Tiểu luận:Các mô hình dự báo có hữu cho việc phân tích chính sách

Chia sẻ: Bcjxc Gdfgf | Ngày: | Loại File: PDF | Số trang:48

Thêm vào BST

Báo xấu

89
lượt xem 18
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Muốn phân tích dự báo được về một vấn đề, lĩnh vực nào đó thì hệ thống thông tin dữ liệu phải đảm bảo theo dõi các chỉ tiêu thông tin dữ liệu về vấn đề đó một cách thường xuyên và linh hoạt.

Chủ đề:

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

Lưu

Nội dung Text: Tiểu luận:Các mô hình dự báo có hữu cho việc phân tích chính sách

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM VIỆN ĐÀO TẠO SAU ĐẠI HỌC *************** TIỂU LUẬN KINH TẾ PHÁT TRIỂN LIỆU RẰNG CÁC MÔ HÌNH DỰ BÁO CÓ HỮU ÍCH CHO VIỆC PHÂN TÍCH CHÍNH SÁCH (Are forecasting Models Usable for Policy Analysis?) Giáo viên hướng dẫn : TS. Nguyễn Hoàng Bảo Học viên thực hiện : Nhóm 2 Lớp : Cao học ngày 3 Khóa : K21 -------*****------- TP. Hồ Chí Minh, Tháng 8 năm 2012
DANH SÁCH NHÓM 2 STT Họ và tên Ký tên Ghi chú 1 Phạm Việt An 2 Nguyễn Hữu Đức 3 Lê Thị Mỹ Hạnh 4 Phạm Sỹ Khoa Nhóm trưởng 5 Lê Thị Mỹ Ngôn 6 Lê Thanh Thuỳ 7 Vũ Thị Hà Thương
NHẬN XÉT CỦA THẦY HƯỚNG DẪN MÔN HỌC ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ......................................................................................................................................
MỤC LỤC LỜI MỞ ĐẦU ............................................................................................................ 1 PHẦN 1: BÀI DỊCH ................................................................................................. 2 1.1 Liệu các mô hình dự báo có hữu ích cho việc phân tích chính sách? ................... 2 1.2 Các chú thích ................................................................................................... 32 PHẦN 2: TÓM TẮT BÀI DỊCH VÀ LIÊN HỆ THỰC TẾ .................................. 35 2.1 Tóm tắt bài dịch ............................................................................................... 35 2.2 Liên hệ thực tế: Ứng dụng mô hình VAR để kiểm định và dự báo lạm phát ở Việt Nam ............................................................................................................ 39 KẾT LUẬN .............................................................................................................. 43
LỜI MỞ ĐẦU Christopher Albert “Chris” Sims (sinh ngày 21 tháng 10 năm 1942) là một nhà khoa học kinh tế người Mỹ đã được trao giải Nobel Kinh tế năm 2011 cùng với Thomas J. Sargent. Hai ông được trao giải thưởng này vì “nghiên cứu thực nghiệm về nguyên nhân và sự ảnh hưởng trong kinh tế học vĩ mô”. Sims có bằng tiến sĩ kinh tế vào năm 1968 tại Đại học Harvard. Ông làm giảng viên tại Đại học Harvard, Đại học Minnesota, Đại học Yale, và từ năm 1999, tại Princeton. Sims là viện sỹ Viện Hàn lâm Khoa học Quốc gia (từ 1989) và Viện Hàn lâm Khoa học tự nhiên và Khoa học xã hội Hoa Kỳ (từ 1988). Năm 1995, ông là chủ tịch của Hội Toán kinh tế. Ông sẽ là chủ tịch đắc cử của Hiệp hội Kinh tế Mỹ trong năm 2011 và sau đó là Chủ tịch của Hiệp hội Kinh tế Mỹ trong năm 2012. Sims đã xuất bản nhiều tác phẩm quan trọng trong lĩnh vực nghiên cứu của mình: kinh tế lượng và lý thuyết và chính sách kinh tế vĩ mô. Ông là người cổ vũ sử dụng mô hình tự hồi quy vector kinh tế vĩ mô thực nghiệm, phát triển phương pháp sử dụng ước lượng Bayes trong mô hình tự hồi quy vector. Ông cũng đã góp phần phát triển các lý thuyết tài chính về mức giá và lý thuyết về thiếu chú ý duy lý. Trong bài tiểu luận này, nhóm 2 sẽ trình bày về một trong những bài nghiên cứu của Sims về vấn đề sử dụng các mô hình dự báo để phân tích chính sách có tiêu đề là “Are forecasting Models Usable for Policy Analysis?” (Liệu rằng các mô hình dự báo có hữu ích cho việc phân tích chính sách). Bài tiểu luận của nhóm 2 gồm có 2 phần chính: - Phần I: Bài dịch trình bày bằng tiếng Việt. - Phần II: Tóm tắt bài dịch và liên hệ thực tế về việc sử dụng các mô hình dự báo để phân tích chính sách tại Việt Nam. Khi thực hiện nghiên cứu và trình bày, Nhóm 2 không thể tránh khỏi những thiếu sót. Kính mong thầy và các bạn đọc sẽ có những góp ý để bài tiểu luận được hoàn thiện hơn và góp phần cung cấp một phần kiến thức kinh tế học hữu ích cho chúng ta.
