Bai Giang Chuyen de 5

KHÓA BỒI DƯỠNG
VỀ DỰ BÁO SỬ DỤNG EVIEWS
HÀ NỘI – THÁNG 4 - 2011
NGUYEN THI MINH - KTQD - 1

KHOA TOAN KINH TE
CHƯƠNG TRÌNH
 TỔNG QUAN VỀ DỰ BÁO – HỒI QUY TRONG

EVIEWS
 MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN ĐƠN BIẾN
 MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN ĐA BIẾN –
MÔ HÌNH VAR - VECM

KHOA TOAN KINH TE
PHẦN 1: TỔNG QUAN VỀ DỰ BÁO-
HỒI QUY TRÊN EVIEWS

KHOA TOAN KINH TE
TỔNG QUAN VỀ DỰ BÁO
 Dự báo trong kinh tế:
 Một số kỹ thuật trong dự báo:
 Mô hình hồi quy
 Mô hình kinh tế lượng vĩ mô
 Mô hình CGE
 Mô hình dự báo chuỗi thời gian đơn biến
 Mô hình dự báo chuỗi thời gian đa biến

KHOA TOAN KINH TE
TỔNG QUAN VỀ DỰ BÁO
 Nguyên lý dự báo:
 Xét đoán hành vi trong quá khứ => dự báo
cho tương lai
 => yêu cầu về cấu trúc
 => yêu cầu về số liệu
 Yếu tố ngẫu nhiên
 Sai số trong dự báo
 Yêu cầu dự báo: ngắn hạn, trung hạn, dài hạn

KHOA TOAN KINH TE
PHẦN I: MÔ HÌNH CHUỖI THỜI
GIAN ĐƠN BIẾN
 I. SAN CHUỖI
 II. MÔ HÌNH ARIMA

KHOA TOAN KINH TE
CHUỖI THỜI GIAN
 Tần suất xuất hiện thấp (Low frequency):
 GDP
 Lạm phát, m,
 Tần số xuất hiện cao (high frequency):
 giá cổ phiếu
 giá dầu, vàng, đô la Mỹ trên thị trường quốc
tế
 .v

KHOA TOAN KINH TE
CHUỖI THỜI GIAN
20000
18000
16000
14000
12000
10000
8000
6000
4000
2000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65

KHOA TOAN KINH TE
CHUỖI THỜI GIAN
 Các thành phần của chuỗi xt
 Xu thế T
 Chu kỳ C
 Mùa vụ S
 Bất quy tắc I
 3 thành phần đầu được giả định là không thay đổi
theo thời gian
 Ý tưởng của san chuỗi:
 Từ số liệu quá khứ => ước tính các thành phần
  xây dựng chuỗi mới x*t

KHOA TOAN KINH TE
I. SAN CHUỖI
 Trung bình trượt (MA)

 Hiệu chỉnh mùa vụ sử dụng MA
 San mũ giản đơn
 San mũ Holt- Winter

KHOA TOAN KINH TE
1.SAN CHUỖI TRUNG BÌNH TRƯỢT(MA)
 Công thức:
x(t  k )  ...  x(t )  ..  x(t  k )

x *(t ) 
2k  1
 Ý tưởng: Tách thành phần I
 Sử dụng tốt với T và I
 Lệnh trong eviews:
 genr xnew=@movav(x(+k),2k+1)

KHOA TOAN KINH TE
MA3
18000
16000
14000
12000
10000
8000
6000
1995 1996 1997 1998 1999
GTSXCN MO4

KHOA TOAN KINH TE
MA12
18000
16000
14000
12000
10000
8000
6000
1995 1996 1997 1998 1999
MO12 GTSXCN

KHOA TOAN KINH TE
2. HIỆU CHỈNH MÙA VỤ (SA) SỬ DỤNG MA
 Tại sao SA:

 Tách được tác động của mùa vụ
 => nắm được bản chất của chuỗi số (peak,
trough, turning point, ..)
 => có thể so sánh các tháng (quý) liên tiếp
nhau
 SA: số liệu quý, tháng

KHOA TOAN KINH TE
3. SAN MŨ GIẢN ĐƠN
 Ý tưởng: vai trò giảm dần theo thời gian
 Không T, S
 Công thức:
x *(t )   x(t )   (1   ) x(t  1)  ..
x *(t )   x(t )  (1   ) x *(t  1)

KHOA TOAN KINH TE
4. SAN MŨ HOLT-WINTERS
 Từ số liệu quá khứ, xác định ra:
 thành phần xu thế
 thành phần mùa vụ
 => dự báo: thành lập chuỗi mới sử dụng 2
thành phần này

KHOA TOAN KINH TE
4.HOLT-WINTERS VỚI XU THẾ
 x*n = αxn+(1- α)Tn-1
 Tn= β(x*n-x*n-1)+(1- β)Tn-1
 Giá trị ban đầu: T2 = x2-x1; x*2=x2
 Dự báo:
 x*n+1 = x*n + Tn
 x*n+h = x*n + hTn
(số liệu: gtsx, gdp)

KHOA TOAN KINH TE
4. HOLT-WINTERS VỚI T VA S
Y*t = α(Yt/Ft-s) +(1- α)(Y*t-1+Tt-1)
Tt = β(Y*t – Y*t-1) +(1- β)Tt-1
Ft = λ Yt/Y*t-1 + (1- λ )Ft-s
Trong đó: F: chỉ số thời vụ, s: số thời kỳ trong
1 năm
 Dự báo: dự báo cho thời kỳ (n+h) với thời kỳ
hiện tại: n
 Y*(n+h) = (Y*n +h Tn)Fn+h-s với h =1,2,..s
 Y*(n+h) = (Y*n +h Tn)Fn+h-2s với h= s+1;..;
2s
 v.v
KHOA TOAN KINH TE
THỰC HÀNH TRÊN EVIEWS
THỰC HÀNH VỚI SỐ LIỆU gtsx

KHOA TOAN KINH TE
II. MÔ HÌNH ARMA
PHƯƠNG PHÁP BOX- JENKINS

KHOA TOAN KINH TE
MỘT SỐ KHÁI NIỆM
 Nhiễu trắng (white noise):
 E(εt) = 0 với mọi t
 Var(εt) = σ2 với mọi t
 cov(εt, εt-s) = 0 với mọi t ≠ s
 => sốc ngẫu nhiên
 ý nghĩa:

KHOA TOAN KINH TE
 Chuỗi dừng xt
 E(xt) = µ với mọi t
 Var(xt) = σ2 với mọi t
 cov(xt, xt-s) = γs với mọi t,s
 Chỉ quan tâm đến chuỗi dừng

KHOA TOAN KINH TE
CHUỖI TỰ HỒI QUY AR(1)
 Xét chuỗi có dạng:
 xt = a0 +a1xt-1+ εt
 Trong đó εt là nhiễu trắng
 Ý nghĩa: giá trị hôm nay bằng tổng có trọng
số của giá trị trong quá khứ và sốc ngẫu
nhiên
 Nếu biết chuỗi là dừng, có dạng AR(1) => có
thể ước lượng được ai => dự báo được cho xt

KHOA TOAN KINH TE
CHUỖI TỰ HỒI QUY AR(1)
 Ví dụ 1: xt = 1.5xt-1 + εt=>
xt = εt+1.5 εt-1+…+1.5k εt-k+…
 Ví dụ 2: xt = 1xt-1 + εt=>
 xt = εt+ εt-1+…+ εt-k+…
 Ví dụ 3: xt = 0.5xt-1 + εt
 => Với AR(1):
 |a1|<1: chuỗi dừng
 |a1|≥ 1: chuỗi không dừng

KHOA TOAN KINH TE
CHUỖI TỰ HỒI QUY AR(p)
 Chuỗi có dạng
 xt = a0 +a1xt-1+..+apxt-p + εt AR(p)
 εt : nhiễu trắng
 Ý nghĩa: giá trị hôm nay bằng tổng có trọng số
giá trị trong quá khứ và sốc ngẫu nhiên
 Các hệ số của chuỗi AR(p) cần thỏa mãn các
điều kiện để chuỗi là dừng.
 Nếu biết chuỗi là dừng AR(p), biết p, => có thể
ước lượng => dự báo

KHOA TOAN KINH TE
CHUỖI TRUNG BÌNH TRƯỢT MA(q)
 Chuỗi có dạng:
 xt = εt+a1εt-1 : MA(1)
 xt = εt+a1εt-1+..+aqεt-q MA(q)
 với εt: nhiễu trắng
 Ý nghĩa: là tổng có trọng số của các tác động
của các sốc ngẫu nhiên trong quá khứ
 Q: Chuỗi MA có dừng không?

