Độ trễ tối ưu là gì? Cách chọn và đọc kết quả trong SPSS

Độ trễ tối ưu là gì

Độ trễ tối ưu, thường viết là optimal lag hoặc optimal lag length, là số kỳ trong quá khứ được đưa vào một mô hình chuỗi thời gian để giải thích giá trị hiện tại. Nếu dữ liệu theo tháng và mô hình dùng lag 2, giá trị của tháng hiện tại có thể được giải thích bằng các giá trị ở tháng trước và hai tháng trước. Nếu dữ liệu theo năm, lag 2 nghĩa là sử dụng thông tin của hai năm trước.

Bạn sẽ gặp khái niệm này khi chạy VAR, VECM, ARDL hoặc kiểm định nhân quả Granger. Độ trễ tối ưu được chọn bằng cách so sánh các mô hình có số lag khác nhau qua những tiêu chí thông tin như AIC, BIC hoặc HQIC. Với mỗi tiêu chí, mô hình có giá trị thấp hơn thường được ưu tiên trong nhóm mô hình đang so sánh. Công thức tổng quát không phải là một ngưỡng cố định cho mọi bộ dữ liệu. Bạn cần đặt lag tối đa hợp lý, chạy các mức lag ứng viên, rồi xem tiêu chí nào đạt giá trị thấp nhất và mô hình đó có thỏa điều kiện chẩn đoán hay không.

Nếu bạn đang chuẩn bị dữ liệu cho phân tích chuỗi thời gian, có thể xem thêm nhóm bài Thống kê. Những khái niệm thường đi cùng bước này gồm kiểm định ADF là gì, nhân quả Granger là gì và hồi quy GMM là gì.

Ý nghĩa của độ trễ tối ưu trong nghiên cứu định lượng

Số lag quyết định mô hình nhìn lại bao nhiêu kỳ trong quá khứ. Chọn quá ít lag có thể bỏ sót động học của dữ liệu, khiến phần dư còn tự tương quan hoặc quan hệ giữa các biến bị mô tả thiếu. Chọn quá nhiều lag làm số tham số tăng, tiêu tốn bậc tự do và có thể khiến kết quả kém ổn định, nhất là khi bạn có ít quan sát.

Độ trễ tối ưu không phải là kết luận nghiên cứu cuối cùng. Nó là quyết định kỹ thuật giúp xác định cấu trúc mô hình trước khi bạn diễn giải hệ số, kiểm định Granger hoặc phân tích phản ứng xung. Vì vậy, không nên chọn lag chỉ vì một con số được phần mềm in đậm. Bạn còn phải kiểm tra kích thước mẫu, tần suất dữ liệu, mục tiêu phân tích và phần dư của mô hình.

Ví dụ, với dữ liệu quý, lag 1 thể hiện tác động trễ một quý. Với dữ liệu tháng, lag 12 có thể phản ánh chu kỳ một năm, nhưng số lag này tạo ra rất nhiều tham số nếu mô hình có nhiều biến. Cùng một con số lag vì thế có ý nghĩa khác nhau tùy tần suất quan sát.

Bạn cũng cần phân biệt độ trễ tối ưu với độ trễ của một biến công cụ. Biến công cụ là gì liên quan đến cách xử lý nội sinh trong mô hình, còn optimal lag nói về số kỳ quá khứ được đưa vào cấu trúc động của mô hình. Hai khái niệm có thể cùng xuất hiện trong một nghiên cứu, nhưng không thay thế cho nhau.

Độ trễ tối ưu bao nhiêu là đạt

Câu hỏi “độ trễ tối ưu bao nhiêu là tốt” không có câu trả lời cố định như Cronbach's Alpha từ 0.7 trở lên. Lag 1, lag 2 hay lag 4 đều có thể phù hợp nếu tương ứng với tần suất dữ liệu, số quan sát, lý thuyết nghiên cứu và kết quả chẩn đoán mô hình. Bạn cần báo cáo cách các tiêu chí được so sánh, thay vì chỉ ghi một con số cuối cùng.

Bảng dưới đây giúp bạn đọc quyết định. Đây là quy tắc diễn giải, không phải bảng ngưỡng định lượng có thể áp dụng máy móc.