PHẦN 1: BÀI DỊCH 1.1 LIỆU CÁC MÔ HÌNH DỰ BÁO CÓ HỮU ÍCH CHO VIỆC PHÂN TÍCH CHÍNH SÁCH?* Trong một bài nghiên cứu gần đây mô tả về việc ứng dụng của mô hình tự hồi quy (VAR) trong lĩnh vực kinh tế, Thomas Sargent (1979) đã nhấn mạnh rằng tuy những mô hình này đã đem lại lợi ích cho việc dự báo nhưng lại không thể sử dụng trong việc phân tích các chính sách. Gần đây thì quan điểm này không chỉ được ông mà còn những cá nhân khác, tiêu biểu là Edward Learner (1985) khẳng định lại một cách chắc chắn. Sở dĩ quan điểm này được khẳng định lại là vì các mô hình VAR đã được ứng dụng rộng rãi nhưng nhiều người sử dụng chúng vẫn còn rất hạn chế trong một thời gian dài vì họ chưa bao giờ nghĩ về việc ứng dụng chúng vào phân tích chính sách. Có nhiều cách hợp lý để hình thành những dự báo có điều kiện từ các mô hình VAR. Một khi ta đã nhận thấy thật dễ dàng để đạt được một dự báo có điều kiện căn cứ vào các dạng nhất định của các biến số chính sách, chắc chắn ta sẽ không thể cưỡng lại việc đưa ra các dự báo như vậy và khó có thể phủ nhận sự ảnh hưởng của chúng trong việc đưa ra một quyết định lựa chọn chính sách. Robert Litterman, người đi tiên phong trong việc chứng minh giá trị của các mô hình VAR về tính dự báo, cũng đã phát triển các phương pháp để sử dụng chúng trong việc thực hiện các dự báo có điều kiện nhằm hỗ trợ quyết định lựa chọn chính sách, thậm chí có thể ứng dụng để xây dựng các quy chế chính sách một cách tối ưu. (Tham khảo Litterman 1982, 1984.) Một nghịch lý tương tự có liên quan đến vai trò của các mô hình toán kinh tế thương mại có quy mô lớn. Trong một buổi thảo luận bàn tròn gần đây mà tôi tham dự, một nhà kinh tế học nổi tiếng đã thẳng thắng bày tỏ rằng vì những mô hình mang tính thương mại này chỉ có thể sử dụng trong dự báo, nên không ai sử dụng chúng một cách nghiêm túc như các nguyên lý kinh tế. Những bài phê bình các kỳ vọng duy lý của việc sử dụng các mô hình đó để phân tích chính sách đã tồn tại trên 10 năm và, trong một phần quan trọng của ngành kinh tế học, có vai trò chính thống đã được xác lập. Tuy nhiên khi sự lựa chọn chính sách thực sự được thực hiện ở mọi cấp độ trong cả lĩnh
vực công hay tư, thì các dự báo từ những mô hình lớn kể cả có điều kiện hay không, vẫn còn ảnh hưởng rộng rãi. Trường phái kỳ vọng duy lý (The rational expectations school) bắt đầu với một chương trình nhằm cung cấp một sự lựa chọn khác về những mô hình dự báo trong phân tích định lượng chính sách, nhưng chương trình này đã không mang lại những tác động thực tiễn. Tại sao lại như vậy? Có phải những người làm chính sách thực sự lại không thể hiểu được tính hữu ích của các mô hình VAR hay các mô hình toán kinh tế truyền thống khác trong việc hỗ trợ lựa chọn chính sách? Hay chăng là những tranh luận mang tính trừu tượng phản đối việc sử dụng các mô hình theo cách này lại thiếu đi một số điểm quan trọng? Tại sao đưa ra chính sách với một mô hình dự báo được coi là một sai lầm? Có hai lời giải thích theo quan điểm cá nhân cho các lập luận phản đối việc sử dụng các mô hình dự báo để phân tích chính sách. Lời giải thích thứ nhất là các mô hình đó không có gì hơn là làm công việc mô tả tóm tắt các dữ liệu lịch sử, thường dựa trên mối tương quan mẫu. Trong khi một mô tả như vậy có thể được ngoại suy vào một dự báo hữu ích, giả sử rằng nó có thể là cơ sở cho việc dự báo các tác động của việc lựa chọn chính sách có nghĩa là dùng sự tương quan để chỉ ra mối quan hệ nhân quả, điều mà tất cả chúng ta đều hiểu là sai lầm. Các lập luận ở dạng này hướng trực tiếp vào các mô hình VAR, đó là các mô hình thống kê mô tả đơn giản mà ứng dụng của nó không có gì hơn là tóm tắt các mối tương quan theo một cách thức thuận tiện. Các lập luận này cũng gián tiếp hướng đến các mô hình thương mại lớn (large commercial models), bởi vì nhiều nhà kinh tế (trong đó có bản thân tôi) coi các giải thích kinh tế những mô hình này cho ra những phương trình gượng ép và không chắc chắn. Bất chấp tính không chắc chắn của các giải thích, các mô hình này rõ ràng là hữu ích trong việc đưa ra các dự báo. Các nhà kinh tế mà chấp nhận dạng lý lẽ phản đối các mô hình dự báo như là các công cụ chính sách này có thể đã sẵn sàng bác bỏ việc sử dụng các mô hình thương mại lớn vào việc phân tích chính sách bất chấp sự thừa nhận giá trị của chúng trong dự báo.
