Trong phân tích chuỗi thời gian, việc xác định mối quan hệ cân bằng dài hạn giữa các biến số là một yêu cầu cốt lõi, và kiểm định đồng liên kết Johansen chính là công cụ mạnh mẽ nhất để thực hiện nhiệm vụ này. Khác với các phương pháp đơn giản hơn, kỹ thuật này cho phép các nhà nghiên cứu khám phá các mối liên kết phức tạp trong hệ thống đa biến, cung cấp một nền tảng vững chắc cho các mô hình kinh tế lượng tiên tiến như VECM. Tuy nhiên, để áp dụng thành công kiểm định này, người dùng cần nắm vững một quy trình chuẩn từ khâu chuẩn bị dữ liệu, lựa chọn mô hình, đến cách diễn giải kết quả một cách chính xác.
Bài viết này là cẩm nang toàn diện, hướng dẫn chi tiết từng bước thực hiện kiểm định đồng liên kết Johansen trên hai phần mềm phổ biến là EViews và Stata. Từ lý thuyết nền tảng đến các mẹo xử lý khi kết quả không như ý, chúng tôi sẽ giúp bạn tự tin làm chủ kỹ thuật phân tích quan trọng này.
Khám Phá Đặc Điểm Của Kiểm Định Đồng Liên Kết Johansen
Định Nghĩa và Ý Nghĩa Trong Nghiên Cứu
Đồng liên kết (Cointegration) là một khái niệm thống kê mô tả một mối quan hệ cân bằng dài hạn giữa hai hay nhiều chuỗi thời gian. Cụ thể, khi các chuỗi riêng lẻ không dừng ở mức gốc (non-stationary), thường là tích hợp bậc 1 (ký hiệu là $I(1)$) và có xu hướng biến động ngẫu nhiên, nhưng một tổ hợp tuyến tính của chúng lại tạo ra một chuỗi dừng ($I(0)$), ta nói rằng các chuỗi này có quan hệ đồng liên kết. Hãy hình dung hai người say rượu đi cùng nhau; mỗi người tự đi một cách ngẫu nhiên, nhưng họ luôn giữ một khoảng cách tương đối ổn định với nhau. Mối quan hệ “giữ khoảng cách” đó chính là đồng liên kết.
Trong nghiên cứu kinh tế lượng, kiểm định đồng liên kết Johansen vượt trội hơn hẳn so với phương pháp Engle-Granger truyền thống vì nhiều lý do. Thứ nhất, phương pháp Engle-Granger chỉ có thể xử lý hệ thống hai biến và kết quả của nó phụ thuộc rất nhiều vào việc bạn chọn biến nào làm biến phụ thuộc. Thứ hai, nó chỉ có thể tìm ra tối đa một vectơ đồng liên kết.
Ngược lại, kiểm định đồng liên kết Johansen được xây dựng trên nền tảng mô hình Vector Autoregression (VAR), cho phép phân tích một hệ thống gồm nhiều biến ($\ge 2$) cùng lúc. Cách tiếp cận này coi tất cả các biến đều là biến nội sinh, loại bỏ sự thiên vị trong việc lựa chọn biến phụ thuộc và quan trọng nhất, nó có khả năng xác định được nhiều mối quan hệ đồng liên kết đồng thời tồn tại trong hệ thống. Điều này làm cho kiểm định đồng liên kết Johansen trở thành lựa chọn ưu tiên trong các nghiên cứu kinh tế vĩ mô và tài chính hiện đại.
Quy Trình Chuẩn Bị Trước Khi Thực Hiện Kiểm Định
Trước khi đi vào thao tác, việc chuẩn bị dữ liệu và mô hình là bước tối quan trọng quyết định tính chính xác của kết quả. Bỏ qua giai đoạn này có thể dẫn đến những kết luận sai lệch và mô hình không đáng tin cậy.
Bước 1: Kiểm Tra Tính Đứng Đắn Của Dữ Liệu
Yêu cầu tiên quyết để thực hiện kiểm định đồng liên kết Johansen là tất cả các chuỗi thời gian trong mô hình phải cùng bậc tích hợp, cụ thể là không dừng ở mức gốc nhưng phải dừng ở sai phân bậc 1 (cùng là $I(1)$). Để xác định điều này, bạn cần sử dụng các bài kiểm định nghiệm đơn vị (Unit Root Test) như kiểm định Dickey-Fuller mở rộng (ADF) hoặc kiểm định Phillips-Perron (PP).
