MÔ HÌNH TỰ HỒI QUY VECTOR VAR - MÔ HÌNH VETOR HIỆU CHỈNH SAI SỐ VECM

Như chúng ta biết, mối quan hệ giữa các biến số kinh tế không đơn thuần chỉtheo một chiều, biến độc lập (biến giải thích) ảnh hưởng lên biến phụ thuộc màtrong nhiều trường hợp nó còn có ảnh hưởng ngược lại.
Nội dung trích xuất từ tài liệu:
MÔ HÌNH TỰ HỒI QUY VECTOR VAR - MÔ HÌNH VETOR HIỆU CHỈNH SAI SỐ VECMMÔ HÌNH TỰ HỒI QUY VECTOR VAR - MÔ HÌNH VETOR HIỆU CHỈNH SAI SỐ VECMI- TỰ HỒI QUY VECTO (VAR)Như chúng ta biết, mối quan hệ giữa các biến số kinh tế không đ ơn thuần chỉtheo một chiều, biến độc lập (biến giải thích) ảnh hưởng lên biến phụ thuộc màtrong nhiều trường hợp nó còn có ảnh hưởng ngược lại. Do đó mà ta phải xétảnh hưởng qua lại giữa các biến này cùng một lúc. Chính vì thế mô hình kinh tếlượng mà ta phải xét đến không phải là mô hình một phương trình mà là mô hìnhnhiều phương trình.Tuy nhiên, để ước lượng được các mô hình này ta phải đảm bảo r ằng cácphương trình trong hệ được định dạng, một số biến được coi là nội sinh (biếnmà giá trị được xác định bởi mô hình, là biến ngẫu nhiên) và một số biến khácđược coi là ngoại sinh hay đã xác định trước (ngoại sinh cộng với nội sinh tr ễ).Việc định dạng này thường được thực hiện bằng cách giả thiết rằng một sốbiến được xác định trước chỉ có mặt trong một số phương trình. Quyết định nàythường mang tính chủ quan và đã bị Chrishtopher Sims chỉ trích. Theo Sims, nếutồn tại mối quan hệ đồng thời giữa một số biến thì các biến này phải đ ược xétcó vai trò như nhau, tức là tất cả các biến xét đến đều là biến nội sinh. Dựa trêntinh thần đó mà Sims đã xây dựng mô hình vector tự hồi quy Var.1. Khái niệmMô hình Var về cấu trúc gồm nhiều phương trình (mô hình hệ phương trình) vàcó các trễ của các biến số. Var là mô hình động của một số biến thời gian.Ta xét hai chuỗi thời gian Y1 và Y2. Mô hình Var tổng quát đối với Y1 và Y2 códạng sau đây:Trong mô hình trên, mỗi phương trình đều chứa p trễ của mỗi biến. Với hai biếnmô hình có 22p hệ số góc và 2 hệ số chặn. Vậy trong trường hợp tổng quát nếumô hình có k biến thì sẽ có k2p hệ số góc và k hệ số chặn, khi k càng lớn thì sốhệ số phải ước lượng càng tăng.2. Một số vấn đề trong xây dựng mô hình Var:Bên cạnh những ưu điểm nổi trội của mô hình Var : không cần xác định biến nàolà biến nội sinh và biến nào là biến ngoại sinh hay là ta có thể sử dụng phươngpháp OLS cho từng phương trình riêng rẽ thì mô hình Var còn vướng phải một sốhạn chế: Do trọng tâm mô hình được đặt vào dự báo nên Var ít phù hợp cho phân tích- chính sách. Và khi xét đến mô hình Var ta còn phải xét đến tính dừng của các bi ến trong- mô hình. Yêu cầu đặt ra khi ta ước lượng mô hình Var là tất cả các biến phải dừng, nếu trong trường hợp các biến này chưa dừng thì ta phải lấy sai phân để đảm bảo chuỗi dừng. Càng khó khăn hơn nữa nếu một hỗn hợp chứa các biến có tính dừng và các biến không có tính dừng thì việc biến đổi d ữ li ệu không phải là việc dễ dàng. Khó khăn trong việc lựa chọn khoảng trễ thích hợp. Giả sử mô hình Var bạn- đang xét có ba biến và mỗi biến