Sargent (1984) đưa ra lời giải thích thứ 2 cho các lập luận phản đối việc sử dụng các mô hình dự báo để phân tích chính sách. Ông quan sát thấy rằng mô hình VAR thường kết hợp các biến chính sách vào mô hình một cách đối xứng với các biến khác và xem tất cả chúng như các biến ngẫu nhiên. Về nguyên tắc, ông đồng ý rằng việc lựa chọn chính sách là các biến ngẫu nhiên, với sự không chắc chắn về ảnh hưởng quan trọng của các biến này trên hành vi thực tế. Tuy nhiên, khi chúng ta lựa chọn một chính sách, không phải đơn thuần là chúng ta gieo một con xúc xắc mà thay vào đó, chúng ta thường phải đưa ra một sự lựa chọn duy nhất có tính quyết định. Chúng ta có thể suy nghĩ không hợp lý về sự lựa chọn như vậy trong phạm vi giới hạn của một mô hình mà trong đó chính sách được xác định bởi một số cơ chế ngẫu nhiên. Khi được giải thích một cách thích đáng, cả hai lời giải thích cho các lập luận đó là chính xác, thậm chí là có sự lặp lại không cần thiết. Thật khó để có thể sử dụng một mô hình thống kê để phân tích chính sách mà không cần quan tâm đến các mối tương quan để đưa ra một lời giải thích kinh tế cho chúng. Việc đưa ra một giải thích như vậy thường được các nhà toán kinh tế gọi là xác định một mô hình. Và người ta không thể phân tích sự lựa chọn của các biến số chính sách mà không thể không phân tích các chuỗi phức tạp liền mạch (seamless web) của một mô hình trong đó tất cả các biến chính sách đều được xác định bên trong mô hình. (Trong thực tế, những lập luận này thậm chí còn được áp dụng đối với việc sử dụng một mô hình cho việc dự báo). Nhưng những lập luận đúng đắn này không phải là phản đối việc sử dụng các mô hình dự báo để hỗ trợ cho sự lựa chọn chính sách. Chúng chỉ chỉ ra rằng khi chúng ta tìm thấy một cách sử dụng một mô hình như vậy để hướng dẫn việc lựa chọn chính sách, chúng ta đang bổ sung cho nó một sự giải thích xác định một cách ngầm hiểu hay rõ ràng. Để phản đối việc sử dụng những mô hình như vậy trong việc lựa chọn chính sách, chúng ta phải so sánh các giải thích xác định với những sự lựa chọn thay thế khác. Sự lựa chọn thực tế nằm trong số các phương pháp phân tích chính sách dựa trên các xác định không cần thiết. Trong đó, những giả định xác định đơn giản, không chặt chẽ đủ để đưa một mô hình dự báo đến chỗ tạo ra một vấn đề chính sách được áp đặt, đối nghịch với các lựa chọn thay thế dựa trên các giả định xác định phức tạp, chặt chẽ mà dẫn đến các mô hình với những đặc tính dự báo kém.
Dạng rút gọn, Mô hình cấu trúc và Sự xác định (Reduced form, Structure, Identification) Ba thuật ngữ Dạng rút gọn, Mô hình cấu trúc và Sự xác định không chỉ được sử dụng trong lĩnh vực kinh tế mà còn được sử dụng trong những lĩnh vực khác theo nhiều cách khác nhau. Nhưng nhìn chung, một Dạng rút gọn (reduced form) là một mô hình mô tả làm thế nào một số dữ liệu lịch sử, chúng ta có thể gọi là tập X, được tạo ra bởi một số cơ chế ngẫu nhiên. Khi chúng ta ước lượng một mô hình dạng rút gọn, chúng ta xây dựng một vài thống kê mà tóm tắt các dữ liệu đầy đủ của tập X. Mô hình dạng rút gọn có thể được xem như là một nhân tố căn bản cho một dạng cụ thể của tóm tắt dữ liệu. Một cấu trúc, hay còn gọi mô hình cấu trúc, là một mô hình mà chúng ta có thể sử dụng trong việc ra quyết định. Nó tạo ra các dự đoán về các kết quả Z của những hình thức tác động khác nhau A mà chúng ta đã thực hiện. Những khái niệm về mô hình cấu trúc và dạng rút gọn tiềm ẩn trong hầu hết các hình thức sử dụng dữ liệu để hỗ trợ ra quyết định, nhưng khi một nhà toán học kinh tế sử dụng các khái niệm này, nhìn chung họ thường trình bày rõ ràng một dạng rút gọn là phân phối xác suất p (X, β) cho các dữ liệu như một hàm số của các tham số dạng rút gọn β và trình bày một mô hình cấu trúc như là một phân phối có điều kiện q (Z / A; α) của kết quả hình thành từ những tác động, tùy thuộc vào các tham số cấu trúc chưa biết α. Xác định một mô hình là khi khẳng định mối liên kết giữa dạng rút gọn và mô hình cấu trúc, để cho các ước lượng các tham số dạng rút gọn β có thể được sử dụng để quyết định các tham số cấu trúc α. (1) Hiểu một cách đơn giản nhất, sự xác định (Identification) là sự giải thích sự biến động của các dữ liệu quan sát trong lịch sử bằng 1 phương pháp mà cho phép các biến động có thể được sử dụng để dự đoán kết quả của một hành động chưa thực hiện. Thực hiện kết nối giữa dữ liệu và kết quả của những quyết định là điều không dễ dàng, và việc thực hiện kết nối đó càng trở nên khó hơn xa hơn nữa là các hành động mà chúng ta dự tính thực hiện từ bất kỳ một sự kiện quan sát nào trong lịch sử. Nếu chúng ta may mắn, có thể có sự biến động ngẫu nhiên về mặt lịch sử trong các hành động mà tương
