18 MÔ HÌNH KINH TẾ CHUỖI THỜI GIAN

Chương 18:

Mô hình kinh tế chuỗi thời gian

18.1. Mở đầu

Ngoại trừ trường hợp tự tương quan và trường hợp biến phụ thuộc trễ gây hiệu quả xấu ở
phương pháp bình phương tối thiểu, ở những phương pháp được khảo sát biến thời gian
như là yếu tố ảnh hưởng, chỉ đóng một vai trò hạn chế. Trong chương này chúng ta sẽ khảo
sát một loạt các mô hình mà ở đó biến thời gian và các quan hệ thời gian sẽ đóng vai trò
đáng kể trong viêc trình bày các phương pháp. Chúng ta sẽ bắt đầu phân tích mô hình
phân phối trễ. Có những mô hình đặc biệt có chứa giến phụ thuộc trước đây và giá trị biến
phụ thục đó hiện nay như là các biến hồi qui. Ngược lại, mô hình có tham số thay đổi theo
thời gian là những mô hình mà trong đó tác dụng của thời gian được thể hiện trong sự tiến
triển của các tham số.

18.2 Mô hình phân phối trễ1

Có rất nhiều sự kiện mà tác động của chúng kéo dài theo thời gian. Vì vậy một mô hình
xấp xỉ phải chứa các biếntrễ.

Ví dụ 18.1. Nhu cầu về năng lượng. Trong hộ gia đình tiêu biểu thì điện, xăng đốt,
dầu gasoline không chỉ được dùng cho mục đích riêng mà còn dùng cho các trang thiết bị
trong nhà, máy giặt và xe ô tô. Lượng năng lượng tiêu thụ tích lũy « tích lũy vốn » được
xác định bởi thu nhập, thói quen và mức giá xăng quá khứ. Vì vậy, trong một chu kỳ nào
đó, nhu cầu của hộ gia đình về năng lượng là hàm số của mức giá hiện hành (đại lượng này
xác định cường độ sử dụng của dự trữ năng lượng) và mức giá quá khứ (đại lượng này đã
có ảnh hưởng đến độ lớn và thành phần của mức dự trữ này). Một mô hình kết cấu đơn
giản ứng với hiệu ứng này có thể được viết như sau
Nhu cầu : Qt =  + Pt + Kt + t,
Trang thiết bị : Kt = 0 + 1Pt-1 + 2Pt-2 + …+ Yt.
Khi thay Kt ở phương trình thứ hai vào phương trình thứ nhất ta sẽ có một mô hình phân
phối trễ :
Qt = 0 + Yt + 0Pt + 1Pt-1 + 2Pt-2 + …+ t .
Khi giá năng lượng thay đổi thì tác dụng trực tiếp là làm cho hộ gia đình sử dụng trang
thiết bị ít đi. Tuy nhiên, do cần phải có thời gian để thay thế trang thiết bị này nên hiệu ứng
đầy đủ của một sự thay đổi về giá cả sẽ không được cảm nhận một thời gian sau đó.
Dạng tổng quát của một mô hình phân phối trễ có thể như sau :
(18-1)
1
Các tài liệu quan trọng nghiên cứu mô hình phân phối trễ là Dlirymes (1971), Hendry và các tác giả (1984),
Griliches (1967), Nerlove (1972) và Harway (1981).
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Trong mô hình này, một sự thay đổi trước của x t ở bất kỳ thời điểm nào cũng sẽ ảnh hưởng
đến E[ys] ở mỗi một chu kỳ sau đó. Nếu người ta tin rằng khoảng thời gian tác động của
hiệu quả trễ là rất lâu, ví dụ như trong việc phân tích chính sách tiền tệ, thì mô hình trễ vô
hạn mà trong đó tác động sẽ giảm dần theo thời gian là khá phổ biến. Giả thiết về độ trễ vô
hạn, ngay cả khi mức độ tác dụng của nó giảm dần theo thời gian, có thể là quá mức. Vì
vậy người ta thường xây dựng những mô hình mà trong đó tác động củ một sự thay đổi
trong x sẽ chấm dứt sau một số hữu hạn chu kỳ. Trước tiên chúng ta sẽ khảo sát loại mô
hình độ trễ hữu hạn này.
Hiệu ứng cận biên trong mô hình hồi qui cổ điển là những sự kiện đã qua. Phản ứng
của y đối với một sự thay đổi của x được giả thiết là trực tiếp và được hoàn tất ở cuối mỗi
chu kỳ đo lường. Trong một mô hình phân phối trễ đối ngẫu của hiệu ứng cận biên là tác
động của một sự thay của x t trong quá khứ lên trạng thái cân bằng của y t. Nếu mức xt
không thay đổi qua nhiều chu kỳ trước t thì giá trị cân bằng E[yt] (giả sử tồn tại) sẽ là
(18-2)

Để cho giá trị này là hữu hạn ta cần có

. (18-3)

Hãy xét hiệu ứng khi, trong chu kỳ s, x thay đổi một đon vị. Để tập trung ý tưởng ta xét trở
lại ví dụ trước đây về nhu cầu tiêu dùng năng lượng và giả sử rằng x t là giá một đơn vị
(năng lượng tiêu thụ). Trước khi xãy ra khủng hoảng dầu lửa, nhu cầu năng lượng đã đạt
tới trạng thái cân bằng phù hợp với thói quen tich lũy, từng trãi với giá thực ổn định và
trang thiết bị tích lũy tồn kho. Bây giờ, giả sử tăng l6n thành +1 ở chu kỳ s. Quảng
đường đi đến điểm cân bằng mới được mô tả trong Hình 18.1. Hiệu ứng ngắn hạn sẽ xuất
hiện trong cùng một chu kỳ với sự thay đổi của x. Đó là giá trị 0 trong hình này.

Định nghĩa. 0 = nhân tử tác động

= nhân tử ngắn hạn.
Sự khác biệt giữa điểm cân bằng cũ và mới là tổng các hiệu quả trong các chu kỳ riêng.
Nhân tử dài hạn là tổng các hiệu quả này.

Định nghĩa. = nhân tử cân bằng.

Vì hệ số trễ là hệ số hồi qui nên tỉ lệ của nó được xác định bởi tỉ lệ của các biến số
trong mô hình. Vì vậy, thông thường người ta định nghĩa

Tỉ trọng trễ:

và viết lại mô hình thành

(18-4)

Nhu cầu

2
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Hình 18.1 Sự điều chỉnh trễ

Hai thống kê thông dụng dựa trên cơ sở tỉ trọng trễ và đặc trưng cho chu kỳ điều chỉnh đến
trạng thái cân bằng mới là

Trung điểm trễ = q* sao cho (18-5)

và
2
Trung bình trễ = (18-6)

Một phương pháp thuận lợi để xử lý các biến trễ là việc áp dụng toán tử trễ.3
Lxi = xi-1.
p
Suy ra L xi = xi-p
và do đó L (Lpxi) = Lp+qxi = xi-p-q .
q

Theo định nghĩa L0 = 1.

Như vậy, mô hình trễ có thể được viết lại thành

(18-7)

trong đó B(L) là một đa thức biến số L,

2
Nếu tất cả những hệ số trễ không có cùng một dấu thì những kết quả này rất có nhiều ý nghĩa. Trong một
số hoàng cảnh việc các hệ số trễ có dấu khác nhau có thể là một chỉ định cho việc có sai sót trong lựa chọn
mô hình.
3
Xem các khảo sát mở rộng hơn về toán tử này trong Dhrimes (1978).

3
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

B(L) = 0 + 1L + 2L2 + ...

Có hai kết quả rất thông dụng là
B(1) = 010 + 111 + 212 + ... (18-8)

= nhân tử dài hạn

và

do đó = trung bình trễ (18-9)

18.2.1. Mô hình trễ hữu hạn

Mộtmô hình trễ hữu hạn không ràng buộc sẽ có dạng

(18-10)

Hiện thời chúng ta giả thiết rằng x t là tất định. Giả thiết chỉ có một biến hồi qui là chỉ để
tiện lợi. Chúng ta cũng giả thiết rằng t có phân phối chuẩn với kỳ vọng bằng 0 và phương
sai bằng . Những mô hình không có kết cấu như loại này với độ trễ dài nhưng hữu hạn
được sử dụng trong nhiều phân tích mới về kinh tế vĩ mô.4
Nếu độ dài trễ, q, là đã biết thì (18-10) là mô hình hồi qui cổ điển. Ngoài các vấn đề
về tính chất của biến độc lập, các kết quả ước lượng có thể áp dụng được. 5 Tiếc thay một
độ dài xấp xỉ của độ trễ hiếm khi, chắc chắn là như vậy, được xác định. Vì vậy người ta
phải thực hiện một dò tìm để xác định nó với tất cả những sai sót có thể có. Nếu thất bại thì
các kết quả bình phương tối thiểu sẽ không hiệu quả, như là (1) chuỗi thời gian tiêu biểu
khá ngắn, do đó (18-10) cần dùng đến một số bậc tự do quá mức; (2) t thường là sẽ có
tương quan chuỗi; và (3) tính đa cộng tuyến có thể trở nên rất nghiêm trọng.
Có rất nhiều qui trình được đề nghị để tìm ra một độ dài trễ xấp xỉ. Hệ số xác định có
điều chỉnh là một khả năng như vậy. Một tiêu chuẩn phù hợp thường được dùng khác là
tiêu chuẩn thông tin Akaike (1973, viết tắt là AIC:

(18-11)

Nếu biết trước một giá trị cực đại Q, thì điều kiện q  Q có thể được dùng để lấy cực đại
hàm AIC(q). AIC(q) cũng tương tự như hệ số chỉ ra độ phù hợp tốt nhưng mất quá
nhiều bậc tự do.6 Dựa trên việc có được một giá trị Q như vậy, một ứng dụng có thể thay
thế khác là thực hiện liên tục các kiểm định F lên Q – q hệ số cuối cùng và sẽ dừng lại nếu
kiểm định bác bỏ giả thiết rằng các hệ số này đồng thời bằng 0. Mỗi một tiêu chuẩn đều có
điểu yếu, điểm mạnh. Tiêu chuẩn AIC hiện thời có khả năng dẫn đến việc làm phù hợp quá
4
Xem ví dụ như trong Simes (1972) và hàng loạt các nghiên cứu có liên quan sau đó.
5
Câu hỏi liệu các biến hồi qui có tiến triển tốt hay không sẽ đặc biệt được đạt đúng chỗ trong khung cảnh
này, nhất là khi một hay nhiều biến hồi qui là giá trị trễ của biến phụ thuộc. Trong những phần tiếp theo đây
ta giả sử rằng điều kiện Grenander nêu ở Chương 10 là đúng. Do đó ta cũng giả sử rằng các kết quả tiệm cận
thông thường ứng với mô hình hồi qui cổ điển hoặc suy rộng là có giá trị.
6
Xem Geweke và Meese (1981), Amemiya (1985, tr. 146- 147) và Judge và các tác giả (1985, tr. 353 – 355)
để biết thêm các thảo luận và các tiêu chuẩn thay thế khác.

4
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

đáng ngay cả khi T  . Tuy nhiên nó lại tránh được việc phải thực hiện các ước lượng
liên tục. Các kiểm định chuỗi F đòi hỏi việc liên tục xem xét lại mức ý nghĩa cần xấp xỉ
nhưng chúng không dựa trên một cơ sở thống kê nào.7
Ví dụ 18.2. Mô hình không kết cấu, trễ hữu hạn. Đồng tiền có phải là quan trọng?
Các tài liệu nhận được đã có những nhận định lẫn lộn về việc liệu một thay đổi khối lượng
tiền dự trữ cuối cùng có thể dẩn đến một thay đổi tổng sản phẩm hay không. 8 Trong ví dụ
này chúng ta sẽ ước lượng mộ mô hình trễ ứng với những thay trong khối lượng tiền M1
và trong GNP.
Bảng 18.1. liệt kê các số liệu quí về M1 và GNP từ 1950 đến 1983. 9 Trước hết chúng
ta định dạng mô hình trễ

Hồi qui bình phương tối thiểu thông thường cho kết quả ở Bảng 18.2. (Tỉ số t tiệm chận
được để trong ngoặc, phía dưới các hệ số).
Hiện tượng tỉ số t quá nhỏ và thống kê F quá lớn chứng tỏ sự hiện diện của đa cộng
tuyến. Thống kê Durbin – Watson cũng cho biết có tồn tại đáng kể hiện tượng tự tương
quan. Vì vậy, đầu tiên, dữ liệu được phân hóa và cho kết quả sau đó. Mô hình đã ước
lượng sẽ là

(Hằng số khác 0 trong mô hình này có ý nghĩa như thế nào?) Bảng 18.3 trình bày các kết
quả ứng với các độ trễ khác nhau. Các quan sát từ 1953 – II đến 1983 – IV đều được sử
dụng trong tất cả các tính toán hồi qui. Tỉ số thống kê T được để ở trong ngoặc và viết phía
dưới các hệ số.
Hiện không có một giải thích nào rõ ràng cho sự tồn tại trọng số trễ âm liên tục ở năm
và sáu quí. Cũng rất hấp dẫn khi lưu ý rằng trong một nghiên cứu rộng hơn (có chứa nhiều
biến hồi qui hơn, và sử dụng giá trị số cụ thể thay vì giá trị logarit, và sử dụng dữ liệu
thuộc nhiều giai đoạn khác nhau) Schmidt và Waud (1973) cũng tìm thấy tương tự trọng số
trễ âm ở năm và sáu quí khi hồi qui GNP danh nghĩa theo tiền tệ. Trừ mô hình không có
biến trễ, còn các mô hình hồi qui khác đều cho các ước lượng rất tương tự về nhân tử dài
hạn. Theo kết quả này một sự tăng trưởng 1% trong M1 sẽ tạo nên một mức tăng khoảng
0.85% trong GNP danh nghĩa. Cuối cùng, chúng ta cương quyết bác bỏ giả thiết rằng tất
cả các hệ số đều bằng 0. Điều này chứng tổ rằng một gia tăng lượng cung tiền (M1) sẽ ảnh
hưởng đến những tăng trưởng sau đó trong tổng sản phẩm. Kết quả này đã được tiên đoán
trên cơ sở của lý thuyết kinh tế học về quan hệ giữa số lượng tiền tệ với giá cả; nhưng lý
thuyết này vẫn chưa cho biết được khoảng thời gian ảnh hưởng của tiền tệ lên GDP.

