ yt ] = 1 + θi2 σ 2
i =1
tng quan c a nó không gim dn v 0 nh chui 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 chui 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 ®
YT
Nguyên tc la chn tr q: Da 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 chui 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
85 ® 86 ®
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
91 ® 92 ®
93 ® 94 ®
95 ® 96 ®
ACF và PACF ca mô hình ARMA Bài t%p thc hành:
• 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 ®
Nh li r,ng, mt chui 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
Chui là không dng nu bt kì iu ki
n trên b vi
phm. 11
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 chui 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
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
Nhiu chui s thi gian trong kinh t và tài chính là Chui tích hp là chui 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.
Tng quát hn vi chui 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 chui 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 Chui 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 chui AR(1) dng. tích hp b%c 0: yt ∼ I(0).
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 chui AR(1) là dng hay
Chui 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 – chui không dng
Trng hp |φ| > 1 không thng xuyên xut hi
n HA yt ~ I(0) – chui dng
trong kinh t nên chúng ta không xem xét k$ thêm
chui này. )ây là kim nh mt phía - ch# t chi H0 nu φˆ nh'
hn 1.
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
Nu chúng ta a xu hng thi gian vào thì theo H0 Ví d: Ch# s th trng ch(ng khoán S&P500 theo
chui 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 chui AR(1) dng, vi xu hng thi S&P500
1600.00
gian. 1400.00
1200.00
thi gian, thì xu hng ph!i c a vào khi thc 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
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.
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 chui này th nào?
các sách kinh t lng, các chng trình máy tính có
th hi khác.
Vi chui 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 la 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 la 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.
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
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
chui 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.
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 ]
(EVIEWS:
Regression Window/View/Residual
Tests/ARCH LM Test)
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.
Bài t%p thc hành: • La 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 chui. Bn phi kt hp các
cung tin (m2), ch# s giá tiêu dùng (cpi), sn lng tiêu chí la 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 chui và
• V* hình cho mi chui s li
u này, nhn xét xem
tin hành d báo cho 3 tháng tip theo.
chui có xu hng theo thi gian hay không.
• Tin hành kim nh ADF thích hp (có xu hng
nghi
m n v .
1. Gii thi
u v mô hình VAR Mô hình xem xét nhiu chui 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
Mc ích c a mô hình VAR là: Ví d: Mô hình VAR(1) v
i hai bin
• Xây dng 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 thc 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)
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. • Mi 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, mi
bin xut hi
n vi mi tr tt c các phng
trình.
• Vi mô hình VAR(p) có m bin, s* có m2 các h
s
mi tr; mô hình VAR có rt nhiu h
s!
• 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, mi 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 la chn sao cho không có s t trình ln dng ma trn.
tng quan gi"a các sai s c lng.
2. Véct nhiu trng véct sau s ngu nhiên c xác nh nh sau:
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 thc 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.
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 la chn s' dng các
kim nh gi thuyt.
Chúng ta s' dng các tiêu chí la chn AIC & SIC –
xem ví d.
• Có nhiu ch# tiêu la chn c s' dng xác nh Các ch# tiêu la 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 la chn
mt tr ln s* không có hi gì.
• Các ch# tiêu la 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)!
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 thc 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.
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 thc 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
.
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 da 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.
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.
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 chui 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).
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 chui I(1), chúng có v6 nh liên quan vi
nhau nhng thc cht thì không.
Thc 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 chui I(1) không liên
c gi là
ng tích hp. S kt hp tuyn tính này quan vi nhau c gi là hi quy gi!.
là bin cn c a vào (1’) và (1”).
Ví d: x & y là không liên quan vi nhau; c to ra
Chúng ta s* quay li mô hình VAR sau. 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.
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
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 chui bin ng cùng nhau
trong ngn hn mà b% qua mi quan h
dài hn. theo thi gian, do vy các chui 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.
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.
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?
5. Véct ng tích hp Véct ng tích hp c c lng bi OLS.
) 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.
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.
∆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
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
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 chui (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).
∆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 mi quý.
Nh ã nhc trên: V mt thng kê, vi m bin, mi 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
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 thc (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 thc t (log) (dng) & GDP (âm).
- gir: lãi sut trái phiu chính ph
249 ®