Mô hình VAR
Mô hình VAR (Vector Autoregression – Tự hồi quy vectơ) là mô hình chuỗi thời gian đa biến được giới thiệu bởi nhà kinh tế lượng Christopher Sims vào năm 1980. Trong mô hình VAR, mỗi biến nội sinh được hồi quy trên giá trị quá khứ của chính nó và giá trị quá khứ của tất cả các biến nội sinh khác trong hệ thống, từ đó nắm bắt mối quan hệ động giữa các biến kinh tế – tài chính theo thời gian. Khác với mô hình hồi quy OLS truyền thống hay mô hình phương trình đồng thời (SEM), VAR không yêu cầu phân biệt biến nội sinh – ngoại sinh mà coi tất cả các biến trong hệ thống là nội sinh, phù hợp với thực tế khi nhiều chỉ tiêu kinh tế vĩ mô có quan hệ hai chiều (như lãi suất, lạm phát, tăng trưởng tín dụng).
Cấu trúc toán học của mô hình VAR
Mô hình VAR bậc p (ký hiệu VAR(p)) có dạng tổng quát Yt = c + A_1·Y{t-1} + A2·Y{t-2} + … + Ap·Y{t-p} + ε_t, trong đó Y_t là vectơ cột kích thước (k × 1) chứa các biến nội sinh tại thời điểm t, c là vectơ hằng số, A_i là ma trận hệ số kích thước (k × k) ứng với độ trễ i, ε_t là vectơ nhiễu trắng (white noise) đa biến với kỳ vọng bằng 0 và ma trận hiệp phương sai Σ không đổi theo thời gian. Bậc p của mô hình được lựa chọn thông qua các tiêu chí thông tin như AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion) hoặc HQIC (Hannan-Quinn Information Criterion) – tiêu chí càng nhỏ thì mô hình càng phù hợp nhưng vẫn đảm bảo tính parsimony (càng ít tham số càng tốt).
Ứng dụng của VAR trong ngân hàng và tài chính
Trong lĩnh vực ngân hàng, mô hình VAR được sử dụng phổ biến cho nhiều mục tiêu phân tích quan trọng. Thứ nhất, phân tích phản ứng động (Impulse Response Function – IRF) cho phép đánh giá tác động lan truyền khi một biến bị sốc, ví dụ: khi lãi suất chính sách tăng 1%, sau 4–6 quý thì tăng trưởng tín dụng và giá bất động sản sẽ phản ứng như thế nào. Thứ hai, phân tích phương sai (Variance Decomposition) giúp xác định tỷ trọng đóng góp của từng biến vào biến động của biến khác, ví dụ: biến động tỷ giá có giải thích bao nhiêu phần trăm cho biến động lạm phát trong 8–12 quý tiếp theo. Thứ ba, kiểm định nhân quả Granger (Granger Causality) giúp xác định biến nào có tính dự báo trước cho biến khác trong hệ thống – đây là bước quan trọng để xây dựng bộ chỉ báo sớm (leading indicator) phục vụ công tác dự báo vĩ mô của ngân hàng trung ương và các ngân hàng thương mại. Ngoài ra, mô hình VAR còn được biến thể thành các phiên bản phù hợp với dữ liệu tài chính: VAR có xu hướng (Trend VAR), VAR cấu trúc (SVAR) với các ràng buộc kinh tế, VAR với biến giả (Dummy VAR) để xử lý sự kiện bất thường, và VECM (Vector Error Correction Model) dùng khi các biến có quan hệ đồng tích hợp bậc một I(1).
Điều kiện áp dụng và hạn chế của mô hình VAR
Để mô hình VAR cho kết quả ước lượng tin cậy, các biến trong mô hình cần đảm bảo tính dừng (stationarity) – tức kỳ vọng, phương sai và hiệp phương sai không đổi theo thời gian. Nếu chuỗi không dừng, người phân tích phải lấy sai phân bậc 1 hoặc sử dụng VECM khi các biến đồng tích hợp. Hạn chế quan trọng nhất của VAR là số lượng tham số tăng rất nhanh theo số biến và bậc trễ – một mô hình VAR(2) với 5 biến đã có tới 50 hệ số cần ước lượng, đòi hỏi kích thước mẫu lớn; vì vậy trong thực tiễn người ta thường giới hạn số biến ở mức 3–7 biến. Ngoài ra, khi hệ thống có quá nhiều biến, người phân tích có thể sử dụng các kỹ thuật giảm chiều dữ liệu như phân tích nhân tố (Factor Analysis) kết hợp với VAR, hoặc chuyển sang mô hình VAR cấu trúc (SVAR) với các ràng buộc kinh tế để tăng tính nhận diện (identification) của mô hình. Lưu ý thực hành: khi triển khai mô hình VAR trong bài thi tuyển dụng ngân hàng hoặc dự án thực tế, cần kiểm tra đầy đủ các bước gồm kiểm định tính dừng (ADF, KPSS), xác định bậc trễ tối ưu, ước lượng mô hình, kiểm định phần dư (tự tương quan, phương sai sai số thay đổi, phân phối chuẩn) và phân tích phản ứng động IRF kết hợp phân tích phương sai để có bức tranh toàn diện.
Nội dung mang tính tham khảo, không thay thế tư vấn chuyên môn về mô hình kinh tế lượng trong hoạt động ngân hàng.