Trang chủ » Kiến thức AMOS » Tìm hiểu về mô hình VECM trong phân tích thống kê

Tìm hiểu về mô hình VECM trong phân tích thống kê

Đối với các nhà nghiên cứu sử dụng dữ liệu chuỗi thời gian, việc lựa chọn đúng phương pháp phân tích là yếu tố quyết định sự thành công của một đề tài. Trong đó, mô hình VECM (Vector Error Correction Model) là một công cụ kinh tế lượng mạnh mẽ, được thiết kế chuyên biệt để phân tích các biến không dừng nhưng có mối quan hệ cân bằng trong dài hạn. Hiểu và áp dụng chính xác mô hình này không chỉ giúp tránh được các kết quả hồi quy giả mạo mà còn khai thác được những thông tin giá trị về cả động lực học ngắn hạn và sự hội tụ dài hạn.

Bài viết này, được biên soạn bởi các chuyên gia của xulysolieu.info, sẽ cung cấp một hướng dẫn toàn diện từ A-Z: từ khái niệm, điều kiện áp dụng, quy trình chạy chi tiết trên Eviews và Stata, cho đến cách phiên giải kết quả và trình bày chuyên nghiệp trong khóa luận, luận văn.

Mục lục

Mô hình VECM là gì và khi nào nên áp dụng?

Trước khi bắt tay vào thực hành, việc nắm vững bản chất và sự khác biệt của mô hình VECM so với các phương pháp khác là điều kiện tiên quyết để đảm bảo tính hợp lệ cho nghiên cứu của bạn.

1. Định nghĩa và đặc điểm của mô hình VECM

Mô hình VECM là một dạng đặc biệt của mô hình VAR (Vector Autoregressive), được thiết kế dành riêng cho việc phân tích các chuỗi thời gian không dừng (non-stationary) nhưng có tồn tại mối quan hệ đồng liên kết (cointegration). “Không dừng” nghĩa là trung bình và phương sai của chuỗi dữ liệu thay đổi theo thời gian, một đặc tính phổ biến của dữ liệu kinh tế vĩ mô như GDP, lạm phát, hay tỷ giá.

Khi các biến không dừng này cùng di chuyển theo một xu hướng chung trong dài hạn, chúng được gọi là có “đồng liên kết”. Mô hình VECM cho phép chúng ta vừa ước lượng được mối quan hệ cân bằng dài hạn này, vừa mô tả được các cú sốc và sự điều chỉnh trong ngắn hạn của các biến để quay trở lại trạng thái cân bằng đó. Đây chính là ưu điểm vượt trội giúp mô hình VECM bảo toàn được thông tin dài hạn quý giá, điều mà mô hình VAR sai phân sẽ làm mất đi.

2. So sánh VECM với các mô hình khác

Lựa chọn giữa VAR, ARDL và VECM phụ thuộc hoàn toàn vào đặc tính của dữ liệu, được xác định thông qua kiểm định tính dừng (Unit Root Test). Dưới đây là lộ trình lựa chọn mô hình chuẩn xác:

Bước 1: Kiểm định tính dừng của tất cả các biến.
- Trường hợp 1: Nếu tất cả các biến đều dừng ở chuỗi gốc (dừng ở bậc gốc I(0)), bạn nên sử dụng mô hình VAR ở mức gốc để phân tích.
- Trường hợp 2: Nếu dữ liệu của bạn có sự kết hợp giữa các biến dừng ở bậc gốc I(0) và các biến chỉ dừng sau khi lấy sai phân bậc một I(1)), mô hình ARDL (Autoregressive Distributed Lag) là sự lựa chọn phù hợp nhất.
- Trường hợp 3: Nếu tất cả các biến đều không dừng ở chuỗi gốc nhưng lại dừng ở sai phân bậc một I(1), bạn cần chuyển sang Bước 2.
Bước 2: Kiểm định đồng liên kết Johansen (chỉ áp dụng cho Trường hợp 3).
- Nếu kết quả kiểm định cho thấy không có mối quan hệ đồng liên kết (số phương trình đồng liên kết bằng 0), bạn sẽ sử dụng mô hình VAR ở dạng sai phân bậc một.
- Nếu kết quả cho thấy có tồn tại ít nhất một mối quan hệ đồng liên kết, đây chính là lúc bạn phải áp dụng mô hình VECM.