KHOA TOAN KINH TE
CHUỖI TRUNG BÌNH TRƯỢT MA(q)
 MA(q) được gọi là khả nghịch nếu nó có thể
biểu diễn được dưới dạng AR
 Ví dụ:
 ut = εt+0.5εt-1
 ut = εt+0.5(ut-1 – 0.5 εt-2)
 ut = εt+ 0.5ut-1 – 0.52 ut-2+ ….
 là chuỗi khả nghịch

KHOA TOAN KINH TE
MÔ HÌNH ARMA(p,q)
 xt = a0+ a1xt-1+..+apxt-p + ut
 ut = b1 ε t-1+…+ bq εt-q+ εt
 Trong đó x là chuỗi dừng
 => nếu biết được p và q => có thể ước lượng
các hệ số và dự báo cho xt
 => Làm thế nào để xác định p, q?
 => Dựa vào ACF và PACF

KHOA TOAN KINH TE
MÔ HÌNH ARMA(p,q)
 Chuỗi có dạng:
 xt = a0 +a1xt-1+..+apxt-p + εt+b1εt-1+..+bqεt-q
 Tính dừng và khả nghịch:
 Dừng khi AR(p) dừng
 Khả nghịch khi MA(q) khả nghịch

KHOA TOAN KINH TE
 DƯỚI MỘT SỐ ĐIỀU KIỆN CƠ BẢN
MỘT CHUỖI DỪNG CÓ THỂ BIỂU DIỄN ĐƯỢC
DƯỚI DẠNG ARMA(P,Q) DỪNG, KHẢ NGHỊCH
VỚI P VÀ Q BÉ

KHOA TOAN KINH TE
HÀM TỰ TƯƠNG QUAN ACF
 Hàm có dạng:
ρs = γs/γ0
 Trong đó:
 γs= cov(xt, xt-s);
 γ0= var(xt);
 Ý nghĩa: Thể hiện mối tương quan giữa xt và xt-

KHOA TOAN KINH TE
ACF cho MA(q)
 MA(1): yt = b1εt-1 + εt;
cov(ytyt) = E((b1εt-1 + εt)(b1εt-1 + εt))=(1+b12) σ2
cov (ytyt-1) = E((b1εt-1 + εt)(b1εt-2 + εt-1))=b1 σ2
cov (ytyt-2) = E((b1εt-1 + εt)(b1εt-3 + εt-2))=0
=>
ρ0 = 1; ρ1 = b1/(1+b12); ρs = 0 với s>1
 MA(2): yt = b1εt-1 + b2εt-2 + εt => ρs =0 với s>2
 MA(q): ρs =0 với s>q

KHOA TOAN KINH TE
HÀM TỰ TƯƠNG QUAN RIÊNG PACF
 Ký hiệu: Φkk là hệ số tương quan giữa xt và xt-k
sau khi đã tách mối tương quan giữa xt-1, .., xt-
k+1 và xt

KHOA TOAN KINH TE
PACF CHO AR(p)
 PACF của AR(1):
 Φ11= ρ1
 Φ22=..= Φkk =..=0
 PACF của AR(2):
 Φ11= ρ1; Φ22 = (ρ2 – ρ21)/(1- ρ21)
 Φ33=..= Φkk =..=0
 PACF của AR(p):
 Φ(p+1)(p+1)=..= Φkk =..=0

KHOA TOAN KINH TE
ACF CHO AR(1)
Partial Autocorrelation (PACF)
0.5
0.4
0.3
0.2
0.1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.1
-0.2
-0.3

KHOA TOAN KINH TE
ACF CHO MA(1)
Autocorrelation (ACF)
0.3
0.25
0.2
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-0.05
-0.1
-0.15
-0.2
-0.25

KHOA TOAN KINH TE
ACF cho MA(q), PACF cho AR(p)
 MA(1):  AR(1):
 ρs = 0 với s>1  Φ1= ρ1
 MA(2):  Φ2=..= Φk =..=0
 ρs =0 với s>2  AR(2):
 MA(q):  Φ3=..= Φk =..=0
 ρs =0 với s>q  AR(p):
 Φp+1=..= Φk =..=0

KHOA TOAN KINH TE
PHƯƠNG PHÁP BOX-JENKINS (n>=50)
 B1: Định dạng mô hình
 Kiểm định tính dừng của chuỗi,
 Nếu chuỗi là không dừng=> biến đổi về chuỗi
dừng
 Xác định p và q
 B2: Ước lượng mô hình
 B3: Thẩm định mô hình
 B4: Dự báo

KHOA TOAN KINH TE
B1: Định dạng mô hình:
 Kiểm định tính dừng của chuỗi
 Nếu không dừng => biến đổi về chuỗi
dừng

KHOA TOAN KINH TE
KIỂM ĐỊNH TÍNH DỪNG CỦA CHUỖI
 Xét mô hình:
 xt = ρxt-1+ εt
 nếu |ρ|<1 => chuỗi là dừng =>
 việc kiểm định tính dừng chuyển về bài toán
kiểm định
 Kiểm định tính dừng:
 Kiểm định Dickey-Fuller
 H0: ρ =1; H1: ρ<1
 thực hiện: Δxt = (ρ-1)xt-1+ εt
 => kiểm định hệ số (ρ-1)<0?
KHOA TOAN KINH TE
KIỂM TRA TÍNH DỪNG CỦA CHUỖI
 Các lựa chọn khác:
 xt =a0+ ρxt-1+ εt
 xt = a0+ ρxt-1+ bt+ εt
 Kiểm định ADF:
 Δxt = (ρ-1)xt-1+b1Δxt-1+..+ bpΔxt-p + εt
 và lựa chọn tương ứng
 Q: khi thực hiện thì sử dụng lựa chọn nào?

KHOA TOAN KINH TE
B1: ĐỊNH DẠNG MÔ HÌNH
dừng

KHOA TOAN KINH TE
BIẾN ĐỔI THÀNH CHUỖI DỪNG
 3 nguồn chính làm dạng không dừng:
 xu thế tất định
 xu thế ngẫu nhiên
 yếu tố mùa vụ
 Dừng xu thế (tất định): xt = a0 + a1t + ut
 ước lượng mô hình trên OLS
 Lấy phần dư => được chuỗi dừng
 Dừng sai phân: (xu thế ngẫu nhiên) thường lấy
sai phân sẽ được chuỗi dừng. Chuỗi I(d)
KHOA TOAN KINH TE
BIẾN ĐỔI THÀNH CHUỖI DỪNG
 Yếu tố mùa vụ=>Thực hiện khử yếu tố mùa vụ
 x*t = xt – xt-4 ( hay x*t = (1-L4)xt )
 x*t = xt – xt-12 ( hay x*t = (1-L12)xt )
 Vừa mùa vụ vừa ngẫu nhiên:
 x*t = (1-L)(1-L4)xt chẳng hạn

KHOA TOAN KINH TE
B1: ĐỊNH DẠNG MÔ HÌNH
dừng

KHOA TOAN KINH TE
XÁC ĐỊNH P VÀ Q
 Dựa vào lược đồ ADF và PADF
 AR(1): PACF: bằng 0 từ bước 2, ACF: giảm
 AR(2): PACF bằng 0 từ bước 3 bước, ACF: giảm
 MA(1): ACF=0 từ k=2, PACF giảm
 MA(2): ACF=0 từ k=3, PACF giảm
 ARMA(p,q): ?
 Có thể có một số mô hình ứng viên khác nhau

KHOA TOAN KINH TE
B2. ƯỚC LƯỢNG MÔ HÌNH
 AR(p): xt  a0  ut
ut  1ut 1  ..   p ut  p   t
 ARMA(p,q): xt  a0  ut
ut  1ut1  ..   put p   t  1 t 1  ..   q t q
 ARMAX(p,q) với biến ngoại sinh

xt  a0  a1 zt  ut
ut  1ut 1  ..   p ut  p   t  1 t 1  ..   q  t  q
KHOA TOAN KINH TE
3. THẨM ĐỊNH MÔ HÌNH
 Kiểm tra tính khả nghịch, tính dừng của
chuỗi
 Kiểm định phần dư: phần dư phải là
nhiễu trắng
 Các tiêu chuẩn lựa chọn: => AIC, BIC,
hàm loglikelihood
 Kiểm tra khả năng dự báo của mô hình