tự như các hành động chúng ta đang dự kiến. Sau đó chúng ta có thể sử dụng dữ liệu trực tiếp để quyết định các tác động của các hành động của chúng ta có thể xảy ra. Nhưng đôi khi chúng ta phải dự tính những hành động hoàn toàn khác nhau từ những quan sát trong quá khứ, trong đó việc xác định các trường hợp trở nên khó khăn hơn và dễ gây tranh cãi. Trong kinh tế học, các mô hình cấu trúc thường được xây dựng để mỗi tham số trong vector α đều có một sự giải thích kinh tế. Có nghĩa là các yếu tố của α sẽ có dạng như "độ co giãn của cầu tiền theo lãi suất" hoặc "độ co giãn thay thế giữa yếu tố điện năng và yếu tố lao động trong ngành sản xuất sữa". Ngược lại, các yếu tố của các vector β thường khó giải thích hơn vì chúng phản ánh sự ảnh hưởng kết hợp của hành vi trong nhiều lĩnh vực của nền kinh tế. Tuy nhiên, không có một tiêu chuẩn duy nhất để một tham số có cách giải thích kinh tế. Các tham số trong mô hình có thể có những cách giải thích, nhưng nếu mô hình không phải là mô hình cấu trúc, đồng nghĩa với việc chúng ta không thể sử dụng nó để đưa ra những dự đoán về kết quả của những hành động mà chúng ta quan tâm. Ngược lại, chúng ta có thể sử dụng một mô hình đưa ra các dự đoán một cách chính xác ngay cả khi một số hoặc tất cả các tham số của mô hình đó không có sự giải thích phù hợp. Toán học chính thống khẳng định sự kết nối giữa một mô hình dạng rút gọn và một mô hình bất cấu trúc điều mà có sự giải thích thỏa đáng là không có gì khác so với sự kết nối giữa mô hình dạng rút gọn và mô hình cấu trúc. Nhiều nhà kinh tế đã có suy nghĩ về các mô hình cấu trúc như là các mô hình với các giải thích thoả đáng cho tất cả các tham số. Khẳng định không thể tranh cãi rằng việc dự đoán các tác động của chính sách đòi hỏi phải có sự xác định của một mô hình cấu trúc, do đó trở thành nguồn gốc của sự hiểu lầm nghiêm trọng về mặt ngữ nghĩa.(2) Một số ví dụ về sự xác định trong việc ra quyết định (Examples of identification in Decision-making) Để đưa thảo luận trừu tượng này trở nên dễ hiểu, tôi sẽ trình bày một loạt các ví dụ về việc áp dụng mô hình thống kê để đưa ra quyết định. Bảng tính (Spreadsheet)
Có lẽ hình thức đơn giản nhất và được sử dụng rộng rãi nhất của mô hình định lượng như là một trợ giúp để lựa chọn chính sách là mô hình bảng tính tài chính. Ở đây việc tính toán các xác định và một số mối quan hệ đơn giản trong số các loại tính toán mô tả các biểu hiện lịch sử trung bình được sử dụng như một khuôn mẫu cho việc dự báo các kết quả của các quyết định kinh doanh. Ở kiểu mô hình này, không có mô hình xác suất tiềm ẩn, mặc dù việc sử dụng biểu hiện trung bình trong quá khứ để dự báo cho tương lai hàm ý các niềm tin về cấu trúc xác suất của dữ liệu. Dạng rút gọn được hiểu ngầm trong các danh mục cụ thể được sử dụng để báo cáo và tóm tắt các dữ liệu kế toán về lợi nhuận gộp, lợi nhuận trên vốn chủ sở hữu, tỷ lệ năng suất... Mô hình cấu trúc thường được hình thành bằng cách giả định rằng các tỷ lệ trung bình quan sát trong lịch sử nào đó trong các dữ liệu kế toán thì dường như không thay đổi theo những thay đổi khác nhau trong chiến lược kinh doanh và do đó có thể được sử dụng để dự báo các tác động của những thay đổi trong chiến lược. Mọi người đều hiểu rằng những mô hình này không tránh khỏi các hạn chế; tuy nhiên, bởi vì các mô hình này áp đặt một số sự thống nhất không thay đổi về các dự đoán của một danh sách dài các con số có liên quan đến nhau, vì thế các mô hình đó là hữu ích. Các giả định xác định của các mô hình ít khi tập trung vào các chú ý rõ ràng, mặc dù người sử dụng chúng hiểu rằng các giả định là các phép tính gần đúng thô thiển và do đó làm giảm giá trị quyết định của các kết quả của mô hình. Các thử nghiệm lâm sàng trong y học (Clinical trials in medicine) Một ví dụ khác đơn giản hơn, phát sinh trong các thử nghiệm lâm sàng trong y học. Chúng ta có thể có các kết quả từ một nghiên cứu của 200 bệnh nhân, 100 bệnh nhân được cho điều trị bằng phương pháp cũ và 100 bệnh nhân được cho điều trị theo phương pháp mới. Kết quả có thể được trình bày thành bảng phân loại chéo phân thành 16 mục theo chủng tộc, độ tuổi, và giới tính của bệnh nhân. Việc hoàn thành bảng tính chéo có thể được xem như là một tập hợp dạng rút gọn các tham số ước lượng. Kết quả cho thấy rằng 80 trong số những người được điều trị bằng phương pháp mới được chữa khỏi, trong khi đó chỉ có 30 trong số những người được điều trị bằng phương pháp cũ được chữa khỏi. Người bác sĩ mà sử dụng nghiên cứu này có thể hiểu là phương pháp
điều trị mới tốt hơn và tiến hành chọn phương pháp mới cho tất cả các bệnh nhân của ông. Ông sẽ xem tỷ lệ tổng thể của bệnh nhân trong nghiên cứu, những người được hưởng lợi từ mỗi phương pháp điều trị là một chỉ dẫn tốt về khả năng mà một bệnh nhân của mình sẽ được hưởng lợi từ điều trị. Mô hình cấu trúc của ông hoàn toàn coi nhẹ mức độ thay đổi chéo giữa các mục độ tuổi, chủng tộc, giới tính như là sự thay đổi ngẫu nhiên không quan trọng. Nhưng giả sử bệnh nhân đầu tiên mà bác sĩ định sẽ áp dụng kết quả nghiên cứu (sử dụng phương pháp điều trị mới) là một đàn ông da đen 24 tuổi. Lúc đó, bác sĩ sẽ nhớ lại rằng chỉ có 4 người đàn ông da đen khoảng 15 đến 25 tuổi trong nghiên cứu mà ông đã thực hiện và điều đáng nói là những người mà được điều trị bằng phương pháp