Mô hình vectơ hiệu chỉnh sai số hồi quy VECM

Mô hình vectơ hiệu chỉnh sai số hồi quy VECM ( Vector Error Correction Model ); Mô hình này cũng ước lượng được nhiều trong kinh tế, khi các mối quan hệ có mối tương quan giả với nhau thì mô hình hồi quy VAR không còn phù hợp nữa chúng ta phải sử dụng hồi quy VECM. Chúng tôi thực hiện ước lượng mô hình Vectơ hiệu chỉnh sai số trên phần mềm Eview.

Các bước thực hiện hồi quy VECM gần giống với với hồi quy VAR, chúng tôi sẽ bỏ những bước trùng lắp, cho các bạn đỡ tốn thời gian, nên các bạn cần xem trước bài viết về mô hình Vectơ tự hồi quy VAR.

HỒI QUY VECM

Mô hình Vectơ hiệu chỉnh sai số là gì ?

Nói chung, khi các biến không cố định, mô hình VAR ở các mức là không thích hợp vì nó là một hồi quy giả, là một hồi quy không thể diễn giải được. Tuy nhiên, mặc dù các biến không cố định nhưng khi tồn tại đồng liên kết, một mô hình VAR ở các mức có thể được ước tính và có cách giải thích lâu dài. Nói cách khác, sự đồng liên kết chỉ ra một hoặc nhiều điểm cân bằng trong dài hạn hoặc mối quan hệ tĩnh giữa các biến không cố định.

Để xác định xem mô hình VAR ở các cấp có khả thi hay không, chúng ta cần chuyển đổi mô hình VAR ở các cấp thành mô hình VECM theo sự khác biệt (với các điều khoản sửa lỗi), mà kiểm tra Johansen về đồng liên kết được áp dụng.

Mô hình hiệu chỉnh sai số là gì ?

Mô hình hiệu chỉnh sai số ( ECM ) thuộc một danh mục gồm nhiều mô hình chuỗi thời gian được sử dụng phổ biến nhất cho dữ liệu trong đó các biến cơ bản có xu hướng ngẫu nhiên chung trong dài hạn, còn được gọi là đồng liên kết . ECM là một cách tiếp cận dựa trên lý thuyết hữu ích để ước tính cả tác động ngắn hạn và dài hạn của một chuỗi thời gian này đến chuỗi thời gian khác.

Thuật ngữ sửa lỗi liên quan đến thực tế là độ lệch của kỳ trước so với trạng thái cân bằng dài hạn, sai số , ảnh hưởng đến động lực trong ngắn hạn của nó. Do đó, các ECM ước tính trực tiếp tốc độ mà một biến phụ thuộc trở lại trạng thái cân bằng sau khi các biến khác thay đổi.

Điều kiện chạy VECM

Phương pháp Engle-Granger như được mô tả ở trên có một số điểm yếu. Cụ thể là nó bị giới hạn trong một phương trình duy nhất với một biến được chỉ định là biến phụ thuộc, được giải thích bởi một biến khác được cho là không đồng nhất yếu đối với các tham số quan tâm. Nó cũng dựa vào việc đánh dấu chuỗi thời gian để tìm 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 Johansen.

Những ưu điểm của nó bao gồm việc không cần bắt trước, có thể có nhiều mối quan hệ đồng liên kết, tất cả các biến được coi là nội sinh và có thể thực hiện các thử nghiệm liên quan đến các tham số dài hạn. Mô hình kết quả được gọi là mô hình sửa lỗi vectơ (VECM), vì nó thêm các tính năng sửa lỗi vào mô hình đa yếu tố được gọi là tự động hồi phục vectơ(VAR). Quy trình được thực hiện như sau:

  1. Bước 1: Ước tính một VAR không hạn chế liên quan đến các biến có khả năng không cố định
  2. Bước 2: Kiểm tra khả năng đồng liên kết bằng kiểm tra Johansen
  3. Bước 3: Hình thành và phân tích VECM.

Thực hành hồi quy VECM trên Eviews

Kiểm tra tính dừng

Để kiểm tra tính dừng, thì chúng tôi đã có thực hiện bài viết về Unit root test kiểm tra tính dừng hay ổn định của dữ liệu. Các bạn chưa đọc nên xem qua trong bài viết này chúng tôi không nói lại.

Tìm lag phù hợp.

Chúng tôi đã có bài viết tìm lag phù hợp trong mô mình tự hồi quy VAR

Ta có lag phù hợp là 1

Kiểm tra đồng liên kết

Chúng tôi cũng có một bài viết nói hết về sự việc đồng liên kết trong dữ liệu các bạn có thể  xem qua bài viết về đồng liên kết.