Bảng 18.1. Tiền tệ và số liệu về GNP

GNP danh nghĩa M1
I II III IV I II III IV

7
Xem Pagano và Hartley (1981) và Trivedi và Pagan (1979).
8
Xem một khảo sát gần đây của Blanchard (1987). Một nghiên cứu lý thú khác với trọng tâm rộng hơn là
của Scmidt và Waud (1973).
9
Các số liệu này trích dẫn từ Gordon (1986, Phần phụ lục). Các bảng kết quả được tính toán bởi R. Gordon
và N. Balke.

5
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.2

Bảng 18.3. Phân phối trễ

6
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

18.2.1a. Sai sót trong việc xác định độ trễ

Nếu chưa biết độ trễ gần đúng thì có hai vấn đề tiềm năng có thể xuất hiện. Nếu mô
hình phù hợp quá tốt thì các kết quả quen thuộc của mô hình hồi qui cổ điển áp dụng được.
Các hệ số của biến trễ, thừa là những ước lượng phù hợp của 0, trong khi đó hệ số của các
biến trễ gần đúng là ước lượng phù hợp nhưng không hiệu quả của các tham số thực tế.
Ngược lại, trong trường hợp mô hình được ước lượng không tốt (kém phù hợp) ước lượng
của hệ số các biến trễ riêng có thể không phù hợp. Các kết quả dùng cho những biến bị bỏ
sót, được trình bày ở Phần 8.4.1 được áp dụng.
Trong hầu hết các trường hợp có độ trễ lớn (dài) như trường hợp vừa khảo sát ở phần
trên các hệ số riêng ít có ý nghĩa. Tác dụng của việc bỏ sót các giá trị trễ có ảnh hưởng của
xt lên ước lượng của nhân tử ngắn hạn và dài hạn là còn phải được nghiên cứu. Ta xét
trường hợp đơn giản, trong đó xt tự tương quan theo sơ đồ AR(1),
xt = pxt-1 + wt.
Giả sử mô hình thực tế là
yt = 0xt + 1xt-1 + 2xt-2 + t.
Để tiện lợi, giả thiết rằng số liệu về x t , xt-1 và xt-2 đã được chuẩn hóa và chúng tiến triển tốt.
Khi đó các mômen mẫu có dạng

7
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

trong đó 1 và 2 là hệ số thứ nhất và thứ hai của tự tương quan của x t. Nếu chỉ hồi qui yt
theo xt-1 và bỏ đi xt-2 thì những kết quả thông dụng ứng với biến số bị bỏ đi áp dụng được
cho trường hợp giới hạn xác suất của các ước lượng bình phương tối thiểu. Trong trường
hợp tổng quát b0 và b1 là các ước lượng chệch và không vững của 1 và 2. Nhưng liệu b0
+ b1 có phải là một ước lượng của nhân tử dài hạn 0 + 1 + 2 hay không? Áp dụng công
thức cho trường hợp loại bỏ biến số, chúng ta có

Cộng cả hai ước lượng này lại ta thu được

2 càng lớn thì độ chệch càng nhỏ. Ví dụ như, giả sử ba tỉ trọng trễ là 0.7, 0.2 và 0.1 và x t
tuân theo sơ đồ AR(1) với  = 1 = 0.9. Như vậy 2 = = 0.81 và plim (b0 + b1) = 0.99,
trong khi đó 0 + 1 + 2 = 1.
Tiếp theo, chúng ta giữ lại giả thiết sơ đồ AR(1) với tham số  cho xt và giả sử rằng
mô hình chính xác có q biến trễ. Nhưng chúng ta chỉ ước lượng q-1 biến. Ký hiệu
X1 = [x, x-1, x-2,…,x-q+1 ]

và X2 = x-q.
Sẽ rất có ích nếu chúng ta giả thiết rằng các dữ liệu là chuẩn hóa.10 Như vậy,

trong đó 11 là ma trận tự tương quan ở (15-10). Sau đó

lần cột cuối cùng của 11.

Vậy,
(tức là  lần cột cuối cùng của ma trận đồng nhất. Thay giá trị này vào công thức cho
trường hợp loại bỏ biến số, chúng ta nhận được kết quả nổi tiếng là
plim b = [0, 1, 2, …, n-1] + q.
Chỉ có hệ số cuối cùng là không phù hợp. Từ đây có hai kết quả rất thích thú để ước lượng
nhân tử ngắn hạn và dài hạn khi mà x tuân theo sơ đồ AR(1).
1. Nếu có một độ trễ nào đó xuất hiện trong mô hình thì nhân tử tác động sẽ được ước
lượng phù hợp.
2. Nhân tử dài hạn được ước lượng thấp qua
.

Mặc dù mô hình AR(1) là trường hợp đặc biệt, nhưng là mô hình chuẩn được xấp xỉ
khít với nhiều chuỗi số thời gian quan sát được. Nếu độ trễ tương đối dài và mô hình có
chứa một số hợp lý lớn các biến trễ thì q và độ chệch ở nhân tử dài hạn có thể là rất nhỏ.11
10
Các kết quả sau đây sẽ không phụ thuộc vào giả thiết này.
11
Trong phần bài tập bạn đọc sẽ tìm thấy một mở rộng trong đó có nhiều biến trễ bị bỏ sót.

8
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.4. Hàm tiêu dùng phân phối trễ

Độ trễ
Tổng 0 1 2 3 4 5 6 7 8

Ví dụ 18.3. Độ trễ không đầy đủ với một sơ đồ AR(1). Các số liệu dùng trong ví dụ
vừa rồi rõ ràng không làm phù hợp giả thiết ở đây. Tám số liệu đầu tiên về tự tương quan
của lnM1 là 0.0612, 0.2634, 0.1779, 0.0882, 0.2401, 0.0846, 0.3450 và 0.1586. Chúng
dường như không tương tự như những gì mà một sơ đồ AR(1) sinh ra. Để thay thế, có thể
xét dãy số liệu tiêu dùng trong Ví dụ 18.6. Việc ước lượng những mô hình đơn giản, không
cấu trúc, có độ trễ sẽ cho kết quả như trình bày trong Bảng 18.4.
Tính ổn định của các nhân tử ngắn hạn và dài hạn là đáng chú ý. Trong thực tế, số liệu
về thu nhập là tự tương quan chặt với những dấu hiệu của sơ đồ AR(1) và tham số rất gần
1. (Giá trị này phần lớn là do xu hướng phụ thuộc chặt vào thời gian) Những yếu tố khác là
không quan trọng. Trong số tám giá trị trễ giá trị tự tương quan thấp nhất là 0.993. Như
vậy các dữ liệu này là gần cộng tuyến như người ta dự đoán trước. Trong hồi qui vừa rồi
chỉ có hệ số của thu nhập hiện hành là lớn hơn 1.96 lần sai số tiêu chuẩn của nó và trong số
các hệ số còn lại chỉ có hệ số của Yt-1 là lớn hơn 1.2 lần sai số tiêu chuẩn tương ứng. Tuy
nhiên trong chín hồi qui thì tổng sai số tiêu chuẩn ước lượng sắp xếp từ 0.00398 ở trường
hợp cuối cùng đến 0.00431 ở trường hợp đầu tiên ứng với tỉ số t làm tròn là 225. Cho dù
chỉ có nhân tử tác động có thể được ước lượng với một độ chính xác nào đó trong mô hình
phân phối trễ thì tổng các hệ số có thể được ước lượng với độ chính xác cao.
Tỉ trọng trễ

Độ trễ
Hình 18.2 Xấp xỉ dạng đa thức
18.2.1b Mô hình phân phối trễ dạng đa thức
Trong một số dạng mô hình độ trễ cần thiết có thể rất dài. Về nguyên tắc đây là mở
rộng đơn thuần của (18-10), nhưng vấn đề đa cộng tuyến có thể rất nghiêm trọng, đặc biệt
đối với số liệu kinh tế vĩ mô. Trong những trường hợp như vậy, thông thường người ta
thiết lập một cơ cấu phân phối trễ nào đó nhằm giảm bớt số lượng các tham số trong mô
hình. Một mô hình rất phổ biến là phân phối trễ dạng đa thức, hoặc còn gọi là độ trễ Almon

9
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

(1965). Mô hình phân phối trễ dạng đa thức dựa trên giả thiết rằng phân phối thực tế của
các hệ số biến trễ có thể dược xấp xỉ bằng một đa thức với bậc khá thấp,
(18-12)
Hình 18.2 biểu diễn nguyên lý này. Cấp p của đa thức thường rất nhỏ, ít khi vượt quá ba
hoặc bốn.12
Thêm vào p + 1 tham số trong đa thức có hai đại lượng chưa biết cần phải xác định là
độ dài cơ cấu trễ q và bậc của đa thức p. Chúng ta sẽ quay lại vấn đề này sau, còn bây giờ
thì giả sử các đại lượng này đã cho. Bằng cách thế (18-12) vào (18-10) mô hình có thể
được viết thành

Mỗi zj là tổ hợp tuyến tính của x và n biến trễ. Chúng ta có thể kết hợp các quan hệ ở (18-
13) thành  = H, trong đó

(18-14)

và viết toàn bộ mô hình thành

Y = XH +  (18-15)
= Z + .
Với cách trình bày này mô hình có thể được ước lượng bằng phương pháp bình phương tối
thiểu thông thường hoặc FGLS nếu phần nhiễu là tự tương quan. Một lần nữa, đây là mô
hình hồi qui cổ điển nên không cần thiết phải thêm công cụ nào nữa. Sau khi tính được
(18-16)
các ước lượng của các hệ số phân phối trễ có thể được tính bằng
(18-17)
Sai số tiêu chuẩn tiệm cận có thể ước lượng bằng

(18-18)

Thỉnh thoảng người ta cũng giả thiết rằng phân phối trễ sẽ được “cho thuê dưới” tại các
điểm biên khi đặt -1 = 0 và q+1 = 0.13 Thông thường người ta không nên đưa các ràng
buộc biên này vào. Mô hình không liên quan tới các hệ số ngoài khoảng [0,…, q], nên trên
12
Xem Amemiya và Morimune (1974)
13
Ràng buôc ẩn là

10
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

cơ sở lý thuyết các điều kiện này không thể biện minh được. Tuy nhiên, điều quan trọng
hơn là các ràng buộc biên chứa đựng tất cả các hệ số trong mô hình, không phải từ đầu tới
cuối mà theo một cách không mong muốn.14

Ví dụ 18.4. Mô hình phân phối trễ dạng đa thức. Trong nghiên cứu đầu tiên Almon
(1965) đã ước lượng mô hình phân phối trễ dạng đa thức về quan hệ giữa việc phân bố và
chi dùng vốn cho các loại sản xuất của một số lớn các ngành công nghiệp đặc biệt. Hình
18.5 liệt kê các số liệu đã được sử dụng trong nghiên cứu này.15
Những mô hình hồi qui của Almon được tính bằng cách sử dụng đa thức bậc bốn và
độ trễ mở rộng tới 7 thời kỳ. Bà ấy đã sử dụng biến giả thời vụ mà bốn hệ số của chúng bị
ràng buộc có tổng bằng 0, đồng thời đặt ra hai ràng buộc biên nói trên. Các kết quả của
nhiều hồi qui được trình bày trong Bảng 18.6. 16 Các ước lượng likelihood cực đại nhận
được bằng cách ứng dụng phương pháp Beach và MacKinnon ứng với trường hợp phần
nhiểu theo sơ đồ AR(1). Để ngắn gọn, ở đây chỉ trình bày kiểm định tổng thể.