Quy trình kiểm tra tính dừng cho mỗi biến bao gồm: kiểm định ở mức gốc (Level), sau đó kiểm định ở sai phân bậc một (1st Difference). Nếu một biến dừng ngay ở mức gốc (là biến $I(0)$), nó không thể được đưa vào mô hình Johansen cùng với các biến $I(1)$.
Trong trường hợp bạn phát hiện dữ liệu của mình bao gồm cả biến $I(0)$ và $I(1)$, việc cố gắng thực hiện kiểm định đồng liên kết Johansen sẽ dẫn đến sai sót. Thay vào đó, bạn phải chuyển sang một phương pháp phù hợp hơn là mô hình Tự hồi quy phân phối trễ (ARDL) và sử dụng kiểm định biên (Bounds Test). Phương pháp ARDL linh hoạt hơn, cho phép phân tích mối quan hệ dài hạn giữa các biến có bậc tích hợp hỗn hợp.
Bước 2: Lựa Chọn Độ Trễ Tối Ưu
Kết quả của kiểm định đồng liên kết Johansen cực kỳ nhạy cảm với độ trễ (lag length) của mô hình VAR cơ sở. Lựa chọn độ trễ quá ngắn có thể gây ra vấn đề tự tương quan trong phần dư, trong khi độ trễ quá dài sẽ làm mất bậc tự do và giảm hiệu quả của ước lượng, đặc biệt với mẫu dữ liệu nhỏ.
Để xác định độ trễ tối ưu, bạn cần chạy một mô hình VAR không ràng buộc (Unrestricted VAR) bao gồm tất cả các biến trong hệ thống. Sau đó, dựa vào các tiêu chí lựa chọn thông tin như AIC (Akaike Information Criterion), SC/BIC (Schwarz Information Criterion), hoặc HQ (Hannan-Quinn Criterion) để quyết định. Hầu hết các phần mềm thống kê sẽ hiển thị một bảng, trong đó độ trễ được đề xuất (đánh dấu `*`) là độ trễ làm tối thiểu hóa giá trị của các tiêu chí này. Thông thường, bạn nên chọn độ trễ được nhiều tiêu chí đề xuất nhất. Cần lưu ý rằng, độ trễ $p$ tìm được từ mô hình VAR sẽ được sử dụng để tính toán độ trễ cho mô hình VECM và kiểm định Johansen là $k = p – 1$.
Bước 3: Điều Chỉnh Giả Định Xu Hướng
Kiểm định Johansen cung cấp 5 trường hợp (Cases) khác nhau về cách đưa các yếu tố tất định như hằng số (intercept) và xu hướng (trend) vào mô hình. Việc lựa chọn sai trường hợp có thể dẫn đến kết quả kiểm định không chính xác. Các trường hợp này bao gồm từ mô hình không có hằng số và xu hướng, đến mô hình có cả hằng số và xu hướng trong cả phương trình đồng liên kết và mô hình VAR.
Theo nguyên tắc Pantula, cách tiếp cận chuẩn mực là bắt đầu kiểm định từ mô hình hạn chế nhất (Case 1) và tiếp tục đến các mô hình ít hạn chế hơn (Case 5) cho đến khi giả thuyết không ($H_0$) không bị bác bỏ. Tuy nhiên, trong thực tiễn nghiên cứu kinh tế, cách tiếp cận này khá phức tạp. Một kinh nghiệm phổ biến và được chấp nhận rộng rãi là dựa vào lý thuyết kinh tế và đặc điểm dữ liệu để lựa chọn.
Đối với hầu hết các dữ liệu kinh tế vĩ mô và tài chính, Case 3 (Có hằng số trong phương trình đồng liên kết và VAR, không có xu hướng tuyến tính) thường là lựa chọn phù hợp nhất. Trường hợp này giả định rằng các biến có thể dao động quanh một giá trị trung bình dài hạn khác không. Case 4 (Có hằng số trong VAR và xu hướng tuyến tính trong phương trình đồng liên kết) cũng được sử dụng khi các biến có xu hướng tăng trưởng theo thời gian.
