Hồi quy VAR mô hình Vectơ tự động hồi quy

Hồi quy VAR (Vector Autoregression) mô hình Vectơ tự động hồi quy; Đây là mô hình được ứng dụng nhiều trong kinh tế nhằm dự đoán những yêu tốt trong quá khứ sẽ tác động đến hiện tại và tương lai. Đây là một mô hình định lượng thông dụng, được nhiều phần mềm thống kê đưa vào menu, nhưng trong bài viết hướng dẫn này , chúng tôi sẽ sử dụng phẩn mềm Eviews để cho các bạn mới bắt đầu học thống kê điều có thể làm được.

Khi bạn chạy mô hình Vectơ tự động hồi quy trong Eviews xong thì bạn có thể chạy bất cứ phần mềm nào cũng được, như Stata, R …

HỒI QUY VAR

Mô hình Vectơ tự động hồi quy là gì ?

Tự động hồi quy vectơ ( VAR ) là một mô hình thống kê được sử dụng để nắm bắt mối quan hệ giữa nhiều đại lượng khi chúng thay đổi theo thời gian. VAR là một loại mô hình quá trình ngẫu nhiên . Mô hình VAR tổng quát hóa mô hình tự động hồi quy đơn biến (đơn biến) bằng cách cho phép chuỗi thời gian đa biến . Mô hình VAR thường được sử dụng trong kinh tế học và khoa học tự nhiên .

Giống như mô hình tự hồi quy, mỗi biến có một phương trình mô hình hóa sự phát triển của nó theo thời gian. Phương trình này bao gồm các giá trị trễ (quá khứ) của biến, giá trị trễ của các biến khác trong mô hình và một thuật ngữ lỗi . Các mô hình VAR không yêu cầu nhiều kiến ​​thức về các lực ảnh hưởng đến một biến số như các mô hình cấu trúc với các phương trình đồng thời . Kiến thức duy nhất cần có trước đó là danh sách các biến có thể được đưa ra giả thuyết để ảnh hưởng lẫn nhau theo thời gian.

Mô hình tự động hồi quy (AR)

Trong thống kê, kinh tế lượng và xử lý tín hiệu, mô hình tự động hồi quy ( Autoregressive model – AR ) là đại diện của một loại quy trình ngẫu nhiên; như vậy, nó được sử dụng để mô tả các quá trình thay đổi theo thời gian nhất định trong tự nhiên, kinh tế, v.v.

Mô hình tự hồi quy chỉ định rằng biến đầu ra phụ thuộc tuyến tính vào các giá trị trước đó của chính nó và vào một thuật ngữ ngẫu nhiên (một thuật ngữ có thể dự đoán không hoàn hảo); do đó mô hình ở dạng phương trình sai phân ngẫu nhiên (hoặc quan hệ lặp lại không nên nhầm lẫn với phương trình vi phân).

Cùng với mô hình trung bình động (MA) , đây là một trường hợp đặc biệt và là thành phần quan trọng của mô hình tự động hồi quy tổng quát hơn – đường trung bình động (ARMA) vàmô hình trung bình động tích hợp tự hồi quy (ARIMA) của chuỗi thời gian, có cấu trúc ngẫu nhiên phức tạp hơn;

Nó cũng là một trường hợp đặc biệt của mô hình tự động hồi quy vectơ (VAR), bao gồm một hệ thống của nhiều hơn một phương trình chênh lệch ngẫu nhiên lồng vào nhau trong nhiều hơn một biến ngẫu nhiên đang phát triển.

Trái ngược với mô hình trung bình động (MA), mô hình tự động hồi quy không phải lúc nào cũng đứng yên vì nó có thể chứa một đơn vị gốc.

Ứng dụng hồi quy VAR trên EViews

Xây dựng mô hình nghiên cứu

Khi tôi muốn giá xuất khẩu(PXK) biến động hoặc giá bán lẻ (PBL) biến động thì sẽ ảnh hưởng như thế nào đến giá mua tại vườn (PTV)  của nông sản người nông dân.

Mô hình nghiên cứu:

PTV = PXK + PBL

Xét tính dừng cho dữ liệu

Chúng tôi đã có một bài viết về Unit root test về kiểm định tính dừng hay tính ổn định của dữ liệu; Nếu các bạn chưa xem thì xem lại với link trên.

Giả sử rằng, tất cả dữ liệu của chúng ta điều dừng ở bậc gốc hay bậc 1, nên chúng ta có thể dùng mô hình Vectơ tự hồi quy để ước lượng mối quan hệ trên.