View > Cointegration test

Bạn chọn mục thứ 6 và bấm OK ( Nhầm mục đích hiện thị hết các trường hợp của đồng liên kết), ta được kết quả

 Selected (0.05 level*) Number of Cointegrating Relations by Model
Data Trend: None None Linear Linear Quadratic
Test Type No Intercept Intercept Intercept Intercept Intercept
No Trend No Trend No Trend Trend Trend
Trace 0 1 1 1 3
Max-Eig 0 1 1 1 1
 *Critical values based on MacKinnon-Haug-Michelis (1999)
 Information Criteria by Rank and Model
Data Trend: None None Linear Linear Quadratic
Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend
 Log Likelihood by Rank (rows) and Model (columns)
0  228.7348  228.7348  229.1664  229.1664  229.2717
1  234.5620  241.5873  242.0133  243.9129  244.0161
2  238.4845  245.6221  246.0165  249.6660  249.7128
3  238.7221  248.1579  248.1579  253.6535  253.6535
 Akaike Information Criteria by Rank (rows) and Model (columns)
0 -7.577063 -7.577063 -7.488495 -7.488495 -7.388680
1 -7.571103  -7.778873* -7.724597 -7.755617 -7.690211
2 -7.499467 -7.676624 -7.655740 -7.712620 -7.679753
3 -7.300762 -7.522686 -7.522686 -7.608740 -7.608740
 Schwarz Criteria by Rank (rows) and Model (columns)
0 -7.257339* -7.257339* -7.062196 -7.062196 -6.855807
1 -7.038230 -7.210475 -7.085150 -7.080645 -6.944189
2 -6.753444 -6.859552 -6.803143 -6.788973 -6.720581
3 -6.341590 -6.456939 -6.456939 -6.436419 -6.436419

Trong trường hợp 0 có đồng liên kết là: No intercept và No trend; Còn lại thì điều có Đồng liên kết.

Hồi quy VECM

Giờ ta hồi quy Vectơ hiệu chỉnh sai số với Lag tối ưu là 1 và Có 1 Đồng liên kết

Ta được kết quả:

Cointegrating Eq: CointEq1
LNPTV(-1)  1.000000
LNPBL(-1)  2.135890
 (0.53273)
[ 4.00933]
LNPXK(-1) -4.920301
 (0.76053)
[-6.46960]
@TREND(16M01)  0.007155
C  17.71976
Error Correction: D(LNPTV) D(LNPBL) D(LNPXK)
CointEq1 -0.041436 -0.015975  0.188442
 (0.08102)  (0.09108)  (0.07160)
[-0.51143] [-0.17540] [ 2.63194]
D(LNPTV(-1)) -0.274846 -0.110468 -0.062622
 (0.27467)  (0.30877)  (0.24273)
[-1.00065] [-0.35777] [-0.25799]
D(LNPBL(-1))  0.063783 -0.074266 -0.046325
 (0.27606)  (0.31033)  (0.24396)
[ 0.23105] [-0.23931] [-0.18989]
D(LNPXK(-1))  0.017188  0.014228  0.083840
 (0.28950)  (0.32544)  (0.25583)
[ 0.05937] [ 0.04372] [ 0.32771]
C  0.021493  0.019445  0.014463
 (0.02708)  (0.03044)  (0.02393)
[ 0.79367] [ 0.63872] [ 0.60436]
@TREND(16M01) -0.000329 -0.000261 -0.000196
 (0.00077)  (0.00087)  (0.00068)
[-0.42527] [-0.29960] [-0.28601]
R-squared  0.046749  0.026290  0.189771
Adj. R-squared -0.044909 -0.067336  0.111864
Sum sq. resids  0.501643  0.633927  0.391752
S.E. equation  0.098219  0.110412  0.086797
F-statistic  0.510038  0.280795  2.435878
Log likelihood  55.46052  48.67324  62.63105
Akaike AIC -1.705535 -1.471491 -1.952795
Schwarz SC -1.492386 -1.258342 -1.739646
Mean dependent  0.009107  0.009504  0.007987
S.D. dependent  0.096085  0.106873  0.092101

Kiểm định sau VECM

  • Tính ổn định mô hình
  •  Tự tương quan mô hình
  • Phương sai thay đổi

3 Kiểm định này thực hiện tương tự hồi quy VAR

Phân tích VECM

Hồi quy

Giả sử rằng, 3 kiểm định chính của chúng ta không bị sai phạm thì chúng ta có thể sử dụng được kết quả hồi quy trên.

Phản ứng đẩy

Mô hình vectơ hiệu chỉnh sai số
Phản ứng đẩy của mô hình VECM

Phân rã phương sai:

 Period S.E. LNPTV LNPBL LNPXK
 1  0.098219  100.0000  0.000000  0.000000
 2  0.127648  99.38215  0.033874  0.583971
 3  0.153979  99.33933  0.032246  0.628421
 4  0.175691  99.30991  0.036020  0.654072
 5  0.195125  99.29560  0.037310  0.667093
 6  0.212769  99.28380  0.038342  0.677858
 7  0.229067  99.27546  0.039050  0.685493
 8  0.244277  99.26912  0.039599  0.691278
 9  0.258595  99.26417  0.040028  0.695801
 10  0.272160  99.26018  0.040374  0.699450
 Cholesky Ordering: LNPTV LNPBL LNPXK

Kết luận

Nếu trong quá trình chạy mô hình VECM các bạn có gặp khó khăn về:

  • Dữ liệu
  • Mô hình định lượng
  • Mô hình bị sai phạm
  • Không hiểu rõ ouput
  • Không biết sử dụng phần mềm

Nếu gặp những vấn đề trên hãy nhanh chóng liên hệ chúng tôi đê được giải quyết triệt để.

Bài viết mới

Có thể bạn thích bài viết này:

Trả lời

Email của bạn sẽ không được hiển thị công khai.