ARDL là gì? Cách hiểu mô hình và áp dụng trong luận văn
Mô hình ARDL là gì
ARDL là viết tắt của Autoregressive Distributed Lag, thường được dịch là mô hình tự hồi quy phân phối trễ. Đây là mô hình chuỗi thời gian dùng để xem một biến phụ thuộc hiện tại chịu ảnh hưởng như thế nào từ các giá trị quá khứ của chính nó và các giá trị hiện tại, quá khứ của biến giải thích.
Điểm khiến ARDL được dùng nhiều trong luận văn là mô hình có thể tách quan hệ ngắn hạn và quan hệ dài hạn. Chẳng hạn, bạn muốn kiểm tra tác động của lãi suất, tỷ giá và cung tiền đến tăng trưởng kinh tế. Một thay đổi của lãi suất có thể ảnh hưởng đến tăng trưởng trong vài quý đầu, trong khi tác động cân bằng dài hạn lại có hướng và mức độ khác.
Dạng tổng quát có thể viết như sau:
Y_t = c + Σ φ_iY_(t-i) + Σ β_jX_(t-j) + ε_t
Trong đó, Y_t là biến phụ thuộc, X_t là một hoặc nhiều biến độc lập, i và j là độ trễ, c là hằng số, còn ε_t là sai số. Phần autoregressive thể hiện độ trễ của Y, còn distributed lag thể hiện độ trễ của các biến X.
ARDL thường đi cùng kiểm định Bounds để kiểm tra có tồn tại quan hệ dài hạn giữa các biến hay không. Tuy vậy, ARDL không phải một nút bấm thay thế cho việc kiểm tra dữ liệu. Bạn vẫn phải xem tính dừng, chọn độ trễ hợp lý, kiểm tra phần dư và giải thích kết quả theo bối cảnh nghiên cứu.
Nếu bạn đang phân vân giữa các mô hình chuỗi thời gian, có thể đọc thêm ARIMA là gì, lý thuyết VAR và mô hình VAR. ARIMA thường tập trung vào dự báo một chuỗi, còn VAR xem các biến nội sinh tác động qua lại theo thời gian.
Các thành phần trong mô hình
Một mô hình ARDL trong luận văn thường gồm các thành phần sau. Bạn nên xác định từng thành phần trước khi mở phần mềm, vì chọn sai biến hoặc sai độ trễ sẽ làm bảng kết quả khó giải thích.
| Thành phần | Ý nghĩa trong ARDL | Ví dụ minh họa |
|---|---|---|
Biến phụ thuộc Y | Đại lượng cần giải thích ở thời điểm hiện tại | Tăng trưởng GDP |
Biến độc lập X | Yếu tố được giả thuyết có ảnh hưởng đến Y | Lãi suất, tỷ giá, đầu tư |
Độ trễ của Y | Giá trị quá khứ của biến phụ thuộc | GDP quý trước |
Độ trễ của X | Tác động trễ của biến giải thích | Lãi suất trễ một quý |
| Thành phần ngắn hạn | Mức thay đổi của các biến trong từng kỳ | ΔX_t, ΔY_(t-1) |
| Quan hệ dài hạn | Trạng thái cân bằng giữa các biến | Hệ số long-run form |
| ECM | Tốc độ điều chỉnh về cân bằng sau một cú sốc | Error Correction Term |
Ký hiệu ARDL(p, q1, q2) cho biết biến phụ thuộc có độ trễ tối đa p, biến độc lập thứ nhất có độ trễ tối đa q1, biến độc lập thứ hai có độ trễ tối đa q2. Với ba biến giải thích, bạn có thể gặp dạng ARDL(2,1,2,0). Điều này không có nghĩa mọi biến đều phải có cùng số độ trễ.
Nếu dữ liệu là theo năm và chỉ có khoảng 20 quan sát, mô hình quá nhiều độ trễ sẽ nhanh chóng mất bậc tự do. Nếu dữ liệu theo tháng hoặc quý, bạn có nhiều thông tin hơn nhưng cũng phải chú ý mùa vụ, thay đổi cấu trúc và các cú sốc đặc biệt.
Biến ở mức và biến sai phân
Trong phần ngắn hạn, mô hình dùng sai phân như ΔY hoặc ΔX để biểu diễn mức thay đổi giữa hai thời điểm. Phần dài hạn lại thể hiện mối quan hệ ở mức. Đây là lý do bạn không nên chỉ nhìn vào hệ số của phương trình sai phân rồi kết luận toàn bộ quan hệ giữa các biến.