Trong ví dụ này chúng tôi mặc định là bạn, đã biết sài căn bản về Eviews nha (Tức là biết nhập dữ liệu từ Excel vào Eviews ( Vấn đề này quá đơn giản, chỉ cần mở lên và làm theo các bước hướng dẫn của Eviews)

Chọn Lag phù hợp

Bạn chọn những biến cần thiết cho mô hình + Click chuột phải > Open as VAR

Chúng ta để mặc định bấm OK  ( Sẽ xuất hiện kết quả với Lag từ 1- 2)

Tại cửa sổ kết quả bạn chọn View > Lag structure > Lag lenghth Criteria

Xuất hiện hộp thoại Lag Specitication  và mục Lags to include chọn 4, rồi bấm OK

Kết quả thu được:

 Lag LogL LR FPE AIC SC HQ
0  185.3886 NA  2.98e-07 -6.513880 -6.405379 -6.471814
1  261.0074   140.4349*   2.76e-08*  -8.893122*  -8.459118*  -8.724860*
2  263.4362  4.250374  3.50e-08 -8.658436 -7.898929 -8.363976
3  270.2467  11.18861  3.81e-08 -8.580238 -7.495228 -8.159582
4  275.5760  8.184287  4.41e-08 -8.449141 -7.038629 -7.902289

Chọn Lag = 1 là tối ưu ( Chổ nào có nhiều * thì chọn)

Hồi quy VAR

Bây giờ chúng ta hồi quy VAR lại với lag tối ưu vừa tìm được, ta chọn mục Lag Interval for endogenous: 1 1 

Và chúng ta có kết quả mô hình vectơ tự động hồi quy như sau:

LNPTV LNPBL LNPXK
LNPTV(-1)  0.677562 -0.011923  0.067740
 (0.19446)  (0.21830)  (0.18051)
[ 3.48424] [-0.05462] [ 0.37527]
LNPBL(-1) -0.107901  0.654161  0.289572
 (0.20370)  (0.22867)  (0.18908)
[-0.52970] [ 2.86068] [ 1.53146]
LNPXK(-1)  0.353567  0.276046  0.364807
 (0.26716)  (0.29991)  (0.24798)
[ 1.32345] [ 0.92044] [ 1.47109]
C  0.698000  0.813623  2.781614
 (0.87959)  (0.98742)  (0.81647)
[ 0.79355] [ 0.82399] [ 3.40690]
R-squared  0.775267  0.762417  0.715737
Adj. R-squared  0.763009  0.749458  0.700232
Sum sq. resids  0.471981  0.594794  0.406667
S.E. equation  0.092636  0.103992  0.085988
F-statistic  63.24494  58.83269  46.16092
Log likelihood  58.71909  51.89641  63.11293
Akaike AIC -1.854885 -1.623607 -2.003828
Schwarz SC -1.714035 -1.482757 -1.862978
Mean dependent  9.692538  9.902886  9.915186
S.D. dependent  0.190289  0.207760  0.157053

Trong kết quả hồi quy VAR thì thường được ít người sử dụng, họ chỉ chú ý được ước lượng phản ứng đẩy bên dưới.

Kiểm định sai phạm

Tượng tương quan

Cũng như bất cứ mô hình về thời gian nào, chúng ta cũng cần kiểm định tương quan chuỗi hay còn gọi là tự tương quan. Từ cửa số kết quả hồi quy chúng ta chọn:

View > Residuals test > Autocorrelations LM test | Bấm OK ở hộp thoại tiếp theo

Null hypothesis: No serial correlation at lag h
Lag LRE* stat df Prob. Rao F-stat df Prob.
1  1.781471  9  0.9945  0.193788 (9, 121.8)  0.9945
2  10.88589  9  0.2836  1.228337 (9, 121.8)  0.2839
Null hypothesis: No serial correlation at lags 1 to h
Lag LRE* stat df Prob. Rao F-stat df Prob.
1  1.781471  9  0.9945  0.193788 (9, 121.8)  0.9945
2  14.42873  18  0.7007  0.796176 (18, 133.4)  0.7019
*Edgeworth expansion corrected likelihood ratio statistic.

Kiểm định tương quan quan cho ta kết quả P-value > 0.05 = > Mô hình không bị tự tương quan.

Phương sai thay đổi

Nghe tên thì các bạn cũng thấy quen thuộc phải không, đây là một kiểm định quan trọng mà chúng tôi cũng nói đến.

