Mô hình hiệu chỉnh sai số VECM
Mục lục trang:
Mô hình hiệu chỉnh sai số VECM, hướng dẫn chạy model trên phần mềm thống kê chuyên dụng stata, cách đọc và giải thích kết quả mô hình, cách định nghĩa và phương thức ứng dụng vào thực tế, chúng tôi cố gắng trình bày một cách đơn giản và dễ hiểu nhất để quý độc giả.
Lý thuyết
Mô hình hiệu chỉnh sai số VECM là gì ?
Cách tiếp cận Engle của Granger như mô tả ở trên bị một số điểm yếu. Cụ thể, nó chỉ bị giới hạn ở một phương trình duy nhất với một biến được chỉ định là biến phụ thuộc, được giải thích bởi một biến khác được coi là yếu kém ngoại lệ đối với các tham số quan tâm. Nó cũng dựa vào việc giả định chuỗi thời gian để tìm hiểu xem các biến là I (0) hay I (1). Những điểm yếu này có thể được giải quyết thông qua việc sử dụng thủ tục của Johansen. Ưu điểm của nó bao gồm việc giả vờ là không cần thiết, có thể có nhiều mối quan hệ hợp nhất, tất cả các biến được coi là nội sinh và các xét nghiệm liên quan đến các tham số dài hạn là có thể. Mô hình kết quả được gọi là mô hình sửa lỗi vectơ (VECM), vì nó thêm các tính năng sửa lỗi cho mô hình đa yếu tố được gọi là tự động vectơ(VAR). Thủ tục được thực hiện như sau:
- Bước 1: ước tính VAR không giới hạn liên quan đến các biến không cố định
- Bước 2: Kiểm tra sự hợp nhất bằng cách sử dụng kiểm tra Johansen
- Bước 3: Hình thành và phân tích VECM.
Hồi quy giả mạo là gì ?
Trong phần này, chúng ta nói rằng nếu hồi quy một chuỗi không dừng theo một hoặc nhiều chuỗi không dừng, thì chúng ta có thể thu được một giá trị R2 cao và một hoặc nhiều hệ số hồi quy có ý nghĩa thống kê trên cơ sở các kiểm định t và F thông thường. Nhưng những kết quả này có khả năng giả mạo hoặc sai lầm bởi vì các thủ tục hồi quy tuyến tính chuẩn Diễn giải: Hồi quy theo phương pháp OLS giả định rằng các chuỗi thời gian được đưa vào phân tích là các chuỗi dừng theo ý nghĩa đã được định nghĩa ở chương trước.
Chú thích: Trong phần về chuỗi dừng và chuỗi không dừng]. Nếu điều này không đúng, các kết quả hồi quy có thể là hồi quy giả mạo [Diễn giải: Mô hình đẹp với R2 cao, hệ số có dấu đúng như kỳ vọng và có ý nghĩa thống kê dựa trên kiểm định t, nhưng không có ý nghĩa gì về mặt kinh tế.
Cách nhận biết hồi quy giả
Nếu một biến có xu thế được hồi quy theo một hoặc nhiều biến có xu thế thì chúng ta thường thấy các thống kê F và t có ý nghĩa và giá trị R2 cao, nhưng thực sự không có mối quan hệ thực nào giữa chúng bởi vì mỗi biến có xu hướng tăng lên qua thời gian. Đây được biết như vấn đề hồi quy giả mạo hoặc hồi quy không thật. Thường thì dấu hiệu để nhận biết hồi quy là giả mạo là một giá trị thống kê d Durbin-Watson thấp.
Để khắc phục hiện tượng này chúng ta sử dụng Mô hình hiệu chỉnh sai số VECM.
Thực hành
Ước lượng Mô hình hiệu chỉnh sai số VECM
Trước tiên các bạn cần xem lại phần Chuỗi ổn định, tìm độ trễ của mô hình, Kiểm tra mối quan hệ qua lại giữa các biên thông qua kiểm định Granger trong bài mô hình tự hôi quy VAR
Để bắt đầu thực tập chúng ta sử dụng bộ dữ liệu sau:
use https://solieu.vip/data/rdinc.dta
Đồng thời ta chỉ quan sát 2 biến đó là ln_ne ln_se thôi.
Hiện tượng đồng liên kết
Nói theo ngôn ngữ kinh tế học, hai biến sẽ đồng liên kết nếu có một mối quan hệ cân bằng hoặc dài hạn giữa chúng. Trong ngữ cảnh hiện tại, lý thuyết kinh tế cho chúng ta biết rằng có một mối quan hệ mạnh giữa chi tiêu cho tiêu dùng và thu nhập khả dụng cá nhân
Để tìm hiện tượng đồng liên kết chúng ta sử dụng Johansen test, với câu lệnh như sau:
vecrank ln_ne ln_me
Vậy là có kết quả:
Ta để ý cột trace statistic, nếu có dấu (*) ở đâu, thì có hiện tượng đồng liên kết ở đó; Như vậy chúng ta có Đồng liên kết ở rank (1).
Do nó có hiện tượng đồng liên kết nên chúng ta phải sử dụng Mô hình hiệu chỉnh sai số VECM
Ước lượng Mô hình hiệu chỉnh sai số VECM
Để ước lượng mô hình trên stata, ta sử dụng lệnh sau:
vec ln_ne ln_me
Đồng thời chúng ta được kết quả:
Ta được kết quả ước lượng như sau:
ln_ne − .943 ln_se − .896
Ước tính phần ước lượng đồng liên kết
predict ce, ce ( Lưu lại phần ước lượng)
line ce year ( Vẽ đồ thị)
Phần ước lượng Đồng liên kết qua thời gian chúng ta thấy rằng, đây là chuỗi không ổn định. Như vậy chúng ta cần làm nhiều hơn những kiểm định, để chắc chắn rằng chúng ta sử dụng được mô hình.