KHOA TOAN KINH TE
KIỂM ĐỊNH PHẦN DƯ
 Xem xét lược đồ tương quan
 Kiểm định Q (Ljung-Box):
H0: không có ttq đến bậc K
K
1 2
Q( K )  T (T  2) rk
k 1 T  K
Trong đó: rk: hệ số tương quan mẫu bậc k

 Kiểm định LM

KHOA TOAN KINH TE
B3. THẨM ĐỊNH MÔ HÌNH
chuỗi
nhiễu trắng
hàm loglikelihood

KHOA TOAN KINH TE
CÁC TIÊU CHUẨN LỰA CHỌN
 Tiêu chuẩn AIC
 BIC
 Log likelihood

KHOA TOAN KINH TE
B3. THẨM ĐỊNH MÔ HÌNH
chuỗi
nhiễu trắng
hàm loglikelihood

KHOA TOAN KINH TE
DỰ BÁO TRONG MẪU
 Chọn một phần của mẫu
 Sử dụng để dự báo
 Đánh giá sai số
 Thực hiện trên eviews

KHOA TOAN KINH TE
ĐÁNH GIÁ SAI SỐ
 Xu thế nhiều khi không rõ => cần lựa chọn một số kỹ thuật
khác nhau để dự báo
 Tiêu chuẩn lựa chọn:
Sai số tuyệt đối (MAD):

| xt  xt* |
 n*
Sai số tuyệt đối phần trăm x x
| t
nxt
t
|100
Sai số trung bình bình

( xt  x ) * 2
phương (MSE)
 n t

KHOA TOAN KINH TE
4. DỰ BÁO
THỰC HÀNH VỚI CHUỖI SỐ LIỆU GIÁ (ARIMA)
SAI SỐ DỰ BÁO

KHOA TOAN KINH TE
CÂU HỎI THẢO LUẬN
 Khi nào nên sử dụng mô hình chuỗi thời gian
đơn biến

KHOA TOAN KINH TE
PHỤ LỤC – ACF CHO AR
 AR(1): yt = b1yt-1 + εt;
 yt  b12 yt  2  b1 t 1   t
yt  b13 yt 3  b12 t  2  b1 t 1   t

yt  b1k yt k  b1k 1 t k 1  ..  b1 t 1   t
 => cov(yj, εj+1) =..= cov(yj, εj+m)=0
 cov(ytyt-1)= E((b1yt-1+ εt)yt-1 )=b1σy2,=> γ1 = b1
 cov(yt,yt-k) = b1k σy2 => γk = b1k

KHOA TOAN KINH TE
PHỤ LỤC: SAI SỐ DỰ BÁO
 AR(1):
 yt+1 = ayt + εt+1 => yf = ayt
 yt+2 = a2yt + ayt+1 + εt+2 => yf = a2yt,..
 Dự báo:
 yft+1 = ayt
 yft+k = akyt
 Sai số:
 var|t(yt+1) = vart(ayt + εt+1) = σ2
 var|t(yt+k) = (1+a2+..+a2(k-1)) σ2

KHOA TOAN KINH TE
PHẦN II: MÔ HÌNH CHUỖI THỜI
GIAN ĐA BIẾN

KHOA TOAN KINH TE
I. MÔ HÌNH VAR (TỰ HỒI QUY
DẠNG VEC TƠ)

KHOA TOAN KINH TE
MÔ HÌNH VAR – VÍ DỤ
 Mô hình về lạm phát với nền kinh tế đóng
 LPt  a11  a12 LPt 1  a13 M t 1  a14GDPt 1  u1t


 M t  a21  a22 LPt 1  a23 M t 1  a14GDPt 1  u2t
GDP  a  a LP  a M  a GDP  u
 t 31 32 t 1 33 t 1 34 t 1 3t

KHOA TOAN KINH TE
MÔ HÌNH VAR
 Mô hình với hai biến, 1 bước trễ
y1t  b10  b11 y1(t 1)  b12 y2 (t 1)  e1t

y2 t  b20  b21 y1( t 1)  b22 y2( t 1)  e2 t
 Nhận xét:
 Vế phải của phương trình chỉ chứa biến trễ
 Có tính đối xứng

KHOA TOAN KINH TE
MÔ HÌNH VAR
 Dạng ma trận:
yt  B0  B1 yt 1  et
 Tổng quát
yt  B0  B1 yt1  ..  Bp yt p  et

KHOA TOAN KINH TE
ƯỚC LƯỢNG VAR

KHOA TOAN KINH TE
CÁC BƯỚC ƯỚC LƯỢNG VAR
 B1: kiểm định tính dừng của các biến, thực hiện
biến đổi đến khi được chuỗi dừng
 B2: Tìm bước trễ thích hợp: tiêu chuẩn LR, tiêu
chuẩn AIC, SBC
 B3: Kiểm định và lựa chọn mô hình
 Tính ổn định của mô hình (phụ lục A)
 Phần dư có phải là nhiễu trắng?
 Giản lược mô hình:
 Kiểm định Granger
 Chọn lựa mô hình
 B4: Phân tích và sử dụng kết quả (dự báo, hàm
phản ứng, phân rã phương sai)
KHOA TOAN KINH TE
B2: CHỌN ĐỘ DÀI TRỄ
 Ước lượng mô hình:

KHOA TOAN KINH TE
B2: CHỌN ĐỘ DÀI TRỄ
 View/Lag Structure/Lag length criteria

KHOA TOAN KINH TE
B3: KIỂM ĐỊNH VÀ GIẢN LƯỢC MÔ
HÌNH
 Mô hình có ổn định không :
 View/Lag Structure/AR root table
 Tất cả nghiệm đều nằm trong vòng tròn đơn
vị?
 Nhiễu có trắng không?

KHOA TOAN KINH TE
B3: KIỂM ĐỊNH VÀ GIẢN LƯỢC MÔ
HÌNH
 Có nên bỏ bớt một số biến/ trễ không?
 Lựa chọn mô hình:

KHOA TOAN KINH TE
DỰ BÁO
 Dự báo trong mẫu
 Dự báo ngoài mẫu

KHOA TOAN KINH TE
DỰ BÁO NGOÀI MẪU
 B1: Mở rộng kích thước mẫu cho

thời gian dự báo
 B2: Chuyển sang môi trường mô
hình
 B3: Ước lượng mô hình và Dự
báo

KHOA TOAN KINH TE
B1: MỞ RỘNG KÍCH THƯỚC MẪU
 Giả sử mẫu: 1990-2008, muốn dự báo cho
2009-2010
 Sửa kích thước mẫu như mong muốn

KHOA TOAN KINH TE
B2: CHUYỂN SANG MÔI TRƯỜNG MÔ HÌNH
 Thực hiện: sau khi ước lượng VAR

KHOA TOAN KINH TE
B3: DỰ BÁO
 Màn hình hiện:
 Chọn solve, => kết quả dự báo sẽ được ghi lại

y_0
KHOA TOAN KINH TE
DỰ BÁO TRONG MẪU
 Thực hiện tương tự như dự báo ngoài mẫu,
khác nhau ở việc lựa chọn mẫu để ước lượng

KHOA TOAN KINH TE
PHÂN TÍCH CƠ CHẾ TRUYỀN TẢI
SỐC
HÀM PHẢN ỨNG (IRF)

PHÂN RÃ CHOLESKY
PHÂN TÍCH PHƯƠNG SAI

KHOA TOAN KINH TE
 Q: Tác động của sốc chính sách
 Ф12(0), Ф12(1),.. ,Ф12(k), : tác động của cú sốc
1 đơn vị của biến y2 tại thời điểm t lên y1 sau
0, 1,.., k giai đoạn; ..
 => Фij(t): hàm phản ứng thể hiện tác động của
cú sốc 1 đơn vị của biến j lên biến i sau t giai
đoạn

KHOA TOAN KINH TE
VÍ DỤ VỀ HÀM PHẢN ỨNG
Response of D(GTSXCN94):
Period D(GTSXCN94) D(M2)
1.00 2618.95 0.00
2.00 -1773.48 356.79
3.00 51.03 -433.32
4.00 738.47 205.78
5.00 -510.83 0.70
KHOA TOAN KINH TE
VÍ DỤ VỀ HÀM PHẢN ỨNG
Response of D(GTSXCN94) to D(M2)
3000
2000
1000
-1000
-2000
-3000
1 2 3 4 5