cũ thì lại sống sót còn những người mà được điều trị bằng phương pháp mới thì lại chết. Với thông tin này, bác sĩ có thể vẫn sẽ lựa chọn cách điều trị mới, nhưng sự lựa chọn là không thể máy móc như vậy mà sẽ phụ thuộc vào chi tiết của dữ liệu và niềm tin của bác sĩ về các phương pháp đó sẽ có tác dụng như thế nào - đó là, liệu rằng có bất cứ một lý do nào để giả định các phương pháp điều trị sẽ có tác dụng khác nhau đối với những người đàn ông da đen trẻ tuổi nói chung. Đây là các câu hỏi thực tế được đặt ra với bất kỳ bệnh nhân nào: Bệnh nhân trong trường hợp cụ thể này có giống với các bệnh nhân được chọn trong mẫu nghiên cứu mà kết quả nghiên cứu từ mẫu là phù hợp không? Kết quả có thể được ngoại suy đến tuổi hoặc các nhóm dân tộc không được hoàn toàn không có tính đại diện cho mẫu không? Một bác sĩ thú y có nên sử dụng kết quả nghiên cứu trên con người này để điều trị cho ngựa không? Đây chính là vấn đề xác định (Identification problem). Dự báo (Forecasting) Trong kinh tế, việc sử dụng dự báo ngụ ý rằng một số quyết định đang được thực hiện có thể bị ảnh hưởng bởi niềm tin về hướng đi tương lai của nền kinh tế. Mô hình dạng rút gọn mô tả dữ liệu kỳ lịch sử t được rút ra từ 1 phân phối xác suất có điều kiện thông qua dữ liệu của kỳ t -1, thường có dạng phân phối tương tự như các dữ liệu của kỳ t. Trong một tình huống dự báo thuần tuý, mô hình cấu trúc cho thấy rằng phân phối của dữ liệu kỳ kế tiếp không bị tác động bởi bất kỳ hành động nào mà chúng ta
thực hiện, nhưng nó có liên quan đến dữ liệu của kỳ hiện tại trong cùng một cách mà dữ liệu ở kỳ t có liên quan đến dữ liệu của kỳ t -1 tại tất cả các kỳ lịch sử t. nhưng luôn luôn có một nghi vấn là liệu rằng kỳ cụ thể này có khác hay không khác nhau từ những gì chúng ta đã thấy trong lịch sử: Quý này sẽ là một trong những quý mà mô hình dự báo của chúng ta cuối cùng đã bị phá vỡ hay không? Và cũng là luôn luôn có một nghi vấn là liệu rằng quyết định mà chúng ta đưa ra có thực sự tác động hay không có tác động lên dữ liệu của thời kỳ kế tiếp. Nếu quyết định là có nên thế chấp nhà hay không, thì sau đó có lẽ không có tác động, nhưng nếu quyết định là có nên sa thải 10,000 công nhân hay không, thì câu trả lời có thể không được rõ ràng như vậy. Chính sách kinh tế vĩ mô (Macroeconomic policy) Khi các mô hình kinh tế vĩ mô được sử dụng để dự báo ảnh hưởng của chính sách, thủ tục thông thường nhất bắt đầu với một mô hình trong đó các biến chính sách xuất hiện một cách rõ ràng và trong đó các biến được đưa vào như đã định trước. Đó là, mô hình ở dạng mà ở đó các biến phi chính sách ở kỳ đã cho được xác định bằng cách đưa vào các biến chính sách tại kỳ đã cho. Các lựa chọn chính sách khi đó được xác định bằng chuỗi thời gian của các biến chính sách, và các phương trình của mô hình được sử dụng để giải quyết cho các hướng của các biến số khác tương ứng với các lựa chọn chính sách khác nhau. Trong khi việc tính toán đại số của thủ tục này là không khó, thì giải thích của nó như là một xác định của một dạng rút gọn là không đơn giản. Giả sử mô hình là tuyến tính và đầy đủ ở chỗ nó có thể được giải được tất cả các biến mà nó chứa, ngoại trừ các biến chính sách.(3) Gọi các biến chính sách là X và các biến khác là Y, một hệ phương trình cho tất cả các biến có dạng: (1) Y(t)A = X(t)B + Z(t -1)C + e(t) (2) X(t) = Z(t-1)D + u(t) Trong đó Z(t-1) là vector của tất cả các giá trị trễ của X và Y tham gia vào hệ phương trình, khối đầu tiên (1) của các phương trình là mô hình, và khối thứ hai (2) của các phương trình là các phương trình dự báo cho các biến chính sách. Chúng ta tìm thấy các hướng cho tương lai Y tương ứng với các hướng cho X bằng cách cố định các
hướng X và giải Y sử dụng khối đầu tiên của phương trình. Khi chúng ta làm điều này, chúng ta để các nhiễu e(t) trong khối đầu tiên của phương trình bằng không trong khi điều chỉnh các phần dư u(t) trong khối thứ hai để đạt được các hướng giả thuyết cho X cái mà đại diện cho các lựa chọn chính sách. Sự thay đổi trong chính sách được trình bày hoàn toàn thông qua sự thay đổi trong u(t), mà không có sự thay đổi trong e(t). Các phương trình của mô hình đã phù hợp với dữ liệu lịch sử. Để mô hình được hợp lý để dự báo các ảnh hưởng của chính sách bằng cách thiết lập e bằng không và thay đổi u, thì đầu tiên phải chấp nhận rằng các dữ liệu lịch sử của u(t) và e(t) không có liên quan, và thứ hai là giả sử rằng các lỗi dự báo cho các biến chính sách có thể được xác định bằng sự thay đổi chính sách. Thật sự không cần thiết khi chỉ có duy nhất nguồn của lỗi tiên đoán trong các thay đổi chính sách là những sự thay đổi chính sách, nhưng tất cả các nguồn của lỗi tiên đoán cho những sự thay đổi chính sách phải có cùng kiểu ảnh hưởng lên nền kinh tế như là các thay đổi chính sách. Ví dụ, trong một khoảng thời gian khi cơ quan quản lý tiền tệ đang duy trì mức lãi suất ổn định, Những thay đổi của số lượng tiền tệ sẽ trực tiếp phản ánh những thay đổi trong nhu cầu tiền ít nhất là trong ngắn hạn. Xem xét số lượng tiền như là một biến chính sách theo phương pháp truyền thống của dự báo chính sách sẽ dẫn đến những sai lầm nghiêm trọng, vì nó sẽ hàm ý một sự xác định sai lầm của các tác động lịch sử của sự thay đổi cầu tiền với những ảnh hưởng của chính sách tạo ra những thay đổi trong số lượng tiền. Thuế sản xuất sản phẩm (An Excise Tax) Một mô hình thống kê không cần thiết chứa các biến chính sách để có hữu ích trong việc dự báo các các tác động của chính sách. Một ví dụ đơn giản nhất trong sách giáo khoa nói về sự xác định các mô hình toán kinh tế chính là mô hình cung - cầu: Cầu (3) p(t) =    q(t) +  y (t )  u (t ) Cung (4) p(t) =   q(t )  w(t )  (t ) Trong đó p là giá q là sản lượng, y là thu nhập, và w là thời tiết. Mặc dù mô hình này không chứa một biến thuế sản xuất sản phẩm, nhưng nó vẫn có thể được sử dụng để dự
đoán những ảnh hưởng của thuế sản xuất sản phẩm. Gọi mức thuế suất thuế sản xuất sản phẩm ở kỳ t là f(t). Khi đó, nếu không có thuế trong quá khứ, chúng ta vẫn có thể dự đoán tác động của thuế đã nộp của các nhà sản xuất bằng cách đưa f vào phương trình cung (4), ta được: (5) [ 1  f (t )] p(t )    q(t )  w(t )   (t ) Giải p và q, ta có thể thu được: p ( t )  {  [    y ( t )  u ( t )] (6)   [    w ( t )   ( t )]}  {    [ 1  f ( t )]} (7) q( t )  {[1  f ( t )][  y ( t )  u (t )]  [  w( t )  v ( t )]}  {   [1  f ( t )]} mà có thể được sử dụng để dự đoán những tác động của các mức thuế suất f(t) cho giá trị đã cho của thời tiết và thu nhập, là các biến được xem xét xác định ở bên ngoài thị trường này. Trong ví dụ này những phản ứng lịch sử của giá cả và sản lượng đối với các biến đổi trong thời tiết và thu nhập đang được sử dụng để dự đoán các phản ứng của chúng đối thuế sản xuất sản phẩm chưa được thử nghiệm trước đây. Đây là một thủ thuật trí tuệ rất hay, vì có rất nhiều nhà kinh tế đôi khi quên rằng nó thực sự sẽ là tốt hơn để có một vài dữ liệu lịch sử từ thời kỳ mà trong đó thực sự có thuế sản xuất sản phẩm. Trong trường hợp đó hệ phương trình (6) - (7) có thể được ước lượng trực tiếp từ (3) - (4). Khi chúng ta phải rút hệ (6) – (7) từ (3) – (4), chúng ta dựa trên một số giả định chắc chắn. Trong số những giả định này là giả định rằng các động lực mà đã có sự phù hợp về mặt lịch sử đối với mô hình các giao động giá cả thị trường cũng sẽ đủ để mô hình phản ứng lại với một sự thay đổi liên tục hơn trong giá cả do thuế gây ra. Một giả định khác là giả định rằng biểu hiện cung sản xuất là hoàn toàn cạnh tranh. (4) Phân tích chính sách các kỳ vọng duy lý Các thủ tục đánh giá chính sách lý tưởng của trường phái kỳ vọng duy lý - những gì mà Sargent (1984) đã quan tâm đến như là một sự lựa chọn thay thế cho các phương pháp gắn chặt với các mô hình VAR - bắt đầu với một mô hình xác suất động cho nền kinh tế. Chúng ta có thể gọi toàn bộ mô hình này là Y. Ngoài ra còn có một quy luật phân phối xác suất cho các biến chính sách, mà chúng ta có thể gọi là X. Mặc
dù các biến chính sách đã thay đổi về phương diện lịch sử, nhưng trường phái kỳ vọng duy lý lại phân biệt rõ ràng giữa những sự thay đổi trong các biến chính sách và những thay đổi trong quy luật phân phối xác suất chi phối các biến chính sách. Chỉ có sự thay đổi quy luật xác suất chi phối các biến chính sách được xem là những thay đổi "thực sự" trong chính sách. Trong khuôn khổ lý tưởng, X không thay đổi ở tất cả các kỳ lịch sử. Giả sử chúng ta thực hiện một sự sự thay đổi cố định đơn giản ở X. Xem xét các dữ liệu trong lịch sử mà trong đó X không thay đổi để cho chúng ta biết những gì sẽ xảy ra với Y khi chúng ta thực sự không thể thay đổi X. Điều này tương tự về mặt định tính đối với vấn đề dự báo ảnh hưởng của thuế sản xuất sản phẩm chưa từng được áp đặt trước đây, như chúng ta thảo luận ở phần trước, mặc dù vấn đề xác định các kỳ vọng duy lý là thậm chí còn thú vị và thách thức về trí tuệ hơn. Như Hansen và Sargent (1980) đã vạch ra, điều quy định các kỳ vọng duy lý là các tham số của “các hàm mục tiêu của các tác nhân" được ước lượng. Các tham số này, thường được mô tả là "thị hiếu và công nghệ", được xem là không thay đổi với quy luật quyết định sự chi phối X và cũng là đủ để xác định phản ứng của nền kinh tế trước những thay đổi một lần duy nhất trong quy luật quyết định. Cả sự đòi hỏi để có thể ước tính tất cả các khía cạnh liên quan của thị hiếu và công nghệ lẫn sự đòi hỏi để có thể sử dụng chúng để dự đoán phản ứng với những thay đổi trong X, chúng ta sẽ phải làm cho các giả định ở nhóm có tầm ảnh hưởng lớn trở nên phức tạp và nhiều nghi vấn hơn những các giả định đó trong ví dụ thuế sản xuất sản phẩm. Ngay trong ví dụ thuế sản xuất sản phẩm, chúng ta thực sự tốt hơn nếu sự thay đổi trong quy luật xác suất cho các biến chính sách mà chúng ta dự định bổ sung có các tiền lệ. Trong trường hợp đó cả Y và X cần các đối số thời gian (time arguments), và chúng ta phải xem xét làm thế nào để xây dựng một mô hình động liên kết X(t) với Y(t). Trong mô hình này, các giá trị của các biến số chính sách sẽ được xác định ở hai bước - đầu tiên X(t) được xác định, sau đó các giá trị của các biến số chính sách được tạo ra bởi X(t). X(t) chính nó khi đó không phải là quy luật xác suất tạo ra các biến chính sách, nhưng là một phần hay một giai đoạn của luật xác suất đó. Tuy nhiên, nếu X(t) là những gì chúng ta đang trong quá trình lựa chọn, thì những gì chúng ta cần là sự phân bố hướng đi tương lai của Y(t) cho sự lựa chọn có chủ ý của chúng ta một hướng
đi cho X(t). Thực tế là Y(t) và X(t) đại diện cho những quy luật xác suất, không phải là giá trị của các biến thực sự, không thay đổi bản chất cơ bản của vấn đề xác định (the identification problem). Bằng cách xem xét các thủ tục đánh giá chính sách tiêu chuẩn đã áp dụng trong một tình huống nơi mà những thay đổi chính sách thực sự thay đổi cấu trúc tuyến tính của nền kinh tế bằng cách thay đổi các quy tắc hình thành kỳ vọng, bài phê bình những kỳ vọng duy lý chỉ ra một chiều hướng (dimension) quan trọng mà những thủ tục như vậy có thể thất bại. Nếu chính sách thay đổi luân phiên ở những khoảng thời gian ngẫu nhiên khoảng chừng 10 năm, chẳng hạn như giữa chính sách mở rộng lạm phát của nhu cầu và chính sách thắt chặt, thì khi đó sự hình thành kỳ vọng bởi công chúng sẽ khác nhau giữa hai kiểu thể chế (regime). Điều đó có vẻ như là nền kinh tế sẽ được đưa vào mô hình phi tuyến tính tốt nhất, có thể thay đổi một cách hệ thống giữa hai cấu trúc tuyến tính giới hạn khác nhau như là bằng chứng của một sự thay đổi chế độ chính sách tích lũy. Mô hình lý tưởng sẽ bao gồm một mô tả đầy đủ và chính xác rằng bằng cách nào mà cách thức hình thành kỳ vọng thay đổi cùng với những thay đổi chính sách. Một mô hình như vậy có thể sẽ chỉ ra các phản ứng phi tuyến tính nhằm thay đổi các hướng đi của các biến số chính sách. Một mô hình mà bỏ qua tính chất phi tuyến tính này sẽ không chính xác, mặc dù có thể chính xác cho dự báo ngắn hạn trong các thể chế. Tuy nhiên, một mô hình có thể xem xét một cách đúng đắn về tính chất phi tuyến tính mà không cần sự hình thành kỳ vọng mô hình một cách rõ ràng. Một mô hình như vậy thậm chí có thể đưa ra sự chỉ dẫn chính xác cho các nhà hoạch định chính sách về những ảnh hưởng của một sự thay đổi trong thể chế. Trong ý nghĩa mà chúng ta đang đưa ra thuật ngữ, mô hình là cấu trúc, không phải là một dạng rút gọn, mặc dù một số các tham số của nó sẽ làm mất đi những ảnh hưởng của cầu đối với cung hoặc những ảnh hưởng của sự hình thành kỳ vọng đối với những chi phí điều chỉnh. Thậm chí một mô hình mà không bỏ qua tính chất phi tuyến tính sẽ là chính xác chỉ khi quy luật xác suất chi phối quá trình của sự thay đổi thể chế vẫn không thay đổi về phương diện lịch sử. Nhưng thật là không đúng khi nói rằng không có sự thay đổi "thực sự" trong chính sách mà không có một sự thay đổi trong quy luật xác suất. Thực tế là công chúng đã có quan niệm về một số các phân phối xác suất đối với các hành
động có thể thực hiện bởi nhà hoạch định chính sách không có nghĩa là anh ta phải đối mặt với việc không có sự lựa chọn thực sự. Trong thực tế, công chúng duy lý sẽ luôn luôn có một phân phối như vậy đối với tất cả các lựa chọn chính sách mà thực sự có thể xảy ra. Mặc dù không có một khái niệm được định nghĩa rõ ràng về một phân phối xác suất có điều kiện cho con đường tương lai của nền kinh tế mà đã cho những tác động chính sách. Sự phân phối có điều kiện này là những gì mà một nhà hoạch định chính sách cần phải đưa ra sự lựa chọn của mình, và sự tồn tại của nó không xung đột cũng lúc với quan niệm của công chúng về một phân phối xác suất đối với những sự lựa chọn mà nhà hoạch định chính sách có thể thực hiện. Điều đó cũng thật sự không đúng khi nói rằng sự tồn tại của một quy luật xác suất chi phối chính sách hàm ý rằng là có thể không có sự tiến bộ khoa học trong việc lập chính sách. Một công chúng duy lý có thể mong đợi những sự cải tiến không thường xuyên trong việc ra chính sách, mặc dù thời gian của những cải tiến có khả năng vẫn không đoán trước được. Nếu điều này là đúng, thì cấu trúc năng động của nền kinh tế sẽ trôi qua theo thời gian khi việc ra chính sách được cải thiện. Một mô hình mà bỏ qua nguồn phi tuyến này sẽ là không chính xác, nhưng một lần nữa một mô hình có thể cho phép tính chất phi tuyến này mà không cần đưa vào các giải thích chi tiết cho tất cả các tham số của nó. Các ví dụ nổi bật nhất về những tình huống mà trong đó các nhà kinh tế bị lôi cuốn mạnh mẽ đối với sự tiếp cận những kỳ vọng duy lý để phân tích chính sách là những thay đổi đột ngột trong các thể chế chính sách - những thay đổi từ tỷ giá hối đoái cố định thành tỷ giá hối đoái linh hoạt (hoặc ngược lại) hoặc những cải cách tài chính và tiền tệ nhằm chấm dứt lạm phát ở mức cao. Về mặt nguyên tắc, người ta có thể nỗ lực để dự báo các ảnh hưởng của những thay đổi chính sách bằng cách sử dụng dữ liệu từ những thời kỳ trong đó những cú sốc đối với nền kinh tế là ít đáng kể và có bản chất hoàn toàn khác nhau. Người ta có thể sử dụng dữ liệu từ một thời kỳ mà trong đó lạm phát có sự biến động nhẹ, chính sách tiền tệ ổn định, và những biến động kinh tế phát sinh chủ yếu từ tác động của thời tiết lên sản lượng nông nghiệp cho đến ước lượng độ hữu dụng và chức năng sản xuất cho nền kinh tế. Nếu ước lượng này thành công, dưới các giả định phụ thông thường của các kỳ vọng duy lý, thì nó có thể được sử dụng để dự đoán tác động của sự thay đổi từ tỷ giá hối đoái cố định thành tỷ giá hối