Bảng 18.5. Dữ liệu phân phối vốn (đ/v Triệu USD)

Chi dùng vốn Phân bổ vốn
I II III IV I II III IV

Bảng 18.6. Mô hình phân phối trễ dạng đa thức

Mô hình không Mô hình trễ dạng Mô hình trễ dạng đa
ràng buộc đa thức thức với -1= 8 = 0
OLS MLE OLS MLE OLS MLE

14
Xem Schmidt và Vaud (1973).
15
Tài liệu nguyên gốc sử dụng số liệu quí từ 1953 đến 1961. Những dãy sối liệu dài hơn (đi qua 1967) ứng
với cùng các biến số này có thể tìm thấy trong Maddala (1977, tr. 370) và Judge và các tác giả (1982, tr. 734,
đi qua 1974). Những người mong muốn mở rộng kết quả nghiên cứu này cho dãy các số liệu mới hơn có thể
xem xét các nguồn này và nghiên cứu nguyên gốc, Ủy ban diển đàn Công nghiệp Quốc gia (National
Industrial Conference Board) “Survey of Capital Appropriation”, Conference Board Business Record, cho
nhiều năm.
16
Các kết quả OLS theo mô hình trễ dạng đa thức với điều kiện -1 = 0 = 0 không thể so sánh được với
những kết quả nêu ra bởi Almon. Người ta đã không có thể tạo trở lại các kết quả của bà ấy với những số liệu
này.

11
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Hãy lưu ý đến tính đồng dạng của các hệ số trễ dạng đa thức ứng với các ước lượng
bình phương tối thiểu không ràng buộc. Kiểm định F về các ràng buộc ứng với mô hình
dạng đa thức không còn có ý nghĩa theo bất cứ tiểu chuẩn nào. Hình 18.3 biểu diễn ba
phân phối trễ được ước lượng bởi phương pháp bình phương tối thiểu. Về nguyên tắc, tổng
(sum) của các hệ số biến trễ sẽ bằng 1 nếu tất cả các phân phối vốn cuối cùng đều trở thành
phần chi tiêu vốn trong suốt thời gian trễ dài nhất. Kết quả của chúng ta gần sát tổng này.
(Nhân tử dài hạn tính bởi Almon cho mô hình này là 0.922. Bà ấy qui cho sự khác biệt là
do bỏ mất các phân phối vốn đã qua.)

Tỉ trọng trễ

Hình 18.3 Mô hình đầu tư phân phối trễ dạng đa thức

XÁC ĐỊNH BẬC CỦA ĐA THỨC
Khi đã biết độ dài trễ thích hợp q thì việc xác định đúng bậc của đa thức là vấn đề của
việc kiểm định giả thiết về việc lắp ráp. Trước hết có lẽ cũng cần lưu ý rằng nếu ta sử dụng
một đa thức bậc q, khi độ dài trễ cao nhất là q, thì H là ma trận vuông và chúng ta có được
một cách dễ dàng là  = H-1. Như là một hệ quả chắc chắn là các ước lượng OLS thứ
(q+1) (kể cả hệ số của xt) sẽ phù hợp đúng với đa thức bậc q. Như vậy mô hình độ trễ dạng
đa thức sẽ không đặt điều kiện nào lên các hệ số. Liên tục kế tiếp theo các đa thức bậc thấp

12
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

hơn sẽ đặt các ràng buộc. Một dãy các quá trình kiểm định giả thiết có thể được sử dụng,
bắt đầu bằng một đa thức bậc cao hơn, giả dụ như là bậc p* (nếu không có thông tin gì về
p* thì ta dùng ngay p* = q), và giảm dần bậc này một đơn vị trong các hồi qui kế tiếp. 17 Tại
mỗi bước lặp, thống kê F dùng để kiểm định giả thiết bậc p đối lại với giả thiết bậc p* của
đa thức được xác định bằng

(18-19)

(Bậc tự do của tử số sẽ giảm dần nếu có thêm các hệ số khác, ví dụ như là hằng số, trong
mô hình.) Bậc thích hợp của đa thức được đặt bằng giá trị p thấp nhất sao cho thống kê F ở
(18-19) nhỏ hơn là phân vị chuẩn tương ứng trong bảng phân phối F. Cũng nên nhớ rằng,
liên tục ở mỗi bước (trừ bước thứ nhất), do xác xuất sai lầm loại 2 ở bước trước, mức ý
nghĩa đúng khác với mức chuẩn. Triveli và Pagan 18 đề nghị mức ý nghĩa thích hợp ứng với
bước j là
(18-20)
Nếu như thường lệ mức ý nghĩa chuẩn được dùng ở mỗi bước thì mức ý nghĩa đúng sẽ là
(18-21)
Ví dụ như ứng với mức ý nghĩa  = 5%, chúng ta sẽ có mức ý nghĩa 5%, 9.75%, 14.26%
v.v… dùng cho các kiểm định tiếp theo. Trong thực tế ứng dụng, ứng với các mức ý nghĩa
thấp dần chúng ta đòi hỏ thống kê F lớn dần để có thể bác bỏ các ràng buộc tại cùng một
mức ý nghĩa thực.

ƯỚC LƯỢNG BẰNG BÌNH PHƯƠNG TỐI THIỂU HẠN CHẾ

Nếu có n biến trễ trong mô hình thi mô hình trễ dạng đa thức sẽ đặt n – p ràng buộc
lên các hệ số. Một cơ cấu đa thức trễ bậc p sẽ đặt ràng buộc
19

Ví dụ như một đa thức trễ bậc 3 sẽ đặt các điều kiện

, v.v…

Như vậy, mô hình phân phối trễ dạng đa thức có thể được ước lượng bằng phương pháp
bình phương tối thiểu hạn chế. Trong lúcnày tạm thời bỏ qua những tham số khác (ví dụ
như biến hằng) có thể xuất hiện trong mô hình, các ràng buộc của mô hình trễ dạng đa thức
có thể được viết dưới dạng
R = 0. (18-21)
Các phần tử của ma trận R được lấy từ Tam giá Pascal:
1
1 -1
1 -2 1
1 -3 3 1 (18-22)
1 -4 6 -4 1

17
Xem Godfrey và Poskitt (1975).
18
Xem tài liệu trích dẫn ở trên.
19
Xem Fomby và các tác giả (1984, tr. 375 – 377)

13
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Mỗi giá trị là tổng của hai giá trị phía trên gần nhất và dấu trong mỗi hàng luân phiên +, -,
+, -, … Ứng với đa thức bậc p, hàng quan trọng là hàng thứ p+1. Khi đó ma trận ràng buộc
R sẽ là

(18-22)

Phương pháp này có hai ưu điểm thực tế. Thứ nhất là, nếu như độ dài trễ cực đại đã
được biết thì toàn bộ phân tích về độ trễ dạng đa thức có thể dựa trên mô hình hồi qui
không ràng buộc đơn giản thực hiện cho toàn bộ tập các biến trễ. Thứ hai là, một số lượng
lớn lỗi làm tròn số có thể được dồn vào việc tính toán “biến góp nhặt” trong (18-13) trong
khi ở mô hình hồi qui hạn chế các tính toán bình phương tối thiểu cần phải rất chính xác.
Ứng với da thức có bậc tương đối thấp thì vấn đề này có thể không có ý nghĩa lắm. Nhưng
ứng với mô hình có bậc cao hơn, đặc biệt là khi có da cộng tuyến cao trong tập số liệu thì
sự khác biệt sẽ rất lớn.20

XÁC ĐỊNH DỘ DÀI TRỄ

Nếu độ dài trễ chưa biết thì vấn đề phân tích sẽ phức tạp hơn. 21 Một qui trình có thể
để trước hết là xác định độ dài trễ bằng cách sử dụng các ước lượng OLS hoặc GLS mà qui
trình tính toán đã được mô tả ở phần trước. Một khi độ trễ lớn nhất đã được xác định,
chúng ta có thể ứng dụng tiếp phương pháp vừa mới mô tả để xác định bậc đa thức thích
hợp. Tiếc thay, trừ khi các thống kê kiểm định là quá mạnh, người ta phải rất thận trọng, vì
vẫn còn cần phải xác định mức ý nghĩa thực trong các kiểm định này và phân phối thực
của các ước lượng có được trong kiểm định là còn chưa biết.
Đã có rất nhiều phân tích về hậu quả của việc xác định không đúng độ dài trễ và bậc
của đa thức trễ trong mô hình trễ dạng đa thức. Lý luận chung chung là những gì mà trực
giác đề xuất. Giả sử đã có dược đa thức và độ dài trễ thực. Khi đó việc áp dụng đa thức với
bậc không đầy đủ sẽ tương ứng với việc đặt ra các điều kiện không đúng. 22 Việc làm phù
hợp quá đa thức sẽ chỉ dẫn đến sự không hiệu quả, bởi lẽ nếu các hệ số trễ được xác định
do đa thức bậc p thì chúng cũng sẽ được xác định bởi đa thức các bậc p+1, p+2, v.v…Hậu
quả của việc xác định độ dài trễ sai sẽ phức tạp hơn chút ít. Việc ước lượng thiếu độ dài trễ
vẫn dẫn đến các kết quả thông thường. Tuy nhiên, việc ước lượng thừa độ dài trễ có thể sẽ
không cho các kết quả vô hại như vậy. Trong một mô hình không hạn chế các hệ số 0 ở
những biến số thừa sẽ được ước lượng bằng phương pháp bình phương tối thiểu. Tuy
nhiên, nếu chúng ta buộc các hệ số vào một đa thức thì các ràng buộc kéo theo có thể làm
cho các hệ số trong mô hình có giá trị thực bằng 0 thành hệ số khác 0.23

18.2.1c. Kỹ thuật làm trơn Shiller

Schiller (1973) cho rằng người ta không thể đoán trước chính xác hình dạng của phân
phối trễ như mô hình trễ dạng đa thức đề nghị. (Một cách nhìn không mấy thiện cảm cho
rằng các ràng buộc của mô hình dạng đa thức được ủng hộ không phải dựa trên một lý
thuyết có trước mà chỉ đơn giản là xuất phát từ nguyện vọng muốn có một hình dạng đẹp

20
Xem Cooper (1972).
21
Frost (1975).
22
Giả thiết này hơi cómột chút lạc quan. Xem Schmidt và Sickles (1975).
23
Hiện thời để tìm hiểu các thảo luận chi tiết hơn, hãy xem Schmidt và Vaud (1973), Trivedi và Pagan
(1979), Hendry và các tác giả (1984), và Schmidt và Sickles (1975)

14
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

của hàm phân phối trễ.) Ông ta đề nghị xem xét ràng buộc (18-21) không ở dạng xác định
mà là ở dạng ngẫu nhiên,
, (18-24)
trong đó v là một vectơ ngẫu nhiên cấp (n-p). Chúng ta có thể hợp nhất (18-24) vào mô
hình bằng cách viết

. (18-25)

Giả sử rằng phương sai của v là 2I. Nếu 2 và 2 là đã biết thì (18-25) có thể được
ước lượng bằng cách áp dụng qui trình ứng dụng cho trường hợp phương sai không đồng
đều theo nhóm như trình bày ở Chương 14. Ước lượng GLS của  sẽ là

(18-26)

trong đó
24

Nếu k = 0 thì là OLS ước lượng không ràng buộc. Trở lại (18-21) ta thấy việc 2 = 0
tương ứng với ràng buộc đúng của ước lượng Almon.25 Trong thực tế có thể ước lượng 2
bằng cách sử dụng các thặng dư OLS không điều kiện. Shiller đề nghị

(18-27)

Đối với người ta có thể sử dụng tổng các hệ số trong hồi qui không điều kiện (điều
này có thể được biện minh bởi tính vững dự đoán của các OLS ước lượng) hoặc dựa trên
giả thiết rằng nếu có một xung lực nào đó tác động vào hệ thống thì cuối cùng nó sẽ được
phân phối hoàn toàn.

Ví dụ 18.5. Kỹ thuật làm trơn theo Shiller. Việc ứng dụng các kết quả OLS ở Ví dụ
18.4 sẽ cho một ước lượng của 2 là 155.242. Tổng các tỉ trọng là 0.982 và độ dài trễ là 7,
vậy ước lượng theo kinh nghiệm theo Shiller của 2 là 0.12282. Do đó ước lượng của k là
1,598,124. Hệ số trễ ước lượng ứng với mô hình không điều kiện, mô hình dạng đa thức
với các ràng buộc chính xác, và hệ số đã làm trơn theo kỹ thuật Shiller được trình bày
trong Bảng 18.7. Sự tương đương của các ước lượng theo Shiller với các ước lượng của
Almon đã được quan sát rộng rãi và là hệ quả của một thực tế là ước lượng theo kinh
nghiệm của ông ta về  thường đưa đến một tiên nghiệm rất sát cho phương sai của các
ràng buộc.26

Bảng 18.7

24
Đây la một ví dụ về ước lượng hỗn hợp. Xem Theil và Goldberger (1961) và Taylor (1974).
25
Để thảo luận thêm xin xem Shiller (1973).
26
Xem Maddala (1977) để thảo luận thêm. Chú ý rằng sự khác biệt của ước lượng  ở đây với ước lượng của
Maddala là ở chỗ ông ta đã sử dụng ở mẫu số n2 thay vì (n+1)4.