Quy trình thực hiện phân tích mô hình VECM trên phần mềm Eviews và Stata

Dưới đây là các bước thao tác chi tiết để triển khai một mô hình VECM hoàn chỉnh, áp dụng cho cả hai phần mềm phổ biến là Eviews và Stata.

1. Thao tác kiểm tra tính dừng với Eviews

Đây là bước nền tảng để xác định các biến trong mô hình có phải đều là chuỗi I(1) hay không, điều kiện cần để thực hiện mô hình VECM.

Bước 1: Thực hiện kiểm định tính dừng (Unit Root Test).
Mở từng biến chuỗi thời gian, vào View -> Unit Root Test. Trong hộp thoại, bạn thực hiện kiểm định cho biến ở mức gốc (“Level”) và sai phân bậc một (“1st Difference”). Kết quả phải cho thấy biến không dừng ở “Level” (p-value > 0.05) nhưng dừng ở “1st Difference” (p-value < 0.05). Lặp lại cho tất cả các biến.
Bước 2: Lựa chọn độ trễ tối ưu bằng tiêu chuẩn AIC và SC.
Chọn tất cả các biến, chuột phải và chọn Open -> as VAR. Tại cửa sổ VAR, vào View -> Lag Structure -> Lag Length Criteria. Phần mềm sẽ hiển thị một bảng kết quả, hãy tìm cột có nhiều dấu * nhất hoặc chọn độ trễ tương ứng với giá trị AIC (Akaike Information Criterion) hoặc SC (Schwarz Criterion) nhỏ nhất. Độ trễ này (ký hiệu là p) sẽ được dùng cho các bước tiếp theo.

2. Tiến hành kiểm định đồng liên kết Johansen

Sau khi xác định các biến là I(1) và có độ trễ tối ưu p, bước tiếp theo là kiểm tra xem chúng có mối quan hệ dài hạn hay không.

Tại cửa sổ VAR, chọn View -> Cointegration Test -> Johansen System Cointegration Test. Nhập độ trễ p đã tìm được ở bước trên. Eviews sẽ trả về hai bảng kết quả là “Trace statistic” và “Max-Eigenvalue statistic”. Dựa vào giá trị thống kê và p-value, bạn sẽ xác định được số lượng phương trình đồng liên kết (ký hiệu là r). Nếu r >= 1, bạn có đủ cơ sở để tiếp tục với mô hình VECM. Về mặt kinh tế, r đại diện cho số lượng các mối quan hệ cân bằng bền vững tồn tại giữa các biến trong dài hạn.

3. Thực hiện ước lượng mô hình VECM trên Eviews

Khi đã có đủ các điều kiện cần thiết, bạn có thể tiến hành ước lượng mô hình VECM.

Vào menu Quick -> Estimate VAR….
Trong hộp thoại hiện ra, tại mục VAR Type, tích chọn Vector Error Correction.
Trong tab Basics, nhập danh sách các biến vào ô “Endogenous Variables”. Lưu ý, biến phụ thuộc chính của nghiên cứu nên được đặt ở vị trí đầu tiên. Tại ô “Lag Intervals for D(Endogenous)”, bạn nhập 1 p-1 (với p là độ trễ tối ưu của VAR gốc).
Chuyển sang tab Cointegration, tại ô “Number of cointegrating equations”, bạn nhập số r đã tìm thấy ở bước kiểm định Johansen.
Nhấn OK để Eviews chạy và xuất kết quả mô hình VECM.

4. Chạy mô hình VECM trong Stata

Đối với người dùng Stata, quy trình có thể được thực hiện nhanh chóng thông qua các dòng lệnh sau đây:

* Khai báo dữ liệu chuỗi thời gian (ví dụ: biến thời gian là 'nam')
tsset nam

* Bước 1: Kiểm định tính dừng ADF cho biến Y (thực hiện tương tự cho các biến khác)
dfuller Y
dfuller D.Y

* Bước 2: Tìm độ trễ tối ưu cho hệ thống VAR (ví dụ có 3 biến Y, X1, X2)
varsoc Y X1 X2

* Bước 3: Kiểm định đồng liên kết Johansen (giả sử độ trễ tối ưu là 2)
vecrank Y X1 X2, lags(2)

* Bước 4: Ước lượng mô hình VECM (giả sử vecrank chỉ ra 1 mối quan hệ đồng liên kết)
vec Y X1 X2, rank(1) lags(2)

Phân tích và hiểu các chỉ số đầu ra của mô hình VECM

Bảng kết quả của mô hình VECM chứa rất nhiều thông tin, nhưng bạn cần tập trung vào các hệ số quan trọng nhất sau đây.