đoái linh hoạt hoặc của sự cải cách tài chính để đẩy lùi lạm phát. Tuy nhiên, hầu hết các nhà kinh tế sẽ không tin tưởng lắm trong một vận dụng như vậy. Thậm chí trong số đó có những người tin rằng điều đó là hữu ích để nghĩ thị hiếu và công nghệ như là các nhân tố xác định phản ứng của nền kinh tế đối với chính sách - ngay cả khi họ hiểu rằng những ước tính kinh tế về độ hữu dụng và các chức năng sản xuất ít nhiều là những phép tính xấp xỉ thô thiển. Và họ hiểu rằng giá trị của những phép tính xấp xỉ ắt hẳn là sẽ giảm đi khi mô hình được ngoại suy cho tình huống xa hơn bên ngoài phạm vi của sự biến động quan sát trong dữ liệu. Sargent (1982) đã thực hiện một số phân tích thực nghiệm về những thay đổi chính sách như vậy, vẫn giữ quan điểm kỳ vọng duy lý nhưng sử dụng một phương pháp luận làm giảm đi sự phản đối quan điểm này. Ông nghiên cứu một số ví dụ trong lịch sử về những thay đổi chính sách kinh tế mà đã đẩy lùi được lạm phát ở mức cao và cho thấy rằng chúng chứa đựng những bài học về chính sách chống lạm phát nói chung. Cách tiếp cận này tránh được sự cần thiết phải dự báo những ảnh hưởng của sự thay đổi chính sách lớn như vậy từ các dữ liệu lịch sử đơn thuần mà trong đó những thay đổi như vậy đã không kết hợp với một cấu trúc chặt chẽ của các giả định. Tuy nhiên, cũng như trong bất kỳ nghiên cứu nào mà sử dụng dữ liệu có liên quan đến lựa chọn chính sách, thì có những giả định xác định có thể gây tranh cãi: liệu rằng thành công của những cải cách này do một nhà hoạch định chính sách đã có quyết định bằng hàng loạt các hành động thích hợp? Hay nó là một phần của sự biến động của lạm phát ở mức cao tại một giai đoạn nhất định mà những tác động như vậy cuối cùng cũng có thể xảy ra? Chúng ta có thể suy diễn ảnh hưởng của các tác động chính sách vừa phải lên lạm phát thấp bằng cách thu hẹp ảnh hưởng của các tác động chính sách quyết liệt về lạm phát cao không? Hay là mọi thứ phải phi tuyến tính hơn thế? Không có sự khác biệt về nguyên tắc giữa các câu hỏi về những phân tích lịch sử của Sargent với các câu hỏi tương ứng về các sử dụng 1 mô hình VAR để dự báo những ảnh hưởng của chính sách tiền tệ chặt chẽ hơn trong năm kế tiếp khi chúng ta xác định chính sách tiền tệ thắt chặt với các phần dư dương (+) trong phương trình mức lãi suất của mô hình. Tất nhiên, trong trường hợp cụ thể có thể có sự khác biệt. Một số nguời có thể cảm thấy những câu hỏi về các giả định xác định của Sargent trong việc
áp dụng các nghiên cứu lạm phát ở mức cao ít nhiều cũng bàn về việc xác định các lỗi dự đoán trong mức lãi suất với chính sách. Vấn đề là trong bất kỳ nghiên cứu thực nghiệm nào cũng sẽ có những câu hỏi gây tranh cãi về việc xác định, những câu hỏi đó ít nhiều sẽ để lại cho chúng ta những bất tiện khi áp dụng các kết luận. Khuôn khổ các kỳ vọng duy lý nêu ra các vấn đề từ một góc độ khác, nhưng nó vẫn không thể tránh được điều đó. Những mô hình kỳ vọng duy lý chống lại sự phân tích chính sách với những mô hình dự báo Rõ ràng, về nguyên tắc, 1 mô hình cân bằng kỳ vọng duy lý có thể là 1 mô hình dự báo tốt như mô hình VAR. Nhưng thực tế, trong 1 thế giới nơi mà con người thì duy lý và thị trường thì cạnh tranh, người ta có thể mong đợi rằng những mô hình dự báo tốt nhất sẽ là những mô hình cân bằng kỳ vọng duy lý. Có thể không thực sự rõ ràng, không có sự mâu thuẫn hợp lý giữa 1 thế giới của thị trường cạnh tranh và con người duy lý với 1 thế giới mà những mô hình dự báo tốt nhất là những mô hình VAR và chính sách tối ưu có thể được lập ra bằng cách sử dụng mô hình VAR dưới những giả định xác định đơn giản nhất. Quan điểm sau cùng yêu cầu một vài lý luận toán học mở rộng và được phát triển đầy đủ trong 1 bài nghiên cứu gần đây mà tôi viết (Sim 1985). Vì vậy, xét về mặt lý thuyết, 1 mô hình có thể bao gồm những mô hình VAR tuyến tính và những mô hình cân bằng kỳ vọng duy lý phi tuyến tính như những trường hợp đặc biệt của 1 khuôn khổ đầy đủ hơn. Nhưng trong các vấn đề thực sự của việc lựa chọn chính sách và dự báo, có những sự cân bằng giữa các yếu tố khác nhau để đạt được sự kết hợp tốt nhất. Những mô hình kỳ vọng duy lý hiện vẫn chưa được sử dụng thành công cho dự báo vĩ mô có quy mô rộng lớn. Mặc dù những phương thức tính toán đơn giản không ngẫu nhiên của chúng dùng để xây dựng mô hình được sử dụng phổ biến hơn các mô hình toán kinh tế, các mô hình VAR, hoặc các mô hình kỳ vọng duy lý truyền thống. Bởi vì máy tính và tri thức con người đều có giới hạn, do đó 1 mô hình phức tạp cũng phải được giới hạn.