15
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

18.2.2. Mô hình phân phối trễ vô hạn

Việc ước lượng mô hình không điều kiện (18-10) một cách tốt nhất sẽ gặp khó khăn.
Mô hình phân phối trễ dạng đa thức đã giảm bớt khó khăn, nhưng, mặc dù có thể áp dụng
các cải biên kiểu Shiller, vẫn còn có một số hạn chế. Việc phải tìm chính xác bậc của đa
thức và độ dài trễ thích hợp đòi hỏi những suy diễn phức tạp. Trong nhiều trường hợp mô
hình trễ vô hạn được chọn, nhưng tất nhiên phải kèm theo một số hạn chế để làm cho các
tham số có thể ước lượng được. Hướng khảo sát này đã đưa các nhà nghiên cứu đến việc
trình bày một mô hình tham số hoàn chỉnh cho phép có độ trễ vô hạn nhưng chỉ đòi hỏi
một số ít các tham số.

Hình 18.4 Phân phối trễ vô hạn

Việc làm đơn giản các tỉ trọng trễ trong một mô hình phân phối trễ thành các xác suất
rời rạc đòi hỏi một số cách trình bày. Mô hình trễ dạng hình học,
wi = (1-)i, 0   < 1, (18-28)
và mô hình trễ dạng gamma,27
wi = (i + 1)i, 0   < 1, 0 <  < 1, (18-29)
được trình bày trong Hình 18.4, là hai ví dụ của mô hình trễ vô hạn. Cả hai mô hình đều
chứa đựng độ trễ vô hạn nhưng định ra các tỉ trọng nhỏ tùy ý cho các khoảng cách quá
khứ. Mô hình trễ dạng hình học là mô hình phân phối trễ được ứng dụng phổ biến nhất

27
Xem Tsurumi (1971), Theil và Stern (1960) và Schmidt (1974b).

16
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

trong các công trình nghiên cứu thực nghiệm. Do đó chúng ta sẽ nghiên cứu nó chi tiết
hơn. Một số mô hình khác có thể thay thế sẽ được khảo sát ở cuối phần này.

18.2.2a Mô hình trễ dạng hình học

Có nhiều trường hợp, trong đó phân phối trễ là một mô hình tích lũy được nhiều
thông tin. Việc trình bày các kỳ vọng là một ví dụ. Trong trường hợp này, trực giác đề nghị
độ trễ quá khứ gần nhất sẽ nhận được tỉ trọng lớn nhất và tác dụng của các quan sát quá
khứ sẽ giảm dần đều đặc theo thời gian. Mô hình trễ dạng hình học là một công cụ thông
dụng theo các thiết đặt này.
Mô hình trễ dạng hình học là
t = (1-)t. (18-30)
Vì vậy
(18-31)
Độ trễ trung bình bằng
(18-32)

trong đó

Như vậy,

Độ trễ ở giữa là q* sao cho

(18-33)

Chúng ta có thể giải ra q* bằng cách sử dụng công thức

Do đó

Nhân tử tác động là (1 - ). Giá trị nhân tử dài hạn là

28

Ngay lúc đầu mô hình liên quan đến nghiên cứu về đầu tư của Koyck (1954). Nó xuất
hiện trong hai cơ cấu kinh tế thường gặp: Mô hình kỳ vọng và mô hình điều chỉnh từng
phần. Mô hình kỳ vọng thích nghi bao gồm một phương trình hồi qui,
(18-34)
28
Chúng ta sẽ phất một lá cờ cảnh báo ở đây. Mô hình trễ dạng hình học thường được viết với i = i. Ở
dạng này nhân tử ngắn hạn là , còn nhân tử dài hạn là /(1- ).

17
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

với biến kỳ vọng là và một cơ chế trình bày biến kỳ vọng dựa trên quan sát xi hiện hành,

(18-35)
Một ví dụ là phương trình cầu dựa trên một giá mong muốn. Việc xác định giá mong muốn
sẽ được xem xét lại sau khi có quan sát giá trị sản lượng hiện hành. Việc này đòi hỏi một
dạng tương đương có vẽ hấp dẫn hơn,
(18-36)
Như vậy kỳ vọng vừa mới lập là trung bình có trọng số của kỳ vọng trước đây và quan sát
mới nhất hiện nay. Tham số  là hệ số điều chỉnh. Nếu  = 1 thì quan sát hiện hành coi như
bị bỏ qua và các kỳ vọng không bao giờ được xem xét lại.  = 0 thể hiện tính chất hoàn
toàn thực dụng. Mô hình có thể được giải khi viết dưới dạng

hoặc
(18-37)

Thế (18-37) vào (18-34) sẽ dẫn đến phương trình hồi qui với trọng số giảm dần,
(18-38)
(Với dạng này người ta có thể tạo nên một mô hình thích hợp cho Ví dụ 18.1.)
Mô hình (18-38) được gọi là dạng trung bình trượt (MA). (Nó cũng được gọi là
dạng phân phối trễ.) Dạng tự tương quan (AR) thường được dùng là dạng thay thế. Khi
thay (18-37) vào (18-34) ta được

nhân với (1- L), gộp và sắp xếp lại các số hạng
(18-39)
Dạng tự tương quan thường được sử dụng trong phương trình cầu. Nếu các biến số ở dạng
logarit thì hệ số co giãn ngắn hạn và (1-) hệ số co giãn dài hạn là . Nếu không có
những phức tạp đáng lưu ý của những biến phụ thuộc trễ xuất hiện cùng với phần nhiễu tự
tương quan thì các tham số có thể được ước lượng bằng OLS hoặc bằng GLS hai thời kỳ.
Tiếc rằng chỉ trừ khi có thêm các giả thiết đặc biệt, không có phương pháp này trong hai
phương pháp này có thể cung cấp các ước lượng vững.
Phương trình thứ nhất của mô hình điều chỉnh từng phần mô tả mức yi mong muốn:
(18-40)
Thí dụ như điều này có thể mô tả một công thức kiểm kê tối ưu như là một hàm doanh số.
Mức điều chỉnh giá trị hiện hành tỉ lệ với hiệu của mức giá trị mong muốn ở chu kỳ hiện
tại và mức giá trị thực hiện ở chu kỳ trước đó:
(18-41)
Trong một dạng khác,

18
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

thì mức giá trị thực hiện hiện tại là trung bình có trọng số của mức mong muốn và mức
thực hiện ở chu kỳ trước đó. Tham số điều chỉnh thể hiện mức độ ảnh hưởng của biến đầu
vào xt lên yt. Để tiếp tục ví dụ, việc  = 0 sẽ thể hiện chính sách kiểm kê hỗn hợp, trong khi
 = 1 sẽ làm cho việc kiểm kê mong muốn trở thành hàm số chỉ của doanh số hiện hành.
Thế (18-40) vào (18-41) ta sẽ có dạng tự tương quan
(18-42)
[Lưu ý đến sự giống nhau với (18-39)]. Ta có thể viết (18-42) theo cách khác như

Chia hai vế cho và khai triển sau đó sẽ nhận dược dạng trung bình trượt
(18-43)

Trung bình trượt vô hạn của phần nhiễu có thể được viết thành
(18-44)
Do đó dạng trung bình trượt của mô hình điều chỉnh từng phần có phần nhiễu tuân theo qui
luật AR(1) với cùng tham số như trọng số trễ. Lưu ý một lần nữa rằng ngoại trừ phần
nhiễu, dạng trung bình trượt (MA) của mô hình điều chỉnh từng phần trong (18-43) y hệt
như dạng trung bình trượt của mô hình thích nghi chờ đợi ở (18-38).

18.2.2b Chuyên biệt hóa ngẫu nhiên trong mô hình trễ dạng hình học
Hầu hết các trung bình hiệu quả của việc ước lượng các tham số trong mô hình trễ
dạng hình học đều phụ thuộc vào việc chuyên biệt hóa phần nhiễu cấu trúc, t, trong (18-
34) và (18-41). Chúng ta khảo sát hai khả năng đặc trưng:
1. Loan truyền trắng: t là có phương sai đồng đều và không tự tương quan;
2. AR(1): , trong đó là chuỗi loan truyền trắng.
Mô hình có thể được ước lượng hoặc là ở dạng trung bình trượt hoặc là ở dạng tự tương
quan. Đây có thể tạo ra một kiểm định hữu dụng cho việc chuyên biệt hóa, vì bằng cách
này hay cách kia chúng ta sẽ cùng nhận được các ước lượng như nhau, trừ khi thay đổi
mẫu quan sát.29

18.2.2c Ước lượng dạng trung bình trượt (MA) của mô hình trễ dạng hình học

Dạng MA của mô hình trễ dạng hình học thường rất phù hợp với mô hình kỳ vọng có
khà năng thích nghi. Nếu t trong (18-34) là dạng loan truyền trắng, thì dạng MA sau đó là
mô hình hồi qui cổ điển. Tương ứng, nếu t là tự tương quan thì, về nguyên tắc, (18-34) có
thể được ước lượng bằng phương pháp trình bày ở Chương 15. Chúng ta khảo sát lần lượt
hai khả năng này, nhưng ưu tiên hơn cho mô hình kỳ vọng có khả năng thích nghi. Sau đó
chúng ta sẽ xem xét mô hình điều chỉnh từng phần.
Chúng ta viết (18-31) dưới dạng

29
Nói chung là việc ước lượng dạng trung bình trượt được ưa chuộng hơn vì sẽ ít có khả năng chuyên biệt
hóa sai lầm tư tương quan của phần nhiễu. Xem Maddala và Rao (1971).

19
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

(18-45)

Số hạng thứ ba là 0 = E[y0 - ] .

Chúng ta xem phần rút gọn này như là một tham số chưa biết. Khi đó mô hình trở thành
(18-46)
trong đó

Đây là một mo hình hồi qui phi tuyến. Dạng log likelihood tương ứng là

(18-47)

trong đó
Các ước lượng likelihood cực đại có thể nhận được bằng phương pháp bình phương tối
thiểu phi tuyến.30 Ước lượng likelihood cực đại của thường là

(18-48)

Ứng với một giá trị với một giá trị  cho trước, ước lượng của  là k = (1-) và 0có
thể nhận được bằng cách thực hiện hồi qui tuyến tính có tung độ gốc y t theo và t. Vì 
nằm giữa 0 vá 1 nên có thể nhận được các ước lượng bằng cách dò tìm các giá trị  trong
khoảng 0 và 1. Sau đó chọn tập hợp các ước lượng ứng với giá trị  tạo ra tổng bình
phương các thặng dư nhỏ nhất. Trong thực nghiệm, giá trị có thể tính được bằng công
thức truy hồi:

(18-49)

Các ước lượng sai số tiêu chuẩn của các tham số có thể nhận được bằng cách lấy
nghịch đảo ma trận thông tin:

(18-50)

trong đó

30
Xem Drymes (1969)

20
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

(18-51)

Giá trị mẫu của  / có thể được tính bằng công thức truy hồi. Sử dụng (18-49) ta nhận
được

(18-52)

và
(18-53)

Cuối cùng thì,

(18-54)

Sai số tiêu chuẩn tiệm cận của các ước lượng có thể được ức lượng bằng
31
(18-55)

Có một câu hỏi đặt ra là liệu người ta có cần cả hai với phần rút gọn hay không. Ở
tiệm cận có thể cả hai biểu thức này không khác nhau mấy. Khi T   cột giá trị t sẽ
bằng 0.32 Tuy nhiên, trong một mẫu nhỏ thì rõ ràng sẽ có những khác biệt đáng chú ý. Các
kết quả có được đề nghị nên giữ lại phần rút gọn hơn là cắt bỏ nó.33

PHẦN NHIỄU TỰ TƯƠNG QUAN

Nếu phần nhiễu ở (18-31) có dạng tự tương quan với

thì phương pháp đã trình bày trên đây có thể được áp dụng cho mô hình biến đổi,
(18-56)
Ứng với một giá trị  cho trước chúng ta sẽ ứng dụng phương pháp ở tiết trước. Một
phương pháp để tìm được toàn phần tập các ước lượng sẽ là việc dò tìm hai chiều theo  từ
0 đến 1 và  từ -1 đến 1. Cặp giá trị [,], cùng với các OLS ước lượng tương ứng của các
tham số, sinh ra tổng nhỏ nhất của bình phương các sai biệt sẽ cho các ước lượng
likelihood cực đại.34 Ma trận nghịc đảo của ma trận thông tin cho ước lượng của ma trận
hiệp phương sai tiệm cận của các ước lượng. Trong (18-57) toán tử  được dùng để chỉ rõ
sự chênh lệch như là . Ma trận thông tin là

31
Xem Phần 4.4.4 và Định lý 4.4.
32
Hệ quả tất nhiên là ược lượng không vững.
33
Xem Schmidt (1975), Pesaran (1973) và Maddala và Rao (1971).
34
Phân tích chịu tác động bởi quan sát thứ nhất. Xem phân tích cho một ứng dụng không điều kiện trong
Chương 15.