KHOA TOAN KINH TE
PHÂN RÃ CHOLESKY

KHOA TOAN KINH TE
PHÂN RÃ PHƯƠNG SAI
THỰC HÀNH TRÊN EVIEWS- VAR1

KHOA TOAN KINH TE
XÂY DỰNG KỊCH BẢN PHÂN TÍCH
CHÍNH SÁCH SỬ DỤNG VAR

KHOA TOAN KINH TE
XÂY DỰNG KỊCH BẢN
 Q: Nếu biến điều khiển diễn biến A thì các biến
nội sinh sẽ như thế nào?
 => kịch bản 1: phá giá đồng tiền 5%
(scenario1)
 => kịch bản 2: giữ nguyên tỷ giá
(scenario2)

KHOA TOAN KINH TE
KHOA TOAN KINH TE
VÍ DỤ
 Nghĩa là:
Ф11(0) = 1; Ф11(1) =0.74, Ф11(2) = 0.588
Ф12(0) = 0, Ф12(1) = 0.2; Ф12(2) = 0.24
Ф21(0) = 0.7; Ф21(1) = 0.62; Ф21(2) = 0.52
Ф22(0) =1, Ф22(1) = 0.6; Ф22(1) = 0.4
 Ý nghĩa

KHOA TOAN KINH TE
 Q: Tác động của sốc chính sách lên các biến khác?
 => sử dụng phân tích IRF
 Thực hiện: Biểu diễn các biến phụ thuộc như một
hàm của các cú sốc (impulse)
 Xét hệ (1.2): yt = B0 + B1yt-1+ et , nếu hệ ổn định
=>
 
yt  ( I  B1  ..  B1n  ..) B0   B1i et i  y   B1i et i
i 0 i 0

KHOA TOAN KINH TE
 Mục đích: xem xét vai trò tác động của cú sốc
lên sai số dự báo
 Thực hiện như sau:  Từ (1.4)
yt  n     i  t n i
i 0
 Do đó giá trị dự báo  sau n bước là:

Et yt  n     i  t  n  i
i n
 Sai số dự báo
n 1
xt  n  Et xt  n   i  t  n i
i 0

KHOA TOAN KINH TE
 Chẳng hạn khi n = 1
yt1  Et yt 1  0 t 1
 Hay:y1, t 1  Et y1,t 1  11 (0) 1,t 1  12 (0) 2,t 1
y2, t 1  Et y2, t 1  21 (0)1,t 1  22 (0) 2, t 1
 Do đó phương sai của sai số dự báo là:

 12  11 (0) 2  21  12 (0) 2  22
 22  21 (0) 2  21   22 (0) 2  2 2

KHOA TOAN KINH TE
 Khi đó vai trò của mỗi cú sốc lên phương sai
của sai số dự báo được thể hiện trong các tỷ số
sau:
11 (0)2  21 12 (0) 2 21
;
11 (0)   1  12 (0)   2 11 (0)2  21  12 (0)2  22
2 2 2 2
21 (0) 2 21  22 (0) 2  21

;
21 (0)   1  22 (0)   2  21 (0) 2 21  22 (0) 2 22
2 2 2 2

KHOA TOAN KINH TE
Ví dụ
 Cho mô hình sau:
 y = 0.8 yt-1 +0.2 zt-1 + e1t
 zt = 0.2 yt-1 +0.8 zt-1 + e2t
 Giả sử e1t = εyt+ 0.5εZt, e2t = εzt, tìm hàm phản
ứng của y khi εyt sốc 1 đơn vị,
 Chuỗi y,z có dừng không?

KHOA TOAN KINH TE
THỰC HÀNH
 Số liệu: từ 2000m1-2008m1
 Biến số: core, grgdp, grm2/ grr1, grm2,
grtygia, grnhapkhau

KHOA TOAN KINH TE
PHỤ LỤC- ĐIỀU KIỆN ĐỂ VAR(1) ỔN ĐỊNH
 Xét VAR(1): xt = Axt-1 + et
 Xét hệ thuần nhất: xt = A xt-1
 xit= ci λt =>
 c1 λt = a11c1 λt-1 +..+a1kck λt-1
 ----------------------------------------------------
 ck λt = ak1c1 λt-1 +..+akkck λt-1
 Hệ này tương đương với:
 c1 (a11-λ) + a12c2 +..+a1kck =0
 ----------------------------------
 c1ak1 + a12c2 +..+(akk - λ )ck =0
KHOA TOAN KINH TE
PHỤ LỤC- ĐIỀU KIỆN ĐỂ VAR(1) ỔN ĐỊNH
 Để hệ có nghiệm không tầm thường thì định

thức của ma trận phải bằng 0.
 Mặt khác định thức này phải là hàm của λ:
a0(λ- λ1)…(λ- λk) = 0
 Với λ1,.., λk là các nghiệm riêng của ma trận
=>
=> xit = d1 λ1t+..+dkλkt
=> để hệ ổn định thì các λi (các nghiệm riêng
của ma trận A) phải nằm trong vòng tròn đơn
vị
KHOA TOAN KINH TE
ƯỚC LƯỢNG VECM
 B1: Định dạng mô hình
 Kiểm định tính đồng tích hợp
 Nếu chuỗi là không dừng=> biến đổi về chuỗi
dừng
 B2: Ước lượng mô hình
 B3: Thẩm định mô hình
 B4: Dự báo

KHOA TOAN KINH TE
 B1. Kiểm tra xem các biến có phải là CI(1)?
 B2. Chọn bước trễ/ Ước lượng mô hình với số
bước trễ đã chọn/ số quan hệ dài hạn
 B3. Kiểm định mô hình
 B4. Phân tích kết quả và dự báo
 B5.Phân tích hàm phản ứng/ phân rã phương
sai

KHOA TOAN KINH TE
MÔ HÌNH VECM

KHOA TOAN KINH TE
 Chỉ quan tâm đồng tích hợp CI(1)
 Ví dụ về chuỗi đồng tích hợp
xt = ayt+ε1t
yt= yt-1+ ε2t
Trong đó ε1, ε2 là nhiễu trắng và không tương
quan với nhau
x và y là đồng tích hợp (c/m?)

KHOA TOAN KINH TE
VÍ DỤ VÀ MỘT SỐ KHÁI NIỆM
 Tổng quát: x1;,..;xk là các chuỗi đồng tích hợp
CI(p,b):
 x1;,..;xk: I(p)
 tồn tại λ1,.., λk không đồng thời bằng 0 sao
cho:
λ1x1+..+ λkxk: I(p-b), b>0
 Lưu ý: nếu (λ1,.., λk) là một véc tơ đồng tích
hợp của tập các chuỗi {x1,..,xk} thì a.(λ1,.., λk)
cũng là một véc tơ đồng tích hợp của các chuỗi
{x1,..,xk} với a ≠ 0
 => chuẩn hóa NGUYEN THI MINH - KTQD - 98
KHOA TOAN KINH TE
 Số quan hệ đồng tích hợp của {x ,..,x } là số
 Đồng tích hợp và mối quan hệ cân bằng dài hạn:
mt   0  1 pt   2 gdpt  3rt  et
 Nếu lý thuyết về cầu tiền là đúng thì et phải là

chuỗi dừng, vì mọi sự khác biệt giữa cầu tiền thực
tế và cầu tiền ước lượng phải mang tính tạm thời
 Cơ chế hiệu chỉnh sai số:
 => khi các chuỗi sai lệch với đường cân bằng dài
hạn thì cơ chế này điều chỉnh làm nhỏ bớt sai lệch
này trong bước sau, để đảm bảo hệ thống trở về
mối cân bằng dài hạn
KHOA TOAN KINH TE
MÔ HÌNH VECM
 Xét mô hình VAR sau:
xt  a1 xt 1  a2 yt 1   1t
(2.1)
yt  b1 xt 1  b2 yt 1   2 t
 Mô hình trên tương đương với

 xt   a1  1 a2   xt 1   1t  (2.2)
     
 yt   b1 b2  1  yt 1    2 t 
 Dễ dàng c.m được nếu x, y là I(1) và ε là nhiễu

 a1  1 thìa2  có định thức bằng 0 (2.3)
trắng
 
 b1 b2  1 

KHOA TOAN KINH TE
MÔ HÌNH VECM
 Sử dụng (2.3), biến đổi (2.2) thành:
xt  xt 1  1 [ xt 1   yt 1 ]  1t
yt  yt 1   2 [ xt 1   yt 1 ]   2 t (2.4)
 (2.4): mô hình VECM giản đơn

 (1, β): véc tơ đồng tích hợp, trong đó β =
a2/(a1-1)
 α1, α2 : các hệ số hiệu chỉnh
 xt 1dạng
 Viết   ma 12   xt1    1t 
trận
   