1. Ý nghĩa của hệ số hiệu chỉnh sai số (ECT)

Đây là thành phần cốt lõi của mô hình VECM, thường được ký hiệu là C(1) trong Eviews hoặc _ce1 trong Stata. Hệ số này (Error Correction Term – ECT) bắt buộc phải thỏa mãn hai điều kiện: mang dấu âm (-) và có ý nghĩa thống kê (p-value < 0.05).

Ý nghĩa: Hệ số ECT thể hiện tốc độ điều chỉnh từ trạng thái mất cân bằng trong ngắn hạn quay trở về trạng thái cân bằng trong dài hạn.
Ví dụ thực tế: Giả sử bạn đang nghiên cứu tác động của lạm phát (INF) và tăng trưởng tín dụng (CRE) lên tăng trưởng GDP. Phương trình VECM cho GDP có hệ số ECT là -0.35 và có ý nghĩa thống kê. Điều này có nghĩa là khi có một cú sốc nào đó làm GDP lệch khỏi mức cân bằng dài hạn so với INF và CRE, thì trong kỳ tiếp theo (ví dụ: quý sau hoặc năm sau), khoảng 35% của sự sai lệch đó sẽ được tự động điều chỉnh để kéo GDP quay trở lại quỹ đạo cân bằng.

2. Đánh giá hệ số hồi quy và giá trị p

Ngoài hệ số ECT, bảng kết quả còn hiển thị các hệ số của các biến độc lập ở dạng sai phân có độ trễ (ví dụ: D(GDP(-1)), D(INF(-1))). Các hệ số này thể hiện tác động trong ngắn hạn.

Bạn cần xem xét giá trị p-value của chúng. Nếu một hệ số có p-value nhỏ hơn 0.05, điều đó cho thấy biến độc lập tương ứng có tác động có ý nghĩa thống kê lên biến phụ thuộc trong ngắn hạn. Ngược lại, nếu p-value lớn, tác động ngắn hạn là không đáng kể.

Các vấn đề thường gặp và mẹo khắc phục

Quá trình chạy mô hình VECM không phải lúc nào cũng suôn sẻ. Dưới đây là các lỗi phổ biến và cách khắc phục hiệu quả.

1. Hệ số ECT không đạt yêu cầu

Đây là vấn đề nghiêm trọng nhất. Nếu hệ số ECT mang dấu dương (+) hoặc không có ý nghĩa thống kê (p-value > 0.05), mô hình của bạn là vô nghĩa về mặt kinh tế vì nó cho thấy hệ thống ngày càng phân kỳ khỏi trạng thái cân bằng.

Giải pháp 1: Thay đổi thứ tự biến. Trong Eviews, biến được đặt đầu tiên trong danh sách sẽ được dùng để chuẩn hóa phương trình đồng liên kết. Hãy thử đặt biến phụ thuộc chính của bạn lên đầu tiên và chạy lại.
Giải pháp 2: Xem lại độ trễ. Độ trễ tối ưu mà AIC/SC gợi ý đôi khi không phải là tốt nhất. Hãy thử giảm hoặc tăng 1 độ trễ so với gợi ý và kiểm tra lại kết quả.
Giải pháp 3: Thêm biến giả (Dummy Variable). Nếu chuỗi dữ liệu của bạn trải qua một cú sốc cấu trúc lớn (ví dụ: khủng hoảng tài chính 2008, đại dịch COVID-19 2020), mối quan hệ dài hạn có thể bị gãy. Hãy tạo một biến giả nhận giá trị 1 tại năm xảy ra sự kiện và 0 cho các năm còn lại, sau đó đưa vào mô hình với tư cách là biến ngoại sinh.

2. Các yếu tố ảnh hưởng đến mô hình

Chất lượng của một mô hình VECM phụ thuộc rất nhiều vào khâu chuẩn bị.

