Bài giảng Kinh tế lượng ứng dụng: Chương 2 - Phạm Thị Tuyết Trinh

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:99

Thêm vào BST

Báo xấu

5
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng "Kinh tế lượng ứng dụng" Chương 2 - Mô hình chuỗi thời gian đơn biến, được biên soạn với mục tiêu giúp các bạn học có thể biết được mục đích của phân tích chuỗi thời gian; Hiểu được các khái niệm cơ bản của kinh tế lượng chuỗi thời gian; Mô tả đặc điểm và nắm được ứng dụng của mô hình chuỗi thời gian đơn biến; Hiểu được tiếp cận Box-Jenkins trong việc lựa chọn mô hình chuỗi thời gian đơn biến;...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Kinh tế lượng ứng dụng: Chương 2 - Phạm Thị Tuyết Trinh

MÔ HÌNH CHUỖI THỜI GIAN ĐƠN BIẾN UNIVARIATE TIME SERIES MODELS Ngành Tài chính – Ngân hàng
TÀI LIỆU ĐỌC ¢ Phạm Thị Tuyết Trinh và ctg (2016), chương 2 ¢ Brooks (2014), chương 5 ¢ Enders (2010), chương 2 ¢ Asteriou và Hall (2011), chương 13
MỤC TIÊU ¢ Biết được mục đích của phân tích chuỗi thời gian ¢ Hiểu được các khái niệm cơ bản của kinh tế lượng chuỗi thời gian ¢ Mô tả đặc điểm và nắm được ứng dụng của mô hình chuỗi thời gian đơn biến ¢ Hiểu được tiếp cận Box-Jenkins trong việc lựa chọn mô hình chuỗi thời gian đơn biến ¢ Hiểu được ý nghĩa của dự báo và các phương pháp dự báo cơ bản ¢ Biết cách ước lượng và dự báo bằng mô hình ARIMA(p, d, q) ¢ Biết cách đánh giá tính chính xác của dự báo
NỘI DUNG ¢ Các khái niệm cơ bản ¢ Thực hành 1: Kiểm định tính dừng lãi suất liên bang mỹ (FFR) dựa vào ACF ¢ Các mô hình chuỗi thời gian đơn biến ¢ ACF và PACF của các mô hình chuỗi thời gian ¢ Xây dựng mô hình ARIMA theo tiếp cận Box-Jenkins ¢ Thực hành 2: Xây dựng mô hình ARMA cho CPI Mỹ theo tiếp cận Box-Jenkins ¢ Dự báo bằng mô hình ARMA ¢ Thực hành 3: Dự báo CPI Mỹ bằng mô hình ARMA ¢ Thảo luận
Phân tích chuỗi thời gian nhằm: ¢ Dự báo chuỗi thời gian (time series forecasting): xây dựng các mô hình dự báo hiệu quả để dự đoán giá trị tương lai của biến số. ¢ Mô tả sự vận động bằng mô hình (dynamic modeling): quan tâm đến việc hiểu cấu trúc của chuỗi thời gian - các chuỗi thời gian phụ thuộc như thế nào vào thời gian, vào chính nó và vào các biến só khác, nhằm hiểu được sự vận động của nền kinh tế và kiểm định các giả thuyết.
CÁC KHÁI NIỆM CƠ BẢN ¢ Nhiễu trắng ¢ Quá trình thời gian dừng ¢ Tự hiệp phương sai ¢ Tự tương quan
NHIỄU TRẮNG WHITE NOISE ¢ Chuỗi εt là nhiễu trắng khi mỗi thành phần của εt có phân phối đồng nhất (identical), độc lập (independent) và trung bình bằng 0 ¢ Ký hiệu: εt ~ iid (0, σ2) (iid: identical and independent distribution) ¢ Đặc điểm của chuỗi nhiễu trắng: Trung bình: Phương sai: Tự hiệp phương sai:
TỰ HIỆP PHƯƠNG SAI AUTOCOVARIANCE ¢ Ký hiệu: γs (s là số bậc trễ) ¢ Cho biết Yt có quan hệ như thế nào với các giá trị trước đó của chính nó. Tự hiệp phương sai ở 0 bậc trễ bằng với phương sai của Yt γ0 = cov(Yt, Yt-0) = var (Yt) = σ2 ¢ Giátrị của tự hiệp phương sai phụ thuộc vào đơn vị đo lường của Yt
HIỆP PHƯƠNG SAI ¢ Công thức tính hiệp phương sai của X, Y
TỰ TƯƠNG QUAN AUTOCORRELATION ¢ Ký hiệu: τs (s là số bậc trễ) ¢ Giá trị chuẩn hóa của tự hiệp phương sai; được tính bằng cách chia cho phương sai (hoặc tự hiệp phương sai tại bậc trễ 0). τs daođộng trong khoảng [-1, 1]. ¢ Vẽ chuỗi τs cho các s = 0, 1, 2…, sẽ có sơ đồ được gọi là hàm tự tương quan (autocorrection function, ACF) hay còn gọi là biểu đồ/ giản đồ tương quan (correlogram)
QUÁ TRÌNH THỜI GIAN DỪNG STATIONARY TIME SERIES PROCESS ¢ Khái niệm dừng của chuỗi thời gian trong nghiên cứu kinh tế chủ yếu là dừng yếu/ dừng hiệp phương sai ¢ Chuỗi thời gian Yt là dừng nếu: Trung bình: E(Yt) = 𝜇, ∀t, t= 1, 2, 3, … Phương sai: Tự hiệp phương: ¢ Đối với chuỗi dừng, tự hiệp phương sai chỉ phụ thuộc vào khoảng cách giữa t và t-s
¢ Đặcđiểm dừng là đặc điểm quan trọng của dữ liệu chuỗi thời gian Đối với một quá trình thời gian dừng, tác động của cú sốc bất kỳ sẽ biến mất khi cú sốc lùi dần vào quá khứ Chuỗi thời gian không dừng không thể sử dụng cho dự báo Nếu chuỗi thời gian không dừng, kết quả hồi qui sẽ bị giả mạo (spurious regression)
KIỂM ĐỊNH TÍNH DỪNG CỦA CHUỖI THỜI GIAN ¢ Để xác định tính dừng của chuỗi thời gian. ¢ Phương pháp kiểm định tính dừng: Sử dụng ACF Kiểm định nghiệm đơn vị (unit root) (hay được gọi là kiểm định tính dừng)
SỬ DỤNG ACF ¢ Nếu chuỗi Yt dừng, ACF sẽ giảm về 0; ngược lại, nếu Yt không dừng, ACF sẽ không giảm về 0 hoặc không có dấu hiệu giảm về 0. ¢ Kiểm định ý nghĩa của các hệ số tự tương quan Nếu hệ số tự tương quan khác 0 một cách có ý nghĩa: ACF không giảm về 0. Kết luận, chuỗi không dừng Nếu hệ số tự tương quan không khác 0: ACF giảm về 0. Kết luận, chuỗi dừng
¢ Kiểm định dựa vào vùng không thể bác bỏ Giả thuyết kiểm định: H0: τs = 0; H1: τs ≠ 0 Nếu hệ số tự tương quan nằm ngoài vùng không thể bác bỏ, giả thuyết H0 bị bác bỏ, hệ số tương quan không bằng 0 Nếu hệ số tự tương quan nằm trong vùng không thể bác bỏ, giả thuyết H0 không thể bị bác bỏ, hệ số tự tương quan bằng 0
¢ Kiểm định dựa vào trị thống kê Q Giả thuyết kiểm định: ¢ H0: τ1 = τ2 = ... = τm = 0, với m là số bậc trễ tối đa ¢ H1 : có một hoặc nhiều τs ≠ 0 Trị thống kê kiểm định Q (Box và Pierce, 1970) T là qui mô mẫu, m là số bậc trễ tối đa Trị thống kê Q* (Ljung và Box, 1978)