Lựa chọn mô hình chuỗi thời gian phù hợp phụ thuộc vào ba câu hỏi: chuỗi dữ liệu có đặc điểm gì, nghiên cứu nhằm dự báo hay giải thích quan hệ, và bạn có bao nhiêu biến cùng bao nhiêu quan sát. Trả lời rõ ba câu hỏi này giúp thu hẹp danh sách từ hàng chục mô hình xuống còn hai, ba ứng viên hợp lý để so sánh.
Bài viết đi lần lượt qua từng câu hỏi, giới thiệu các nhóm mô hình thường gặp trong luận văn kinh tế, tài chính và cách ước lượng chúng trên menu EViews. Phần cuối hướng dẫn đánh giá ứng viên bằng tiêu chí khách quan, để quyết định của bạn có thể giải thích được trước giảng viên và hội đồng.
Tóm tắt nhanh: đọc đồ thị, lược đồ tương quan và kết quả kiểm định tính dừng trước khi nghĩ đến tên mô hình.
Mục tiêu dự báo thường dẫn tới ARIMA hoặc san mũ; mục tiêu giải thích quan hệ thường dẫn tới ARDL, VAR hoặc VECM.
So sánh ứng viên bằng tiêu chí thông tin, chẩn đoán phần dư và sai số dự báo ngoài mẫu.
Đọc đặc điểm chuỗi dữ liệu trước khi chọn mô hình chuỗi thời gian
Mỗi mô hình được xây dựng cho một kiểu hành vi của dữ liệu. Vì vậy, việc đầu tiên là mô tả chuỗi một cách có hệ thống: xu thế, mùa vụ, mức độ dừng, điểm gãy và tính biến động. Đây cũng là nội dung nên trình bày trong phần thống kê mô tả của chương kết quả.
Xu thế, mùa vụ và tính dừng
Mở chuỗi trong EViews, chọn View > Graph để nhận diện xu thế và các đỉnh lặp lại theo tháng hoặc quý. Với dữ liệu tháng như kim ngạch xuất khẩu, mùa vụ thường rõ rệt và cần được đưa vào mô hình hoặc hiệu chỉnh trước. Bậc tích hợp của từng biến lấy từ bước kiểm định nghiệm đơn vị, là thông tin bắt buộc trước khi chọn mô hình đa biến.
Lược đồ tương quan và biến động cụm
Chọn View > Correlogram để xem hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF). ACF giảm dần còn PACF tắt sau vài trễ gợi ý thành phần AR; mô thức ngược lại gợi ý thành phần MA. Với chuỗi tài chính như tỷ suất sinh lời, các giai đoạn dao động mạnh thường đi liền nhau, gọi là biến động cụm, dấu hiệu cần cân nhắc nhóm mô hình ARCH/GARCH.
Xác định mục tiêu: dự báo hay giải thích?
Cùng một bộ số liệu nhưng câu hỏi nghiên cứu khác nhau sẽ dẫn đến mô hình khác nhau. Nếu đề tài hỏi “giá trị kỳ tới là bao nhiêu”, trọng tâm là độ chính xác dự báo. Nếu đề tài hỏi “biến X tác động thế nào đến biến Y”, trọng tâm là hệ số có ý nghĩa kinh tế và có cơ sở lý thuyết.
Khi mục tiêu là dự báo
Mô hình đơn biến thường là điểm xuất phát hợp lý vì chỉ cần lịch sử của chính chuỗi đó. ARIMA theo cách tiếp cận Box-Jenkins và các mô hình san mũ (exponential smoothing) là hai lựa chọn phổ biến. Thước đo thành công ở đây là sai số dự báo ngoài mẫu, không phải R bình phương hay số hệ số có ý nghĩa thống kê.
Khi mục tiêu là giải thích quan hệ
Khi cần lượng hóa tác động giữa các biến, bạn chuyển sang mô hình đa biến có nền tảng lý thuyết rõ ràng. Mỗi biến đưa vào phải xuất phát từ khung lý thuyết và tổng quan tài liệu, không phải từ việc thử đến khi có ý nghĩa. Bài quy trình đề xuất mô hình nghiên cứu giúp bạn kết nối lý thuyết với đặc tả mô hình.
Xem xét các mô hình chuỗi thời gian phổ biến
Bảng dưới đây tóm tắt các mô hình hay xuất hiện trong luận văn cùng điều kiện sử dụng và đường dẫn thao tác trên EViews. Đây là gợi ý định hướng; lựa chọn cuối cùng vẫn cần dựa trên dữ liệu của bạn và ý kiến giảng viên hướng dẫn.
| Mô hình | Phù hợp khi | Điều kiện chính | Thao tác trên EViews |
|---|---|---|---|
| ARIMA / SARIMA | Dự báo một chuỗi | Chuỗi dừng sau sai phân, đủ dài | Quick > Estimate Equation với các số hạng AR, MA |
| San mũ (ETS) | Dự báo ngắn hạn có xu thế, mùa vụ | Không cần biến giải thích | Proc > Exponential Smoothing trong cửa sổ chuỗi |
| VAR | Quan hệ động giữa nhiều biến | Các biến cùng dừng hoặc dùng sai phân | Quick > Estimate VAR, chọn Unrestricted VAR |
| VECM | Biến I(1) có đồng liên kết | Có ít nhất một quan hệ đồng liên kết | Quick > Estimate VAR, chọn Vector Error Correction |
| ARDL | Pha trộn I(0) và I(1), mẫu không lớn | Không có biến I(2) | Quick > Estimate Equation, Method chọn ARDL |
| ARCH / GARCH | Phương sai thay đổi theo thời gian | Có hiệu ứng ARCH trong phần dư | Quick > Estimate Equation, Method chọn ARCH |
Mô hình đơn biến: ARIMA và san mũ
Quy trình Box-Jenkins gồm ba vòng lặp: nhận dạng bậc p, d, q từ lược đồ tương quan, ước lượng, rồi chẩn đoán phần dư. Ở các phiên bản EViews mới, Proc > Automatic ARIMA Forecasting trong cửa sổ chuỗi giúp so sánh nhanh nhiều bậc theo tiêu chí thông tin. Dù vậy, bạn vẫn cần giải thích vì sao bậc được chọn là hợp lý.
Mô hình đa biến: VAR, VECM và ARDL
VAR coi mọi biến là nội sinh và phù hợp để phân tích hàm phản ứng xung (impulse response) và phân rã phương sai. Số trễ thường chọn qua View > Lag Structure > Lag Length Criteria trong cửa sổ VAR. ARDL linh hoạt hơn với bộ biến có bậc tích hợp khác nhau, và kiểm định giới hạn của Pesaran, Shin và Smith (2001) giúp kết luận về quan hệ dài hạn.
VAR hay VECM khi các biến cùng là I(1)?
Câu trả lời phụ thuộc vào kiểm định đồng liên kết Johansen, chạy qua View > Cointegration Test trong cửa sổ nhóm biến. Nếu có đồng liên kết, VECM giữ được thông tin dài hạn mà VAR ở sai phân bỏ mất. Nếu không có, VAR ở sai phân là lựa chọn phổ biến hơn. Hãy báo cáo cả thống kê Trace lẫn Max-Eigenvalue.
Kinh nghiệm từ Luận Văn 360: nhiều bản thảo chúng tôi rà soát chọn mô hình theo một bài báo mẫu rồi mới đi tìm số liệu phù hợp. Khi dữ liệu không đáp ứng điều kiện, người viết thường bỏ qua kiểm định thay vì đổi mô hình.
Cách an toàn hơn là để đặc điểm dữ liệu dẫn đường, rồi giải thích sự khác biệt so với nghiên cứu trước trong phần thảo luận.
Nếu bạn đang phân vân giữa hai hay ba ứng viên, dịch vụ hỗ trợ phân tích dữ liệu bằng EViews của Luận Văn 360 có thể cùng bạn rà lại lập luận lựa chọn mô hình chuỗi thời gian. Chúng tôi góp ý dựa trên dữ liệu và câu hỏi nghiên cứu, còn quyết định và kết quả cuối cùng thuộc về bạn.
Đánh giá và so sánh các mô hình ứng viên
Một mô hình tốt cần vượt qua ba lớp kiểm tra: phù hợp với dữ liệu trong mẫu, phần dư không còn cấu trúc, và với mục tiêu dự báo thì phải dự báo tốt ngoài mẫu. Nếu bỏ qua lớp nào, bạn nên nêu rõ lý do trong chương phương pháp.
Tiêu chí thông tin và chẩn đoán phần dư
Tiêu chí Akaike (AIC), Schwarz (SIC) và Hannan-Quinn được EViews in ở cuối bảng ước lượng; giá trị nhỏ hơn được ưu tiên khi so sánh các mô hình trên cùng mẫu. Sau đó, kiểm tra phần dư là nhiễu trắng qua View > Residual Diagnostics > Correlogram - Q-statistics. Chi tiết được trình bày trong bài chẩn đoán phần dư hồi quy trên EViews.
Đánh giá dự báo ngoài mẫu
Với mục tiêu dự báo, hãy giữ lại một phần cuối của mẫu, ví dụ minh họa là tám quý gần nhất, không dùng để ước lượng. Sau khi ước lượng trên phần còn lại, bấm Forecast trong cửa sổ phương trình và đọc các chỉ số sai số. Các bước nên làm theo thứ tự:
- Ước lượng mô hình trên mẫu huấn luyện bằng cách thu hẹp Sample.
- Dự báo cho giai đoạn giữ lại và ghi RMSE, MAE, MAPE của từng mô hình.
- Chọn mô hình có sai số thấp hơn, đồng thời xem đồ thị dự báo so với thực tế.
- Ước lượng lại mô hình được chọn trên toàn bộ mẫu trước khi dự báo tương lai.
Giáo trình Forecasting: Principles and Practice trình bày rõ cách chia mẫu và các thước đo sai số này. Phần phân tích chuỗi thời gian trong NIST/SEMATECH e-Handbook of Statistical Methods cũng là nguồn tham khảo tốt cho quy trình Box-Jenkins.
Lỗi thường gặp khi lựa chọn mô hình
- Đưa quá nhiều trễ vào mẫu ngắn: với ba mươi quan sát năm, một VAR nhiều biến và nhiều trễ sẽ nhanh chóng cạn bậc tự do.
- So sánh mô hình bằng R bình phương: chỉ số này không phản ánh khả năng dự báo và không so được giữa biến gốc với sai phân.
- Chỉ báo cáo mô hình “đẹp” nhất: nếu đã thử nhiều đặc tả, hãy nêu điều này và đặt các kết quả chính vào phụ lục.
- Bỏ qua điểm gãy cấu trúc: một cú sốc lớn trong mẫu có thể làm hệ số kém ổn định; hãy cân nhắc biến giả hoặc kiểm định ổn định.
Kết luận
Chọn mô hình chuỗi thời gian là quá trình đi từ dữ liệu và câu hỏi nghiên cứu đến mô hình, không phải ngược lại. Đọc kỹ đặc điểm chuỗi, xác định rõ mục tiêu, thu hẹp về vài ứng viên rồi so sánh bằng tiêu chí khách quan sẽ giúp bạn có một lựa chọn dễ bảo vệ.
Khi đã có mô hình, bước tiếp theo là chẩn đoán phần dư và trình bày kết quả một cách minh bạch. Nếu bạn muốn có góp ý độc lập cho cả quá trình này, hãy tìm hiểu dịch vụ phân tích EViews của Luận Văn 360.
