Kiểm Định Tính Dừng Chuỗi Thời Gian

Kiểm định tính dừng chuỗi thời gian là quy trình thống kê kinh tế lượng nhằm xác định xem các thuộc tính thống kê của một chuỗi dữ liệu theo thời gian (như giá trị trung bình, phương sai và hiệp phương sai tự tương quan) có giữ nguyên không đổi qua các mốc thời gian hay không. Trong phân tích kinh tế lượng chuỗi thời gian hiện đại, kiểm định tính dừng là bước sàng lọc bắt buộc đầu tiên trước khi thực hiện hồi quy tuyến tính OLS, xây dựng mô hình VAR hay phân tích đồng liên kết Cointegration.

Bản chất toán học của chuỗi thời gian dừng và chuỗi không dừng

Một chuỗi thời gian Y_t được coi là Dừng yếu (Weakly Stationary / Covariance Stationary) khi và chỉ khi thỏa mãn đồng thời 3 điều kiện thống kê sau:

1. Giá trị trung bình kỳ vọng không đổi theo thời gian: E(Y_t) = μ với mọi t.
2. Phương sai hữu hạn và không đổi theo thời gian: Var(Y_t) = E(Y_t – μ)^2 = σ^2 < ∞ với mọi t.
3. Hiệp phương sai tự tương quan chỉ phụ thuộc vào độ trễ k, không phụ thuộc vào thời điểm t: Cov(Y_t, Y_{t-k}) = γ_k với mọi t.

Ngược lại, nếu một trong ba điều kiện trên bị vi phạm, chuỗi dữ liệu được xác định là Chuỗi không dừng (Non-Stationary). Hầu hết các chuỗi số liệu kinh tế vĩ mô và tài chính thực tế (như GDP, chỉ số giá tiêu dùng CPI, tỷ giá hối đoái, giá cổ phiếu) đều mang đặc tính không dừng do có xu thế tăng trưởng dài hạn.

“Thực hiện hồi quy giữa hai chuỗi thời gian không dừng mà không kiểm tra tính dừng sẽ dẫn đến hiện tượng hồi quy giả mạo (Spurious Regression), nơi hệ số R-squared rất cao và t-statistic có ý nghĩa thống kê ảo nhưng hoàn toàn không có mối quan hệ nhân quả thực tế.”

Hậu quả của hiện tượng Hồi quy giả mạo (Granger & Newbold, 1974)

Trong nghiên cứu nổi tiếng năm 1974, hai nhà kinh tế lượng Clive Granger và Paul Newbold đã chứng minh rằng: Khi hồi quy hai biến số hoàn toàn độc lập với nhau nhưng đều là các quá trình bước đi ngẫu nhiên không dừng, kiểm định thống kê t và F tiêu chuẩn sẽ bị sai lệch nghiêm trọng, làm tăng xác suất bác bỏ sai lầm giả thuyết H0 (Sai lầm loại I). Dấu hiệu nhận biết hồi quy giả mạo là hệ số R^2 lớn hơn chỉ số thống kê Durbin-Watson (R^2 > d).

Các kỹ thuật kiểm định tính dừng và nghiệm đơn vị phổ biến

Để phát hiện tính dừng, các nhà nghiên cứu sử dụng hệ thống các kiểm định nghiệm đơn vị (Unit Root Tests):

1. Kiểm định Augmented Dickey-Fuller (ADF Test – Dickey & Fuller, 1979, 1981)

Kiểm định ADF mở rộng mô hình tự hồi quy để xử lý hiện tượng tự tương quan bậc cao trong sai số:

ΔY_t = α + β×t + γ×Y_{t-1} + ∑ δ_i × ΔY_{t-i} + ε_t

Giả thuyết kiểm định:

• H0: γ = 0 (Chuỗi có nghiệm đơn vị, tức chuỗi không dừng).
• H1: γ < 0 (Chuỗi không có nghiệm đơn vị, tức chuỗi dừng).

