CHƯƠNG 5: MÔ HÌNH HỒI QUY VỚI DỮ LIỆU CHUỖI THỜI GIAN

I/KHÁI NIỆM
- Dữ liệu chuỗi thời gian (Time series) là dữ liệu được thu thập trên biến
quan sát theo thời gian (Yt) (giây, phút, giờ, ngày, tháng, quý, năm,...)
(t=1, 2, ..., T) (chỉ trên 1 phần tử)
- Mục đích: Tìm hiểu hành vi, khuôn mẫu trong quá khứ của biến Yt và
sử dụng thông tin này để dự đoán những thay đổi trong tương lai.
II/ PHÂN LOẠI
1.Mô hình ngoại suy ( xu thế ) đơn giản
- Đây là dạng mô hình mà biến Yt chỉ phụ thuộc vào thời gian (t).
Note: Trong thực tế, các dạng mô hình chuỗi thời gian đã được phát triển nhiều hơn 1
biến Yt, bao gồm các biến giải thích như Zt, Kt, Rt,...
2. Mô hình xu thế tuyến tính
- Nếu như Yt tăng lên một lượng không đổi qua mỗi đơn vị thời gian (t) thì
Yt có thể được biểu diễn dưới dạng hàm tuyến tính của t
Yt =f(t) = β1 + β2t + ut
- Nhận dạng: Nếu t và Yt tăng theo cấp số cộng, xu thế có dạng tuyến tính
3.Mô hình xu thế bậc hai
Yt =f(t)= β1 + β2t+ β3t2 + ut
Case 1. Nếu β2 , β3 đều dương thì Yt luôn tăng
Case 2. Nếu β2 <0 , β3 >0 thì Yt giảm lúc ban đầu sau đó sẽ tăng
Notes: Mở rộng của hàm xu thế bậc 2 là hàm xu thế bậc 3
Yt =f(t)= β1 + β2t+ β3t2 + β4t3 + ut
- Nhận dạng: Nếu t tăng đều, sai phân bậc p của Yt là hằng số, xu thế có dạng đa thức
bậc p:
4.Mô hình xu thế dạng mũ(hàm tăng trưởng)
- Nếu giả định rằng sau mỗi đơn vị thời gian thì Yt tăng lên với số %
không đổi, khi đó có thể dùng hàm dạng mũ sau để biểu diễn mối liên hệ
này
Yt =f(t) = α*ert
Mô hình này được ước lượng bằng cách biến đổi về dạng log –log như
sau:
Ln(Yt ) = Ln(α) + r Ln(t) + ut
- Nhận dạng:
+ Nếu t tăng theo cấp số cộng, Yt tăng theo cấp số nhân, xu thế có dạng hàm mũ
+ Nếu log(t) và log(Y) có quan hệ tuyến tính, xu thế có dạng hàm mũ
Notes. Có thể mô hình dạng log-log này sẽ được tìm hiểu ở các dạng bán
log như:
+ Case 1: Ln(Yt ) = α + r*t + ut
 + Case 2: Yt = α + rLn(t) + ut
5.Mô hình xu thế dạng Logistic
- Là dạng mô hình dùng để mô tả sự biến đổi của biến số có tiệm cận trên
hoặc tiệm cận dưới hoặc có cả hai tiệm cận.