11
 
 yt 1    21  22  yt 1    2 t 
KHOA TOAN KINH TE
NHẬN XÉT TỪ MÔ HÌNH VECM(2)
 Quan hệ giữa Π và đồng tích hợp
 Nếu các chuỗi là CI(1,1) thì hạng của ma trận
Π bằng 1
 Nếu hạng bằng 0 => các chuỗi là dừng
 Nếu hạng bằng 2 => các chuỗi là không đồng
tích hợp
 Nếu cả α1, α2 đều khác 0: 2 biến đều phản ứng
với sự sai lệch ra khỏi quan hệ cân bằng.Nếu có 1
trong chúng bằng 0: chỉ có 1 biến có phản ứng,
biến còn lại không phản ứng=> Granger trong mô
hình VECM đượcNGUYEN
phát biểu lại như sau:
THI MINH - KTQD - 102
KHOA TOAN KINH TE
GRANGER TRONG MÔ HÌNH VECM(2)
 Mô hình VECM tổng quát:
xt  1[ xt 1   yt 1 ]   11xt 1  ..   1 p xt  p  11yt 1  ..  1 p yt  p  1t

yt   2 [ xt 1   yt 1 ]   21xt 1  ..   2 p xt  p  21yt 1  ..  2 p yt  p   2t
 Nhân quả Granger trong mô hình VECM: x

được hiểu là không gây ra y theo nghĩa
Granger nếu giá trị trễ của Δx không có mặt
trong p.t của Δy, và y không phản ứng hiệu
chỉnh
KHOA TOAN KINH TE
CÁC THÀNH PHẦN CỦA MÔ HÌNH VECM
Quan hệ cân bằng dài hạn
xt  xt 1  1 [ xt 1   yt 1 ]  1t
yt  yt 1   2 [ xt 1   yt 1 ]   2 t
Hệ số hiệu chỉnh của x Hệ số hiệu chỉnh của y

KHOA TOAN KINH TE
PHỤ LỤC 5: MH VECM TỔNG QUÁT
 Xét mô hình VAR:
yt  B1 yt1  ...  Bp yt p   t
 Khi đó VECM có thể viết dưới dạng
yt  yt 1  M1yt 1  ...  M p 1yt p1  t
 Π = (- I + B1+..+Bp); M1 = (B2+..+Bp);…, Mp-1

= Bp
 rank(Π) = số q.h đồng tích hợp
 Khi rank(Π) = r => Πkxk = αkxr βkxr’, mà β’y =
I(0) NGUYEN THI MINH - KTQD - 105
KHOA TOAN KINH TE
QUAN HỆ GIỮA MA TRẬN Π VÀ Q.H Đ.T.H
 Rank = 0  Ma trận chỉ chứa các hệ
số bằng 0
 Không có quan hệ đồng
tích hợp,
 Mô hình VECM trở thành
VAR
của sai phân bậc nhất, x
 Rank = m
 Tất cả các hàng độc lập
tuyến tính, tồn tại Π-1
 Các x là I(0)
 VECM trở thành VAR
NGUYEN THI MINH - KTQD
- 106
KHOA TOAN KINH TE
QUAN HỆ GIỮA MA TRẬN Π VÀ Q.H Đ.T.H
 Rank = 1  Có duy nhất một quan hệ
đồng tích hợp
 Rank = r  Có r mối quan hệ đồng

tích hợp độc lập
xi I(1) => 0≤r <k;

xi:CI(1,1) => 0<r<k
Hạng của ma trận = số giá trị riêng khác 0 của ma trận

=> xét số nghiệm riêng của ma trận => kiểm định
Johansen NGUYEN THI MINH - KTQD - 107
KHOA TOAN KINH TE
PHỤ LỤC 5: KIỂM ĐỊNH JOHANSON
 Kiểm định vết (trace  Kiểm định dựa trên giá

test) trị riêng lớn nhất (max
 H0: r ≤ r0; H1: r >r0 eigenvalue test)
 H0: r = r0, H1: r =
n
r0+1
trace (r )  T  ln(1  i )
r 1 max (r, r  1)  T ln(1  i )
Các kiểm định này thực hiện theo thứ tự và dừng lại
khi H0 đầu tiên không bị bác bỏ

KHOA TOAN KINH TE
 B1. Kiểm tra xem các biến có phải là CI(1)?
 B2. Chọn bước trễ: thực hiện VAR cho I(1) để
chọn
 B3. Ước lượng mô hình với số bước trễ đã
chọn, xác định hạng của ma trận Π/ kiểm định
như trong VAR
 B4.Phân tích kết quả/ hệ số dài hạn/ hệ số
hiệu chỉnh
 B5.Phân tích hàm phản ứng/ phân rã phương
sai
KHOA TOAN KINH TE
Δy=αβ’yt-1+ εt Δy=α(β’yt-1+aB3
0)+ εt Δy=α(β’yt-1+a0)+b0c0+ εt
 Kiểm định về đồng tích hợp: k. định Johansen

 Có các lựa chọn tương ứng
Δy=α(β’yt-1+a0 +a1t)+b0NGUYEN
c0+ εTHI Δy=α(β’y
t MINH - +a0 +a1t)+b0 (c0+c
- KTQD t-1 1t)+ εt
110
KHOA TOAN KINH TE
B3
 Đọc kết quả kiểm định đồng tích hợp
 Ước lượng VECM
 Thực hiện các kiểm định:
 Kiểm định về phần dư:
 Tương quan chuỗi
 Phân phối chuẩn
 Phương sai không đổi
 Kiểm định Granger/ bớt trễ

KHOA TOAN KINH TE
PL1: VẤN ĐỀ ĐỊNH DẠNG CỦA SVAR
 Q: từ các hệ số của mô hình VAR dạng rút gọn

có suy ra được các tham số của SVAR?

KHOA TOAN KINH TE
 Mô hình (1.1) viết lại thành:
 1 a11   y1t   a10   a12 a13   y1t1   1t 
          
 a21 1   y2t   a20   a22 a23   y 2t1    2t 
 Do đó nếu 1- a11a12 ≠ 0 thì:

1 1 1
 y1t   1  a11   a10   1  a11   a12 a13  y1t 1   1 a11    1t 
 y    a            
 2t   21 1   a20   a21 1   a22 a23  y2t 1   a21 1    2t 
 y1t  1  1 a11   a10   1 a11   a12 a13  y1t 1   1 a11    1t 

   (1  a11a21 ) {          }
 y2t   a21 1   a20   a21 1   a22 a23  y2t1   a21 1    2t 

KHOA TOAN KINH TE
 Từ hệ trên và (1.2) =>
a10  a11a20 a21a10  a20 a12  a11a22
b10  ; b20  ;b11  ;
1  a11a21 1  a11a21 1  a11a21
a13  a11a23 a21a12  a22 a21a13  a23
b12  ; b21  ; b22 
1  a11a21 1  a11a21 1  a11a21
(1.3)
2 2
var(e1t )  (1  a11a21 )   (1  a11a21 ) a  2
2
1
2
11
2
var(e2t )  (1  a11a21 ) 2 a 2 21 21  (1  a11a21 ) 2  2 2

cov(e1t ; e2t )  (1  a11a21 )2 a21 21  (1  a11a21 ) 2 a11 22

KHOA TOAN KINH TE
 Khi ước lượng (1.2) sẽ thu được ước lượng của
9 tham số (?)
 Nhưng (1.1) có 10 tham số cần ước lượng:
không định dạng được => để mô hình là định
dạng được thì cần phải đưa thêm ràng buộc lên
mô hình
 Tùy bài toán mà đưa ra các ràng buộc thích
hợp

KHOA TOAN KINH TE
GIỚI THIỆU MÔ HÌNH

KHOA TOAN KINH TE
TÍNH KHẢ NGHỊCH CỦA CHUỖI MA*
 MA(1): xt = εt+0.1εt-1 =>
 εt=xt-0.1 εt-1; εt-1=xt-1-0.1 εt-2
 => xt = εt +0.1(xt-1-0.1 εt-2)=..
 = εt + 0.1xt-1 +..+(0.1)k xt-k +…=> khả
nghịch
 MA(1): xt = εt+εt-1
 => xt = εt+xt-1-xt-2+..+xt-(2k+1)-…=> không
khả nghịch

KHOA TOAN KINH TE
PHƯƠNG TRÌNH ĐẶC TRƯNG*
 Phương trình xt = a1xt-1 có phương trình đặc
trưng là: (λ-a1)= 0, có nghiệm là λ=a1
 xt = a1xt-1 + a2xt-2: (λ2 –a1λ-a2)= 0, có 2 nghiệm
 xt = a1xt-1 + ..+ apxt-p: (λp –a1λp-1-..-ap)= 0 có p
nghiệm
 Chuỗi AR dừng nếu các nghiệm đặc trưng của nó
nằm trong vòng tròn đơn vị
 Chuỗi MA khả nghịch nếu các nghiệm đặc trưng
của nó nằm trong vòng tròn đơn vị

KHOA TOAN KINH TE
KHOA TOAN KINH TE
MÔ HÌNH CHUỖI THỜI GIAN ĐƠN
BIẾN
 MÔ HÌNH VAR
 MÔ HÌNH VECM

KHOA TOAN KINH TE
GIỚI THIỆU
 Q:
 Một khách hàng sẽ trả nợ/ không
 Một công ty có bị phá sản hay không
 Người được phỏng vấn sẽ chấp nhận/không
 Một người sẽ quyết định sử dụng xe
buýt/không
 Một người khách có chọn mua hàng/ không
 Biến phụ thuộc là biến định tính
 Xét trường hợp có hai quyết định: có/không
KHOA TOAN KINH TE
GIỚI THIỆU
 Quan tâm:
pi = P( Yi = 1)
 Mục đích:
 Đánh giá xác suất rủi ro => x. đ mức lãi
suất hoặc các yêu cầu tương ứng
 Ước lượng số người dân tham gia một dịch
vụ
 v.v
 => 3 mô hình:
 Mô hình xác suất tuyến tính (hạn chế)
 Mô hình probit
 Mô hình logit
KHOA TOAN KINH TE
MÔ HÌNH PROBIT
 Dạng phi tuyến: pi = g(X1, X2,.., Xk)
 Giả sử: pi = F(a1+a2Xi) ( xem phụ lục 2)
 Trong đó: x
1 t /2
F ( x)  
2
e dt
 2
 Nhận xét:
 tác động phi tuyến của X lên xác suất
 pi nằm trong khoảng [0,1]
 Phương pháp u.l: ML (Phụ lục)
KHOA TOAN KINH TE
ĐỌC KẾT QUẢ ƯỚC LƯỢNG
 Từ các kết quả ước lượng tính được:

 Xác suất để Y = 1 khi X = X0 nào đó
pi = P(Y = 1| X=X0) = F(a1+a2X0)
 Ảnh hưởng biên của X đến P(Y = 1) tại X0
pi / X  a2 f (a1  a2 X 0 )

KHOA TOAN KINH TE
ĐỌC KẾT QUẢ ƯỚC LƯỢNG
 Ví dụ:
..\Baigiang\Econometrics\KTL2\logit_probit.csv
 Mô hình:
 p(Y=honor) = F(a1+ a2F +a3Math +a4read)
 Kết quả ước lượng

KHOA TOAN KINH TE
ĐÁNH GIÁ/ LỰA CHỌN MÔ HÌNH
 Kiểm định mô hình:
 linktest
 Kiểm định H-L
 Pearson test (khi m>>)
 Đánh giá mô hình
 Các tiêu chuẩn thông tin
 Mc Fadden R2?
 Bảng kỳ vọng - dự báo
 Thực hành: autorepair
KHOA TOAN KINH TE
ỨNG DỤNG CỦA MÔ HÌNH
 Tài chính:
 Bảo hiểm y tế: quyết định lựa chọn mua dịch
vụ
 Marketing: lựa chọn new brands
 Doanh nghiệp: quyết định lựa chọn ngân hàng
để giao dịch/ mở tài khoản
 Giao thông: quyết định lựa chọn phương tiện
giao thông, v.v

KHOA TOAN KINH TE
MỞ RỘNG
 Y có thể nhận nhiều giá trị:
 Đánh giá chất lượng dịch vụ: rất tốt – tốt –
bình thường – kém: mô hình probit có thứ
bậc
 Mua hàng màu: xanh, vàng, đỏ => mô hình
probit đa cấp

KHOA TOAN KINH TE
 The ROC curve plots the false positive rate on
the X axis and 1 - the false negative rate on
the Y axis. It shows the trade-off between the
two rates. If the area under the ROC curve is
close to 1, you have a very good test. If the
area is close to 0.5, you have a lousy test.
 0.50 to 0.75 = fair
 0.75 to 0.92 = good
 0.92 to 0.97 = very good
 0.97 to 1.00 = excellent.
KHOA TOAN KINH TE
 An ROC curve is a graphical representation of
the trade off between the false negative and
false positive rates for every possible cut off.
Equivalently, the ROC curve is the
representation of the tradeoffs between
sensitivity (Sn) and specificity (Sp).
 By tradition, the plot shows the false positive
rate on the X axis and 1 - the false negative
rate on the Y axis. You could also describe this
as a plot with 1-Sp on the X axis and Sn on the
Y axis. NGUYEN THI MINH - KTQD - 130
KHOA TOAN KINH TE
PHỤ LỤC: MÔ HÌNH LOGIT (1)
 Công thức sử dụng:
a1  a2 X 2 i .. ak X ki
e
pi 
1 e a a X 1 2 2i .. ak X ki
 Nhận xét:
 Đảm bảo 0<pi <=1
 pi là phi tuyến
 Ước lượng hợp lý tối đa (ML)

KHOA TOAN KINH TE
 Từ các kết quả ước lượng tính được:
 Xác suất để Y = 1 khi X = X0 nào đó
pi = P(Y = 1| X=X0) = exp( ˆ1  ˆ2 X 0 )
1  exp( ˆ  ˆ X )
1 2 0
 Ảnh hưởng biên của X đến P(Y = 1) bằng
pi / X  pi (1  pi ) 2
 Tác động biên mạnh nhất khi

KHOA TOAN KINH TE
 => xác suất để một người là có nhà khi thu
nhập = 20 là:
Exp(- 6.55+0.38x20)/[1+ Exp(-
6.55+0.38x20) ]= 0.74
 Khi lương tăng lên từ 20 lên 21 đơn vị thì xác
suất một người có nhà sẽ tăng lên:
 = 0.74x(1-0.74)x0.38 = 0.073

KHOA TOAN KINH TE
 odd ratio = pi/ (1 – pi)
 Ý nghĩa của tỷ số:
ea1 a2 X 2i ea1 a2 X 2 i

OR i  a1  a2 X 2 i
/ (1  a1  a2 X 2 i
)
(1  e ) (1  e )
ea1  a2 X 2 i 1  ea1  a2 X 2 i a1  a2 X 2 i
OR i   e
(1  ea1  a2 X 2 i ) 1
log iti  ln(OR i ) = a1  a2 X 2i

KHOA TOAN KINH TE
KHOA TOAN KINH TE
MÔ HÌNH PHÂN TÍCH SỐ LIỆU
MẢNG
 Phân tích – đánh giá tác động – dự báo

 Nhiều ưu việt

KHOA TOAN KINH TE
CÁC GIẢ THIẾT CỦA OLS
1. var(ui) = σ2 với mọi i (homoscedasticity)
2. cov(ui, uj) = 0 với i ≠ j (no autocorrelation)
3. Y: ngẫu nhiên, X không ngẫu nhiên =>
cov(X,u) = 0
4. Định dạng hàm đúng
5. ui ~N(0, σ2)
6. E(ui) = 0 (no systematic error)
7. Không có đa cộng tuyến hoàn hảo

KHOA TOAN KINH TE
KHÁI NIỆM
 5 hộ gia đình, thu nhập và chi tiêu trong 3 năm
Quan sát Id hộ năm Chi tiêu Thu nhập

1 1 2007 1.200 2.000
2 1 2008 1.400 2.100
3 1 2009 1.500 2.200
-- .. .. . .
13 5 2007 2.000 3.000
14 5 2008 2.100 3.500
15 5 2009 2.300 3.400

