Home | Thẻ: Time series ( trang 3)

Thẻ: Time series

Ước lượng mô hình ARDL trên EViews 9

Minh họa ước lượng mô hình ARDL và kiểm định Bound Test trên EViews 9

Thông thường, một quy trình ước lượng mô hình ARDL có thể được thực hiện thủ công trên EViews qua 8 bước như sau: Kiểm tra tính dừng, đảm bảo không có biến dừng ở sai phân bậc 2 hay I(2). Xây dựng một mô hình ECM không giới hạn (unrestricted). Đây sẽ là 1 dạng cụ thể của mô ...

Đọc tiếp »

Lý thuyết ước lượng mô hình ARDL

Giới thiệu mô hình tự hồi quy phân phối trễ - ARDL

Mô hình ARDL là viết tắt của Autoregressive Distributed Lag, tạm dịch là mô hình tự hồi quy phân phối trễ. Mô hình ARDL bắt đầu được sử dụng trong vài thập kỉ qua nhưng gần đây được sử dụng phổ biến hơn trong các nghiên cứu về mối quan hệ dài hạn giữa các biến kinh tế. Mô hình ARDL ...

Đọc tiếp »

Kiểm tra mối quan hệ nhân quả trên EViews

Thực hành phân tích nhân quả theo quy tắc Toda-Yamamota trên EViews

Kiểm tra mối quan hệ nhân quả giữa các biến có thể được thực hiện thông qua kết quả ước lượng mô hình VAR khi các biến chuỗi dừng ở bậc gốc (level). Tuy nhiên, trong rất nhiều trường hợp mô hình VAR tồn tại một số các biến chuỗi không dừng ở bậc này. Các chuỗi dữ liệu không dừng ...

Đọc tiếp »

Phương pháp PMG – Pooled Mean Group

Nếu các biến có mối quan hệ đồng kết hợp thì mô hình VECM được sử dụng thay thế VAR. Trong dữ liệu bảng thì phương pháp PMG sẽ thay thế FEM/REM hoặc GMM

Phương pháp GMM được sử dụng để khắc phục sự tương quan giữa các biến giải thích với các thành phần sai số (({mu _i}) hoặc ({varepsilon _{it}})) bằng cách sử dụng các biến đại diện ở phương trình sai phân và phương trình level. Ngoài ra, trong trường hợp mô hình có tính chất động (biến trễ phụ thuộc ...

Đọc tiếp »

VAR vs VECM và đồng kết hợp trong dữ liệu bảng

Nếu các biến có mối quan hệ đồng kết hợp thì mô hình VECM được sử dụng thay thế VAR. Trong dữ liệu bảng thì phương pháp PMG sẽ thay thế FEM/REM hoặc GMM

Trong dữ liệu liên quan đến thời gian như dữ liệu thời gian hoặc dữ liệu bảng, điều cần thiết và quan trọng trước khi lựa chọn phương pháp ước lượng là phải kiểm tra tính dừng và mối quan hệ đồng kết hợp của các biến chuỗi. Đối với dữ liệu thời gian, nếu tồn tại mối quan hệ ...

Đọc tiếp »

Kiểm tra mối quan hệ đồng kết hợp

Kết quả hồi quy sẽ bị mơ hồ (spurious regression) khi các biến không có mối quan hệ đồng kết hợp. Mối quan hệ đồng kết hợp là gì, kiểm tra đồng kết hợp ntn?

Tiếp theo bài kiểm tra tính dừng của biến chuỗi thời gian trong mô hình dữ liệu bảng, cần thiết kiểm tra mối quan hệ đồng kết hợp của các biến chuỗi bởi điều này có thể dẫn đến vấn đề hồi quy mơ hồ (spurious regression) khi các biến không có mối quan hệ đồng kết hợp (cointegration). Xác ...

Đọc tiếp »

Kiểm định tính dừng qua nghiệm đơn vị

Chúng ta KHÔNG THỂ áp dụng các tính chất liên quan đến PHÂN PHỐI CHUẨN cho các biến KHÔNG DỪNG, vì vậy KIỂM ĐỊNH TÍNH DỪNG của chuỗi là 1 việc rất cần thiết

Tính dừng của biến chuỗi luôn là một vấn đề đặc biệt quan trọng trong dữ liệu thời gian và đặc biệt là dữ liệu bảng. Bởi theo Baltagi (2008, trang 374) chúng ta KHÔNG THỂ áp dụng các tính chất liên quan đến PHÂN PHỐI CHUẨN cho các biến KHÔNG DỪNG (nonstationary variables), chẳng hạn, các trị thống kê ...

Đọc tiếp »

Ước lượng mô hình VECM theo Johasen

Mô hình VECM sử dụng thay thế vector tự hồi quy (VAR) khi các biến có mối quan hệ đồng kết hợp bằng cách dùng phương pháp hợp lý cực đại của Johansen (1995)

Mô hình VECM được sử dụng thay thế mô hình vector tự hồi quy (VAR) khi các biến có mối quan hệ đồng kết hợp (cointegrated) bằng cách sử dụng phương pháp hợp lý cực đại của Johasen (1995). Bài viết sẽ minh họa thực hành ước lượng mô hình VECM theo phương pháp Johasen (1995). Các bạn có thể ...

Đọc tiếp »