AIC thường ưu tiên mô hình linh hoạt hơn, còn BIC hoặc SBC có xu hướng chọn mô hình gọn hơn vì phạt số tham số mạnh hơn. Khi AIC chọn lag 4 nhưng BIC chọn lag 1, bạn không nên tự động lấy AIC hoặc BIC theo thói quen. Hãy xem mô hình nào giữ được phần dư phù hợp và có lý do kinh tế, quản trị hoặc hành vi để giải thích các kỳ trễ đó.

Nếu tài liệu hướng dẫn của khoa yêu cầu một tiêu chí cụ thể, bạn cần theo yêu cầu đó và ghi rõ trong phương pháp. Nếu không có quy định, có thể báo cáo nhiều tiêu chí, sau đó giải thích tiêu chí chính được dùng để chọn mô hình. Một lựa chọn có thể bảo vệ tốt thường là mô hình đạt tiêu chí thông tin hợp lý, không có vấn đề rõ ràng ở phần dư và không làm mất quá nhiều bậc tự do.

Cách đọc độ trễ tối ưu trên output

Trong phần mềm chuyên cho chuỗi thời gian, bảng thường có các cột như Lag, LogL, LR, FPE, AIC, SC hoặc BIC, và HQ. Mỗi dòng tương ứng với một số lag. Dấu sao trong bảng thường đánh dấu giá trị được chọn theo từng tiêu chí, nhưng tên và vị trí dấu sao có thể thay đổi theo phần mềm.

Bảng số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả từ một nghiên cứu thật. Giả sử bạn so sánh lag 0 đến lag 4 cho một mô hình VAR gồm ba biến. Giá trị càng thấp ở các cột AIC, SC và HQ thường được ưu tiên trong phạm vi bảng này.

Trong ví dụ này, AIC thấp nhất ở lag 2, còn SC và HQ thấp nhất ở lag 1. Kết quả không cho phép bạn viết ngay rằng lag 2 chắc chắn là đúng. Bạn cần kiểm tra phần dư của VAR(1) và VAR(2), xem mục tiêu nghiên cứu cần mô tả tác động trễ dài đến đâu, rồi chọn một mô hình có lý do rõ ràng.

Một nhầm lẫn thường gặp là đọc giá trị LogL cao hơn rồi kết luận đó là lag tốt nhất. LogL cao có thể là thông tin tham khảo, nhưng quyết định lag phải dựa trên tiêu chí mà phương pháp của bạn quy định và các kiểm định sau đó. Nếu bảng có dấu sao, hãy đọc chú thích của phần mềm thay vì tự suy đoán ý nghĩa dấu sao.

Độ trễ tối ưu trong SPSS

SPSS cơ bản không trình bày quy trình chọn lag cho VAR theo cách trực quan như một số phần mềm kinh tế lượng chuyên dụng. Tùy phiên bản và module bạn có, menu chuỗi thời gian có thể hỗ trợ một phần mô hình, nhưng không phải mọi bảng Lag Order Selection đều xuất hiện giống nhau. Vì vậy, trước khi mở file, bạn cần xác định mình đang chạy ARIMA, VAR, ARDL hay kiểm định Granger.

Với SPSS, quy trình thực tế thường là chuẩn hóa dữ liệu theo thời gian, kiểm tra tính dừng, chạy các mô hình với những lag ứng viên và lưu các chỉ tiêu phù hợp để so sánh. Nếu phiên bản SPSS của bạn không cung cấp trực tiếp bảng chọn lag, bạn có thể dùng cú pháp, module được cấp phép hoặc chuyển phần chọn lag sang phần mềm chuyên dụng như R, EViews hoặc Stata, sau đó dùng cấu trúc đã chọn để tiếp tục phân tích nhất quán.

Bạn không nên nhập một con số lag lấy từ một bài nghiên cứu khác chỉ vì cùng tên biến. Tần suất dữ liệu, khoảng thời gian quan sát và số lượng biến có thể khác hoàn toàn. Việc chuyển phần mềm cũng cần được ghi lại, vì hội đồng có thể hỏi bảng lag được tạo từ đâu và vì sao mô hình cuối cùng dùng số kỳ đó.

Khi độ trễ tối ưu không đạt thì xử lý thế nào

Trước hết, xác định “không đạt” đang nói đến điều gì. Lag không có một ngưỡng đạt hoặc không đạt độc lập. Vấn đề có thể là các tiêu chí chọn những lag khác nhau, phần dư còn tự tương quan, mô hình có quá nhiều tham số, hoặc chuỗi chưa dừng.