Độ trễ tối ưu
Độ trễ thường được chọn bằng tiêu chí thông tin như AIC hoặc SIC, tùy phần mềm và thiết kế nghiên cứu. Bạn có thể đặt một độ trễ tối đa phù hợp với tần suất dữ liệu, sau đó để phần mềm so sánh các mô hình. Kết quả được chọn vẫn cần kiểm tra phần dư, vì mô hình có tiêu chí thông tin thấp nhưng phần dư còn tự tương quan thì chưa đủ thuyết phục.
Mô hình gốc và các mở rộng phổ biến
ARDL có thể được hiểu theo hai lớp. Lớp thứ nhất là phương trình động với các biến ở mức và các độ trễ. Lớp thứ hai là dạng Error Correction Model, thường được dùng sau khi xác định có quan hệ dài hạn.
Với dạng ARDL cơ bản, bạn đặt câu hỏi: quá khứ của Y và các giá trị hiện tại, quá khứ của X giải thích Y_t ra sao. Với dạng ECM, bạn đặt thêm câu hỏi: khi hệ thống lệch khỏi quan hệ cân bằng dài hạn, tốc độ điều chỉnh về cân bằng là bao nhiêu.
ARDL Bounds test thường được dùng khi các biến có thể có bậc tích hợp I(0) hoặc I(1). Bạn cần kiểm tra để bảo đảm không có biến I(2), vì khi đó cách diễn giải Bounds test thông thường không còn phù hợp. Nếu tất cả biến đều dừng ở mức, OLS động hoặc các mô hình chuỗi thời gian khác có thể phù hợp hơn. Nếu tất cả biến cùng I(1), bạn cũng nên cân nhắc VAR, VECM hoặc các phương pháp đồng liên kết khác.
Một hướng mở rộng là thêm biến giả cho khủng hoảng, thay đổi chính sách hoặc giai đoạn đặc biệt. Biến giả có thể giúp mô hình phản ánh một cú sốc rõ ràng, nhưng bạn phải có lý do nghiên cứu cụ thể. Việc thêm hàng loạt biến giả chỉ để làm kết quả đẹp sẽ khiến mô hình khó bảo vệ.
Một hướng khác là ARDL phi tuyến, trong đó tác động tăng và giảm của một biến có thể được tách riêng. Ví dụ, tăng giá dầu và giảm giá dầu có thể không tạo ra tác động đối xứng đến lạm phát. Tuy nhiên, dạng này đòi hỏi cách xây dựng biến, kiểm định và diễn giải phức tạp hơn ARDL tuyến tính.
Trong dữ liệu bảng, ARDL có cách triển khai khác với chuỗi thời gian đơn lẻ. Nếu đề tài của bạn dùng nhiều tỉnh, quốc gia hoặc doanh nghiệp qua nhiều năm, hãy phân biệt rõ mô hình ARDL chuỗi thời gian với mô hình dữ liệu bảng. Bài FEM và REM dữ liệu bảng là gì sẽ phù hợp hơn nếu bạn đang so sánh tác động cố định và tác động ngẫu nhiên.
Thang đo thường dùng cho từng khái niệm
ARDL không dùng thang đo Likert theo cách của Cronbach's Alpha hay EFA. Các biến trong ARDL thường là chuỗi số liệu theo thời gian, chẳng hạn GDP, CPI, lãi suất, xuất khẩu, vốn đầu tư hoặc tỷ giá. Vì vậy, “nguồn thang đo” trong trường hợp này nên hiểu là nguồn định nghĩa, cách đo và nguồn dữ liệu của từng biến.
| Khái niệm cần đo | Chỉ báo thường gặp | Cách ghi đơn vị | Nguồn cần kiểm tra trong luận văn |
|---|---|---|---|
| Tăng trưởng kinh tế | Tốc độ tăng GDP thực | Phần trăm theo năm hoặc quý | Cơ quan thống kê, cơ sở dữ liệu chính thức |
| Lạm phát | CPI hoặc tốc độ tăng CPI | Chỉ số hoặc phần trăm | Cơ quan thống kê, ngân hàng trung ương |
| Lãi suất | Lãi suất chính sách, cho vay hoặc tiền gửi | Phần trăm | Ngân hàng trung ương |
| Tỷ giá | Tỷ giá danh nghĩa hoặc thực | Đơn vị tiền tệ | Ngân hàng trung ương, cơ sở dữ liệu tài chính |
| Đầu tư | Tổng vốn đầu tư hoặc FDI | Tiền tệ, logarit hoặc phần trăm GDP | Cơ quan thống kê, cơ quan đầu tư |
| Thương mại | Xuất khẩu, nhập khẩu hoặc độ mở thương mại | Tiền tệ hoặc phần trăm GDP | Cơ quan thống kê, cơ sở dữ liệu thương mại |
Bạn không nên trộn chuỗi theo tháng với chuỗi theo năm nếu chưa có phương pháp chuyển đổi rõ ràng. Cũng cần thống nhất giá hiện hành và giá so sánh, đơn vị tiền tệ, cách xử lý lạm phát và cách lấy logarit. Một bảng biến tốt nên ghi tên biến, ký hiệu, công thức, đơn vị, tần suất, giai đoạn và nguồn dữ liệu.