KHOA TOAN KINH TE
KHÁI NIỆM
 Số liệu mảng: cùng một tập đơn vị (N) (hộ gia
đình, doanh nghiệp, nền kinh tế) được quan sát
dọc theo một số thời điểm (T)
 Số liệu cân xứng: không bị mất quan sát ở giữa
 Kích thước của số liệu:
 N lớn, T nhỏ
 N nhỏ, T lớn
 N nhỏ, T nhỏ
 N lớn, T lớn
KHOA TOAN KINH TE
KHÁI NIỆM
 Số liệu mảng có thể có:
 Biến số nhận các giá trị khác nhau giữa các
đơn vị, nhưng với mỗi đơn vị thì không thay
đổi theo thời gian. (địa bàn hoạt động, năng
lực của CEO, giới tính, ..)
 Biến số nhận các giá trị khác nhau cho mỗi
thời kỳ, nhưng giống nhau giữa các đơn vị
(tỷ giá hối đoái, c.s kinh tế vĩ mô,..)
 Biến số thay đổi cả hai chiều: vốn, lao
động,,
KHOA TOAN KINH TE
ƯU VIỆT CỦA SỐ LIỆU MẢNG
 Xét ví dụ: Khi đánh giá các yếu tố ảnh hưởng đến năng
suất lao động
 => chọn ngẫu nhiên 20 thửa ruộng ở các tỉnh =>
hồi quy thu được:
NS^ = 4 – 0.5PB
 Q: Có thể tin tưởng kết quả trên không?
 A: chưa chắc:
 NS còn phụ thuộc vào độ phì nhiêu của đất, không quan
sát được.
 Chất lượng đất có tương quan với lượng PB
 => vấn đề về tương quan giữa X và u
KHOA TOAN KINH TE
KHI BÀI TOÁN CÓ BIẾN KHÔNG QUAN
SÁT ĐƯỢC MÀ CÓ TƯƠNG QUAN VỚI
BIẾN ĐỘC LẬP => CÁC UL OLS LÀ
KHÔNG ĐÁNG TIN CẬY

KHOA TOAN KINH TE
ƯU VIỆT CỦA SỐ LIỆU MẢNG
 Vấn đề thiếu biến không quan sát được
 Có thể thực hiện các nghiên cứu tinh vi,
phức tạp hơn: động thái của các đơn vị khác
nhau dọc theo thời gian,.v.v
 Nhiều số liệu=> suy diễn thống kê đáng tin
cậy hơn
 Đối với các nước đang phát triển, VN:
 Yếu tố vi mô v.s vĩ mô
 Thường giải quyết được vấn đề về đa cộng
tuyến cao trong chuỗi thời gian,v.v
KHOA TOAN KINH TE
MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNG
 Xét mô hình từ góc độ biến bị bỏ sót:
 không đổi theo i
 Không đổi theo t
 thay đổi theo cả t và i
 Chúng ta xét trường hợp thứ 1
 Mô hình có dạng:
Yit = a0 + β1X1it+..+ βkXkit + ci+ uit,
uit thỏa mãn giả thiết của OLS
ci: không quan sát được
KHOA TOAN KINH TE
MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNG
 Ký hiệu: vij = ci+uij
 Tùy thuộc vào bản chất của yếu tố ci, ta có 3
loại mô hình sau
 OLS gộp (POLS)
 Mô hình tác động cố định (FE)
 Mô hình tác động ngẫu nhiên (RE)

KHOA TOAN KINH TE
MÔ HÌNH OLS GỘP
 Nếu không có ci: trở về mô hình thông thường
 => OLS gộp: ul OLS cho toàn bộ quan sát
 OLS là tốt nhất (khi đó v thỏa mãn các giá
thiết OLS)

KHOA TOAN KINH TE
MÔ HÌNH TÁC ĐỘNG NGẪU NHIÊN
 Nếu tồn tại ci:

 Nếu ci không tương quan với X => v: sai số
ngẫu nhiên tổng hợp
 ssnn tổng hợp này không vi phạm giả thiết
3
 => mô hình tác động ngẫu nhiên

KHOA TOAN KINH TE
MÔ HÌNH TÁC ĐỘNG CỐ ĐỊNH
 Khi ci là có tương quan với X, khi đó cả FE và POLS

đều chệch
 => Không thể nhóm ci vào vij được
 => Sử dụng mô hình tác động cố định
 => các phương pháp xử lý ci khác nhau sẽ dẫn đến
các phương pháp ước lượng khác nhau:
 ước lượng dọc
 hồi quy với biến giả

KHOA TOAN KINH TE
FE VÀ RE
FE: RE
 Không đánh giá được tác  Tập quan sát phải mang
động của các yếu tố như: tính ngẫu nhiên
giới tính, năng lực, xuất  Gỉa thiết về sự không
phát điểm của địa tương quan giữa c và X
phương thường là quá chặt
 Không suy diễn được cho
các cá thể ngoài mẫu

KHOA TOAN KINH TE
LỰA CHỌN MÔ HÌNH
 Nếu biến bị bỏ sót là không đáng kể => POLS
là tốt nhất
 Nếu biến bị bỏ sót không tương quan với X =>
RE là hiệu quả hơn FE (nhưng phải giả thiết về
sự không tương quan giữa c và u)
 Nếu biến bị bỏ sót là tương quan với X thì RE là
chệch và không vững=> chọn FE
 Lựa chọn giữa POLS và RE: sử dụng xttest0
 Nếu RE được lựa chọn => sẽ chọn giữa FE hay
RE: Hausman
KHOA TOAN KINH TE
THỦ TỤC LỰA CHỌN MÔ HÌNH
RE
P>>
xttest0 POLS
FE
P>>
RE
Hausman
FE

KHOA TOAN KINH TE
MỘT SỐ LỆNH THÔNG DỤNG
1. xtset id time: khai báo số liệu dạng mảng
2. xtreg y x1 x2 xk, re : chạy mô hình r.e
3. xttest0: lựa chọn re và pols
4. xtreg y x1 x2 xk, fe
5. est store tdcd: lưu giữ kết quả vừa ước lượng
6. hausman tdcd: kiểm định lựa chọn re và fe
7. Thực hành trên stata với số liệu productivity

KHOA TOAN KINH TE
PHỤ LỤC: KIỂM ĐỊNH HAUSMAN
 Ý tưởng:
 Nếu ci và X là không tương quan=>
FE và RE: vững, RE hiệu quả hơn
 Nếu ci và X là tương quan=> RE không vững
 => nếu sự khác biệt giữa ULFE và ULRE quá
lớn thì là dấu hiệu của sự có tương quan =>
chọn FE

KHOA TOAN KINH TE
PHỤ LỤC: VỀ TÍNH TỰ TƯƠNG QUAN CỦA V
 vij = ci + uij; uij không tương quan, p.s không đổi

 => cov(vij; vis) = cov(ci + uij; ci + uis)=
 = var(ci) +cov(ci, uis) + cov(ci;uij) khi j ≠ s
 = var(ci) +var(uij)+cov(ci, uis) + cov(ci;uij) khi j =s
 Giá trị này nói chung là khác 0, ngay cả khi c va u
là không tương quan

KHOA TOAN KINH TE
GIỚI THIỆU
 Ứng dụng:
 Dự báo ngắn hạn
 Khi không có nhiều thông tin về các yếu tố
tác động
 Thường là các chuỗi số vĩ mô/ tài chính/
chứng khoán

KHOA TOAN KINH TE
PHỤ LỤC 4: CÁC TIÊU CHUẨN LỰA CHỌN TRỄ
 Kiểm định LR (likelihood ratio):
LR  (T  m)(ln  r  ln u ) ~  2 ( q)
m: tổng các hệ số trong mỗi p.t, q: tổng tất cả

ràng buộc
 Tiêu chuẩn
AIC  T ln   2 N
SBC  T ln   N ln T

KHOA TOAN KINH TE
VAR VÀ SVAR
 SVAR và VAR
y1t  a10  a11 y2 t  a12 y1( t 1)  a13 y2 (t 1)   1t
y2 t  a20  a21 y1t  a22 y1(t 1)  a23 y 2(t 1)   2 t
y1t  b10  b11 y1(t 1)  b12 y2 (t 1)  e1t

y2 t  b20  b21 y1( t 1)  b22 y2( t 1)  e2 t
 Vấn đề định dạng

KHOA TOAN KINH TE
VẤN ĐỀ ĐỊNH DẠNG CỦA SVAR
 Mô hình (1.1) viết lại thành:
 1 a11   y1t   a10   a12 a13   y1t1   1t 
          
 a21 1   y2t   a20   a22 a23   y 2t1    2t 
 Do đó nếu 1- a11a12 ≠ 0 thì:

1 1 1
 y1t   1  a11   a10   1  a11   a12 a13  y1t 1   1 a11    1t 
 y    a            
 2t   21 1   a20   a21 1   a22 a23  y2t 1   a21 1    2t 
 y1t  1  1 a11   a10   1 a11   a12 a13  y1t 1   1 a11    1t 

   (1  a11a21 ) {          }
 y2t   a21 1   a20   a21 1   a22 a23  y2t1   a21 1    2t 

KHOA TOAN KINH TE
QUAN HỆ GIỮA E VÀ ε
 Nếu (1.2) là định dạng được =>
 e1t  1 
1 a11   1t 
   (1  a11a21 )   
 e2t   a21 1   1t 

