thực hành bằng Eviews

NEU_HD thực hành bằng Eviews

I H C KINH T QU C DÂN

KHOA TOÁN KINH T - B MÔN TOÁN KINH T

_

BÙI D NG H I

Yêu c u: Eviews4, DATA, DATA2, DATA3, DATA4, DATA0810

www.mfe.edu.vn, m c Th vi n / D li u – ph n m m ;

V i c a s Series

Descriptive Statistic Các th ng kê đ c tr ng Correlogram L c đ t t ng quan Unit Root Test Ki m đ nh nghi m đ n v

Procs Seasonal Adjustment Hi u ch nh y u t th i v

Moving Average Method Hi u ch nh theo trung bình tr t Exponential Smoothing San m đ n, kép, Holt-Winters Hodrick-Prescott Filter L c chu i

V i c a s Equation

View Representations Các cách th hi n khác nhau

Estimation Output B ng k t qu đ y đ Actual, Fitted, Residual Các thông tin v ph n d Gradients and Derivatives Các thông tin v Gradient và o bi n Covarian Matrix Ma tr n Hi p ph ng sai các c l ng Coefficient Test Các ki m đ nh v h s

Residual tests Các ki m đ nh v ph n d

Correlogram – Q-statistic L c đ t t ng quan c a ph n d Histogram – Normality test th , ki m đ nh tính phân ph i chu n Serial Correlation LM test Ki m đ nh t t ng quan theo B-G White Heterokedasticity Ki m đ nh ph ng sai sai s thay đ i Stability test Các ki m đ nh v d ng hàm

Chow breakpoint test Ki m đ nh tính đ ng nh t gi a hai đo n Chow forecast test Ki m đ nh đánh giá d báo

Ramsey RESET test Ki m đ nh đ nh d ng hàm theo Ramsey

Procs Specify/Estimate nh d ng ph ng trình, m u, ph ng pháp

Forecast t tên chu i c l ng, đánh giá d báo Make residual series t tên chu i ph n d

1 MÔ HÌNH CÓ BI N TR

S d ng b s li u DATA_ANNUAL trong th m c DATA3

1.1 Mô hình có tr phân ph i

Th c hi n các h i quy LS EX C GDP

LS EX C GDP(-1)

LS EX C GDP(-2)

LS EX C GDP GDP(-1) GDP(-2) [?] Nh n xét v k t qu , so sánh gi a các tr ng h p

1.2 Mô hình t h i quy

Mô hình: EX t =βC +β0GDP t+λEX t−1+ u t

á LS EX C GDP EX(-1)

[?] Phân tích k t qu v i 3 cách phân tích: (1) Mô hình tr vô h n v i gi thi t Koyck, (2) Mô hình kì v ng thích nghi, (3) Mô hình hi u ch nh b ph n V i m i mô hình hãy vi t l i các

ph ng trình g c và ph ng trình c l ng

Xét mô hình tr b c 6:

6

0

j

t

EX β β GDP−

=

V i gi thi t h s tr có d ng đa th c b c 2: 2

β =α α+ +α

Thay vào s đ c EX t =βC +α0Z0t +α1Z1t +α2Z2t + v i u t 6 ( )

0

i

j

Z j GDP−

=

=∑

á LS EX C PDL(GDP,6,2)

c k t qu : αˆ0 = −0.115 αˆ1=0.007 αˆ2 =0.033

ˆ 0.164 ˆ 0.004 ˆ 0.089 ˆ 0.115 ˆ 0.075 ˆ 0.032 ˆ 0.206

[?] Th c hi n v i mô hình tr b c 8, đa th c Almon b c 2, và gi i thích ý ngh a k t qu ?

[?] Th c hi n v i mô hình tr b c 8, đa th c Amon b c 3, và gi i thích k t qu ?

Ki m đ nh tính nhân qu gi a EX và GDP: Trong dài h n GDP có th c s tác đ ng đ n EX, và EX có

th c s tác đ ng đ n GDP hay không?

á Ch n EX và GDP thành Group, m c a s Group

á [Group] View > Granger Causality … Ch n b c c a tr b t đ u t 1

[?] Vi t l i mô hình t ng ng v i k t qu , hai bi n có quan h nhân qu không?

[?] T ng b c c a tr lên T i m c tr nào EX không còn là nguyên nhân c a GDP, GDP không còn là nguyên nhân c a EX?