Kiểm tra lại dữ liệu và thứ tự thời gian

Đảm bảo mỗi dòng là một thời điểm và các biến được sắp xếp từ kỳ cũ đến kỳ mới. Kiểm tra ô trống, giá trị nhập sai, đơn vị đo, tần suất không nhất quán và các khoảng thời gian bị thiếu. Một cột ngày bị sắp xếp như chữ có thể làm toàn bộ cấu trúc trễ sai mà output vẫn xuất hiện.

Kiểm tra tính dừng trước khi tăng lag

Nếu chuỗi có xu hướng hoặc có unit root, tăng số lag không giải quyết được bản chất vấn đề. Hãy xem kiểm định ADF là gì, xác định dạng mô hình phù hợp và ghi rõ bạn dùng chuỗi mức hay sai phân. Không nên sai phân nhiều lần chỉ để làm bảng lag trông đẹp, vì thao tác đó thay đổi ý nghĩa kinh tế của mô hình.

So sánh lại các lag ứng viên

Chọn một lag tối đa có lý do dựa trên tần suất dữ liệu và số quan sát. Chạy lần lượt các lag thấp hơn, lưu AIC, BIC hoặc HQIC, sau đó kiểm tra phần dư. Nếu lag cao làm mất quá nhiều bậc tự do, hãy cân nhắc mô hình gọn hơn và giải thích sự lựa chọn thay vì cố ép phần mềm chọn lag cao.

Kiểm tra phần dư và mô hình thay thế

Nếu mô hình được chọn vẫn còn tự tương quan, hãy xem lag kế tiếp có cải thiện phần dư không. Nếu dữ liệu có quan hệ dài hạn, VAR trên sai phân có thể chưa phải lựa chọn phù hợp và bạn cần xem xét VECM theo thiết kế nghiên cứu. Nếu mục tiêu là quan hệ nhân quả theo thời gian, hãy liên kết quyết định lag với kiểm định nhân quả Granger.

Đừng xóa bớt kỳ trễ chỉ để p-value của một hệ số trở nên đẹp hơn. Việc loại lag cần dựa trên tiêu chí mô hình, lý thuyết và kiểm định chẩn đoán. Nếu kết quả giữa các tiêu chí không thống nhất, báo cáo sự khác biệt đó và giải thích tiêu chí chính được ưu tiên.

Phân biệt độ trễ tối ưu với độ trễ trong mô hình

Độ trễ tối ưu là kết quả của bước lựa chọn số kỳ. Độ trễ trong mô hình là các biến cụ thể sau khi bạn đã chọn số kỳ, chẳng hạn X(t-1), X(t-2), Y(t-1) và Y(t-2). Một mô hình VAR(2) có thể chứa nhiều biến trễ vì mỗi biến nội sinh được đưa vào với hai kỳ trễ.

Bạn cũng cần phân biệt lag với lead. Lag dùng thông tin quá khứ để giải thích hiện tại. Lead dùng thông tin tương lai và thường không phù hợp khi mục tiêu là dự báo trong thời gian thực. Lag cũng khác với sai phân, vì sai phân là phép biến đổi như X(t) trừ X(t-1), còn lag là cách dịch giá trị theo thời gian.

Một khái niệm gần khác là đồng liên kết là gì. Đồng liên kết nói về quan hệ cân bằng dài hạn giữa các chuỗi không dừng, còn optimal lag giúp xác định số kỳ đưa vào mô hình. Hai bước có thể liên quan khi bạn xây dựng VECM, nhưng không nên dùng từ đồng nghĩa.

Lỗi thường gặp

Chọn lag theo thói quen. Bạn thấy nghiên cứu trước dùng lag 2 rồi sao chép vào dữ liệu tháng hoặc quý của mình. Cách làm này bỏ qua kích thước mẫu và tần suất quan sát.

Chỉ nhìn một tiêu chí. AIC, BIC và HQIC có thể chọn các lag khác nhau. Nếu bạn chỉ chụp màn hình một cột mà không nói lý do, phần phương pháp sẽ khó bảo vệ.

Nhầm dấu sao với kết luận cuối cùng. Dấu sao thường biểu thị lựa chọn theo một tiêu chí cụ thể, không chứng minh mô hình đã thỏa mọi kiểm định.