KHOA TOAN KINH TE
Nhận xét
 Mô hình: atheoretical
 Mô hình dự báo (ngắn hạn? trung hạn?)
 Phân tích cơ chế chuyền tải sốc giữa các
biến
 tác động của sốc của một biến lên các
biến khác theo thời gian
 vai trò tương đối của từng sốc đối với sai
số dự báo

KHOA TOAN KINH TE
PHÂN RÃ CHOLESKY
 Lựa chọn
 => Quay về bài toán định dạng:
 => chẳng hạn có thể giả sử rằng sốc trên biến y2t
không có ảnh hưởng tức thời đến y1t: a11 = 0 =>
 e1t   1 0   1 t 
   
 e2 t   a21 1    2t 
 => phân rã Cholesky

KHOA TOAN KINH TE
 Nhận xét: sốc lên một biến chính sách tác động lên
cả hệ thống, theo t
 Mục đích của phân tích IRF: tìm hiểu tác động của
các cú sốc lên các biến phụ thuộc trong mô hình
theo thời gian
 Thực hiện: Biểu diễn các biến phụ thuộc như một
hàm của các cú sốc (impulse)
 Xét hệ (1.2): yt = B0 + B1yt-1+ et , nếu hệ ổn định
=>  
yt  ( I  B1  ..  B1n  ..) B0   B1i et i  y   B1i et i
i 0 i 0
KHOA TOAN KINH TE
 Hay:
i
 y1t   y1    b11 b12   e1t i 
         
 y2 t   y2  i 0  b21 b22   2 t i 
e
a11    1,t i 
i
 y1  
 b11 b12   1
   (1  a11 a21 )  
1
  
 y2  i  0  b21 b22   a21 1    2,t i 
    1,t i 
i
 y1   ( i) (i )
     i 0 
 11 12
   (1.4)
 y2  
( i)
21

   2,t i 
(i )
22
 Từ p.t này có thể suy ra được tác động của các

cú sốc hệ thống lên từng biến số của mô hình
KHOA TOAN KINH TE
 Ý nghĩa của các hệ số trong (1.4)
 Ф11(0), Ф11(1),.. ,Ф11(k), : tác động của cú
sốc 1 đơn vị của biến y1 tại thời điểm t lên
chính nó sau 0, 1,.., k giai đoạn
 Ф12(0), Ф12(1),.. ,Ф12(k), : tác động của cú
sốc 1 đơn vị của biến y2 tại thời điểm t lên
y1 sau 0, 1,.., k giai đoạn; ..
 => Фij(t): hàm phản ứng thể hiện tác động của
cú sốc 1 đơn vị của biến j lên biến i sau t giai
đoạn
KHOA TOAN KINH TE
 Ф
 ij(0): nhân tử tác động (impact multiplier)
  
i 0
jk
(i)
: nhân tử dài hạn (long run
multiplier)
 Q: làm sao để tính được hàm phản ứng

KHOA TOAN KINH TE
PHÂN RÃ CHOLESKY
 Để biết được giá trị của các hàm này, cần có ước
lượng của các hệ số tạo nên Фij, nghĩa là các ai và
bi
 => Quay về bài toán định dạng:
 => chẳng hạn có thể giả sử rằng sốc trên biến y2t
không có ảnh hưởng tức thời đến y1t: a11 = 0 =>
 e1t   1 0   1 t 
   
 e2 t   a21 1    2t 
 => phân rã Cholesky

KHOA TOAN KINH TE
VÍ DỤ
 Xét hệ VAR dạng rút gọn với giá trị ước lượng:
yt  0.6 yt 1  0.2 zt 1  e1t  
2 2
1 2
zt  0.2 yt1  0.6 zt 1  e2t 12  0.7
 Sử dụng phân rã Cholesky, với giả thiết sốc lên

biến z không có tác động tức thời lên biến y,
nghĩa là a11 = 0
 Giải hệ phương trình (1.3) và với giả thiết a11
= 0:
a10 = a20 = 0; a11 =THI0,
NGUYEN
a - KTQD
MINH 12
=b-11 = 0.6, a13 = b167
12
= 0.2 KHOA TOAN KINH TE
VÍ DỤ
 => Khi đó ta có:
 1 0
 (0)   
 0.7 1 
 0.6 0.2   0.6 0.2   1 0   0.74 0.2 
B1    ;  (1)     
 0.2 0.6   0.2 0.6  0.7 1   0.62 0.6 
 0.4 0.24   0.4 0.24   1 0   0.588 0.24 
B1  
2
 ;  (2)     
 0.24 0.4   0.24 0.4  0.7 1   0.52 0.4 

KHOA TOAN KINH TE
VÍ DỤ VÀ MỘT SỐ KHÁI NIỆM
 Ví dụ: future price và spot price
 Cùng là I(1)
 Có xu hướng giống nhau => y(t) –x(t)?
 Định nghĩa: x1;,..;xk là các chuỗi đồng tích hợp
nếu:
 x1;,..;xk: I(1)
 tồn tại λ1,.., λk không đồng thời bằng 0 sao
cho:
λ1x1+..+ λkxk: I(0)
 Véc tơ (λ1,.., λkNGUYEN
): véc tơ -đồng
THI MINH KTQD - tích hợp của 169
KHOA TOAN KINH TE
(x ;,..; x )

Bai Giang Chuyen de 5

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bai Giang Chuyen de 5

Uploaded by

Copyright:

Available Formats

KHÓA BỒI DƯỠNG

VỀ DỰ BÁO SỬ DỤNG EVIEWS

HÀ NỘI – THÁNG 4 - 2011

NGUYEN THI MINH - KTQD - 1

 TỔNG QUAN VỀ DỰ BÁO – HỒI QUY TRONG

NGUYEN THI MINH - KTQD - 2

NGUYEN THI MINH - KTQD - 3

NGUYEN THI MINH - KTQD - 4

NGUYEN THI MINH - KTQD - 5

NGUYEN THI MINH - KTQD - 6

NGUYEN THI MINH - KTQD - 7

NGUYEN THI MINH - KTQD - 8

NGUYEN THI MINH - KTQD - 9

 Trung bình trượt (MA)

NGUYEN THI MINH - KTQD - 10

x(t  k )  ...  x(t )  ..  x(t  k )

NGUYEN THI MINH - KTQD - 11

NGUYEN THI MINH - KTQD - 12

NGUYEN THI MINH - KTQD - 13

 Tại sao SA:

NGUYEN THI MINH - KTQD - 14

x *(t )   x(t )   (1   ) x(t  1)  ..

x *(t )   x(t )  (1   ) x *(t  1)

NGUYEN THI MINH - KTQD - 15

NGUYEN THI MINH - KTQD - 16

NGUYEN THI MINH - KTQD - 17

THỰC HÀNH VỚI SỐ LIỆU gtsx

NGUYEN THI MINH - KTQD - 19

PHƯƠNG PHÁP BOX- JENKINS

NGUYEN THI MINH - KTQD - 20

NGUYEN THI MINH - KTQD - 21

NGUYEN THI MINH - KTQD - 22

NGUYEN THI MINH - KTQD - 23

NGUYEN THI MINH - KTQD - 24

NGUYEN THI MINH - KTQD - 25

NGUYEN THI MINH - KTQD - 26

NGUYEN THI MINH - KTQD - 27

NGUYEN THI MINH - KTQD - 28

NGUYEN THI MINH - KTQD - 29

NGUYEN THI MINH - KTQD - 30

NGUYEN THI MINH - KTQD - 31

NGUYEN THI MINH - KTQD - 32

NGUYEN THI MINH - KTQD - 33

NGUYEN THI MINH - KTQD - 34

NGUYEN THI MINH - KTQD - 35

NGUYEN THI MINH - KTQD - 36

NGUYEN THI MINH - KTQD - 37

NGUYEN THI MINH - KTQD - 38

NGUYEN THI MINH - KTQD - 39

NGUYEN THI MINH - KTQD - 41

NGUYEN THI MINH - KTQD - 42

NGUYEN THI MINH - KTQD - 44

NGUYEN THI MINH - KTQD - 45

NGUYEN THI MINH - KTQD - 46

 ARMAX(p,q) với biến ngoại sinh

NGUYEN THI MINH - KTQD - 48

Trong đó: rk: hệ số tương quan mẫu bậc k

NGUYEN THI MINH - KTQD - 49

NGUYEN THI MINH - KTQD - 50

NGUYEN THI MINH - KTQD - 51

NGUYEN THI MINH - KTQD - 52

NGUYEN THI MINH - KTQD - 53

Sai số tuyệt đối (MAD):

x (t )   x(t )  (1   ) x (t  1)