Hướng Dẫn Sử Dụng Phần Mềm EViews và Stata Trong Kiểm Định Johansen
Sau khi hoàn thành các bước chuẩn bị, bạn có thể tiến hành thực hiện kiểm định trên phần mềm. Dưới đây là hướng dẫn chi tiết cho EViews và Stata.
Thực Hiện Kiểm Định Trong EViews
EViews cung cấp một giao diện trực quan để thực hiện kiểm định đồng liên kết Johansen.
1. Mở Nhóm Biến: Chọn tất cả các biến bạn muốn kiểm định trong cửa sổ Workfile. Nhấp chuột phải và chọn Open → as Group.
2. Truy Cập Kiểm Định: Trong cửa sổ Group vừa mở, điều hướng đến View → Cointegration Test → Johansen System Cointegration Test….
3. Thiết Lập Thông Số: Một hộp thoại sẽ xuất hiện, yêu cầu bạn điền các thông số quan trọng:
- Deterministic trend assumption: Chọn 1 trong 5 trường hợp đã phân tích ở trên. Như đã đề cập, Case 3 (L.R. test option data … intercept (no trend) in CE and test VAR) là lựa chọn khởi đầu an toàn và phổ biến nhất.
- Lag Intervals: Nhập độ trễ cho mô hình. Nếu độ trễ tối ưu của mô hình VAR là $p=2$, bạn sẽ nhập `1 1` ở đây (tương ứng với $k=p-1=1$ độ trễ trong mô hình VECM). Nếu độ trễ tối ưu là $p=3$, bạn sẽ nhập `1 2`.
4. Chạy và Xem Kết Quả: Nhấn OK. EViews sẽ trả về một bảng kết quả chi tiết bao gồm cả thống kê Trace và Max-Eigen.
Thao Tác Trên Stata: Cách Thực Hiện Kiểm Định Hiệu Quả
Trên Stata, quy trình thực hiện kiểm định đồng liên kết Johansen chủ yếu dựa vào các dòng lệnh.
1. Khai Báo Dữ Liệu Chuỗi Thời Gian: Đầu tiên, bạn cần cho Stata biết biến nào đại diện cho thời gian.
tsset timevar(Thay `timevar` bằng tên biến thời gian của bạn, ví dụ: `year`, `quarter`).
2. Xác Định Độ Trễ Tối Ưu: Sử dụng lệnh `varsoc` để tìm độ trễ tối ưu cho mô hình VAR.
varsoc var1 var2 var3, maxlag(8)Stata sẽ hiển thị một bảng với các tiêu chí AIC, BIC, HQ. Bạn chọn độ trễ $p$ được nhiều tiêu chí chỉ định nhất.
3. Chạy Kiểm Định Johansen: Sử dụng lệnh `vecrank` để thực hiện kiểm định.
vecrank var1 var2 var3, trend(constant) lags(p)- `trend(constant)`: Tương đương với Case 3 trong EViews. Bạn có thể thay đổi thành `trend(trend)` cho Case 4 hoặc `trend(none)` cho các trường hợp khác.
- `lags(p)`: Nhập độ trễ $p$ mà bạn đã xác định ở bước `varsoc`. Lưu ý: Stata tự động hiểu `lags(p)` của mô hình VAR và sẽ chạy kiểm định với $p-1$ độ trễ cho mô hình sai phân. Đây là điểm khác biệt quan trọng so với EViews.
Cách Đọc Và Phân Tích Kết Quả Kiểm Định
Việc đọc và diễn giải đúng kết quả là kỹ năng quan trọng nhất sau khi chạy lệnh. Bảng kết quả của kiểm định đồng liên kết Johansen có thể gây bối rối nếu bạn không nắm rõ quy tắc.
Thống Kê Dấu Vết Và Giá Trị Riêng Tối Đa: Điểm Nổi Bật Cần Chú Ý
Bảng kết quả kiểm định đồng liên kết Johansen cung cấp hai loại thống kê chính: Thống kê Dấu vết (Trace Statistic) và Thống kê Giá trị riêng Tối đa (Maximum Eigenvalue Statistic). Cả hai đều dùng để xác định số lượng phương trình (vectơ) đồng liên kết, ký hiệu là $r$.
1. Thống kê Dấu vết (Trace Statistic):
- Giả thuyết:
- $H_0$: Có tối đa $r$ vectơ đồng liên kết (Ví dụ: $r=0, r \le 1, r \le 2, …$)
- $H_1$: Có nhiều hơn $r$ vectơ đồng liên kết.
- Quy tắc quyết định: So sánh giá trị “Trace Statistic” với “Critical Value (5%)” hoặc xem “Prob.” (P-value). Nếu Trace Statistic > Critical Value (hoặc P-value < 0.05), ta bác bỏ $H_0$ và tiếp tục kiểm tra hàng tiếp theo. Nếu không, ta dừng lại và kết luận số vectơ đồng liên kết chính là $r$ ở hàng đó.
2. Thống kê Giá trị riêng Tối đa (Maximum Eigenvalue Statistic):
- Giả thuyết:
- $H_0$: Có chính xác $r$ vectơ đồng liên kết.
- $H_1$: Có chính xác $r+1$ vectơ đồng liên kết.
- Quy tắc quyết định: Tương tự như thống kê Trace. Nếu Max-Eigen Statistic > Critical Value (hoặc P-value < 0.05), ta bác bỏ $H_0$ và kết luận có ít nhất $r+1$ vectơ.
Ví dụ thực tế – Cách đọc kết quả: Giả sử bạn nhận được bảng kết quả. Bạn bắt đầu từ hàng đầu tiên (Hypothesized No. of CE(s): None, tức $r=0$). Nếu P-value của cả Trace và Max-Eigen đều < 0.05, bạn bác bỏ giả thuyết “không có đồng liên kết” và chuyển xuống hàng thứ hai (At most 1, tức $r \le 1$). Tại hàng này, nếu P-value của Trace > 0.05, bạn dừng lại và kết luận: “Hệ thống có một mối quan hệ đồng liên kết”. Trong trường hợp kết quả hai kiểm định mâu thuẫn, nhiều nghiên cứu (như của Lütkepohl) cho rằng thống kê Trace có lực mạnh hơn trong các mẫu nhỏ và nên được ưu tiên.
Giải Quyết Các Tình Huống Khi Không Có Đồng Liên Kết
Một trong những kịch bản đáng lo ngại nhất khi làm luận văn là kết quả kiểm định đồng liên kết Johansen cho thấy không có mối quan hệ nào ($r=0$). Điều này có nghĩa là bạn không thể xây dựng mô hình VECM. Đừng vội nản lòng, hãy thử các phương án sau để “cứu” kết quả.
Các Tùy Chọn Để Khôi Phục Kết Quả Kiểm Định Không Hài Lòng
- Điều chỉnh độ trễ: Các tiêu chí tự động như AIC, BIC đôi khi đề xuất độ trễ không phù hợp, đặc biệt với mẫu nhỏ. Hãy thử nghiệm bằng cách giảm hoặc tăng độ trễ một cách thủ công (ví dụ, giảm từ $p=4$ xuống $p=2$) và chạy lại kiểm định. Miễn là mô hình VAR mới không bị lỗi tự tương quan phần dư, sự thay đổi này là hợp lệ.
- Logarit hóa dữ liệu: Đối với các biến tài chính, kinh tế có biên độ dao động lớn và không tuân theo phân phối chuẩn (như GDP, CPI, giá cổ phiếu), việc lấy logarit tự nhiên (ln) trước khi phân tích có thể giúp ổn định phương sai, tuyến tính hóa mối quan hệ và làm tăng khả năng tìm thấy đồng liên kết.
- Thêm biến giả (Dummy Variables): Chuỗi thời gian của bạn có thể bị ảnh hưởng bởi các cú sốc cấu trúc như khủng hoảng tài chính 2008, đại dịch COVID-19, hoặc thay đổi chính sách lớn. Những sự kiện này có thể phá vỡ mối quan hệ dài hạn. Hãy tạo một biến giả (nhận giá trị 1 trong giai đoạn khủng hoảng và 0 cho thời gian còn lại) và đưa vào mô hình với tư cách là biến ngoại sinh. Điều này có thể giúp khôi phục lại mối quan hệ đồng liên kết ổn định.
