Chạy mô hình cấu trúc vectơ tự hồi quy SVAR

Chạy mô hình cấu trúc vectơ tự hồi quy SVAR ( Structural Vector Autoregressions); Đây là một mô hình mới có nhiều lợi thế hơn mô hình vectơ tự hồi quy VAR hay mô hình vectơ sai số hiệu chỉnh VECM; Chúng tôi sẽ hướng dẫn các bạn ước lượng SVAR trên phần mềm Stata. Các bạn cũng có thể ước lượng trên R hay Grelt … một cách dễ dàng.

SVAR

Lịch sử ra đời

Sims ( 1980 ) đã giới thiệu mô hình tự động hồi quy vectơ cấu trúc (SVAR) như một sự thay thế cho các mô hình kinh tế lượng vĩ mô quy mô lớn được sử dụng trong công việc học tập và chính sách vào thời điểm đó. Điều này xảy ra sau khi ông đặt câu hỏi về ý tưởng phát triển các mô hình kinh tế lượng phức tạp đã được xác định thông qua cái mà ông gọi là các hạn chế loại trừ đáng kinh ngạc (không biện minh), không vô hại cũng không cần thiết cho việc xây dựng một mô hình sau đó được sử dụng cho các mục đích phân tích và dự báo chính sách. .

Kể từ thời điểm đó, phương pháp này đã được sử dụng rộng rãi trong nghiên cứu chuỗi thời gian ứng dụng. Những mô hình này được sử dụng ngày nay để giải quyết một số câu hỏi quan trọng bao gồm: Những yếu tố nào ảnh hưởng đến sự biến động của chu kỳ kinh doanh? Những xáo trộn cung và cầu có phải là lực lượng kinh tế quan trọng như nhau ảnh hưởng đến hành vi theo chu kỳ theo thời gian và giữa các quốc gia không? Ảnh hưởng của cú sốc chính sách tiền tệ là gì? Các cú sốc về giá dầu có góp phần gây ra suy thoái? Ngân hàng trung ương phản ứng như thế nào trước những cú sốc trong các biến số kinh tế vĩ mô?

Cách phân tích SVAR

Chương này khám phá mối quan hệ giữa VAR dạng rút gọn, đã được giới thiệu trước đây và dạng cấu trúc của mô hình. Đặc biệt, chúng tôi giải thích cách người ta có thể xác định các cú sốc cấu trúc từ VAR dạng rút gọn để chúng khớp với các đối tác lý thuyết của chúng. Để có được các mối quan hệ hành vi như vậy, chúng tôi sẽ điều tra các phương pháp nhận dạng khác nhau dựa trên các hạn chế ngắn hạn, dài hạn và ký hiệu. Một trong những đặc điểm quan trọng của mô hình SVAR là các biến đồng thời có thể được coi là biến giải thích, điều này đặc biệt quan trọng khi tần suất xuất hiện của dữ liệu tương đối dài (tức là hàng quý). Ngoài ra, các mô hình này cũng cho phép người ta áp đặt một số hạn chế cụ thể cao đối với các tham số trong ma trận hệ số và hiệp phương sai dư.

Chiến lược đã được sử dụng để xây dựng mô hình SVAR như sau: Giai đoạn đầu tiên yêu cầu nhà phân tích sử dụng tính năng ưu tiên kiến thức để quyết định những biến nào nên được đưa vào mô hình dạng rút gọn. Sau đó, độ dài trễ của quá trình tự động hóa, lựa chọn các thành phần xác định và xử lý thích hợp các thành phần không ổn định phải được quyết định. Điều này sẽ làm phát sinh một đặc tả động thích hợp, cho phép tương tác nội sinh giữa các biến. Các giả thuyết kinh tế sau đó có thể được xây dựng và kiểm tra, trong khi động lực lịch sử của dữ liệu cũng có thể được kiểm tra, sau khi đã có đủ cấu trúc cho mô hình. Ví dụ, sau đó có thể xem xét các ảnh hưởng trong mẫu của một cú sốc độc lập đối với phần còn lại của hệ thống. Quy trình này có thể liên quan đến việc tính toán các phản ứng xung và phân tách phương sai.