Bỏ qua bậc tự do. Mỗi lag bổ sung làm số tham số tăng. Với mẫu nhỏ, lag cao có thể làm ước lượng không ổn định hoặc khiến kiểm định thiếu sức mạnh.

Không lưu các vòng chạy. Hãy lưu bảng lag, mô hình được chọn, kiểm định phần dư và phiên bản dữ liệu. Khi giảng viên hỏi vì sao chọn lag 1 thay vì lag 2, bạn cần mở được căn cứ thay vì chạy lại theo trí nhớ.

Viết “độ trễ đạt chuẩn”. Cụm này dễ gây hiểu nhầm vì optimal lag không có một cutoff chung. Hãy viết tiêu chí nào thấp nhất, lag nào được chọn và các kiểm tra tiếp theo cho thấy điều gì.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau theo output thật: “Nghiên cứu so sánh các mô hình với độ trễ từ [lag thấp nhất] đến [lag cao nhất] dựa trên [AIC/BIC/HQIC]. Kết quả cho thấy [tiêu chí chính] đạt giá trị thấp nhất tại [lag được chọn]. Sau khi kiểm tra [tên kiểm định phần dư], mô hình [VAR/VECM/ARDL] với độ trễ [số lag] được sử dụng cho các phân tích tiếp theo.” Các số trong ngoặc vuông phải được thay bằng kết quả từ file của bạn.

Đọc thêm: biến công cụ là gì, đồng liên kết là gì, hồi quy gmm là gì, kiểm định adf là gì, nhân quả granger là gì, chủ đề thong ke.

Câu hỏi thường gặp

Độ trễ tối ưu bao nhiêu là tốt

Không có một con số tốt cho mọi nghiên cứu. Lag 1 có thể hợp lý với một bộ dữ liệu, trong khi dữ liệu theo quý hoặc theo tháng có thể cần xem xét nhiều kỳ hơn. Bạn nên chọn trong nhóm lag ứng viên bằng tiêu chí thông tin, kiểm tra phần dư và giải thích theo tần suất dữ liệu.

Có thể chọn độ trễ tối ưu chỉ bằng AIC không

Có thể dùng AIC làm tiêu chí chính nếu phương pháp nghiên cứu hoặc giảng viên yêu cầu, nhưng bạn vẫn nên báo cáo BIC hoặc HQIC nếu output có các cột này. Khi các tiêu chí bất đồng, hãy nêu rõ tiêu chí được ưu tiên và lý do chọn mô hình cuối cùng.

Độ trễ tối ưu trong SPSS nằm ở bảng nào

Tên bảng phụ thuộc vào loại phân tích, phiên bản SPSS và module được cài đặt. SPSS cơ bản không phải lúc nào cũng có bảng chọn lag VAR giống phần mềm kinh tế lượng. Hãy xác định bạn đang chạy ARIMA, VAR, ARDL hay Granger, rồi kiểm tra cú pháp và tài liệu đúng với thủ tục đó.

Có được đổi độ trễ sau khi kiểm định ADF không

Có. Kiểm định ADF giúp bạn đánh giá tính dừng và quyết định cách biến đổi chuỗi, còn chọn lag là bước xây dựng cấu trúc động của mô hình. Sau khi chuyển từ chuỗi mức sang sai phân hoặc mô hình có đồng liên kết, bạn cần đánh giá lại lag trong cấu trúc mới.

Nếu AIC chọn lag 2 nhưng BIC chọn lag 1 thì lấy lag nào

Bạn cần xem mục tiêu nghiên cứu, số quan sát, phần dư và yêu cầu của phương pháp. BIC thường ưu tiên mô hình gọn hơn, trong khi AIC có thể giữ nhiều động học hơn. Hãy báo cáo cả hai kết quả, nêu tiêu chí chính và giải thích vì sao mô hình được chọn phù hợp với dữ liệu.

Mở lại file dữ liệu, kiểm tra thứ tự thời gian, ghi ra các lag ứng viên và lưu bảng AIC, BIC, HQIC cùng kiểm định phần dư trước khi chốt mô hình; nếu cần chạy phân tích trên chính file .sav hoặc .csv và kiểm tra từng bước, bạn có thể dùng M4 phân tích của DoThesis.