Mô hình var là gì? Các bài nghiên cứu khoa học liên quan

Giới thiệu chung về mô hình VAR

Mô hình VAR (Vector Autoregression) là một khung mô hình kinh tế lượng đa biến được thiết kế để mô tả mối quan hệ động giữa nhiều chuỗi thời gian nội sinh. Khác với các mô hình cấu trúc truyền thống, VAR không yêu cầu xác định trước quan hệ nhân quả giữa các biến, mà cho phép mỗi biến được giải thích bởi các giá trị trễ của chính nó và của tất cả các biến còn lại trong hệ.

Cách tiếp cận này đặc biệt phù hợp trong phân tích kinh tế vĩ mô và tài chính, nơi các biến như GDP, lạm phát, lãi suất và tỷ giá thường tương tác lẫn nhau theo thời gian. VAR cung cấp một khuôn khổ thống nhất để nghiên cứu các mối liên hệ này mà không cần áp đặt các ràng buộc lý thuyết cứng nhắc ở giai đoạn xây dựng mô hình.

Trong thực hành, mô hình VAR được sử dụng cho ba mục đích chính: mô tả động học của hệ thống biến, phân tích tác động của các cú sốc ngẫu nhiên và dự báo đa biến. Nhờ tính linh hoạt và khả năng triển khai tương đối đơn giản, VAR đã trở thành một công cụ tiêu chuẩn trong nghiên cứu thực nghiệm về chuỗi thời gian.

• Mô hình hóa quan hệ động giữa nhiều chuỗi thời gian
• Không yêu cầu giả định nhân quả từ trước
• Ứng dụng rộng rãi trong kinh tế và tài chính

Cơ sở lý thuyết của mô hình VAR

Cơ sở lý thuyết của mô hình VAR bắt nguồn từ mô hình tự hồi quy đơn biến (Autoregressive – AR), trong đó một biến được giải thích bởi các giá trị trễ của chính nó. VAR mở rộng ý tưởng này sang trường hợp đa biến, cho phép mỗi biến phụ thuộc vào lịch sử của toàn bộ hệ thống biến.

Một đóng góp quan trọng trong sự phát triển của VAR là quan điểm cho rằng trong nhiều bối cảnh thực nghiệm, việc áp đặt cấu trúc nhân quả mạnh mẽ có thể dẫn đến sai lệch mô hình. Thay vào đó, VAR coi tất cả các biến là nội sinh và để dữ liệu xác định hình dạng của các mối quan hệ động, sau đó mới tiến hành diễn giải kinh tế.

Từ góc độ thống kê, VAR có thể được xem là một hệ phương trình hồi quy tuyến tính, trong đó mỗi phương trình có cùng tập biến giải thích. Điều này cho phép ước lượng mô hình bằng các phương pháp quen thuộc như bình phương tối thiểu thông thường (OLS) cho từng phương trình riêng lẻ, với điều kiện các giả định cơ bản được thỏa mãn.

1. Mở rộng mô hình AR sang trường hợp đa biến
2. Xem tất cả các biến là nội sinh
3. Ưu tiên mô tả động học hơn là cấu trúc nhân quả

Biểu diễn toán học của mô hình VAR

Một mô hình VAR bậc p, ký hiệu VAR(p), mô tả mối quan hệ tuyến tính giữa vector các biến nội sinh hiện tại và các giá trị trễ của chúng đến bậc p. Biểu diễn toán học tổng quát của mô hình có dạng vector–ma trận, giúp diễn đạt gọn gàng các phương trình thành phần.

Cụ thể, nếu y_t là vector k × 1 gồm k biến nội sinh tại thời điểm t, thì mỗi ma trận hệ số A_i có kích thước k × k, phản ánh tác động của các biến tại thời điểm t − i lên hệ tại thời điểm t. Vector hằng số c cho phép mô hình nắm bắt các thành phần xu hướng hoặc trung bình khác không.

Thành phần nhiễu ε_t đại diện cho các cú sốc ngẫu nhiên không quan sát được, được giả định có kỳ vọng bằng không và ma trận hiệp phương sai không đổi theo thời gian. Cấu trúc của ma trận hiệp phương sai này đóng vai trò quan trọng trong các phân tích động học sau ước lượng.