Nếu một biến được đo bằng chỉ số, hãy ghi rõ năm gốc. Nếu biến là tỷ lệ phần trăm, hãy xác định đó là phần trăm dạng số hay tỷ lệ thập phân. Hai cách lưu này có thể tạo ra hệ số khác về mặt hiển thị, dù ý nghĩa thống kê không nhất thiết thay đổi.
Áp dụng vào đề tài của bạn
Giả sử đề tài của bạn là “Tác động của lãi suất và tỷ giá đến tăng trưởng kinh tế Việt Nam”. Bạn có thể đặt GDPG làm biến phụ thuộc, IR là lãi suất, EX là tỷ giá và INV là đầu tư. Mô hình khái niệm khi đó không phải sơ đồ thang đo với các mũi tên giữa biến tiềm ẩn, mà là một phương trình động giữa các chuỗi quan sát theo thời gian.
Một bộ giả thuyết có thể viết như sau:
- H1: Lãi suất có tác động đến tăng trưởng kinh tế trong ngắn hạn.
- H2: Tỷ giá có tác động đến tăng trưởng kinh tế trong ngắn hạn.
- H3: Lãi suất có quan hệ dài hạn với tăng trưởng kinh tế.
- H4: Tỷ giá có quan hệ dài hạn với tăng trưởng kinh tế.
Bạn cần nói rõ dấu kỳ vọng chỉ khi lý thuyết và bối cảnh dữ liệu hỗ trợ. Lãi suất cao có thể làm giảm đầu tư, nhưng trong một số bối cảnh, lãi suất cao cũng đi cùng giai đoạn kinh tế tăng trưởng hoặc áp lực lạm phát. Vì vậy, giả thuyết nên nêu quan hệ cần kiểm định, còn dấu kỳ vọng phải được giải thích bằng cơ sở lý thuyết và nghiên cứu trước đó.
Kiểm tra bậc tích hợp
Trước khi chạy ARDL, bạn kiểm tra từng chuỗi ở mức và ở sai phân bậc nhất bằng kiểm định phù hợp trong phần mềm bạn sử dụng. Mục tiêu là xác định chuỗi dừng ở I(0), I(1), hoặc có vấn đề khác. Một chuỗi I(2) là cảnh báo quan trọng đối với Bounds test.
Chọn độ trễ và chạy Bounds test
Bạn đặt độ trễ tối đa dựa trên tần suất dữ liệu và số quan sát, sau đó so sánh các mô hình theo tiêu chí thông tin. Tiếp theo, chạy Bounds test để xem các biến có quan hệ dài hạn hay không. Nếu thống kê F nằm trên cận trên, bằng chứng ủng hộ quan hệ dài hạn mạnh hơn. Nếu nằm dưới cận dưới, chưa có bằng chứng về quan hệ dài hạn. Nếu nằm giữa hai cận, kết luận cần thận trọng và có thể phải xem thêm bối cảnh, kích thước mẫu hoặc phương pháp bổ sung.
Ước lượng dạng ngắn hạn và dài hạn
Khi có bằng chứng về quan hệ dài hạn, bạn đọc bảng long-run form và bảng ECM. Hệ số ECM thường được kỳ vọng có dấu âm và có ý nghĩa thống kê trong mô hình điều chỉnh về cân bằng. Độ lớn của hệ số cho biết tỷ lệ sai lệch được điều chỉnh trong mỗi kỳ, nhưng cách diễn giải phải gắn với tần suất dữ liệu.