- Kiểm tra lại tính dừng: Hãy chắc chắn rằng bạn không mắc sai lầm ở bước đầu tiên. Kiểm tra lại kết quả kiểm định nghiệm đơn vị của tất cả các biến. Một sai sót nhỏ như nhầm một biến $I(0)$ vào hệ thống $I(1)$ cũng đủ để làm hỏng toàn bộ kết quả.
- Chuyển sang mô hình ARDL: Nếu các cách trên đều không hiệu quả, hoặc nếu hệ thống của bạn vốn dĩ có các biến $I(0)$ và $I(1)$ xen kẽ, hãy mạnh dạn chuyển sang phương pháp ARDL. Đây là một giải pháp hiện đại, linh hoạt và được công nhận rộng rãi.
Hướng Dẫn Trình Bày Kết Quả Kiểm Định Trong Luận Văn
Trình bày kết quả một cách chuyên nghiệp và khoa học là yêu cầu bắt buộc trong mọi công trình nghiên cứu.
Cách Biểu Diễn Kết Quả Một Cách Chuẩn Mực
Bạn cần trình bày cả bảng kết quả và phần diễn giải bằng lời.
Ví dụ trình bày bảng kết quả:
Bảng 1: Kết quả Kiểm định đồng liên kết Johansen
| Giả thuyết H0 (Số PTĐLK) | Thống kê Trace | Giá trị tới hạn (5%) | P-value** | Thống kê Max-Eigen | Giá trị tới hạn (5%) | P-value** |
|---|---|---|---|---|---|---|
| None * | 45.123 | 29.797 | 0.0004 | 28.541 | 21.131 | 0.0048 |
| At most 1 | 16.582 | 15.494 | 0.0345 | 13.119 | 14.264 | 0.0812 |
| At most 2 | 3.463 | 3.841 | 0.0915 | 3.463 | 3.841 | 0.0915 |
Ghi chú: (*) biểu thị bác bỏ giả thuyết ở mức ý nghĩa 5%. (**) là P-value được tính toán bởi MacKinnon-Haug-Michelis (1999). Nguồn: Kết quả xử lý từ EViews 12 của tác giả.
Ví dụ diễn giải kết quả:
“Để xác định sự tồn tại của mối quan hệ cân bằng dài hạn, nghiên cứu sử dụng kiểm định đồng liên kết Johansen. Dựa trên tiêu chí AIC, độ trễ tối ưu $p=2$ được lựa chọn cho mô hình VAR. Kết quả kiểm định (trình bày tại Bảng 1) cho thấy:Tại giả thuyết không có phương trình đồng liên kết nào ($r=0$), giá trị thống kê Trace (45.123) lớn hơn giá trị tới hạn 5% (29.797), với P-value = 0.0004 < 0.05. Tương tự, thống kê Max-Eigen cũng bác bỏ giả thuyết này. Do đó, chúng ta có đủ bằng chứng để kết luận tồn tại ít nhất một mối quan hệ đồng liên kết.Khi xét giả thuyết có tối đa một phương trình đồng liên kết ($r \le 1$), thống kê Trace (16.582) vẫn lớn hơn giá trị tới hạn (15.494), cho thấy có thể có nhiều hơn một mối quan hệ. Tuy nhiên, thống kê Max-Eigen (13.119) lại nhỏ hơn giá trị tới hạn (14.264) với P-value > 0.05, không bác bỏ giả thuyết có đúng 1 phương trình đồng liên kết. Ưu tiên kết quả từ kiểm định Trace vốn có lực mạnh hơn, nghiên cứu kết luận tồn tại ít nhất một mối quan hệ đồng liên kết bền vững trong dài hạn giữa các biến. Kết quả này là cơ sở để tiếp tục xây dựng mô hình VECM.”
Việc nắm vững và áp dụng chính xác kiểm định đồng liên kết Johansen sẽ nâng cao đáng kể chất lượng và độ tin cậy cho nghiên cứu định lượng của bạn. Nếu bạn gặp khó khăn trong quá trình xử lý dữ liệu, chạy mô hình trên EViews, Stata, hay diễn giải các kết quả phức tạp, đội ngũ chuyên gia của Xulysolieu.info luôn sẵn sàng hỗ trợ. Chúng tôi cung cấp dịch vụ tư vấn và xử lý dữ liệu chuyên sâu, giúp bạn vượt qua mọi rào cản phân tích và hoàn thành công trình nghiên cứu một cách xuất sắc.