sẽ có 8 trễ đưa vào từng phương trình. Nh ư xem xét ở trên thì số hệ số mà bạn phải ước lượng là 3 2.8+3=75. Và nếu ta tăng số biến và số trễ đưa vào mỗi phương trình thì số hệ số mà ta phải ước lượng sẽ khá lớn. Ngoài ra, khó khăn trong việc lựa chọn khoảng trễ còn được thể hiện ở chỗ nếu ta tăng độ dài của trễ sẽ làm cho bậc tự do giảm, do vậy mà ảnh hưởng đến chất lượng các ước lượng.3. Phương pháp ước lượng mô hình Var: Xét tính dừng của các biến trong mô hình. Nếu chưa dừng thì sử dụng kỹ- thuật lấy sai phân để đưa về các chuỗi dừng. Lựa chọn khoảng trễ phù hợp.- Xem xét mức độ phù hợp của mô hình chạy ra (bằng việc kiểm định tính- dừng của phần dư. Nếu phần dư của mô hình dừng thì mô hình nhận được phù hợp với chuỗi thời gian và ngược lại So sánh các mô hình phù hợp và lựa chọn mô hình phù hợp nhất.-Ví dụ ta chạy mô hình Var cho chuỗi số liệu về tiêu dùng (CS) và thu nhập sauthuế (Y) trong thời kỳ quý I/1974 – IV/1984 của Anh. ( File dữ liệu đính kèm)Trước tiên ta kiểm định tính dừng đối với 2 chuỗi dữ liệu CS và Y ta thấy:Theo kiểm định Dickey-Fuller thì chuỗi CS là chuỗi dừng (giá trị |t| = 5,599 lớnhơn các giá trị thống kê tương ứng ở cả 3 mức ý nghĩa 1%, 3% và 5%)Chạy tương tương tự đối với chuỗi yChuỗi y là chuỗi không dừng. Và khi lấy sai phân cho chuỗi này thì ta nhận đượcmột chuỗi dừng.Khi đã có hai chuỗi dừng CS và d(Y) ta tiến hành chạy ước lượng theo mô hìnhVar, với trễ 1-2,4 (lưu ý cách viết trễ trong mô hình Var phải theo khoảng, tức làkhi nhập trễ vào ô, bạn phải nhập tương ứng là 1 2 4 4)Sau khi đã ước lượng được mô hình ta sẽ xem xét tính phù hợp của mô hình đ ốivới chuỗi dữ liệu bằng cách kiểm định tính dừng của các phần dư. Nếu phần dưdừng thì mô hình nhận được là phù hợp và ngược lại.Kiểm định tính dừng phần dư của CS ta thấy phần dư này dừng. Tương tự đ ốivới phần dư của d(y) ta cũng được kết quả phần dư này dừng. Vậy mô hình tachạy ra là hoàn toàn phù hợp với chuỗi dữ liệu.II- MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM:Trước khi đi vào mô hình vector hiệu chỉnh sai số, ta sẽ xem qua một số kháiniệm liên quan như hồi quy giả mạo, đồng liên kết và mô hình hiệu chỉnh sai số.1. Hồi quy giả mạo:Khi hồi quy với các chuỗi thời gian, có thể kết quả hồi quy là giả mạo do cácchuỗi này có cùng xu thế. Điều này thường xảy ra trong kinh tế. Ước lượng củacác hệ số hồi quy không phải chỉ chịu ảnh hưởng của biến độc lập đến biếnphụ thuộc mà còn bao hàm xu thế.Xét ví dụ đối với chuỗi tiêu dùng và thu nhập sau thuế của Costa Rica trongkhoảng thời gian 1963-1992 ta thấy kết quả hồi quyKết quả hồi quy dường như rất đẹp vì R2=0.98449 khá cao, các tỷ số |t| khá lớn.chỉ có d=0.36169 khá nhỏ. Tuy nhiên khi kiểm định tính dừng của hai chuỗi dữliệu này ta thấy cả hai đều không dừng. Do vậy kết quả hồi quy là giả mạo.Như vậy việc hồi quy các chuỗi không dừng có thể dẫn đến hồi quy giả mạo.Khi đó thì các tiêu chuẩn t và F là không sử dụng được. Theo Granger và Newboldthì R2>d là dấu hiệu hồi quy giả mạo. (kết luận hoàn toàn phù hợp với kết quảước lượng ở trên)Đ ...