Mô hình tự hồi quy vector VAR (Vector Autoregression) là một mô hình kinh tế lượng đa biến do Christopher Sims đề xuất vào năm 1980, cho phép phân tích và dự báo động lực tương tác qua lại giữa nhiều chuỗi thời gian nội sinh mà không cần áp đặt các ràng buộc cấu trúc cứng nhắc từ trước. Được trao giải Nobel Kinh tế năm 2011 cho những đóng góp mang tính đột phá trong nghiên cứu kinh tế vĩ mô thực nghiệm, mô hình VAR đã trở thành công cụ tiêu chuẩn hàng đầu tại các ngân hàng trung ương và tổ chức tài chính toàn cầu để mô phỏng tác động của chính sách tiền tệ, tài khóa và các cú sốc kinh tế.
Bối cảnh ra đời và triết lý phi cấu trúc của Christopher Sims
Trước năm 1980, các mô hình kinh tế vĩ mô cổ điển (như mô hình trường phái Cowles Commission) đòi hỏi các nhà nghiên cứu phải phân loại cứng nhắc các biến số thành biến nội sinh (Endogenous) và biến ngoại sinh (Exogenous), đồng thời áp đặt hàng loạt giả định nhận dạng (Identification Restrictions) mang tính chủ quan. Christopher Sims đã chỉ trích mạnh mẽ cách tiếp cận này là “không đáng tin cậy” (Incredible Identification).
Thay vào đó, Mô hình tự hồi quy vector VAR tiếp cận theo triết lý bình đẳng: Mọi biến số trong hệ thống đều được coi là nội sinh và mỗi biến số được giải thích bởi chính các giá trị trễ của nó kết hợp với các giá trị trễ của tất cả các biến số khác trong hệ thống.
“Trong mô hình VAR, chúng ta để dữ liệu tự cất lên tiếng nói. Bằng cách đối xử bình đẳng với tất cả các biến số, VAR nắm bắt trọn vẹn mạng lưới tương tác động học phức tạp giữa các hiện tượng kinh tế vĩ mô.”
Cấu trúc toán học của mô hình VAR bậc p – VAR(p)
Một hệ thống mô hình VAR gồm k biến số với độ trễ p được biểu diễn dưới dạng phương trình ma trận:
Y_t = c + A_1 × Y_{t-1} + A_2 × Y_{t-2} + … + A_p × Y_{t-p} + ε_t
Trong đó:
- Y_t = [Y_1t, Y_2t, …, Y_kt]’: Vector cột kích thước (k × 1) chứa các biến số nội sinh tại thời điểm t.
- c: Vector cột kích thước (k × 1) chứa các hệ số hằng số chặn.
- A_i (i = 1, …, p): Các ma trận hệ số kích thước (k × k) đo lường mức độ tác động của các biến trễ bậc i.
- ε_t = [ε_1t, ε_2t, …, ε_kt]’: Vector sai số nhiễu trắng (White Noise) có kỳ vọng bằng 0, ma trận hiệp phương sai không đổi Σ và không có tự tương quan chuỗi.
Quy trình 4 bước kiểm định và ước lượng mô hình VAR chuẩn mực
Để xây dựng một mô hình VAR đáng tin cậy, quy trình thực hiện tuần tự qua 4 bước:
- Bước 1: Kiểm định tính dừng của các chuỗi dữ liệu: Sử dụng kiểm định ADF hoặc PP để đảm bảo các chuỗi thời gian đều là chuỗi dừng I(0). Nếu dữ liệu ở dạng mức là I(1) và không có đồng liên kết, cần lấy sai phân bậc một trước khi đưa vào mô hình VAR.
- Bước 2: Lựa chọn độ trễ tối ưu (p): So sánh các tiêu chuẩn thông tin thống kê AIC, SC/SIC, HQ và kiểm định tỷ số khả dĩ LR để chọn độ trễ p cân bằng giữa độ khớp của mô hình và mức độ tiết kiệm bậc tự do.
- Bước 3: Ước lượng hệ phương trình bằng OLS từng phương trình: Vì tất cả các phương trình trong VAR đều có cùng một tập hợp các biến độc lập bên vế phải, phương pháp OLS từng phương trình mang lại ước lượng hiệu quả tương đương với phương pháp hồi quy hệ SUR (Seemingly Unrelated Regressions).
- Bước 4: Kiểm tra tính ổn định và chẩn đoán phần dư: Kiểm tra xem tất cả các nghiệm của đa thức đặc trưng có nằm bên trong đường tròn đơn vị (Unit Circle) hay không. Sau đó kiểm định phần dư về tự tương quan chuỗi (LM Test) và phương sai sai số thay đổi (White Test).
3 công cụ phân tích động lực học chuyên sâu trong mô hình VAR
Do hệ số hồi quy trong VAR rất khó diễn giải trực tiếp vì hiện tượng đa cộng tuyến giữa các biến trễ, các nhà nghiên cứu chủ yếu sử dụng 3 công cụ sau:
1. Hàm phản ứng đẩy (Impulse Response Function – IRF)
IRF mô phỏng đường phản ứng động học của một biến số theo thời gian (thường từ 10 đến 20 quý) khi xuất hiện một cú sốc bất ngờ có độ lớn bằng 1 độ lệch chuẩn từ một biến số khác trong hệ thống. Ví dụ: Lãi suất điều hành tăng 1% thì GDP và lạm phát sẽ phản ứng như thế nào qua các quý tiếp theo.
2. Phân rã phương sai sai số dự báo (Forecast Error Variance Decomposition – FEVD)
FEVD định lượng tỷ lệ phần trăm sai số dự báo của một biến số được giải thích bởi các cú sốc xuất phát từ chính nó so với các cú sốc đến từ các biến số khác trong hệ thống tại các mốc thời gian khác nhau.
3. Kiểm định quan hệ nhân quả Granger (Granger Causality Test)
Kiểm tra xem các giá trị quá khứ của biến số X có chứa đựng thông tin hữu ích giúp dự báo biến số Y tốt hơn so với việc chỉ sử dụng các giá trị quá khứ của chính Y hay không.
Bảng so sánh mô hình VAR không ràng buộc, SVAR và VECM
Dưới đây là bảng phân biệt giữa các biến thể mô hình tự hồi quy vector:
| Mô hình kinh tế lượng | Đặc điểm cấu trúc dữ liệu | Ràng buộc nhận dạng lý thuyết | Ứng dụng trọng tâm |
|---|---|---|---|
| Mô hình VAR chuẩn | Các chuỗi dữ liệu dừng I(0) | Phi cấu trúc, phân rã Cholesky theo thứ tự biến | Dự báo kinh tế vĩ mô ngắn hạn |
| Mô hình SVAR (Structural VAR) | Các chuỗi dữ liệu dừng I(0) | Áp đặt các ràng buộc cấu trúc lý thuyết kinh tế ngắn/dài hạn | Phân tích tác động chính sách vĩ mô |
| Mô hình VECM | Các chuỗi không dừng I(1) có đồng liên kết | Bổ sung thành phần hiệu chỉnh sai số cân bằng ECT_{t-1} | Phân tích cân bằng dài hạn và điều chỉnh ngắn hạn |
Mô phỏng cơ chế truyền dẫn chính sách tiền tệ bằng mô hình VAR đa biến
Trong nghiên cứu kinh tế lượng vĩ mô, Mô hình tự hồi quy vector VAR thường được ứng dụng để phân tích cơ chế truyền dẫn chính sách tiền tệ qua hệ 4 biến số: [GDP_t, CPI_t, M2_t, Lãi suất_t]’:
- Xác định thứ tự biến trong phân rã Cholesky: Sắp xếp từ biến có độ trễ lớn đến biến phản ứng tức thời: GDP → CPI → M2 → Lãi suất. Thứ tự này phản ánh giả định lý thuyết rằng sản lượng và giá cả không phản ứng tức thời trong cùng một tháng trước cú sốc lãi suất, trong khi lãi suất thị trường tiền tệ phản ứng ngay lập tức trước mọi biến động vĩ mô.
- Phân tích hàm phản ứng đẩy (IRF): Khi xuất hiện cú sốc tăng lãi suất chính sách thêm 100 điểm cơ bản (+1%):
- Tăng trưởng cung tiền M2 giảm ngay từ tháng thứ 2 và đạt mức giảm sâu nhất vào tháng thứ 6.
- Chỉ số giá tiêu dùng CPI bắt đầu hạ nhiệt từ tháng thứ 4 và duy trì xu hướng giảm bền vững trong 18 tháng tiếp theo.
- Tăng trưởng GDP suy giảm nhẹ trong ngắn hạn nhưng dần phục hồi về mức tiềm năng sau 12 tháng.
Kết quả từ mô hình VAR cung cấp cơ sở định lượng chuẩn xác giúp các nhà hoạch định chính sách điều hành liều lượng và thời điểm can thiệp lãi suất phù hợp.
Câu hỏi thường gặp về mô hình tự hồi quy vector VAR (FAQ)
Tại sao thứ tự sắp xếp các biến số lại quan trọng khi phân tích hàm IRF theo phương pháp Cholesky?
Phân rã Cholesky giả định cấu trúc đệ quy: biến xếp trước có thể tác động đồng thời tức thời lên biến xếp sau, nhưng biến xếp sau không thể tác động ngược lại biến xếp trước trong cùng kỳ.
Làm thế nào để khắc phục hiện tượng mất bậc tự do khi mô hình VAR có quá nhiều biến số?
Nhà nghiên cứu có thể sử dụng mô hình VAR Bayes (BVAR) hoặc mô hình nhân tố mở rộng FAVAR để kiểm soát số lượng tham số ước lượng trong mẫu dữ liệu nhỏ.
Kiểm định Granger Causality có đồng nghĩa với mối quan hệ nhân quả triết học không?
Không, quan hệ nhân quả Granger thực chất chỉ là mối quan hệ về mặt thứ tự thời gian và năng lực cải thiện dự báo thống kê, không chứng minh nguyên nhân – kết quả cơ học.
Kết luận và định hướng ứng dụng
Nắm vững Mô hình tự hồi quy vector VAR giúp các nhà kinh tế học và chuyên gia phân tích tài chính làm chủ công cụ mô phỏng chính sách vĩ mô và dự báo biến động thị trường toàn diện. Để tiếp cận các mã lệnh chạy mô hình VAR, SVAR và VECM hoàn chỉnh trên phần mềm Stata và R, mời quý bạn đọc tham khảo tại thầy Phương.
Giảng viên Nguyễn Thanh Phương là chuyên gia chuyên sâu về Nghiên cứu khoa học, Ứng dụng AI, Digital Marketing và Quản trị bản thân. Với kinh nghiệm giảng dạy thực chiến, tác giả trực tiếp hướng dẫn ứng dụng phương pháp luận và phân tích dữ liệu chuyên sâu cho người học nên được sinh viên gọi là Thầy giáo quốc dân. Mọi nội dung chia sẻ đều tuân thủ nguyên tắc khách quan, thực chứng và mang giá trị ứng dụng cao, hướng tới mục tiêu cốt lõi: “Làm bạn tốt hơn!