Cách viết vào luận văn: “Kết quả Bounds test cho thấy thống kê F bằng [F_value], so với cận dưới [I0_value] và cận trên [I1_value]. Do [F_value] [cao hơn cận trên/nằm giữa hai cận/thấp hơn cận dưới], nghiên cứu [ủng hộ/chưa đủ bằng chứng ủng hộ] sự tồn tại của quan hệ dài hạn giữa [tên các biến]. Trong ngắn hạn, biến [X] có hệ số [coefficient] và p-value bằng [p_value].”
Bảng kết quả minh họa
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột có thể khác tùy EViews, Stata, R hoặc gói phân tích bạn dùng, nhưng logic đọc kết quả vẫn tương tự.
| Bảng kết quả | Variable | Coefficient | Std. Error | t-Statistic | Prob. |
|---|---|---|---|---|---|
| Long Run Form | IR | -0.284 | 0.112 | -2.536 | 0.018 |
| Long Run Form | EX | 0.167 | 0.071 | 2.352 | 0.027 |
| Long Run Form | INV | 0.421 | 0.146 | 2.884 | 0.008 |
| ECM Regression | CointEq(-1) | -0.436 | 0.129 | -3.380 | 0.002 |
| ECM Regression | D(IR) | -0.191 | 0.083 | -2.301 | 0.030 |
| ECM Regression | D(EX) | 0.094 | 0.045 | 2.089 | 0.047 |
Với bảng minh họa này, hệ số dài hạn của IR là âm và p-value nhỏ hơn 0.05. Bạn có thể nói dữ liệu minh họa ủng hộ tác động âm trong dài hạn, nhưng không được chuyển câu này thành kết luận cho file của mình. Hệ số CointEq(-1) âm và có ý nghĩa là dấu hiệu phù hợp với cơ chế điều chỉnh về cân bằng. Giá trị -0.436 có thể được diễn giải thận trọng là khoảng 43,6% sai lệch khỏi cân bằng được điều chỉnh trong một kỳ, nếu các điều kiện của mô hình được đáp ứng.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
ARDL không phải thủ tục tiêu chuẩn trong SmartPLS. SmartPLS phù hợp hơn với PLS-SEM, nơi bạn đánh giá outer loading, CR, AVE, HTMT và path coefficient của mô hình biến tiềm ẩn. Vì vậy, đừng nhập dữ liệu chuỗi thời gian vào SmartPLS chỉ vì muốn có sơ đồ mũi tên đẹp.
SPSS có thể hỗ trợ xử lý dữ liệu, thống kê mô tả, tạo biến trễ và kiểm tra một số điều kiện, nhưng SPSS không cung cấp quy trình ARDL đầy đủ như các phần mềm kinh tế lượng chuyên dụng. Bạn có thể dùng EViews, Stata hoặc R để ước lượng ARDL, sau đó dùng SPSS nếu cần các bảng mô tả hoặc kiểm tra bổ sung. Việc chọn phần mềm nên dựa trên mô hình và khả năng giải trình, không chỉ dựa trên phần mềm bạn đã quen.
Một quy trình thực tế gồm các bước sau:
- Chuẩn hóa dữ liệu theo thời gian, bảo đảm mỗi dòng là một kỳ và mỗi cột là một biến.
- Kiểm tra giá trị thiếu, thay đổi đơn vị, giá hiện hành và giá thực.
- Kiểm tra bậc tích hợp, đặc biệt là khả năng xuất hiện biến I(2).
- Chọn độ trễ tối đa phù hợp với số quan sát và tần suất dữ liệu.
- Chọn mô hình theo tiêu chí thông tin, sau đó kiểm tra phần dư.
- Chạy Bounds test nếu điều kiện áp dụng phù hợp.
- Đọc kết quả ngắn hạn, dài hạn và ECM.
- Kiểm tra độ ổn định, tự tương quan, phương sai thay đổi và tính phù hợp của mô hình.
Khi trình bày, hãy đặt bảng kiểm định bậc tích hợp trước bảng Bounds test. Sau đó mới trình bày kết quả long-run form và ECM. Người đọc cần biết vì sao bạn được phép chạy ARDL trước khi nhìn vào các hệ số p-value.
Nếu đề tài của bạn thật sự có các biến tiềm ẩn đo bằng nhiều biến quan sát, bạn có thể cần PLS-SEM hoặc CB-SEM ở một phần khác của nghiên cứu. Khi đó, hãy tách rõ mô hình đo lường khỏi mô hình chuỗi thời gian. Mô hình VAR và VAR là gì cũng là các bài nên đọc nếu bạn đang cân nhắc mô hình động có nhiều biến nội sinh.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là gọi mọi hồi quy có biến trễ là ARDL. Một phương trình có Y_(t-1) chưa đủ để chứng minh bạn đã xây dựng và kiểm định ARDL. Bạn cần nêu cấu trúc độ trễ, cách chọn mô hình và kết quả kiểm tra quan hệ dài hạn.