Lựa chọn biến: Việc đưa vào hoặc loại bỏ một biến có thể thay đổi hoàn toàn kết quả đồng liên kết. Hãy đảm bảo các biến trong mô hình của bạn được lựa chọn dựa trên một nền tảng lý thuyết kinh tế vững chắc.
Điều chỉnh lag length: Như đã đề cập, độ trễ là một yếu tố cực kỳ nhạy cảm. Việc lựa chọn độ trễ quá dài có thể gây ra hiện tượng đa cộng tuyến, trong khi độ trễ quá ngắn sẽ bỏ sót thông tin động lực học quan trọng.

Hướng dẫn trình bày nghiên cứu với mô hình VECM

Để trình bày kết quả phân tích mô hình VECM một cách chuyên nghiệp trong khóa luận/luận văn, bạn cần tuân thủ một cấu trúc khoa học và logic.

1. Cấu trúc bài viết cho phần phân tích định lượng

Một chương phân tích định lượng sử dụng mô hình VECM nên bao gồm các bảng biểu sau theo đúng thứ tự:

Bảng Thống kê mô tả các biến.
Bảng Kết quả kiểm định tính dừng (Unit Root Test): Chứng minh tất cả các biến đều là I(1).
Bảng Kết quả lựa chọn độ trễ tối ưu cho mô hình VAR.
Bảng Kết quả kiểm định đồng liên kết Johansen: Khẳng định sự tồn tại của mối quan hệ dài hạn.
Bảng Ước lượng phương trình dài hạn: Trình bày phương trình cân bằng dài hạn đã được chuẩn hóa.
Bảng Kết quả ước lượng mô hình VECM: Trình bày các hệ số tác động ngắn hạn và đặc biệt là hệ số hiệu chỉnh sai số ECT.
Bảng Kiểm định các khuyết tật của mô hình: Bao gồm kiểm định tự tương quan (LM Test), phương sai sai số thay đổi (White Test) và phân phối chuẩn của phần dư (Jarque-Bera) để chứng minh độ tin cậy của mô hình.

2. Thêm các công cụ phân tích nâng cao

Để nghiên cứu của bạn nổi bật và có chiều sâu hơn, đặc biệt đối với luận văn thạc sĩ, hãy bổ sung hai công cụ phân tích động sau khi đã ước lượng xong mô hình VECM:

Hàm phản ứng đẩy (Impulse Response Functions – IRF): Dùng đồ thị để minh họa phản ứng của một biến qua nhiều kỳ trong tương lai khi có một cú sốc từ một biến khác trong hệ thống.
Phân rã phương sai (Forecast Error Variance Decomposition – FEVD): Dùng bảng để chỉ ra mức độ đóng góp (tính theo %) của từng biến trong việc giải thích sự biến động của các biến khác trong hệ thống theo thời gian.

Tóm tắt và kết luận về VECM

Mô hình VECM là một kỹ thuật không thể thiếu cho các nghiên cứu sử dụng dữ liệu chuỗi thời gian kinh tế – tài chính. Nó không chỉ giải quyết vấn đề hồi quy giả mạo mà còn cung cấp một cái nhìn toàn diện về cả mối quan hệ cân bằng dài hạn và cơ chế điều chỉnh trong ngắn hạn.

1. Tổng kết kiến thức cơ bản

Tóm lại, mô hình VECM được áp dụng khi các chuỗi thời gian của bạn đều không dừng ở bậc gốc nhưng dừng ở sai phân bậc một (I(1)) và có tồn tại mối quan hệ đồng liên kết. Thành phần quan trọng nhất của mô hình là hệ số hiệu chỉnh sai số (ECT), phải mang dấu âm và có ý nghĩa thống kê, thể hiện tốc độ hội tụ về trạng thái cân bằng.

Việc thực hiện, phân tích và khắc phục lỗi của mô hình VECM đòi hỏi sự cẩn trọng và kiến thức chuyên sâu. Nếu bạn gặp khó khăn trong quá trình xử lý dữ liệu, chạy mô hình trên Eviews/Stata/SPSS, hay cần tư vấn để hoàn thiện bài luận của mình, đội ngũ chuyên gia của xulysolieu.info luôn sẵn sàng hỗ trợ.

Thông Tin Liên Hệ