I. Tổng quan Chương 1 Khám phá chuỗi thời gian và tính dừng
Chương 1 của học phần Kinh tế lượng nâng cao đặt nền móng cho việc phân tích các biến số kinh tế vĩ mô và tài chính theo thời gian. Nội dung cốt lõi của chương này là giới thiệu về chuỗi thời gian đơn và phương pháp kiểm định tính dừng. Trong thực tế, các chuỗi dữ liệu kinh tế như GDP, lạm phát, hay giá cổ phiếu thường thể hiện sự phụ thuộc theo thời gian. Ví dụ, quyết định đầu tư hôm nay chịu ảnh hưởng từ kết quả kinh doanh quý trước, hoặc thói quen tiêu dùng có tính quán tính qua nhiều kỳ. Sự phụ thuộc này tạo ra hiện tượng tự tương quan trong dữ liệu, một đặc tính quan trọng cần được mô hình hóa chính xác. Mục tiêu chính khi nghiên cứu chuỗi thời gian là tìm ra một đại diện toán học phù hợp cho sự phụ thuộc này, từ đó phục vụ cho mục đích dự báo và phân tích chính sách. Các mô hình sẽ được xây dựng dựa trên chính các giá trị trong quá khứ của chuỗi, làm nổi bật vai trò của lịch sử dữ liệu trong việc tiên đoán tương lai. Hiểu rõ các khái niệm nền tảng như quá trình ngẫu nhiên, tính dừng, và các hàm tự tương quan là điều kiện tiên quyết để tiếp cận các mô hình phức tạp hơn như AR, MA, và ARMA. Toàn bộ chương này sẽ cung cấp bộ công cụ lý thuyết và phương pháp luận để nhận dạng, ước lượng và kiểm định các mô hình chuỗi thời gian cơ bản.
1.1. Định nghĩa quá trình ngẫu nhiên và chuỗi thời gian
Một quá trình ngẫu nhiên (stochastic process) được định nghĩa là một lớp các biến ngẫu nhiên được sắp xếp theo thời gian. Các biến này có thể là đơn biến hoặc đa biến. Về bản chất, nó mô tả một hệ thống biến đổi ngẫu nhiên qua các thời điểm. Một chuỗi thời gian chính là một mẫu quan sát cụ thể, một hiện thực hóa (realization) của một quá trình ngẫu nhiên. Ví dụ, quá trình ngẫu nhiên có thể là tất cả các mức giá cổ phiếu có thể xảy ra trong tương lai, trong khi chuỗi thời gian là dãy giá đóng cửa thực tế được ghi nhận hàng ngày trong 10 năm qua. Việc phân biệt hai khái niệm này rất quan trọng: chúng ta sử dụng dữ liệu từ một chuỗi thời gian (mẫu) để suy luận về các đặc tính của quá trình ngẫu nhiên (tổng thể) chưa biết đã tạo ra nó.
1.2. Phân tích hàm tự phương sai và tự tương quan ACF
Để đo lường sự phụ thuộc tuyến tính giữa các giá trị của một chuỗi thời gian tại các thời điểm khác nhau, các nhà kinh tế lượng sử dụng hai công cụ chính. Thứ nhất là hàm tự phương sai (autocovariance function), ký hiệu là γk, đo lường hiệp phương sai giữa giá trị của chuỗi tại thời điểm t (Yt) và giá trị tại thời điểm t+k (Yt+k). Thứ hai là hàm tự tương quan (Autocorrelation Function - ACF), ký hiệu là ρk, là phiên bản chuẩn hóa của hàm tự phương sai. Cụ thể, ρk được tính bằng cách chia γk cho phương sai của chuỗi (γ0). Giá trị của ACF luôn nằm trong khoảng [-1, 1], giúp diễn giải mức độ tương quan dễ dàng hơn. Biểu đồ của ACF theo các độ trễ k khác nhau là một công cụ chẩn đoán cực kỳ quan trọng để nhận dạng cấu trúc của một chuỗi thời gian.