Lỗi thứ hai là bỏ qua kiểm định bậc tích hợp. Nếu chuỗi không dừng, hồi quy ở mức có thể tạo ra quan hệ giả. Nếu có biến I(2), Bounds test theo cách thông thường có thể không còn phù hợp.
Lỗi thứ ba là chọn quá nhiều độ trễ. Số quan sát ít mà mô hình có nhiều biến và nhiều lag sẽ làm hệ số thiếu ổn định, sai số lớn và kết quả khó lặp lại. Hãy ghi rõ độ trễ tối đa, tiêu chí chọn và lý do giữ mô hình cuối cùng.
Lỗi thứ tư là chỉ nhìn p-value. Một hệ số có ý nghĩa thống kê vẫn cần được xem cùng dấu, độ lớn, đơn vị đo, khoảng thời gian và ý nghĩa kinh tế. Hệ số rất nhỏ không tự động có ý nghĩa thực tiễn lớn.
Lỗi thứ năm là dùng nhầm thuật ngữ. R², outer loading, AVE, HTMT thuộc nhóm chỉ số quen thuộc của PLS-SEM, không phải bộ tiêu chí chính để đánh giá ARDL. Ngược lại, Bounds test, long-run form và ECM mới là những phần cần giải thích trong ARDL.
Cuối cùng, đừng sửa dữ liệu để đạt p-value mong muốn. Nếu có giai đoạn đứt gãy, quan sát bất thường hoặc dữ liệu thiếu, hãy ghi lại cách xử lý và lý do. Hội đồng thường hỏi quy trình dữ liệu trước khi hỏi một hệ số cụ thể.
Câu hỏi thường gặp
ARDL có phải là mô hình hồi quy tuyến tính không?
ARDL được ước lượng trong khung hồi quy động, nhưng nó có thêm các giá trị trễ của biến phụ thuộc và biến giải thích. Vì vậy, bạn cần xử lý đặc điểm chuỗi thời gian, tính dừng và quan hệ dài hạn thay vì chỉ chạy hồi quy OLS ở mức.
ARDL dùng được khi các biến có bậc tích hợp khác nhau không?
ARDL thường được lựa chọn khi các biến là I(0), I(1), hoặc kết hợp giữa I(0) và I(1), với điều kiện không có biến I(2) trong cách áp dụng Bounds test thông thường. Bạn phải kiểm tra bậc tích hợp trước khi kết luận mô hình phù hợp.
ARDL có cần dữ liệu rất lớn không?
ARDL thường được dùng trong nghiên cứu có số quan sát vừa phải, nhưng không có nghĩa dữ liệu ít sẽ luôn cho kết quả đáng tin. Khi số quan sát thấp, việc thêm nhiều biến và nhiều độ trễ làm giảm bậc tự do. Bạn cần trình bày rõ tần suất, giai đoạn dữ liệu và lý do giới hạn mô hình.
Nên dùng ARDL hay VAR?
ARDL phù hợp khi bạn có một biến phụ thuộc trung tâm và muốn tách tác động ngắn hạn, dài hạn. VAR phù hợp hơn khi nhiều biến được xem là nội sinh và tác động qua lại. Bạn có thể xem VAR là gì để so sánh cấu trúc trước khi chốt phương pháp.
Có thể chạy ARDL bằng SPSS không?
SPSS hỗ trợ một số bước chuẩn bị và phân tích liên quan, nhưng không phải lựa chọn thuận tiện cho toàn bộ quy trình ARDL và Bounds test. EViews, Stata hoặc R thường có công cụ phù hợp hơn. Dù dùng phần mềm nào, bạn vẫn phải giải thích dữ liệu, độ trễ, kiểm định và cách đọc hệ số trong luận văn.
Bạn hãy mở file dữ liệu, lập bảng mô tả biến theo thời gian, kiểm tra bậc tích hợp rồi ghi lại từng lựa chọn độ trễ trước khi chạy mô hình cuối cùng. Nếu cần xử lý dữ liệu thật và kiểm tra kết quả trên file .sav, .csv hoặc chuỗi thời gian của mình, bạn có thể dùng module M4 phân tích của DoThesis.