Quy tắc quyết định: So sánh giá trị thống kê t-statistic (Tau) tính toán được với giá trị tới hạn của bảng MacKinnon. Nếu giá trị kiểm định âm hơn giá trị tới hạn (hoặc p-value < 0.05), ta bác bỏ H0 và kết luận chuỗi là chuỗi dừng.

2. Kiểm định Phillips-Perron (PP Test – Phillips & Perron, 1988)

Kiểm định PP là phương pháp phi tham số, không thêm các biến trễ ΔY_{t-i} vào phương trình hồi quy mà hiệu chỉnh trực tiếp thống kê t để kiểm soát hiện tượng tự tương quan và phương sai sai số thay đổi.

3. Kiểm định KPSS (Kwiatkowski, Phillips, Schmidt & Shin, 1992)

Khác biệt với ADF và PP, kiểm định KPSS đảo ngược giả thuyết:

• H0: Chuỗi là chuỗi dừng (Stationary xung quanh giá trị trung bình hoặc xu thế).
• H1: Chuỗi là chuỗi không dừng (Có nghiệm đơn vị).

Bảng so sánh đặc điểm các phương pháp kiểm định nghiệm đơn vị

Dưới đây là bảng tổng hợp so sánh giữa các kiểm định nghiệm đơn vị:

Phương pháp kiểm định	Giả thuyết vô hiệu (H0)	Ưu điểm nổi bật	Hạn chế chủ yếu
Kiểm định ADF	Chuỗi không dừng (Có nghiệm đơn vị)	Đơn giản, xử lý tốt tự tương quan qua độ trễ	Nhạy cảm với việc chọn độ trễ và kích thước mẫu nhỏ
Kiểm định PP	Chuỗi không dừng (Có nghiệm đơn vị)	Mạnh mẽ trước phương sai sai số thay đổi phi tham số	Lực kiểm định yếu khi mẫu dữ liệu ngắn
Kiểm định KPSS	Chuỗi dừng (Không có nghiệm đơn vị)	Dùng để đối chuẩn chéo khẳng định lại kết quả ADF	Dễ bị nhầm lẫn khi chuỗi có điểm gãy cấu trúc

Quy trình xử lý biến đổi chuỗi không dừng về chuỗi dừng

Khi thực hiện Kiểm định tính dừng chuỗi thời gian và phát hiện chuỗi gốc ở dạng mức Y_t là không dừng (tích hợp bậc d, ký hiệu I(d) với d ≥ 1):

1. Lấy sai phân bậc một (First Difference): Tính ΔY_t = Y_t – Y_{t-1}. Nếu chuỗi sai phân bậc một đạt tính dừng, chuỗi gốc được gọi là tích hợp bậc một, ký hiệu I(1).
2. Lấy sai phân bậc hai (Second Difference): Nếu ΔY_t vẫn chưa dừng, tiếp tục lấy sai phân Δ^2 Y_t = ΔY_t – ΔY_{t-1} để đưa về chuỗi dừng I(0).
3. Biến đổi Logarit tự nhiên trước khi lấy sai phân: Giúp ổn định phương sai và tuyến tính hóa xu thế tăng trưởng theo cấp số nhân.

Kiểm định tính dừng trong trường hợp chuỗi thời gian có điểm gãy cấu trúc (Structural Breaks)

Trong thực tế kinh tế lượng tài chính, các cuộc khủng hoảng kinh tế, dịch bệnh hoặc thay đổi chính sách vĩ mô đột ngột có thể tạo ra các Điểm gãy cấu trúc (Structural Breaks) trong chuỗi dữ liệu. Khi đó, các kiểm định nghiệm đơn vị truyền thống như ADF và PP thường có xu hướng thiên lệch, nhầm lẫn giữa chuỗi dừng có điểm gãy cấu trúc với chuỗi không dừng có nghiệm đơn vị (Perron, 1989).