1.3. Khái niệm cốt lõi về tính dừng yếu và dừng mạnh
Tính dừng là một khái niệm trung tâm trong phân tích chuỗi thời gian. Một chuỗi được gọi là dừng mạnh (strict stationary) nếu quy luật phân phối xác suất đồng thời của nó không thay đổi khi dịch chuyển theo thời gian. Đây là một điều kiện rất chặt và khó kiểm chứng trong thực tế. Vì vậy, khái niệm dừng yếu (weak stationary hay covariance stationary) được sử dụng phổ biến hơn. Một chuỗi được coi là dừng yếu nếu thỏa mãn ba điều kiện: (1) Kỳ vọng (giá trị trung bình) không đổi theo thời gian; (2) Phương sai hữu hạn và không đổi theo thời gian; (3) Hiệp phương sai giữa hai giá trị chỉ phụ thuộc vào khoảng cách thời gian (độ trễ) giữa chúng, chứ không phụ thuộc vào thời điểm cụ thể. Hầu hết các mô hình chuỗi thời gian kinh điển đều yêu cầu dữ liệu phải có tính dừng.
II. Nền tảng mô hình hóa Toán tử trễ và quá trình nhiễu trắng
Để xây dựng và thao tác với các mô hình chuỗi thời gian một cách hiệu quả, việc nắm vững các công cụ toán học cơ bản là hết sức cần thiết. Hai trong số những công cụ quan trọng nhất là toán tử trễ và khái niệm về nhiễu trắng. Toán tử trễ, ký hiệu là L, là một phương tiện ký hiệu giúp đơn giản hóa việc biểu diễn các mối quan hệ phụ thuộc theo thời gian. Thay vì viết Yt-1, chúng ta có thể viết LYt. Công cụ này đặc biệt hữu ích khi làm việc với các đa thức toán tử trễ, cho phép biểu diễn các mô hình phức tạp như ARMA một cách gọn gàng và thuận tiện cho việc phân tích các đặc tính của chúng, chẳng hạn như điều kiện dừng. Mặt khác, nhiễu trắng (white noise) là thành phần cơ bản nhất, đại diện cho các cú sốc ngẫu nhiên, không thể dự báo được, tác động lên hệ thống tại mỗi thời điểm. Một quá trình nhiễu trắng là một chuỗi các biến ngẫu nhiên không có tương quan với nhau và có giá trị trung bình bằng không. Nó được xem là viên gạch nền tảng để xây dựng nên các quá trình chuỗi thời gian phức tạp hơn, như trong Định lý Wold nổi tiếng. Việc hiểu rõ các định nghĩa khác nhau của nhiễu trắng (yếu, mạnh, Gaussian) giúp lựa chọn phương pháp ước lượng và kiểm định giả thuyết phù hợp.
2.1. Hướng dẫn sử dụng toán tử trễ và đa thức toán tử trễ
Toán tử trễ (Lag Operator) L được định nghĩa đơn giản: LYt = Yt-1. Tương tự, L²Yt = Yt-2 và LnYt = Yt-n. Một đa thức toán tử trễ bậc p có dạng α(L) = 1 + α₁L + α₂L² + ... + αpLp. Sử dụng ký hiệu này, một mô hình phức tạp có thể được viết lại một cách súc tích. Ví dụ, mô hình AR(p) có thể được biểu diễn là φ(L)Yt = μ + εt. Một khái niệm quan trọng liên quan là tính khả nghịch của đa thức. Một đa thức (1 - λL) có thể nghịch đảo nếu |λ| < 1, và nghịch đảo của nó là một chuỗi vô hạn ∑(λL)ⁱ. Tính chất này là chìa khóa để xác định tính dừng của mô hình AR và tính khả nghịch của mô hình MA.
2.2. Các định nghĩa quan trọng về quá trình nhiễu trắng
Quá trình nhiễu trắng {εt} là một chuỗi các biến ngẫu nhiên không tương quan với nhau. Tuy nhiên, có nhiều định nghĩa với các mức độ chặt chẽ khác nhau. Nhiễu trắng yếu yêu cầu E(εt) = 0, phương sai không đổi, và E(εtεs) = 0 với mọi t ≠ s. Nhiễu trắng mạnh là một điều kiện chặt hơn, yêu cầu các biến εt phải độc lập và có cùng phân phối (i.i.d). Ngoài ra còn có nhiễu trắng Gaussian, yêu cầu phân phối của các biến phải là phân phối chuẩn. Trong các mô hình kinh tế lượng, giả định về nhiễu trắng là rất quan trọng. Nó đại diện cho những thông tin mới, những cú sốc không lường trước được tác động vào hệ thống. Cấu trúc của các mô hình như AR, MA, ARMA chính là cách mà hệ thống phản ứng và "ghi nhớ" những cú sốc này qua thời gian.
III. Phương pháp mô hình tự hồi quy AR p trong chuỗi thời gian
Mô hình Tự hồi quy (Autoregressive - AR) là một trong những phương pháp nền tảng và được sử dụng rộng rãi nhất để mô tả sự phụ thuộc trong chuỗi thời gian. Ý tưởng cốt lõi của mô hình AR(p) là giá trị hiện tại của một biến (Xt) có thể được giải thích như một hàm tuyến tính của p giá trị trong quá khứ của chính nó (Xt-1, Xt-2, ..., Xt-p), cộng với một sai số ngẫu nhiên là nhiễu trắng (εt). Bậc 'p' của mô hình cho biết "trí nhớ" của quá trình kéo dài bao lâu. Ví dụ, mô hình AR(1) thể hiện rằng giá trị hôm nay chỉ phụ thuộc trực tiếp vào giá trị của ngày hôm qua. Việc phân tích mô hình AR không chỉ dừng ở việc ước lượng các hệ số. Một câu hỏi quan trọng là liệu quá trình AR có dừng hay không. Điều kiện dừng đảm bảo rằng các cú sốc trong quá khứ chỉ có tác động tạm thời và chuỗi sẽ luôn có xu hướng quay về giá trị trung bình dài hạn. Nếu một quá trình không dừng, các cú sốc có thể có tác động vĩnh viễn, làm cho việc dự báo trở nên không đáng tin cậy. Công cụ chính để xác định bậc 'p' của một mô hình AR trong thực tế là Hàm tự tương quan riêng phần (PACF).
3.1. Phân tích chi tiết mô hình AR 1 và điều kiện dừng
Mô hình AR(1) có dạng: Yt = φYt-1 + εt. Để quá trình này là một chuỗi thời gian dừng, một điều kiện tối quan trọng phải được thỏa mãn: giá trị tuyệt đối của hệ số tự hồi quy phải nhỏ hơn 1, tức là |φ| < 1. Khi điều kiện này được đáp ứng, kỳ vọng của Yt sẽ bằng 0 (nếu không có hệ số chặn), và phương sai sẽ là một hằng số hữu hạn: Var(Yt) = σ²ε / (1 - φ²). Hàm tự tương quan (ACF) của một quá trình AR(1) dừng sẽ giảm dần về 0 theo hàm mũ: ρk = φ^k. Điều này có nghĩa là mối tương quan giữa các giá trị sẽ yếu đi khi khoảng cách thời gian giữa chúng tăng lên. Nếu |φ| = 1, quá trình này được gọi là một bước ngẫu nhiên (random walk) và không dừng.
3.2. Mở rộng sang mô hình AR 2 và AR p tổng quát
Mô hình AR(2) có dạng Yt = φ₁Yt-1 + φ₂Yt-2 + εt. Điều kiện dừng cho AR(2) phức tạp hơn, liên quan đến các hệ số φ₁ và φ₂: φ₁ + φ₂ < 1, φ₂ - φ₁ < 1, và |φ₂| < 1. Đối với mô hình AR(p) tổng quát, điều kiện dừng được xác định thông qua phương trình đặc trưng sử dụng toán tử trễ: 1 - φ₁L - φ₂L² - ... - φpLp = 0. Quá trình AR(p) là dừng nếu tất cả các nghiệm của phương trình này (tính theo L) đều nằm ngoài vòng tròn đơn vị trong mặt phẳng phức. Một điều kiện cần (nhưng không đủ) để một quá trình AR(p) dừng là tổng các hệ số tự hồi quy phải nhỏ hơn 1: ∑φi < 1.
3.3. Vai trò của hàm tự tương quan riêng phần PACF
Hàm tự tương quan riêng phần (Partial Autocorrelation Function - PACF) tại độ trễ k, ký hiệu là φkk, đo lường mối tương quan trực tiếp giữa Yt và Yt-k sau khi đã loại bỏ ảnh hưởng tuyến tính của các biến trung gian (Yt-1, ..., Yt-k+1). Đây là công cụ chẩn đoán quan trọng để xác định bậc p của một mô hình AR. Đặc điểm nổi bật của một quá trình AR(p) là hàm PACF của nó sẽ cắt cụt (cut off) đột ngột về 0 sau độ trễ p. Tức là, φkk ≠ 0 khi k ≤ p và φkk = 0 khi k > p. Ngược lại, hàm ACF của nó sẽ giảm dần về 0. Bằng cách quan sát biểu đồ ACF và PACF của dữ liệu, nhà phân tích có thể đưa ra phỏng đoán ban đầu về bậc p phù hợp cho mô hình.
IV. Hướng dẫn mô hình trung bình trượt MA và ARMA kết hợp
Bên cạnh mô hình tự hồi quy, mô hình Trung bình trượt (Moving Average - MA) là một cách tiếp cận khác để mô tả cấu trúc của một chuỗi thời gian. Thay vì giả định giá trị hiện tại phụ thuộc vào các giá trị quá khứ, mô hình MA(q) lại cho rằng giá trị hiện tại của chuỗi (Xt) là một tổ hợp tuyến tính của các sai số ngẫu nhiên (nhiễu trắng) trong quá khứ (εt-1, ..., εt-q) và sai số hiện tại (εt). Bậc 'q' của mô hình cho biết cú sốc ngẫu nhiên có tác động kéo dài trong bao lâu. Một đặc điểm quan trọng của các quá trình MA(q) hữu hạn là chúng luôn luôn dừng. Sự kết hợp giữa hai phương pháp trên tạo ra mô hình ARMA (Autoregressive Moving Average), một lớp mô hình linh hoạt và mạnh mẽ. Mô hình ARMA(p,q) mô tả giá trị hiện tại của chuỗi như một hàm của cả các giá trị trong quá khứ (thành phần AR) và các sai số ngẫu nhiên trong quá khứ (thành phần MA). Lợi ích chính của mô hình ARMA là tính tiết kiệm (parsimony), nó thường có thể mô tả các cấu trúc tương quan phức tạp với ít tham số hơn so với việc chỉ sử dụng mô hình AR hoặc MA thuần túy.
4.1. Cấu trúc và đặc điểm của mô hình trung bình trượt MA q
Mô hình MA(q) được định nghĩa là: Xt = μ + εt + θ₁εt-1 + ... + θqεt-q. Kỳ vọng của quá trình này là μ. Một đặc tính quan trọng là phương sai của nó không đổi: γ₀ = σ²ε(1 + θ₁² + ... + θq²). Điểm nhận dạng đặc trưng nhất của một quá trình MA(q) nằm ở hàm tự tương quan (ACF) của nó. ACF của MA(q) sẽ có giá trị khác không tại các độ trễ từ 1 đến q, và sẽ đột ngột bằng 0 với mọi độ trễ lớn hơn q (ρk = 0 với k > q). Đây là hiện tượng "cắt cụt" của ACF, trái ngược với sự giảm dần của ACF trong mô hình AR. Ngược lại, hàm PACF của một quá trình MA(q) sẽ giảm dần về 0.
4.2. So sánh và mối liên hệ giữa mô hình AR và MA
Mặc dù có công thức khác nhau, giữa mô hình AR và MA tồn tại một mối liên hệ sâu sắc. Định lý Wold chỉ ra rằng bất kỳ quá trình chuỗi thời gian dừng nào cũng có thể được biểu diễn dưới dạng một mô hình MA bậc vô hạn (MA(∞)). Điều này có nghĩa là một mô hình AR(p) dừng có thể được viết lại thành một mô hình MA(∞). Ngược lại, một mô hình MA(q) có thể được biểu diễn dưới dạng một mô hình AR bậc vô hạn (AR(∞)) nếu nó thỏa mãn điều kiện khả nghịch (invertibility condition). Điều kiện này yêu cầu các nghiệm của đa thức đặc trưng (1 + θ₁L + ... + θqLq = 0) phải nằm ngoài vòng tròn đơn vị. Tính khả nghịch đảm bảo rằng các cú sốc quá khứ có thể được tái tạo từ các giá trị quan sát của chuỗi.
4.3. Mô hình ARMA p q Nguyên tắc và điều kiện áp dụng
Mô hình ARMA(p,q) kết hợp cả hai thành phần: φ(L)Xt = μ + θ(L)εt. Để một quá trình ARMA(p,q) là dừng, thành phần AR của nó phải thỏa mãn điều kiện dừng, tức là các nghiệm của đa thức φ(L) = 0 phải nằm ngoài vòng tròn đơn vị. Tương tự, để quá trình có thể nghịch đảo thành một mô hình AR(∞), thành phần MA của nó phải thỏa mãn điều kiện khả nghịch. Đặc điểm nhận dạng của một quá trình ARMA(p,q) là cả hai hàm ACF và PACF của nó đều không cắt cụt mà giảm dần về 0. Điều này làm cho việc xác định bậc p và q từ các biểu đồ trở nên khó khăn hơn và thường đòi hỏi các tiêu chuẩn thông tin như AIC hoặc BIC để lựa chọn mô hình tốt nhất.
V. Tóm tắt nội dung Chương 1 và định hướng nghiên cứu tiếp theo
Chương 1 đã cung cấp một cái nhìn toàn diện và nền tảng về lý thuyết chuỗi thời gian và các mô hình cơ bản. Nội dung chính xoay quanh khái niệm tính dừng, một thuộc tính thống kê quan trọng mà hầu hết các phân tích kinh tế lượng đều yêu cầu. Việc không đảm bảo tính dừng có thể dẫn đến các kết quả hồi quy giả mạo và những suy luận sai lầm. Chương này đã giới thiệu các công cụ chẩn đoán thiết yếu là Hàm tự tương quan (ACF) và Hàm tự tương quan riêng phần (PACF), giúp các nhà nghiên cứu "đọc" được cấu trúc phụ thuộc bên trong dữ liệu. Dựa trên hình dạng của hai hàm này, chúng ta có thể nhận dạng và lựa chọn giữa các mô hình AR(p), MA(q), và ARMA(p,q). Mỗi mô hình cung cấp một cách tiếp cận khác nhau để nắm bắt "trí nhớ" của một quá trình kinh tế. Việc hiểu rõ các mô hình này không chỉ là một bài tập lý thuyết, mà còn là bước chuẩn bị cần thiết để tiếp cận các chủ đề nâng cao hơn, nơi các giả định cơ bản về phương sai không đổi hoặc mối quan hệ dài hạn được nới lỏng và kiểm định một cách nghiêm ngặt.
5.1. Tóm tắt các đặc điểm nhận dạng mô hình chính
Để tổng kết, việc nhận dạng mô hình chuỗi thời gian dựa trên các quy tắc kinh nghiệm sau: (1) Nếu ACF giảm dần theo hàm mũ hoặc hình sin và PACF cắt cụt tại độ trễ p, mô hình phù hợp là AR(p). (2) Nếu ACF cắt cụt tại độ trễ q và PACF giảm dần, mô hình phù hợp là MA(q). (3) Nếu cả ACF và PACF đều giảm dần về 0, mô hình phù hợp có thể là ARMA(p,q). Việc lựa chọn p và q trong trường hợp này thường cần đến sự hỗ trợ của các tiêu chuẩn lựa chọn mô hình. Đây là những nguyên tắc cốt lõi giúp chuyển từ phân tích dữ liệu sơ bộ sang xây dựng một mô hình định lượng cụ thể.
5.2. Nền tảng cho mô hình GARCH và Đồng kết hợp
Kiến thức từ Chương 1 là tiền đề không thể thiếu cho các chương tiếp theo. Ví dụ, mô hình ARMA giả định rằng phương sai của sai số (nhiễu trắng) là không đổi theo thời gian. Tuy nhiên, trong dữ liệu tài chính, hiện tượng biến động cụm (volatility clustering) rất phổ biến, tức là các giai đoạn biến động mạnh và yếu xen kẽ nhau. Để mô hình hóa đặc điểm này, mô hình GARCH (Chương 2) được phát triển. Tương tự, phân tích trong chương này tập trung vào các chuỗi dừng. Nhưng nhiều chuỗi kinh tế vĩ mô lại không dừng. Khái niệm Đồng kết hợp (Cointegration - Chương 3) sẽ giải quyết vấn đề này, cho phép phân tích các mối quan hệ cân bằng dài hạn giữa các chuỗi không dừng. Do đó, việc nắm vững kiểm định tính dừng và mô hình ARMA là bước đệm quan trọng để khám phá những lĩnh vực phức tạp và thực tế hơn trong kinh tế lượng.