View > Residuals test > White heteroskedasticity

Kết quả thu được

Included observations: 59
   Joint test:
Chi-sq df Prob.
 54.51189 36  0.0246
   Individual components:
Dependent R-squared F(6,52) Prob. Chi-sq(6) Prob.
res1*res1  0.252674  2.930233  0.0154  14.90775  0.0210
res2*res2  0.229794  2.585740  0.0287  13.55787  0.0350
res3*res3  0.291358  3.563295  0.0050  17.19011  0.0086
res2*res1  0.248417  2.864557  0.0174  14.65663  0.0231
res3*res1  0.307650  3.851092  0.0030  18.15137  0.0059
res3*res2  0.308792  3.871769  0.0029  18.21873  0.0057

Ta có P-value < 0.05 = > Mô hình bị phương sai sai số thay đổi

Tính ổn định của mô hình

View > Lag structure > AR Root graph

Kiểm định AR root test
Kiểm định tính ổn định của mô hình

Ta thấy các chấm xanh nằm trong vòng tròn => Mô hình có tính ổn định

Phân tích mô hình VAR

Kết quả hồi quy

Trong 3 kiểm định của chúng ta, thì rõ ràng Kiểm định phương sai sai số thay đổi bị sai phạm, chúng ta cần phải khắc phục, nhưng vì mục đích viết bài chúng tôi giả sử rằng cả 3 kiểm định điều được thông qua. Tức là mô hình có độ tin cậy và chúng ta có thể sử dụng được mô hình hồi quy VAR

Phân tích  phản ứng đẩy (impulse Response)

View > Impulss Response: Nó sẽ hiện thị hộp thoại mới

  • Display Graph: Multigraph
  • Response SE: Analytic

Kết quả thu được:

Chạy impulse Response trong hồi quy VAR
Kết quả chạy phản ứng đẩy

Phân tích sự phân rã phương sai ( variance decompositions)

View > variance decompositions

  • Display Graph: Table
  • Response SE: None
 Period S.E. LNPTV LNPBL LNPXK
 1  0.092636  100.0000  0.000000  0.000000
 2  0.122217  98.26532  0.003314  1.731362
 3  0.139390  97.36526  0.081829  2.552909
 4  0.150273  96.83354  0.234044  2.932417
 5  0.157491  96.45912  0.418696  3.122181
 6  0.162409  96.17211  0.604339  3.223555
 7  0.165814  95.94630  0.773438  3.280260
 8  0.168196  95.76855  0.918441  3.313004
 9  0.169875  95.62983  1.037821  3.332351
 10  0.171063  95.52274  1.133274  3.343984
 Cholesky Ordering: LNPTV LNPBL LNPXK

Dịch vụ cung ứng

Khi bạn khó khăn trong việc chạy mô hình định lượng Vectơ tự hồi quy VAR như:

  • Sai phạm của kiểm định
  • Không thể đọc hiểu kết quả
  • Ứng dụng vào thực tế như thế nào?

Nếu bạn gặp những khó khăn như trên, các bạn đừng ngần ngại hãy liên hệ với chúng tôi để được tư vấn và hỗ trợ kịp thời.

Có thể bạn thích bài viết này:

Micom test trong phân tích đa nhóm Multigroup Analysis (MGA)

Micom test  trong phân tích đa nhóm của  SmartPLS (Partial Least Squares Structural Equation Modeling), [...]

2 Lý do chọn đề tài: tính cấp thiết & ý nghĩa khoa học

Lý do chọn đề tài: tính cấp thiết & ý nghĩa khoa học, Viết phần [...]

Số liệu biến rời rạc Có thể bạn chưa biết

Biến rời rạc là loại biến số trong thống kê chỉ có thể nhận một [...]

Báo giá Phiếu khảo sát doanh nghiệp: online + trực tiếp

Báo giá, phiếu khảo sát doanh nghiệp. Khảo sát doanh nghiệp, còn gọi là “business [...]

Mô hình phân tích tài chính Fama & French 5 yếu tố

Mô hình phân tích tài chính Fama & French 5 yếu tố, sau khi mô [...]

gấp: Làm đẹp số liệu thứ cấp – Xử lý dữ liệu sơ cấp lấy liền

Chúng tôi https://chaydinhluong.com giới thiệu đến quý khách hàng dịch vụ làm đẹp số liệu [...]

[Đào tạo] khoá học xử lý số liệu & phân tích định lượng Stata SmartPLS SPSS R-Studio

Khoá học xử lý số liệu & phân tích định lượng Stata SmartPLS SPSS R-Studio [...]

Chỉnh sửa định dạng văn bản in ấn tài liệu lưu hành nội bộ Thủ Đức TpHCM

Chỉnh sửa định dạng văn bản in ấn tài liệu lưu hành nội bộ Thủ [...]

Để lại một bình luận

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *