Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 1 ĐẠI HỌC QUỐC GIA TPHCM
ĐẠI HỌC KINH TẾ LUẬT
KHOA KINH TẾ HỌC
ĐỀ TÀI NGHIÊN CỨU
ỨNG DỤNG MÔ HÌNH VAR/VECM DỰ BÁO TÌNH HÌNH
LẠM PHÁT Ở VIỆT NAM
GVHD: Nguyễn Duy Tâm
SVTH : Nhóm 24
1. Trần Thị Minh Trang K104010084
2. Nguyễn Thế Trọng K104010087
3. Nguyễn Trang Anh Tuấn K104010095
TpHCM, ngày 27 tháng 10 năm 2012
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 2

MỤC LỤC
CHƯƠNG I: TỔNG QUAN VỀ PHƯƠNG PHÁP PHÂN TÍCH MÔ HÌNH TỰ HỒI QUY
VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM 3
1. Giới thiệu 3
2. Lý do chọn đề tài 3
3. Mục tiêu nghiên cứu 4
4. Đối tượng nghiên cứu 4

QUY VECTOR VÀ MÔ HÌNH VECTOR HIỆU CHỈNH SAI SỐ VECM
1. Giới thiệu
Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào
cũng chỉ mang chiều hướng nhất định. Các biến số độc lập (biến giải thích) không
phải luôn luôn tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc
lại tác động ngược lên biến độc lập. Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng
qua lại của những biến này cùng một lúc. Chính vì thế mô hình kinh tế lượng mà ta
phải xét đến không phải là mô hình một phương trình mà là mô hình nhiều phương
trình.
Tuy nhiên, để ước lượng được các mô hình này ta phải đảm bảo rằng các phương
trình trong hệ được định dạng, một số biến được coi là nội sinh (biến mà giá trị được
xác định bởi mô hình, là biến ngẫu nhiên) và một số biến khác được coi là ngoại sinh
hay đã xác định trước (ngoại sinh cộng với nội sinh trễ).
Việc định dạng này thường được thực hiện bằng cách giả thiết rằng một số biến
được xác định trước chỉ có mặt trong một số phương trình. Quyết định này thường
mang tính chủ quan và đã bị Chrishtopher Sims chỉ trích. Theo Sims, nếu tồn tại mối
quan hệ đồng thời giữa một số biến thì các biến này phải được xét có vai trò như
nhau, tức là tất cả các biến xét đến đều là biến nội sinh. Dựa trên tinh thần đó mà
Sims đã xây dựng mô hình vector tự hồi quy VAR. Mô hình VECM là một dạng của
mô hình VAR tổng quát, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng
và chứa đựng mối quan hệ đồng kết hợp.
2. Lý do chọn đề tài
Như chúng ta đã biết, mô hình ARIMA chỉ tiến hành phân tích các biến số kinh tế
trên một chuỗi thời gian. Khi chúng ta có nhiều chuỗi thời gian khác nhau và cần phải
xem xét mối quan hệ, tác động qua lại giữa chúng thì mô hình VAR và mô hình
VECM là một sự lựa chọn phù hợp.
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 4


và Y
2
. Mô hình Var tổng quát đối với Y
1
và Y
2
:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 5

1 1 1 2 1
11
pp
t i t i t i t
Y Y Y U
  

   


1 2 2
2
11
pp
i t i i t i t
t
Y Y Y U



1.1.3 Phương pháp ước lượng mô hình VAR
Bước 1: Xét tính dừng của các biến trong mô hình. Nếu chưa dừng thì dùng
kỹ thuật sai phân để đưa về các chuỗi dừng
Bước 2: Lựa chọn khoảng trễ phù hợp.
*** Các cách xác định khoảng trễ thích hợp:
Cách 1: kiểm định tự tương quan (nhắc lại chương hồi quy).
 Hậu quả của tự tương quan
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 6

 Các ước lượng OLS vẫn là ước lượng tuyến tính, không chệch, nhưng
chúng không phải là ước lượng hiệu quả nữa.
 Phương sai ước lượng được của OLS thường là chệch. Khi tính phương sai
và sai số tiêu chuẩn của các ước lượng OLS thường cho những giá trị thấp
hơn các giá trị thực và do đó làm cho giá trị của t lớn, dẫn đến kết luận sai
khi kiểm định.

2

=RSS/df là ước lượng chệch của
2

và trong một số trường hợp là chệch
về phía dưới.
 Gía trị ước lượng
2
R
có thể không tin cậy khi dùng để thay thế cho giá trị
thực của

          
(1)
Bước 3: Tính thống kê LM = (n-p)
2
R
từ phương trình hồi quy (1). Thống
kê LM này sẽ theo phân phối
2

với số bậc tự do là p. Nếu (n-p)
2
R
>
2

tra bảng ở
mức ý nghĩa được chọn, ta bác bỏ giả thiết
0
H
và kết luận rằng mô hình có tự
tương quan.
Cách 2: kiểm định tính đồng liên kết.(dành riêng cho mô hình
VECM)
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 7

Theo các tiêu chuẩn Lag, LogL, LR, FPE, AIC, SC, HQ , độ trễ có thể là 0;
2 và 3. Độ trễ càng nhỏ càng tốt vì số quan sát là có hạn nên nếu tăng độ dài của
trễ sẽ làm cho bậc tự do bị giảm, do vậy ảnh hưởng đến chất lượng của ước lượng.


GVHD: Nguyễn Duy Tâm Page 8

phương pháp kiểm định mối quan hệ đồng liên kết: kiểm định Engle- Granger,
kiểm định CRDW…và theo phương pháp Var của Johansen.
1.2.3 Mối quan hệ nhân quả Granger
Kiểm định mối quan hệ nhân quả giữa hai chuỗi thời gian X và Y, ta có
phương trình:
Y
t
= α
0
+ α
1
Y
t-1
+ … + α
1
Y
t-1
+ β
1
X
t-1
+ … + β
1
X
t-1
+ ε
t

: β
1
= β
2
= … = β
l
= 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định
Wald. Nếu giá trị F tính toán lớn hơn giá trị F phê phán ở mức ý nghĩa xác định,
bác bỏ H
0
. Có 4 khả năng:
Nếu các biến trễ của X tác động lên Y, nhưng các biến trễ của Y không tác
động lên X: Nhân quả Granger một chiều X sang Y.
Nếu các biến trễ của Y tác động lên X, nhưng các biến trễ của X không tác
động lên Y: Nhân quả Granger một chiều Y sang X.
Nếu các biến trễ của X tác động lên Y và các biến trễ của Y tác động lên X:
Nhân quả Granger hai chiều giữa X và Y.
Nếu các biến trễ của X không tác động lên Y và các biến trễ của Y không
tác động lên X: không có nhân quả Granger giữa X và Y.

1.2.4 Mô hình vector hiệu chỉnh sai số VECM( vector error correction model)

Yêu cầu đặt ra khi hồi quy mô hình với các biến là chuỗi thời gian là các
chuỗi này phải dừng. Nếu chuỗi chưa dừng thì ta dùng kĩ thuật sai phân đến khi có
được chuỗi dừng. Tuy nhiên, khi hồi quy giá trị sau khi đã sai phân, ta có thể bỏ
sót những thông tin dài hạn trong mối quan hệ giữa các biến. chính vì vậy, ta phải
thêm phần dư E. Với mô hình 2 biến Y
1
và Y


Trong đó
∆X
t
là một vector của n biến khác nhau.

**Một số vấn đề khi xây dựng mô hình VECM:
Đặc điểm cơ bản của mô hình này là xem xét tác động của các cú shock của
biến này lên biến khác, đặc biệt là trong kinh tế.
Bước 1: Lấy logarit của chuỗi dữ liệu để chuỗi ổn định hơn.
Bước 2: Kiểm định tính dừng đối với chuỗi dữ liệu. lựa chọn khoảng trễ
thích hợp.
Bước 3: kiểm định mối quan hệ nhân quả Granger để xem xét mối quan hệ
giữa các biến trong mô hình.
H
0
:
Nếu tất cả các giá trị F tính toán lớn hơn các giá trị F phê phán tương ứng ở
mức ý nghĩa 5%, tức là các biến đều có mối quan hệ với nhau.
 bác bỏ H
0
(giả thiết phần Null Hypothesis).
Bước 4: xét tính đồng liên kết giữa các biến. Ta kiểm định dựa trên các
biến chưa lấy sai phân.
Bước 5: sau khi tiến hành các kiểm định liên quan, nếu các chuỗi là không
dừng và có mối quan hệ đồng liên kết, ta sử dụng mô hình VECM để ước
lượng.

các mức ý nghĩa 1%, 5%, 10%.
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 12 Biến OIL cũng không dừng Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 13

Để có được chuỗi dừng, ta tiến hành lấy sai phân bậc 1 của 2 biến:

Sau khi lấy sai phân, chuỗi CPI dừng.

Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24


Bước 2: Ta tiến hành chạy mô hình var Nhập khoảng trễ: Lag intervals for Endogenous: 1 2 4 4 Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 16 Kết luận: phần dư này dừng và mô hình đáng tin cậy.
2. Mô hình VECM
Bước 1:
Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 18

Để đảm bảo tính ổn định cho 2 biến, ta tiến hành lấy logarit. Cho ra kết quả: Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 20

Bước 3: Kiểm tra các
đồng liên kết:
Tiếp theo ta sẽ xem
xét tính đồng liên kết
giữa các biến trong
mô hình. Riêng phần
kiểm định tính đồng
liên kết thì ta sẽ kiểm
định dựa trên các
chuỗi chưa lấy sai
phân.



Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 22
KẾT QUẢ VECM:


Báo cáo kết quả dự báo bằng phương pháp VAR/VECM – Nhóm 24

GVHD: Nguyễn Duy Tâm Page 24

Nhìn đồ thị, ta thấy các giá trị dao động xung quanh giá trị 0, do đó phần dư của
mô hình này dừng. chứng tỏ mô hình đưa ra phù hợp với chuỗi dữ liệu.
Nếu muốn xem xét sự tác động của biến này lên biến kia khi có một cú sốc xảy ra,
ta dùng hàm phản ứng đẩy.
CHƯƠNG 5: KẾT LUẬN CHUNG
1. Kết luận mô hình dự báo
Như chúng ta đã biết, mối quan hệ giữa các biến số kinh tế không phải lúc nào cũng chỉ
mang chiều hướng nhất định. Các biến số độc lập (biến giải thích) không phải luôn luôn
tác động lên biến phụ thuộc mà trong nhiều trường hợp biến phụ thuộc lại tác động
ngược lên biến độc lập. Để đảm bảo tính hợp lý, ta phải xét ảnh hưởng qua lại của những
biến này cùng một lúc. Chính vì thế mô hình kinh tế lượng mà ta phải xét đến không
phải là mô hình một phương trình mà là mô hình nhiều phương trình. Mô hình ARIMA
chỉ tiến hành phân tích trên một chuỗi thời gian. Khi có nhiều chuỗi thời gian thì mô
hình VAR/VECM là một sự phù hợp.
2. Đánh giá tình hình lạm phát ở Việt Nam
Lạm phát hiện nay đang gây ra mối lo ngại lớn cho các cấp hoạch định chính sách, các
doanh nghiệp và cho người dân. Do đó, tìm hiểu nguyên nhân và định lượng các yếu tố
tác động bằng ứng dụng mô hình VAR/VECM là một công cụ hữu hiệu nhằm dự báo,
tìm ra biện pháp kiểm soát lạm phát, góp phần vào ổn định tình hình kinh tế xã hội và
các vấn đề cấp thiết.
3. Tính khả thi của mô hình VAR và VECM
Mô hình VAR/VECM có tính ứng dụng cao trong việc phân tích và dự báo các chỉ số
kinh tế có độ nhạy cao như lạm phát, lãi suất, giá vàng, giá dầu thế giới, giá khí, và giá