21
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

(18-57)

Ví dụ 18.6. Hàm tiêu dùng. Trong một nghiên cứu được nhắc đến nhiều lần Zellner
và Geisel (1970) đã áp dụng phương pháp mô tả trên đây để ước lượng hàm tiêu dùng
dạng:

trong đó Ct là tiêu dùng và là thu nhập thực bình thường. Thu nhập bình thường thỏa
mãn mô hình điều chỉnh

TỪ (18-37) ta nhận được

Khi thay biểu thức này vào mô hình hàm tiêu dùng ở trên ta sẽ có mô hình trễ dạng hình
học. Mô hình này khác với mô hình đã khảo sát trước đây là ở chỗ nó không chứa biểu
thức hằng số. Các tác giả đã ước lượng mô hình bằng cách sử dụng số liệu quí về tiêu dùng
và thu nhập sử dụng ở Hoa Kỳ trong thời kỳ từ 1947 đến 1960. 35 Trong thí dụ này chúng ta
sẽ ước lượng lại mô hình nhưng sử dụng số liệu mới hơn, sau đó sẽ so sánh kết quả đã đạt
được với kết quả của Zellner và Geisel.
Bảng 18.8 trình bày số liệu quí về tiêu dùng thực và thu nhập sử dụng, thực trong giai
đoạn từ 1953 đến 1984.36
Ứng với mô hình không điều kiện, việc dò tìm theo  cho kết quả trong Bảng 18.9.
Cực đại toàn cục ứng với giá trị  = 0.25. Tập kết quả dựa vào ước lượng = 0.25 được

Bảng 18.8. Dữ liệu tiêu dùng và thu nhập

Tiêu dùng Thu nhập sử dụng
Năm I II III IV I II III IV

35
Các dữ liệu được trình bày trong Griliches và các tác giả (1962).
36
Só liệu trích từ National Income and Product Account, US Department of Commerce, Bureau of Economic
Analysis, “Survey of Current Business: Business Statistics, 1984” Whashington, D.C, 1984, tr. 205 – 212 và
221. Số liệu được chuẩn hóa theo giá dollars năm 1972 bằng cách sử dụng chỉ số giá giảm phát trong tiêu
dùng các nhân.

22
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.9

Bảng 18.10
Tham số Ước lượng Sai số tiêu chuẩn

23
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.11
Zellner và Geisel
Tham số Ước lượng Sai số TC Ước lượng Sai số TC

trình bày trong Bảng 18.10. Cũng nên làm một phép so sánh các hệ số trễ, ẩn với những hệ
số nhận được bằng phương pháp OLS không ràng buộc. Các ước lượng OLS cho ở Ví dụ
18.3. Ở ba chu kỳ đầu tiên, các OLS ước lượng là 0.668, 0.203 và 0.307. 37 Các giá trị
tương ứng ở mô hình trễ dạng hình học là (1-) = 0.682, (1-) = 0.171 và (1-)2 =
0.043.
Trong nghiên cứu của họ, Zellner và Geisel đã tìm được hai cực tiểu của tổng các hàm
bình phương, một cực tiểu tương đối trong khoảng [,] = [0.45, 0.937] và một cực tiểu
tuyệt đối trong khoảng [0.96, 1.129]. Về lý thuyết, giá trị tối ưu của  không có vẻ hợp lý.
Các tác giả đã qui cho kết quả như vậy là vì mô hình hoặc dữ liệu là không thích hợp. với
các dữ liệu mới hơn giá trị nằm giữa 0 và 1 được chấp nhận và hàm likelihood chỉ có
một cực đại duy nhất. Thống kê Durbin-Watson dựa trên bình phương các thặng dư phi
tuyến là 0.5960. Trong khi bảng Durbin – Watson được cho là không thích hợp vì đây
không phải là mô hình hồi qui tuyến tính với các biến hồi qui phi ngẫu nhiên thì một giá trị
nhỏ như vậy dù sao cũng được xem là hấp dẫn. Ước lượng của hệ số tự tương quan trong
bảng sau đó là 0.87. Ước lượng tương ứng của Zellner và Geisel là 0.69. Do vậy có tồn tại
tự tương quan đáng kể trong cả hai tập số liệu.
Phương pháp dò tìm hai chiều theo  và  cho ta kết quả như trình bày trong Bảng
18.11; để tiện so sánh chúng tôi đã trình bày cả hai kết quả của chúng tôi và của Zellner và
Geisel. Ước lượng của là . Sai số tiêu chuẩn của và của được
ước lượng bằng cách sử dụng phương sai của một hàm phi tuyến. Lưu ý đến sự tương
đương giữa các ước lượng của  và  ứng với cả hai tập dữ liệu.

ƯỚC LƯỢNG DẠNG TRUNG BÌNH TRƯỢT CỦA MÔ HÌNH ĐIỀU CHỈNH
TỪNG PHẦN
Dạng trung bình trượt của mô hình điều chỉnh từng phần đúng là trường hợp thứ hai
mà chúng ta đã xem xét trước đây trong (18-56) và (18-57) với một điều kiện bổ sung là 
= . [Xem (18-43) và (18-44).] Hãy xem các ước lượng sẽ như thế nào khi chúng ta thêm
vào điều kiện này. Trở lại với (18-56), rõ ràng là biểu thức rút gọn sẽ triệt tiêu. Ngoài ra,
trong (18-49), nếu  =  thì bằng xt. Từ đây suy ra phương trình ước lượng
(18-56) có dạng

37
Sau ba chu kỳ đầu các OLS ước lượng trở nên nhỏ đi và có dấu âm.

24
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

hoặc là
(18-56’)
Do đó trong mô hình điều chỉnh từng phần với các phần nhiễu không tương quan các ước
lượng hiệu quả của (1-), (1-) và  sẽ nhận được bằng cách thực hiện hồi qui tuyến
tính bình phương bé nhất yt với biến hằng, xt và yt-1.

18.2.2d Ước lượng dạng tự tương quan

Mô hình tự tương quan có dạng
(18-58)
Sự hiện diện của biến phụ thuộc trễ đã loại mô hình này khỏi khuông khổ các mô hình hồi
qui cổ điển. Phụ thuộc vào ký hiệu ban đầu t làm cho việc tiếp tục thực hiện ước lượng
phức tạp hơn do có sư hiện diện của tự tương quan. Ví dụ như trong mô hình kỳ vọng tự
thích nghi, phần nhiễu có dạng t - t-1 . Như chúng ta thấy ở Phần 15.4.1, khi có sự hiện
diện của biến phụ thuộc trễ, tự tương quan đã làm cho quá trình hồi qui hai bước thông
thường trở nên không hiệu quả, do các ước lượng thu được ở bước 1 đã không vững. 38
Dạng tự tương quan của mô hình trễ dạng hình học thích hợp tốt nhất để ước lượng mô
hình điều chỉnh từ phần. Như thế, đề phù hợp với các khảo sát trước đây, trước hết chúng
ta sẽ phân tích mô hình này, và sau đó sẽ trở lại mô hình kỳ vọng thích nghi.

PHẦN NHIỄU KHÔNG TƯƠNG QUAN

Ngay cả khi t không tương quan chuỗi thì giả thiết về sự không tương quan t của với
zs = [1, xs, ys-1] ứng với mọi chỉ số t và s vẫn bị vi phạm. Vì y t hiện thân của tất cả các giá
trị ys có trước đó nên t sẽ tương quan với mỗi một chuỗi con của y s. Tuy nhiên hiện tượng
tự tương quan sẽ yếu dần theo khoảng cách thời gian, và hệ quả là mặc dù có sự phức tạp
này và tính ngẫu nhiên của các biến hồi qui, (18-58) có thể được xử lý như là một mô hình
hồi qui cổ điển, ít nhất là ở tiệm cận. Các điều kiện || < 1 và

(18-59)

trong đó Q là một ma trận xác định dương, là đủ để đảm bảo cho các OLS ước lượng bảo
toàn được các tính chất tiệp cận mong đợi. (Các tính chất chính xác trong mẫu hữu hạn
trên qui mô rộng rãi vẫn còn chưa được biết. 39) Như chúng ta đã thấy trước đây, đây là ước
lượng hiệu quả của mô hình điều chỉnh từng phần với giả thiết rằng phần nhiễu (18-41) là
không tự tương quan.

PHẦN NHIỄU TỰ TƯƠNG QUAN – BIẾN CÔNG CỤ

Nếu t là tự tương quan thì các OLS ước lượng của (18-58) là chệch và không hiệu
quả. (Xem Phần 15.4.1 để suy diễn ra những kết quả chính xác nếu không có biến hồi qui.)
Tuy nhiên, cũng có nhiều cách để có được các ước lượng vững.
Phương pháp biến công cụ đã được phát triển ở Phần 9.5.4, liên kết với sai số trong
các biến, và đã được sử dụng trong Phần 15.6.3 chính xác cho bài toán chúng ta cần ở đây.
Để lặp lại, ta ký hiệu

38
Để tham khảo thêm, hãy xem Grether và Maddala (1973) và Dhrymes (1969 và 1979).
39
Doran và Griffiths (1978). Cũng xem Schmidt (1976, tr. 96-101)

25
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

X = [i, x, y-1].
Vấn đề sẽ là

Ước lượng của biến công cụ

(18-60)
sẽ là ước lượng vững và có phân phối tiệm cận như là

Do đó ma trận các biến công cụ thỏa mãn hai điều kiện

và (18-61)

Trong bối cảnh này biến hằng và biến X có thể đóng vai trò là biến công cụ của chính nó.
Việc chọn biến công cụ thông thường cho y t-1 là xt-1,40 sẽ dẫn đến Z = [i, x, x-1]. Ngay tại
thời điểm này, cũng cần lưu ý rằng bất kể loại tự tương quan nào của , nếu các biến công
cụ thỏa mãn (18-61) thì là ước lượng vững.

PHẦN NHIỄU TỰ TƯƠNG QUAN – ƯỚC LƯỢNG HATANAKA VÀ

LIKELIHOOD CỰC ĐẠI
Nếu có thể biết được dạng tự tương quan đặc biệt thì ngưới ta có thể nhận được một
ước lượng hiệu quả. Trước hết xét phần nhiễu tự tương quan. Ví dụ như trường hợp này có
thể xuất hiện trong mô hình nếu như phần nhiểu cơ cấu trong (18-41) là tự tương quan.
Mặc dù ước lượng IV là vững, nhưng nó không hiệu quả.Hatanaka (1976) đã chỉ ra
rằng một ước lượng vòng hai sử dụng ước lượng IV ở bước thứ nhất sẽ có những tính chất
tiệm cận như là ước lượng likelihood cực đại cho trường hợp phần nhiễu phân phối theo
qui luật chuẩn. (Tuy nhiên ông ta đã không đặt vấn đề nào về sự hoàn thiện của ước lượng
ứng với mẫu cỡ nhỏ.) Qui trình đã được trình bày chi tiết trong Phần 15.6.3 như sau:
1. Sử dụng ước lượng IV để ước lượng các tham số; sau đó sử dụng các thặng dư để
tính giá trị .
2. Hồi qui theo biến hằng (tung độ gốc), , và .
Xấp xỉ của ma trận hiệp phương sai tiệm cận là ước lượng qui ước tính ở bước 2.
Đối với trường hợp phần nhiễu phân phối chuẩn chúng ta có thể tính được ước lượng
likelihood cực đại. Nếu t = t-1 + ut thì
(18-62)
Tùy theo vào các quan sát ban đầu mà ước lượng đã làm cực tiểu tổng bình phương sẽ cho
các ước lượng likelihood cực đại. Ứng với giá trị  cho trước, để đạt được điều này chỉ cần
thực hiện hồi qui tuyến tính yt theo một biến hằng, xt và yt-1. [Chúng ta cũng sử dụng
toán tử  như ở (18-57) : xt= xt - xt-1.] Do các OLS ước lượng là không vững nên phương
40
Xem Liviatan (1963).

26
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

pháp dao cạo không nhất thiết sẽ cho ra một ước lượng vững, ngay cả thi thực hiện phương
pháp lặp.41 Một cách đơn giản là quét khoảng (-1, 1) để tìm giá trị  cho giá trị nhỏ
nhất tuyệt đối. Một cách khác, nhất là khi mà quá trình được bắt đầu bằng một ước lượng 
vững, ước lượng IV ở bước thứ hai (và sau đó) sẽ có được các tính chất mong muốn của
likelihood cực đại. Sai số tiêu chuẩn của ước lượng likelihood của [(1-), (1-), , ,
] có thể nhận được bằng cách lấy nghịch đảo ước lượng của ma trận thông tin :42

(18-63)

Sai sô tiêu chuẩn của các ước lượng riêng lẻ của  và  được tính bằng cách sử dụng các
kết quả cho phương sai của hàm phi tuyến. [Xem (18-54) và (18-55).43]

DẠNG TRUNG BÌNH TRƯỢT (MA) CỦA PHẦN NHIỄU –

MÔ HÌNH KỲ VỌNG THÍCH NGHI

Dạng tự tương quan (AR) của mô hình kỳ vọng thích nghi là

(18-64)
Dạng AR này có phần nhiễu trung bình trượt cấp 1 (MA (1)) với cùng tham số như ở
phương trình điều chỉnh. Bằng việc áp dụng phương pháp biến công cụ người ta có thể
nhận được các ước lượng vững. Như chúng ta thấy trước đây, các ước lượng hiệu quả có
thể được tính bằng cách sử dụng dạng MA và phần rút gọn cò lại. [Xem (18-47) và các
thảo luận sau đó.] Trường hợp bề ngoài có vẽ lộn xộn, trừ biểu thức t = t-1 + ut, là đúng
y như (18-56). Trong cả hai trường hợp người ta không cần các kết quả mới. Kết quả cuối
cùng là các ước lượng hiệu quả của dạng AR với sai số trung bình trượt sẽ nhận được bằng
cách trở lại dạng MA.
Ví dụ 18.7. Ước lượng dạng AR. Ứng dụng các kỹ thuật mô tả trước đây chúng ta
nhận được cá ước lượng sau đây của dạng tự tương quan trong hàm tiêu dùng (Bảng 18.12)
cùng với ước lượng của sai số tiêu chuẩn tiệm cận: (Mạng dò tìm đã sinh ra một cực tiểu
duy nhất của tổng bình phương các sai lệch. Tổng bình phương này giảm đơn điệu từ 5384
tại giá trị  = - 0.5 đến giá trị cực tiểu bằng 3500.04 ứng với  = 0.27 và tăng đơn điệu từ
4735 ứng với  = 0.9.)

18.2.2e Chuyên biệt hóa phần nhiễu trong mô hình trễ dạng hình học
Những thảo luận trên đây đã phân tích rất nhiều dạng mô hình (kỳ vọng thích nghi hoặc
điều chỉnh từng phần), các dạng chuyên biệt hóa phần nhiễu ngẩu nhiên [tiếng ồn trắng,
AR(1), MA(1)] và phương trình ước lượng (dạng MA hoặc AR). Khi cho trước số các khả
41
Betancourt và Kalejian (1981) Va Fomby và Guikey (1983).
42
Phần tử đối của phần tử (4,3) trong Johston (1984, tr. 367) là sai. Ở đây là TE[(- ut/)(-ut/)]. Chúng ta
sử dụng (18-62) để tìm ra -ut/ = yt-1 - yt-2 và ut = t - t-1 để nhận được -ut/ = t-1. Bây giờ chúng ta
viết (18-58) thành ys =  + (1-)xs(1-L) + s(1-L) ứng với s = t-1 và t-2. Sau đó E[t-1,yt-1] = /(1-) và
E[t-1,yt-2] = 2 /(1-). Kết hợp các biểu thức lại với nhau và thay = /(1-2) sẽ có kết quả nêu ở trên.
Ứng với ut/ chú ý rằng (1-) và (1-) là những tham số tự do.
43
Ở trong một số mô hình  và  xuất hiện trực tiếp nên bước này không cần thiết nữa.

27
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

năng có thể người ta đơn thuần chỉ chọn một trong số đó và ước lượng mô hình dưới bất cứ
một dạng nào đơn giản nhất (hoặc tạo ra các kết quả dể nhấp nhận nhất). Cũng cần nhấn
mạnh rằng, đặc biệt ở dạng MA, những câu trả lời mà người ta muốn nhận được phụ thuộc
cơ bản vào giả thiết xác suất kèm theo. Ví dụ như Bảng 18.13 trình bày các ước lượng của
ba hệ số trễ đầu tiên ứng với nhiều cách ước lượng khác nhau tính ở Ví dụ 18.6 và 18.7. Sự
chênh lệch rộng có thể gây một ít ngạc nhiên trong tập các dữ liệu trong đó R 2 trong hồi
qui đơn giản nhất (Ct theo Yt) đã vượt quá 0.998.

Bảng 18.12
Bình Biến công Hatanaka AR(1) với Zellner
phương tối cụ 2 bước dò tìm - Geisel
thiểu mạng lưới

Bảng 18.13. Ước lượng của hệ số trễ

0 1 2
Dạng MA
OLS 0.671 0.199 0.038
OLS phi tuyến 0.682 0.171 0.043
GLS phi tuyến 0.320 0.211 0.139
Dạng AR
OLS 0.177 0.144 0.117
Biến công cụ 0.465 0.228 0.112
Hatanaka 0.286 0.197 0.136
Dò tìm mạng lưới 0.242 0.178 0.132

Các thặng dư cần phải được kiểm tra cẩn thận nhằm đảm bảo chắc chắn có được một
sự chuyên biệt hóa thích hợp. Cũng cần lưu ý rằng để đạt mục đích này chúng ta có hai ước
lượng thô của các tham số. Ứng với dạng MA các ước lượng bình phương tối thiểu phi
tuyến là vững với bất kể dạng tự tương quan nào. Cũng tương tự như vậy, trong dạng AR
các ước lượng biến công cụ là tốt ứng với các loại phần nhiễu khác nhau. Như vậy chúng
ta có hai cách để nhận được tập hợp các thặng dư hữu dụng cho việc phân tích. Chúng ta
khảo sát chi tiết mô hình kỳ vọng thích nghi. Và do vậy, việc khảo sát mô hình điều chỉnh
từng phần được để dành cho phần bài tập.
Phương trình cơ cấu của mô hình có dạng

28
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.14.
Dạng trung bình trượt Dạng tự tương quan
I. Loan truyền trằng*  MA(1)
II. AR(1), tham số = *  ARMA(1,1)
III. AR(1), tham số =   Loan truyền trằng
IV. AR(2), tham số = (+), -   AR(1)*

Các phương trình ước lượng có dạng

Dạng MA:
Dạng AR: (18-65)
Mối quan hệ giữa các dạng phần nhiễu MA và AR với các giả thiết khác nhau được liệt kê
trong bảng sau đây. Dấu * chỉ rõ giả thiết thông thường và mũi tên chỉ hướng khai triển.
Trường hợp I là hiển nhiên. Các trường hợp II và III phát triển như sau. Ký hiệu v t là
phần nhiễu trong dạng AR. Nếu

vậy thì

Do đó

Nhân hai vế với (1 - L) và gộp các biểu thức thành phần nhiễu ARMA(1,1) của trường
hợp II,

Nếu  =  thì biểu thức này có thể được viết lại thành
vt[1 - L] = ut[1 - L].
Chia hai vế cho thừa số chung, ta có v t = ut và đó là trường hợp III. Trường hợp này có sự
quan tâm đặc biệt. Nó chứng tỏ rằng dạng AR có thể được ước lượng một cách hiệu quả và
vững bằng phương pháp bình phương tối thiểu thông thường. Zellner và Geisel (1970, tr.
871) đã lưu ý đặc biệt về khả năng này và, vì vậy, điều kiện gần như được thỏa mãn bởi
các ước lượng mẫu của họ. (Xem ví dụ 18.6) Trường hợp IV nêu ra điều cần thiết để nhận
được phần nhiễu dạng AR(1) trong phương trinh dạng AR. Dạng này suy ra trực tiếp với
giả thiết

(Đây là giả thiết của Zellner và Geisel cho trường hợp IV.)

29
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Giả thiết nào là thích hợp? Nếu cỡ mẫu là đủ lớn thì chúng ta có thể suy diễn câu trả
lời từ tập dữ liệu. Chúng ta hãy xét nhiều khả năng khác nhau bằng cách sử dụng ở mỗi
bước các kết quả của Ví dụ 18.6. và 18.7.44

Ví dụ 18.8. Phân tích về một cách chuyên biệt hóa ngẫu nhiên
Trường hợp I: Lan truyền trắng trong dạng MA. Một kiểm định bất kỳ trong số các
kiểm định Durbin-Watson, Box – Pierce hoặc nhân tử Lagrange của Godfrey (1978)
có thể được dùng trực tiếp. Chúng ta đòi hỏi một ước lượng tốt cho các tham số tạo ra
bởi phương pháp bình phương tối thiểu phi tuyến. Với giá trị bằng 0.5960, thống kê
Durbin – Watson là đặc biệt nhỏ. Thống kê chi-bình phương Box – Pierce với một
bậc tự do sẽ là 127(0.702)2 = 65.6. Ở đây xuất hiện vấn đề nhỏ là giả thiết  = 0 có
thể bị bác bỏ. Để làm kiểm định khác là từ giả thiết này suy ra rằng phần nhiễu dạng
AR có dạng MA(1) với quan hệ tự tương quan bằng 0 sau một chu kỳ. Sử dụng 127
quan sát và ước lượng IV ta có hệ số tự tương quan thứ hai là 0.4619. Với giả thiết về
tiếng ồn trắng quan hệ tự tương quan xấp xỉ có phân phối chuẩn với kỳ vọng bằng 0
và độ lệch chuẩn bằng = 0.089. Như thế, giá trị (0.4619 – 0)/0.089 = 5.2 là
mức ý nghĩa cao. Điều này bác bỏ Trường hợp I. Dưới đây chúng ta xét trường hợp
III như là hệ quả trực tiếp.
Trường hợp III: Lan truyền trắng trong dạng AR. Điều vừa rồi cũng bác bỏ Trường
hợp III. Trừ sự thay đổi mẫu, các thặng dư dạng AR dựa trên các ước lượng IV sẽ là
lan truyền trắng trong Trường hợp III. Việc tìm ra một quan hệ tự tương quan thứ hai
lớn và có ý nghĩa chứng tỏ khôngphải là như vậy. Chúng ta có một vài kiểm định
trực tiếp.45 Kiểm định nhân tử Lagrange của Godfrey nhận được bằng cách hồi qui
thặng dư bình phương nhỏ nhất theo Yt, Ct-1 và thặng dư trễ tạo ra một tỉ số t ứng với
thặng dư trễ là 2.64. Đối với kiểm định Durbin h chúng ta trở lại bảng phân phối
chuẩn với

Cả hai thống kê này đều lớn hơn giá trị phân vị chuẩn. Do đó ta bác bỏ Trường hợp
III.
Trường hợp IV: AR(1) trong dạng AR. Điều này tạo ra một dạng lạ kỳ của phần nhiễu
dạng MA. Chúng ta sử dụng một công cụ gọi là hàm số tự tương quan từng phần để
phân tích trường hợp này. Nếu

thì khi, bằng cách sử dụng các quan sát mẫu chúng ta hồi qui t theo t-1 và t-2 thì hệ
số của t-1 sẽ là một ước lượng của  và, nếu không kể sai số mẫu, thì hệ số của t-2 sẽ
bằng 0. Ước lượng IV sẽ tạo ra một tập hợp các thặng dư hữu dụng. Ứng với các số
liệu tiêu dùng, các hệ số góc trong hồi qui là 0.315 và 0.322 với tỉ số t tương ứng là
3.686 và 3.761. Do đó chúng ta kết luận rằng tập dữ liệu không thích hợp cho
Trường hợp IV.
Trường hợp II: AR(1) trong dạng MA. Trường hợp II chứa đựng một mô hình tự hồi
qui cấp một không ràng buộc, có thể được phân tích theo cách chúng ta đã tiến hành
44
Đây là một sự áp dụng tương đối hạn chế. Cả bốn trường hợp nêu trên bao hàm hầu hết các áp dụng thực
nghiệm. Lý thuyết chứa đựng nhiều hơn thế. Bạm đọc có thể tìm thấy thêm một số trường hợp tổng quát
trong Jugde và các tác giả (1983, Chương 10).
45
Xem Maddala và Rao (1976).

30
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

cho Trường hợp IV. Khi thực hiện hồi qui các thặng dư bình phương tối thiểu phi
tuyến trong dạng MA theo hai giá trị trễ đầu tiên chúng ta nhận được các hệ số góc là
0.632 và 0.165 với tỉ số t tương ứng bằng 7.15 và 1.86. Giá trị thứ nhất là có ý nghĩa
cao còn giá thị thứ hai thì không có ý nghĩa. Kết quả này là vững với quá trình AR(1)
và chứng tỏ rằng các ước lượng nhận được ở Ví dụ 18.6 cùng với một điều chỉnh
AR(1) là những ước lượng mà chúng ta cần.
Cuối cùng, chúng ta sẽ lưu ý rằng có thể là không có trường hợp nào trong số bốn
trường hợp đã khảo sát là đúng. Người ta có thể mở rộng sự chuyên biệt hóa phần nhiễu
thành các mô hình tự tương quan và trung bình trượt bật cao hơn. Nhưng có thể phải ghi
nhớ rằng cơ chế áp dụng các kỹ thuật này thường chắc chắn dẫn đến dao động lớn trong
kết quả (thường là có quan hệ với những thay đổi nhỏ đáng ngạc nhiên ở các giá trị tham
số). Chúng được sử dụng một cách thận trọng.

18.2.2f. Các mở rộng

Mô hình trễ dạng đa thức có những yếu tố hất dẫn cho phép một sự phản ứng linh hoạt
trong lớp các các phân phối trễ. Trái lại mô hình trễ dạng hình học chứa đựng dấu vết giảm
dần của tỉ trọng trễ có thể không bền vững với tập số liệu. Tuy nhiên, không giống như mô
hình dạng hình học, mô hình dạng đa thức cắt gọn hàm phân phối tại một thời điểm tùy
chọn và đòi hỏi ước lượng bậc của đa thức. Chúng ta sẽ suy diễn các tính chất của ước
lượng trong mô hình này. Có nhiều mô hình khác đã được phát triển, thay thế cho hai dạng
hàm số phổ biến này và kết hợp các tính chất ưu việt của cả hai.46
MỘT MÔ HÌNH PHÂN PHỐI TRỄ ĐIỀU CHỈNH
Có một ứng dụng tác động trực tiếp vào hạn chế của mô hình dạng hình học. Bởi vì
ngay từ đầu người ta đã giả thiết một cách hợp lý rằng tỉ trọng giảm dần theo trình tự thời
gian, nên có một khả năng là cho phép chúng không bị ràng buộc trong một số thời kỳ và
sau đó áp dụng cơ cấu hình học vào phần đuôi của phân phối. Trở lại dạng chuyên biệt cho
phép các tỉ trọng trễ không bị ràng buộc:

(18-66)

Mô hình này có thể được ước lượng bằng cách áp dụng qui trình chúng ta đã ứng dụng
trước đây với một sửa đổi nhỏ. Biểu thức tổng trong số hạng cuối cùng có thể được viết
thành

Một lần nữa chúng ta xử lý phần thứ hai như là một phần rút gọn. Gộp tất cả các phần lại ta
có được phương trình ước lượng là

Qui trình lặp tính là

46
Các nguồn tài liệu trích dẫn trong phần mở đầu cung cấp nhiều tóm tắt đầy đủ. Maddala (1977) cung cấp
một danh mục ngắn gọn về các quan sát hữu ích đối với cơ chế ước lượng. Trong một số phân phối trễ được
trình bày có một phần của toàn bộ vấn đề, nhưng tiếc thay, lý thuyết kinh tế thường không cho biết được hình
dạng của các phân phối trễ. Bản thân số liệu và sự tháo vát của nhà phân tích thường chỉ cung cấp các
phương hướng chỉ đạo.

31
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Việc ước lượng dựa vào quan sát thứ 3 trở đi cho đến T, phần còn lại giống như trước.
Phương pháp bình phương tối thiểu với việc dò tìm  trong khoảng [0, 1) sẽ cho ta ước
lượng likelihood cực đại. Ma trận thông tin cũng gống như ở (18-50) có thêm vào hai hàng
và cột ứng với 0 và 1. Quan hệ tự tương quan có thể được xử lý theo cách như trước đây.
Đây là một cách hiệu quả để mở rộng mô hình vì nó giảm nhẹ các ràng buộc của mô
hình trễ dạng hình học chính xác tại các điểm bị ràng buộc nhiều nhất. Tuy nhiên, ngoại trừ
một vài độ trễ ban đầu được thỏa mãn, kết quả là một mô hình cồng kềnh bởi vấn đề đa
cộng tuyến mà chúng ta đang tìm cách ưu tiên để loại trừ. Do đó đã có nhiều hàm trễ thay
thế được đề xuất với cách trình bày tham số cô đọng và súc tích hơn. Chúng ta khảo sát
một vài hàm trong số ấy.

MÔ HÌNH TRỄ PASCAL

Mô hình trễ Pascal được Solow đề xuất năm 1960 là một suy rộng của mô hình trễ
dạng hình học. Các hệ số trễ ở dạng phân phối trễ hữu hạn là

Nếu r = 1, thì đây là mô hình dạng hình học. Nhưng khi r = 2, 3,... thì đồ thị hàm phân phối
trể lúc đầu có dạng hình “cái bứu” như mô hình đa thức sau đó thoai thoải dần như mô
hình dạng hình học ở những độ trễ xa hơn. Chúng ta có thể thấy điều này dễ dàng bằng
cách ứng dụng qui trình lặp bắt đầu bằng :

Ứng với i lớn tỉ số sẽ xấp xỉ bằng  và đây chính là quan hệ với mô hình dạng hình học.
Bạn đọc sẽ xem một ví dụ sau. Số mũ r cần phải được ước lượng. Giá trị hai, ba, bốn hoặc
năm là tiêu biểu. Ứng với một giá trị r cho trước các tham số còn lại sẽ được ước lượng
bằng cách quét các giá trị của  theo cách tương tự như đã sử dụng ở mô hình dạng hình
học. Bạn đọc có thể xem thêm chi tiết hơn trong Maddala và Rao (1971).

MÔ HÌNH ĐA THỨC ĐÃ CHIẾT KHẤU

Tác giả Schmidt trong (1974a) đã đề xuất mộ mô hình kết hợp giữa mô hình đa thức
và mô hình hình học. Tỉ trọng trong mô hình hình học được viết lại là

Ở cuối của phần đầu của đồ thị phân phối tỉ trọng trễ có dạng giống như tỉ trọng ở mô hình
trễ dạng đa thức, lúc dầu tăng, sau đó giảm. Trong khi đó phần cuối của đuôi phân phối lại
nghiêng về cơ cấu phía mô hình trễ dạng hình học. Một ưu điểm trực tiếp của mô hình này
là nó loại bỏ được sự dò tìm rắc rối về điểm để cắt gọn. Còn cần phải xác định bậc của đa
thức, nhưng việc này có thể được phân tích bởi những kỹ thuật đã trình bày. Nếu 1 = 2
= .... = p = 0, thì mô hình trở thành có dạng hình học. Các tham số có thể được ước lượng
bằng cách ứng dụng một mở rộng của phương trình ước lượng ở mô hình hình học. Đối với
mô hình toàn phương

32
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

trong đó

Schmidt đã cung cấp một biểu thức ngắn gọn cho ma trận thông tin. Việc mở rộng cho đa
thức bậc cao hơn sẽ được tiếp tục theo cách như trên. Phương trình là phi tuyến đối với 
nhưng cũng có thể được ước lượng bằng phương pháp bình phương tối thiểu với việc quét
các giá trị  trong khoảng [0, 1) để tìm ra giá trị ứng với tổng bình phương các thặng dư bé
nhất.
Người ta cũng đã đề xuất rằng mô hình này có thêm một ưu điểm so với mô hình trễ
dạng đa thức; đó là sự hiện diện của hiệu ứng trể bất kỳ là bị ràng buộc có thể kiểm định
được. Chắc chắn rằng nếu  = 0 thì mô hình trở thành mô hình hồi qui đơn. (Hệ số của x t
sẽ là 000 = 0.) Tuy nhiên kiểm định có hàm ý về ràng buộc này chứa dựng một sự mơ hồ
kỳ lạ. Khi  = 0 thì mô hình vẫn như cũ cho dù với giá trị p thế nào. Cho nên, sẽ không rõ
ràng rằng cái gì sẽ được kiểm định bởi kiểm định tiệm cận t đơn giản dựa vào mô hình
không ràng buộc. Có thể nhấn mạnh rằng mô hình không thể ước lượng được với  = 0 và
p khác 0 do không thể xác định một tỉ số likelihood. Kiểm định nhân tử Lagrange cũng
không thể được. Vấn đề này khọng xuất hiện trong mô hình trễ hình học hoặc mô hình
Pascal. Mặc dù vậy, do các ràng buộc khác trong mô hình này có thể không chấp nhận
được nên có thể có cách khác tốt hơn để kiểm định giả thiết không có ảnh hưởng của biến
trễ hay không; đó là kiểm định F dựa trên mô hình không ràng buộc tương đối kéo dài (tức
là (18-10)).

MÔ HÌNH TRỄ HỢP LÝ

Mô hình trễ hợp lý của Jorgenson (1966) là một chuyên biệt hóa rất tổng quát

(18-67)

Tỉ số giữa hai đa thức trong toán tử trễ cơ bản có thể sản sinh ra hình dạng mong đợi nào
đó của phân phối trễ. Mô hình hình học và rất nhiều mô hình khác được trình bày trong các
tài liệu tham khảo là những trường hợp đặc biệt. Dạng tự tương quan là
C(L)yt = B(L)xt + C(L)t. (18-68)
Trong dạng này mô hình có cả hai biến trễ và một phần nhiễu có dạng trung bình trượt. Do
vậy các ước lượng OLS là không vững. Đối với đa thức bậc thấp Maddala và Rao đã phát
triển một phương pháp dễ thực hiện để tính ra được các ước lượng likelihood cực đại. 47 Chi
tiết hơn có thể được tìm thấy trong các nghiên cứu của họ. Ở đây chúng ta chỉ phát hoạ
một trường hợp đơn giản.

47
Mặc dù các nghiên cứu lý thuyết được trình bày dưới dạng rất tổng quát, nhưng trên thực tế hiếm khi người
ta ứng dụng các đa thức có bậc cao hơn là một hoặc hai. Những loại này rất cồng kềnh ngay cả để ước lượng
và để giải thích. Ngoài ra mô hình với nhiều biến trễ phụ thuộc trễ là rất hay nhạy cảm với với sự biến đổi
nhỏ của tham số.

33
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Hãy xét trường hợp cả B(L) và C(L) đều có dạng toàn phương. Khi đó mô hình trở
thành

(18-69)

hoặc
(18-70)

Ký hiệu
(18-71)
Khi đó
(18-72)
Ứng với các giá trị 1 và 2 cho trước, bằng phương pháp truy hồi, ta có thể tính được giá
trị .[Chú ý sự tương đồng với (18-49).] Cùng với vừa tính được và

(18-73)
các hệ số , 0, 1 và 2 có thể được ưóc lượng bằng phương pháp OLS. Với giả thiết phân
phối chuẩn của phần nhiễu, lưới quét các giá trị 1 và 2 để tìm giá trị nhỏ nhất của tồng
bình phương các sai lệch và đo đó có được các ước lượng likelihood cực đại. Phạm vi dò
tìm được xác định sao cho (18-70) ổn định (xem thảo luận chi tiết ở phần phụ lục), và đó là
tam giác với ba đỉnh là (1, 2) = (-2, -1), (2, -1) và (0, 1). Griliches (1967, tr. 27, 28) đã chỉ
ra rằng chỉ có các giá trị dương của 1 là vững đối với một tập các trọng số trễ dương. Điều
này giúp giới hạn phạm vi dò tìm cần thiết.48
Ở đây chúng ta gặp phải bối rối cuối. Công thức lặp (18-72) sẽ được bắt đầu tại điểm
nào? Vấn đề là ở chỗ và là không quan sát được. Một cách chọn logic là = =
0. Sau đó thì và dùng (18-72) để tính các cho đến . Co thể
thay thế bằng cách là coi và là những tham số chưa biết và cần được ước lượng.
Tiếc thay cách này lại đưa vấn đề ước lượng tuyến tính thành ước lượng phi tuyến cao.
Như Maddala và Rao (1971) đã phát hiện việc xử lý các giá trị này có thể đưa đến những
sai khác lớn trong kết quả ở những mẫu cỡ 60 quan sát. Họ đã đề xuất một phương pháp
thông dụng dựa trên việc ước lượng sơ bộ các giá trị và .
Ví dụ 18.9. Mô hình phân phối trễ. Các dữ liệu Almon đã cung cấp cơ sở chứng
minh hợp qui tắc cho việc phát triển các kỹ thuật phân phối trễ. Để tiếp tục truyền thống
này chúng tôi đã biểu diển trong Bảng 18.15 và Hình 18.5 nhiều dạng phân phối trễ được
ước lượng bằng phương án số liệu này từ 1953 – 1967.49
48
Điều này không đảm bảo được rằng trong một mẫu cá biệt nào đó các tham số sẽ thỏa mãn các ràng buộc.
Ví dụ như ở tập số liệu tiêu dùng, cực tiểu tổng bình phương các sai lệch ứng với đoểm nàm ngoài phạm vi
ổn định, tại điểm (1.06, 0.1). Liênquan tới ghi chú 47, cực tiểu tổng bình phương các sai lệch là 9800 tại
điểm này và bằng 50,000 tại điểm (1.09, 0.1).
49
Nguyên cứu chính gốc của Almon sử dụng 9 năm. Nhiều nhà nghiên cứu sau đó đã sữ dụng 60 quan sát
kéo dài trong 15 năm coi như là các số liệu bổ sung cho tập dữ liệu của Almon được công bố đầu tiên vào
1963. Các ước lượng mô hình trễ hợp lý và mô hình Pascal được trình bày trong Maddala và Rao (1971). Các
ước lượng không ràng buộc, mô hình hình học và mô hình đa thức có chiết khấu đã được tính với việc ứng
dụng toàn bộ tập dữ liệu được trình bày trong Maddala (1977, tr. 370). Như vậy Maddala và Rao đã trình bày
các ước lượng của mô hình phân phối trễ kiểu Almon. Tuy nhiên đây là những mô hình trích từ nghiên cứu

34
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Bảng 18.15. Tỉ trọng trể từ ước lượng của mô hỉnh phân phối trễ
Mô hình: 1 = Hồi qui không ràng buộc
2 = hình học,  = 0.82
3 = hình học cải biên, hai tham số tự do
4 = đa thức cấp 4
5 = đa thức cấp 4 với ràng buộc điểm cuối
6 = hợp lý (2,2)
7 = pascal, r = 3
8 = đa thức có chiết khấu  = 0.49

Ghi chú: Các ước lượng của mô hình 6 và 7 là trích từ Maddala va Rao (1971)

18.3. Mô hình với tham số biến đổi theo thời gian

Khi xây dựng mô hình, các nhà dự báo thường thêm vào biến hằng (tung độ gốc) để tăng
chất lượng dự báo, ví dụ như khi xê dịch thì mô hình sẽ dự báo một cách chính xác quan
sát mẫu cuối cùng. Từ đây nãy sinh một ý tưởng đề xuất bởi Cooley và Prescot trong việc
phân tích mô hình với tham số thay đổi theo thời gian (1973a và 1973b). Liệu nhà phân
tích có tin rằng tung độ gốc là bất biến theo thời gian hay không? Các tác giả cho rằng mô
hình mà những nhà dự báo thực chất muốn đề xuất không có tung độ độ gốc cố định mà là
tung độ gốc biến thiên một cách ngẫu nhiên trong suốt thời kỳ thử nghiệm. Họ đề xuất mô
hình hồi qui thích ứng như là mô hình chứa đựng khái niệm này.
Mô hình hồi qui tự thích nghi với tung độ gốc biến đổi theo thời gian có dạng

(18-74)
trong đó
t = t-1 + vt.

của Almon và thuộc loại mô hình sử dụng bốn biến giả thời vụ và một biến “dồn đống”; chúng có ảnh hưởng
đáng kể đến kết quả. Xem thêm Almon (1965, tr. 186, 190). Vì vậy chúng không thể so sánh được với các
ước lượng khác. Chúng tôi đã ước lượng lại mô hình của Almon trong ví dụ này.

35
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Hằng số t chuyển dịch lên trên hoặc xuống dưới trong mỗi chu kỳ t theo cách dịch chuyển
ngẫu nhiên. Các phần nhiễu t và vt được giả thiết độc lập với nhau theo thời gian và có
phân phối chuẩn với kỳ vọng bằng 0 và phương sai bằng

và
trong đó 0 <  < 1.

Hình 18.5. Phân phối trễ ứng với số liệu của Almon
Tham số  cho biết tầm quan trọng của các nguyên nhân dẫn đến sự biến thiên của dãy y t ;
đó là các thay đổi do các náo động đột ngột và thay đổi do cấu trúc. Sự náo động đột ngột
được gọi là phần thay đổi nhất thời do ảnh hưởng của nó chỉ giới hạn trong chu kỳ hiện
hành. Trái lại, vì nên mỗi vs đều xuất hiện trong mỗi một dãy con yt. Vì
vậy được gọi là thành phần ngẫu nhiên thường trực. Ước lượng mô hình này sẽ gặp khó

36
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

khăn vì biểu thức hằng số sẽ cho những kết cục ngẫu nhiên khác nhau ; đó không phải là
một tham số. Các phương pháp hồi qui thông thường không có tác dụng ở đây. Tuy nhiên
để có thể dự báo chúng ta coi biểu thức hằng số như là một tham số ở chu kỳ mẫu con đầu
tiên và thiết lập một phương trình có thể ước lượng được. Lộ trình của t trong chu kỳ mẫu
có dạng

cứ như vậy

và

Vậy thì trong chu kỳ mẫu con thứ nhất

(18-75)

Do đó (18-76)

Thế biểu thức này vào mô hình hồi qui, ta nhận được

(18-77)
Các phần nhiễu là

Suy ra ma trận hiệp phương sai của các phần nhiễu có dạng
(18-78)
trong đó

(18-79)

Ứng với một mẫu gồm T quan sát, dạng log likelihood là

(18-80)

37
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

trong đó chú ta đã đưa vào X một cột với các phần tử toàn bằng 1 và phần tử thứ nhất của
 là T+1. Ứng với một giá trị  cho trước ta biết được  và do đó các ước lượng likelihood
cực đại của  và 2 sẽ là các GLS ước lượng :

(18-81)
và

Hình 18.6. Hàm tiêu dùng đã được ước lượng

Chú ý rằng không có phần nhiễu ở (18-86). Chúng ta giả thiếy rằng phương trình không
chứa biểu thức hằng số. Do vậy cái là phần nhiễu t ở mô hình trước đây ại chính là biểu
thức thứ nhất của ut. Tương tự, phần tử thứ nhất trong vt tương ứng với vt trong (18-74).
Để tiếp tục cần phải giả thiết rằng đã biết u và v. Các tác giả biện luận rằng sẽ là hợp lý
nếu giả thiết chúng có dạng đường chéo và bằng nhau. Như vậy họ đã cho rằng những kết quả nhận
được cùng với mô hình là bằng chứng tương đối mạnh mẽ cho việc định dạng ma trận không đúng.
Đây có thể là hữu ích vì lý thuyết cơ sở thường không chỉ ra được những gì cần được sử dụng.
Một lần nữa chú ý lại được hướng đến giá trị của mẫu thử con thứ nhất. Dưới dạng
biểu thức của T+1 mô hình sẽ là

38
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

(Chú ý rằng cùng với tung độ gốc, nếu trong u và v chỉ có các phần tử khác 0 nằm ở góc
trái phía trên thì sẽ xuất hiện mô hình với tung độ gốc thay đổi theo thời gian.) Ma trận
hiệp phương sai của T phần nhiễ kép có dạng

trong đó

và
tromg đó qij đã cho trong (18-79).
Vì trong  chỉ có duy nhất một ẩn số là  nên chúng ta có thể tìm ước lượng likelihood
cực đại theo  như cách trước đây. Ứng với một giá trị  cho trước các ước lượng
likelihood cực đại của  và 2 là các ước lượng GLS như trong (18-83). Ma trận hiệp
phương sai tiệm cận phù hợp của các ước lượng này là ma trận qui ước. Phương sai tiệm
cận của  cho trong (18-83) với nghiệm riêng nhận được từ ma trận Q** =
Cooley và Prescott mở rộng cách thức đã sử dụng trước đây để chuyển đổi mô hình thành
mô hình hồi qui với phương sai không đồng đều. Phương pháp tính toán cũng giống như
trước đây, chỉ khác là chúng ta vận dụng và . Sau đó các kết quả
giống hệt như những kết quả trước đây.
Một mở rộng khác có tên là mô hình không gian tĩnh, cho phép các hệ số phát triển
tương ứng với một phương trình chuyển tiếp dạng t = t-1 + vt. Phương pháp ước lượng
likelihood cực đại đã được thực hiện và thật sự hấp dẫn bởi một kỹ thuật nổi tiếng với tên
gọi là phương pháp lọc Kalman. Những mô hình suy rộng ở cấp độ này hiếm khi được
dùng đến trong kinh tế, trước hết là vì thiếu vắng một cơ sở lý thuyết để biện minh.50

Bài tập

1. Hãy tính độ trễ trung bình và nhân tử ngắn và dài hạn cho :
(a) mô hình trễ
(b) Mô hình trong Ví dụ 5.
(c) Mô hình trong Ví dụ 8. (Thực hiện với x hoặc z.)
2. Hãy giải thích xem làm cách nào để ước lượng các tham số trong mô hình:

Liệu ở đây có vấn đề nào đó với OLS hay không? Hãy ứng dụng phương pháp đã miêu
tả để ước lượng mô hình ở trên ứng với dãy số liệu ở Bảng 18.8. Hãy trình bày các kết
quả.

3. Hãy ứng dụng phương pháp bình phương bé nhất hạn chế để làm thế nào ước lượng mô
hình phân phối trễ dạng đa thức với độ trễ 6 chu kỳ và một đa thức trể bậc 3.

4. Vận dụng số liệu ở phần phụ lục Chương 19 để ước lượng mô hình phân phối trễ dạng
đa thức với

Đầu tưt =  +  +t.

50
Có thể tìm thấy một ứng dụng trong Burmeister va Wall (1982).

39
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Ứng dụng phương pháp đã trình bày trong bài giảng để xác định độ dài trễ và bậc của
đa thức.
5. Hãy mở rộng mô hình trễ hợp lý

Các hệ số của xt, xt-1, xt-2, xt-3 và xt-4 là như thế nào?
6. Giả sử rằng mô hình ở bài tập trước được chuyên biệt hóa trở lại dưới dạng

7. Hãy mô tả một phương pháp có thể ước lượng các tham số. Liệu OLS có hiệu quả
không?

8. Hãy miêu tả cách ước lượng các tham số trong mô hình

trong đó t là phần nhiễu cổ điển, có phương sai không đồng đều, không tương quan
chuỗi.
9. Ứng dụng các kết quả ở Bảng 18.15 để suy luận ra các ước lượng của 0, 1, 2 trong
mô hình đa thức trễ có chiết khấu.

Phụ lục : Phương trình đặc trưng của mô hình tự tương quan
Một đặc trưng rất có ý nghĩa của mô hình động, nhất là nếu chúng được ứng dụng cho dự
báo, là tính ổn định (hoặc ổn định trễ). Nếu tổng các hệ số trễ ở

là hữu hạn thì không có vấn đề gì phải giải quyết về tính ổn định của phương trình ngay cả
khi độ dài trễ là vô hạn. Chúng ta có thể đề xuất một trạng thái cân bằng như đã làm trước
đây và trước mắt gây nhiễu nó bằng cách tăng x ở chu kỳ s lên một đơn vị và tiến đến một
điểm cân bằng khác như đã làm ở Hình 18.1. Nhưng những phương trình loại này rất khó
coi và, thông thường, người ta sẽ giảm bớt số các biểu thức bằng cách ứng dụng mô hình
tự tương quan có một vài giá trị trễ của yt. Một dạng hay sử dụng là mô hình với tỉ trọng trễ
dạng hình học,

hoặc
Thực hiện việc thay thế nhiều lần chúng ta sẽ thấy rằng đây là mộ mô hình phân phối trễ
với một cơ cấu trễ vô hạn,

40
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Cũng không thể nói một cách chắc chắn rằng mô hình này là ổn định. Nếu cần phải đặt
thêm điều kiện || < 1 thì mô hình trở thành

Mộ mô hình tổng quát hơn sẽ là

hoặc

Một lần nữa lại đặt vến đề về tính ổn định của phương trình. Tuy nhiên, việc thay thế liên
tục sẽ làm thấy rõ một cách nhanh chóng rằng các điều kiện cần thiết cho việc này sẽ phức
tạp hơn nhiều.
Trong các mô hình tự tương quan, vấn đề ổn định hoặc sự tồn tại một trạng thái cân
bằng trở thành việc tìm nghiệm của đa thức đặc trưng,

Đây là một đa thức với biến số là z và (có thể) là nghiệm phức z = a + bi. Tính ổn định đòi
hỏi tất cả các nghiệm đều nằm ngoài vòng tròn đơn vị (tức là có mô đun a2 + b2 >1).51
Có một dạng khác của điều kiện ổn định có thể cho các kết quả hữu dụng. Hãy xét mô
hình tự tương quan cấp 3 như là một ví dụ,

Khi đó đa thức đặc trưng có dạng

Chúng ta có thể viết đa thức này thành mô hình tự tương quan cấp một dưới dạng một
vectơ . Trước hết ta có

Gộp ba biến số ở vế trái thành một vectơ . Khi đó các biểu thức ở trên sẽ tương đương
với

trong đó zt = [1, xt, t]’ và

51
Nếu chúng ta đồng nhất nghiệm với điểm (a,b) trên mặt phẳng toạ độ x0y với trục hoành 0x là trụ thực còn
trục tung 0y là trục ảo thì thì điều kiện này đòi hỏi các nghiệm phải nằm ngoài vòng tròn với tâm là gốc toạ
độ và bán kính bằng 1.

41
18 MÔ HỈNH KINH TẾ CHUỖI THỜI GIAN

Phương trình này có thể được viết thành

hoặc
Sau đó bằng cách thay thế liên tục ta có phương trình

Cho đến nay không có gì đảm bảo rằng Ci sẽ vỡ tung ra. Ứng với một ma trận vuông C
nào đó chúng ta có thể viết
C = PQ,
trong đó A là ma trận chéo có các phần tử đường chéo là nghiệm đặc trưng của ma trận C
và P, Q là những ma trận sao cho PQ = I.52 Vậy thì Ci = PiQ và vấn đề ổn định trở thành
việc tim nghiệm đặc trưng . Nhưng nghiệm đặc trưng của C là số nghịch đảo của nghiệm
đặc trưng của phương trình đặc trưng. Chứng minh như sau

Nghiệm được định nghĩa là nghiệm của phương trình

Ký hiệu z = 1/ là một nghiệm. Bằng cách nhân hai vế của phương trình định thức trên với
z3 ta sẽ có phương trình đặc trưng của đa thức trễ. Điều này minh chứng cho kết quả ứng
với trường hợp đặc biệt này. (Trường hợp tổng quát có thể được chứng minh bằng cách
khai triển định thức theo cột thứ nhất và được coi là một bài tập.) Do vậy chúng ta đạt
được điều kiện giống như trước đây.

Tài liệu tham khảo

52
Xem Phần 2.7.9. Các kết quả ở phần này khác rõ ràng với các kết quả ở đây vì C không đối xứng. Các
nghiệm và vectơ đặc trưng của C có thể và cặp phức.

42