$\mathbf{y}_t = \mathbf{c} + \mathbf{A}_1 \mathbf{y}_{t-1} + \mathbf{A}_2 \mathbf{y}_{t-2} + \cdots + \mathbf{A}_p \mathbf{y}_{t-p} + \boldsymbol{\varepsilon}_t$

Ký hiệu	Ý nghĩa
yt	Vector các biến nội sinh tại thời điểm t
Ai	Ma trận hệ số của bậc trễ i
c	Vector hằng số
εt	Vector nhiễu ngẫu nhiên

Các giả định cơ bản của mô hình VAR

Một giả định quan trọng trong mô hình VAR là tính dừng của các chuỗi thời gian. Các biến trong hệ thường được giả định là dừng theo nghĩa yếu, tức có kỳ vọng và phương sai hữu hạn, không thay đổi theo thời gian. Nếu các chuỗi không dừng, chúng thường được sai phân hoặc xử lý bằng các mô hình mở rộng phù hợp.

Bên cạnh đó, các nhiễu ngẫu nhiên được giả định không có tự tương quan theo thời gian và có hiệp phương sai hữu hạn. Điều này đảm bảo các ước lượng OLS cho từng phương trình trong VAR là hiệu quả và không chệch trong mẫu lớn.

Một giả định ngầm khác là cấu trúc động của hệ được nắm bắt đầy đủ bởi số bậc trễ được lựa chọn. Nếu bậc trễ quá thấp, mô hình có thể bỏ sót động học quan trọng; nếu quá cao, mô hình trở nên kém hiệu quả do số lượng tham số lớn.

• Các chuỗi thời gian dừng hoặc đã được biến đổi để đạt tính dừng
• Nhiễu ngẫu nhiên có kỳ vọng bằng không, không tự tương quan
• Số bậc trễ đủ để mô tả động học của hệ

Lựa chọn bậc trễ trong mô hình VAR

Việc lựa chọn số bậc trễ p là một trong những bước quan trọng nhất khi xây dựng mô hình VAR, vì nó ảnh hưởng trực tiếp đến khả năng mô tả động học và độ tin cậy của kết quả ước lượng. Bậc trễ quá thấp có thể dẫn đến hiện tượng bỏ sót biến trễ quan trọng, khiến phần dư có tự tương quan và mô hình bị sai dạng.

Ngược lại, nếu lựa chọn bậc trễ quá cao, mô hình sẽ trở nên cồng kềnh với số lượng tham số lớn, làm giảm bậc tự do và tăng nguy cơ ước lượng kém chính xác. Trong thực hành, người nghiên cứu thường sử dụng các tiêu chí thông tin để cân bằng giữa độ phù hợp và mức độ phức tạp của mô hình.

Các tiêu chí phổ biến nhất bao gồm Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) và Hannan–Quinn Criterion (HQC). Mỗi tiêu chí có mức độ phạt khác nhau đối với số tham số, trong đó BIC thường nghiêm ngặt hơn và có xu hướng chọn bậc trễ thấp hơn so với AIC.

Tiêu chí	Đặc điểm chính	Khuynh hướng chọn mô hình
AIC	Phạt nhẹ số tham số	Mô hình phức tạp hơn
BIC	Phạt mạnh số tham số	Mô hình gọn hơn
HQC	Trung gian giữa AIC và BIC	Cân bằng

Phân tích động với mô hình VAR

Sau khi mô hình VAR được ước lượng, một trong những mục tiêu chính là phân tích động học của hệ thống biến. Công cụ được sử dụng phổ biến nhất cho mục đích này là hàm phản ứng xung (Impulse Response Function – IRF), mô tả phản ứng của mỗi biến trong hệ trước một cú sốc đơn vị từ một biến khác.

IRF cho phép đánh giá cả hướng tác động, độ lớn và thời gian tồn tại của ảnh hưởng, từ đó cung cấp cái nhìn trực quan về cơ chế lan truyền của các cú sốc trong hệ thống kinh tế hoặc tài chính. Để IRF có ý nghĩa kinh tế, thường cần áp dụng các giả định nhận dạng, chẳng hạn phân rã Cholesky hoặc các ràng buộc cấu trúc.

Một công cụ quan trọng khác là phân rã phương sai sai số dự báo (Forecast Error Variance Decomposition – FEVD), cho biết tỷ trọng biến động của mỗi biến được giải thích bởi các cú sốc từ chính nó và từ các biến khác theo từng chân trời dự báo. Công cụ này giúp đánh giá mức độ tương tác và tầm quan trọng tương đối của các biến trong hệ.