Để giải quyết bài toán này, các nhà nghiên cứu áp dụng các kiểm định nghiệm đơn vị nội sinh điểm gãy:

• Kiểm định Zivot & Andrews (1992): Cho phép xác định nội sinh một điểm gãy cấu trúc đơn lẻ trong hệ số chặn, xu thế hoặc cả hai mà không cần biết trước thời điểm gãy.
• Kiểm định Clemente – Montañés – Reyes (1998): Mở rộng cho phép nhận diện hai điểm gãy cấu trúc đồng thời theo hai mô hình chuyển đổi đột ngột (Additive Outlier – AO) hoặc chuyển đổi từ từ (Innovational Outlier – IO).

Việc kết hợp kiểm định nghiệm đơn vị có điểm gãy cấu trúc giúp nhà nghiên cứu khẳng định chính xác tính dừng của dữ liệu chuỗi thời gian trong các giai đoạn nền kinh tế trải qua nhiều biến động lớn.

Hướng dẫn thực hành kiểm định tính dừng chuỗi thời gian trên phần mềm Stata

Để thực hiện kiểm định nghiệm đơn vị trên phần mềm Stata, nhà nghiên cứu sử dụng hệ thống câu lệnh chuẩn sau:

• Khai báo cấu trúc dữ liệu chuỗi thời gian: tsset time_var (với time_var là biến thời gian theo tháng, quý hoặc năm).
• Kiểm định Augmented Dickey-Fuller: dfuller Y, lags(p) trend (kiểm định có xu thế) hoặc dfuller Y, lags(p) (kiểm định có hằng số chặn). Để Stata tự động chọn độ trễ tối ưu theo tiêu chuẩn AIC, sử dụng lệnh: varsoc Y trước khi chạy kiểm định.
• Kiểm định Phillips-Perron: pperron Y, trend để hiệu chỉnh sai số phi tham số.
• Kiểm định KPSS: kpss Y, notrend để đối chuẩn chéo khẳng định lại kết quả tính dừng.

Nếu kết quả kiểm định cho thấy biến số ở dạng mức không dừng nhưng sai phân bậc một ΔY đạt mức ý nghĩa 1% (p-value < 0.01), ta kết luận biến số là chuỗi tích hợp bậc một I(1) và sẵn sàng cho các bước phân tích đồng liên kết tiếp theo.

Câu hỏi thường gặp về kiểm định tính dừng chuỗi thời gian (FAQ)

Tại sao cần chọn đúng dạng phương trình (không có hằng số, có hằng số, có xu thế) khi chạy kiểm định ADF?

Việc chọn sai dạng mô hình có thể làm sai lệch giá trị thống kê tới hạn của bảng tra cứu MacKinnon, dẫn đến kết luận sai về tính dừng của chuỗi dữ liệu.

Làm thế nào để chọn độ trễ tối ưu (Optimal Lag Length) trong kiểm định ADF?

Độ trễ tối ưu được lựa chọn tự động dựa trên các tiêu chuẩn thông tin thống kê như AIC (Akaike Information Criterion) hoặc SIC/BIC (Schwarz Information Criterion).

Nếu hai chuỗi dữ liệu đều không dừng ở bậc mức I(1), ta có thể thực hiện hồi quy không?

Có thể thực hiện hồi quy trực tiếp nếu hai chuỗi có mối quan hệ đồng liên kết Cointegration dài hạn, hoặc chuyển sang hồi quy chuỗi sai phân bậc một nếu không có đồng liên kết.

Kết luận và định hướng phân tích

Thực hiện chuẩn xác Kiểm định tính dừng chuỗi thời gian là bước đệm then chốt đảm bảo độ tin cậy và giá trị khoa học cho toàn bộ các mô hình kinh tế lượng tài chính. Để tìm hiểu thêm về các câu lệnh thực thi trên phần mềm Stata, EViews và R, mời quý bạn đọc tham khảo tại NCS Th.S Nguyễn Thanh Phương.