*Trong đó
a là tiệm cận dưới
k là tiệm cận trên
c là tham số phụ thuộc vào giá trị ban đầu của Y
β là tỷ lệ tăng trưởng.
- Nhận dạng: Nếu t tăng theo cấp số cộng, sai phân bậc nhất của Yt giảm đều, xu thế
có dạng Hypebole
*Lưu ý:
- Việc nhận dạng mô hình xu thế rơi vào dạng tăng trưởng, logistic, tuyến tính, bậc 2
hay bậc 3 thường được xác định 1 trong 2 khía cạnh sau:
+ Opt 1: Kế thừa từ các nghiên cứu trước đó
+ Opt 2: Dựa vào đồ thị chỉ ra mối quan hệ của Y(t) và t.
III/ Các giả thuyết của mô hình xu thế theo phương pháp OLS
Giả thiết 1.Giá trị trung bình của sai số ngẫu nhiên (SSNN) bằng 0,nghĩa là: E(u) = 0
Note: Nếu E(u) ≠0 thì vẫn tốt, không có vấn đề gì và ước lượng, kiểm định các hệ số
vẫn chính xác.
Giả thiết 2. Phương sai của các SSNN bằng nhau, nghĩa là:
Var(u) = σ2
Note: Kiểm định bằng white test
Giả thiết 3. Các SSNN không tương quan với nhau, Cov(ui , uj ) = 0
Note: Kiểm định bằng BG
⇒ Nếu một trong 3 giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc
sẽ không còn chính xác nữa vì các hệ số độ dốc ước lượng bị chệch.
IV/Ước lượng và Kiểm định các dạng hàm xu thế
- Đầu tiên cần khai báo trên stata đây là biến chuỗi thời gian trước khi chạy hồi quy,
ước lượng,kiểm định hay các thao khác cho mô mô hình chuỗi thời gian.
- Cách ước lượng và kiểm định làm tương tư như các chương khác.
V/Dự báo
- Với dữ liệu chuỗi thời gian, dự báo đóng một vai trò khá quan trọng, có 03 dạng dự
báo tương tự như hồi quy với dữ liệu chéo
Lưu ý: Giá trị của biến giải thích X dùng để dự báo có thể là một giá trị
không thuộc các giá trị đã khảo sát trên mẫu
1.Dự báo điểm cho giá trị trung bình của biến phụ thuộc (Y)
- Sau khi khai báo và chạy hồi quy, ta nhập lệnh:
predict y_hat
2.Dự báo khoảng cho giá trị trung bình của biến phụ thuộc (Y) với độ tin cậy γ.
- Sau khi khai báo và chạy hồi quy, ta nhập lệnh:
. predict y_hat
. predict se_y, stdp
𝑛−2
. gen LO_linear = y_hat - 𝑡𝑎/2 *se_y
𝑛−2
. gen UP_linear = y_hat + 𝑡𝑎/2 *se_y
3.Dự báo khoảng cho giá trị cụ thể của biến phụ thuộc (Y) với độ tin cậy γ.
- Sau khi khai báo và chạy hồi quy, ta nhập lệnh:
. predict se_y1, stdf
𝑛−2
. gen LO_linear1 = y_hat -𝑡𝑎/2 *se_y1
𝑛−2
. gen UP_linear1 = y_hat + 𝑡𝑎/2 *se_y1
VI/ Kiểm định các hàm xu thế
1.Kiểm định tính có ý nghĩa của mô hình

Cách 1:

Cách 2: Dùng p-value

+ Nếu p-value<α ⇒ Bác bỏ H0 ⇒ Mô hình phù hợp với mức ý nghĩa α
+ Nếu p-value>α ⇒ Chấp nhận H0 ⇒ Mô hình không phù hợp với mức ý nghĩa
α
2.Kiểm định tính có ý nghĩa của các hệ số hồi quy
Cách 1: Dùng giá trị kiểm định
β𝑗
T0=
𝑆𝑒(β𝑗)
𝑛−2 𝑛−2
+ T0 ∉( - 𝑡𝑎/2 ;𝑡𝑎/2 ) ⇒ Bác bỏ H0 ⇒ Biến Bj thực sự có ý nghĩa trong mô hình
𝑛−2 𝑛−2
+ T0 ϵ( - 𝑡𝑎/2 ;𝑡𝑎/2 ) ⇒ Chấp nhận H0 ⇒ Biến Bj thực sự không có ý nghĩa trong mô
hình
Cách 2: Dùng p-value
+ Nếu p-value<α ⇒ Bác bỏ H0 ⇒ Biến Bj thực sự có ý nghĩa trong mô hình
+ Nếu p-value>α ⇒ Chấp nhận H0 ⇒ Biến Bj thực sự không có ý nghĩa trong
mô hình
VII/ Cách cài dữ liệu thời gian theo ngày, tháng và quý trên stata
1 Theo ngày
-Cú pháp
gen [tên biến]= td(mốc thời gian theo ngày) + _n-1
format %td [tên biến]
2.Theo tháng
-Cú pháp
gen [tên biến]= tm(mốc thời gian theo tháng) + _n-1
format %tm [tên biến]
3.Theo quý
-Cú pháp
gen [tên biến] = tq(mốc thi gian theo quý ) + _n-1
format %tq [tên biến]
Lưu ý:
- Dù có định dạng theo ngày,tháng, quý hay năm thì khi chạy hồi quy, hệ số đứng
trước biến giải thích t đều giống nhau chỉ khác hệ số tự do.