• Hàm phản ứng xung (IRF) để phân tích tác động động
• Phân rã phương sai sai số dự báo (FEVD)
• Giả định nhận dạng và diễn giải kinh tế

Dự báo với mô hình VAR

Mô hình VAR được sử dụng rộng rãi trong dự báo chuỗi thời gian đa biến, đặc biệt trong kinh tế vĩ mô và tài chính. Nhờ khai thác thông tin trễ của nhiều biến cùng lúc, VAR thường cho kết quả dự báo ngắn hạn tốt hơn so với các mô hình đơn biến trong bối cảnh các biến có tương tác chặt chẽ.

Quá trình dự báo với VAR được thực hiện bằng cách lặp lại cấu trúc mô hình theo thời gian, sử dụng các giá trị quan sát ban đầu và các dự báo trước đó để tạo ra dự báo cho các bước tiếp theo. Dự báo có thể được thực hiện có điều kiện hoặc không điều kiện, tùy thuộc vào giả định về các cú sốc trong tương lai.

Tuy nhiên, hiệu quả dự báo của VAR có xu hướng giảm khi chân trời dự báo dài hơn, đặc biệt nếu mô hình không được đặc tả tốt hoặc hệ thống biến có thay đổi cấu trúc. Do đó, VAR thường được kết hợp với các kỹ thuật đánh giá dự báo ngoài mẫu để kiểm tra độ tin cậy.

Ưu điểm và hạn chế của mô hình VAR

Ưu điểm lớn nhất của mô hình VAR là tính linh hoạt và trung lập về lý thuyết. VAR cho phép mô hình hóa các mối quan hệ động phức tạp mà không cần áp đặt cấu trúc nhân quả chặt chẽ ngay từ đầu, điều này đặc biệt hữu ích trong phân tích thực nghiệm và khám phá dữ liệu.

Mô hình này cũng tương đối dễ ước lượng và diễn giải nhờ cấu trúc hồi quy tuyến tính quen thuộc. Các công cụ phân tích sau ước lượng như IRF và FEVD giúp chuyển các kết quả thống kê thành thông tin kinh tế có ý nghĩa.

Tuy nhiên, VAR gặp hạn chế nghiêm trọng khi số biến và số bậc trễ lớn, dẫn đến số lượng tham số tăng nhanh và nguy cơ quá khớp. Ngoài ra, VAR thuần túy thường thiếu cơ sở lý thuyết rõ ràng, khiến việc diễn giải nhân quả cần được thực hiện cẩn trọng.

Các mở rộng của mô hình VAR

Để khắc phục một số hạn chế của VAR cơ bản, nhiều mở rộng đã được phát triển. Mô hình VAR cấu trúc (Structural VAR – SVAR) bổ sung các ràng buộc dựa trên lý thuyết kinh tế nhằm xác định rõ hơn các cú sốc cấu trúc và quan hệ nhân quả.

Một hướng mở rộng quan trọng khác là VAR Bayes (Bayesian VAR – BVAR), trong đó các phân phối tiên nghiệm được sử dụng để kiểm soát hiện tượng quá tham số, đặc biệt hữu ích khi số biến lớn nhưng mẫu dữ liệu hạn chế. BVAR được sử dụng rộng rãi trong dự báo kinh tế vĩ mô tại các ngân hàng trung ương.

Đối với các chuỗi thời gian không dừng nhưng có quan hệ đồng liên kết, mô hình hiệu chỉnh sai số vectơ (Vector Error Correction Model – VECM) được xem là một dạng đặc biệt của VAR, cho phép kết hợp động học ngắn hạn với quan hệ cân bằng dài hạn.

Tài liệu tham khảo

• C. A. Sims, “Macroeconomics and Reality”, Econometrica, 1980.
• H. Lütkepohl, New Introduction to Multiple Time Series Analysis, Springer, 2005.
• J. D. Hamilton, Time Series Analysis, Princeton University Press, 1994.
• Federal Reserve Bank, “Vector Autoregression (VAR) Models”, https://www.federalreserve.gov.
• International Monetary Fund (IMF), “Applied Time Series Econometrics”, https://www.imf.org.