Ưu điểm mô hình cấu trúc vectơ tự hồi quy SAR

Các mô hình SVAR có lợi thế hơn các mô hình kinh tế lượng vĩ mô quy mô lớn truyền thống ở chỗ kết quả không bị che khuất bởi một cấu trúc lớn và phức tạp ( hộp đen ), mà dễ dàng diễn giải và có sẵn. Sims ( 1980 )lập luận rằng các mô hình SVAR cung cấp một cách tiếp cận có hệ thống hơn để áp đặt các hạn chế, điều này có thể cho phép nhà nghiên cứu nắm bắt các quy định thực nghiệm vẫn còn ẩn trong các kỹ thuật đã được áp dụng trước đó. Ngược lại, kết quả từ các bài thực hành chính sách sử dụng các mô hình kinh tế lượng vĩ mô quy mô lớn rất khó so sánh và tạo lại, và người dùng có thể dễ dàng sửa đổi kết quả của họ bằng các quyết định sau khi có phán quyết. Ngoài ra, sự thiếu nhất trí về đặc điểm kỹ thuật thích hợp cho một mô hình phương trình đồng thời (được phát triển dưới sự quản lý của ủy ban Cowles) đã dẫn đến sự phổ biến tương đối của các mô hình SVAR.

Trong lĩnh vực nghiên cứu ngày càng phát triển, có rất ít đóng góp có ảnh hưởng như cách tiếp cận SVAR. Trong phần tiếp theo, chúng ta sẽ xem xét một số vấn đề thực tế nảy sinh với việc ước lượng các mô hình SVAR.

Ước lượng SVAR trên Stata

Xét dữ liệu

Để chạy mô hình SVAR hay VAR thì yêu cầu dữ liệu phải dừng và có đồng liên kết, nếu các bạn chưa rõ hãy bấm vào liên trên để coi lại.

Chúng ta có mô hình nghiên cứu

LnPtv = LnPbl + LnPxk

Thiết lập ma trận cấu trúc

Để chạy được mô hình SVAR thì chúng ta cần thiết lập ma trận cấu trúc như sau:

(Ta có A^-1 * A  = I ( Ma trận đơn vị) ( A^-1  gọi là ma trận nghịch đảo của A))

Song song với đó: C = A^-1/A

Ước lượng Short-Run

svar LnPTV LnPBL LnPXK, aeq(A) beq(B) lags(1/6)

Ta có hệ số của ma trận cấu trúc điều có ý nghĩa  thống kê

Ước lượng ma trận A

matlist e(A)

Kết quả là từ hồi quy ở trên

Ước lượng ma trận B

matlist e(B)

Phân tích cú shock

Nó cũng tương tự nhu mô hình VAR thôi

Nếu diễn giải bằng đồ thị, khó khăn với các bạn, bạn có thể dùng số liệu. ( hình ảnh hay số liệu để phân tích, cái nào cũng được. Tuỳ người)

Phân tích phân rã phương sai

Chạy Long-run

svar LnPTV LnPBL LnPXK, lreq(T) lags(1/6) nolog

Ta có tất cả hệ số hồi quy điều có ý nghĩa thống kê.

Mình có thể chạy cú shock và phân rã phương sai tương tự như trong short-run.

Các kiểm định cần thiết của mô hình SVAR

Tương quan chuỗi

Ta có Pvalue < 0.05 => Mô hình bị tương quan chuỗi

Tính ổn định của mô  hình

Ta có tất cả giá trị điều nằm trong đường tròn = > Mô hình có tính ổn định cao.

Tính phân phối chuẩn

Ta có Pvalue > 0.05 = > Mô hình có phân phối chuẩn.

Kết luận

Mô hình cấu trúc vectơ tự hồi quy SVAR là mô hình kinh tế rất hay, nếu các bạn gặp khó khăn trong việc:

• Xây dựng mô hình nghiên cứu
• Lượng lag trong mô hình
• Thiế lập ma trận cấu trúc
• Mô hình bị sai phạm
• …

Nếu các bạn gặp những vấn đề trên, các bạn đừng ngần ngại hãy liên hệ ngay với chúng tôi. Để chúng tôi tư vấn và hỗ trợ bạn kịp thời.