2 H I QUY H PH NG TRÌNH

S d ng b s li u DATA_ANNUAL trong th m c DATA3

Mô hình g m hai ph ng trình

[2.1]

[2.2]

⎧

⎩

[?] c l ng hai ph ng trình b ng LS thông th ng và l u l i k t qu đ so sánh

á LS EX C GDP IM

á LS GDP C EX G I

Các bi n n i sinh: EX, GDP; các bi n ngo i sinh: C, IM, G, I

[?] nh d ng hai ph ng trình trong h b ng đi u ki n H ng và đi u ki n Th b c

Có nhi u cách đ h i quy m t h ph ng trình, đ t tên h đó là EX_GDP

á Cách 1: C a s l nh: SYSTEM EX_GDP

Cách 2: [Workfile] Objects > New Object > System

Cách 3: [Eview] Object > New Object > System

ö C a s [System] và bi u t ng c a h ( EX_GDP ) trong Workfile

Trong c a s [System], khai báo các bi n công c và các ph ng trình L u ý bi n công c bao g m

c h s ch n, và các h s c a ph ng trình kí hi u là C,

á INST C IM G I

EX = C(11) + C(12)*GDP + C(13)*IM GDP = C(21) + C(22)*EX + C(23)*G + C(24)*I

á [System] Estimate ö C a s [System Estimation]

á N u ch n OLS: k t qu gi ng nh h i quy riêng hai ph ng trình

N u ch n 2SLS: k t qu c l ng b ng ph ng pháp bình ph ng nh nh t hai b c

N u ch n 3SLS: k t qu c l ng b ng ph ng pháp bình ph ng nh nh t ba b c

thay đ i các ph ng trình ch n [System] View > Specification ho c [System] Spec

Xem ma tr n hi p ph ng sai: [System] View > Coefficient Covarian Matrix

Ki m đ nh v các h s : [System] View > Wald Coefficient Test

[?] Thêm vào ph ng trình [2.1] bi n G, và c l ng l i h ph ng trình

[?] Không thêm bi n G vào [2.1], mà thay vào đó là bi n EX t–1 , khi đó xác đ nh l i bi n công

c và c l ng h ph ng trình

S d ng b s li u BINARY_CAR trong th m c DATA4

V i YD là thu nh p kh d ng cá nhân, GEN là gi i tính, CONS là chi cho tiêu dùng, CAR th hi n s

h u ôtô riêng

3.1 Mô hình LPM

Mô hình p i =Pr(CAR=1/YD i)=E CAR YD( / i)=β β1+ 2YD i [7.1]

á LS CAR C YD

[?] c l ng kh n ng có ôtô riêng khi thu nh p là 120?

Xem giá tr c l ng: [Equation] View > Actual, Fitted, Residuals

L u giá tr c l ng: [Equation] Forecast > tên là: CF

á GENR W = (CF*(1 – CF)))^0.5

á LS CAR/W 1/W YD/W

[?] V i k t qu m i, c l ng kh n ng có ôtô riêng khi thu nh p là 120?

[?] Xét mô hình Pr(CAR=1/YD i)=β β1+ 2lnYD i, gi i thích ý ngh a, và c l ng mô hình?

3.2 Mô hình Logit

i

i

YD

YD

β β

β β

β β

+

á Logit CAR C YD

(Ho c [Eviews] Quick > Estimate Equation > [Equation Specification] Method : Binary > Logit)

Dependent Variable: CAR Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 40

Convergence achieved after 4 iterations

[?] Vi t l i mô hình c l ng và phân tích ý ngh a k t qu ? c l ng kh n ng có ô tô riêng khi thu nh p là 120? c l ng m c thay đ i khi thu nh p t ng thêm 1 đ n v ?

[?] c l ng và gi i thích ý ngh a mô hình: Logit CAR C GEN

[?] c l ng và gi i thích ý ngh a mô hình: Logit CAR C YD GEN GEN*YD ; khi đó

c l ng chênh l ch kh n ng có ôtô c a nam và n khi thu nh p là 120?

3.3 Mô hình Probit

Mô hình p i =Pr(CAR=1/YD i)=Tobit(β β1+ 2YD i)= Φ(β β1+ 2YD i)

á Probit CAR C YD

(Ho c [Eviews] Quick > Estimate Equation > [Equation Specification] Method : Binary > Probit)

Dependent Variable: CAR Method: ML - Binary Probit (Quadratic hill climbing) Included observations: 40

Convergence achieved after 3 iterations

[?] Vi t l i mô hình c l ng và phân tích ý ngh a k t qu ? c l ng kh n ng có ô tô riêng khi thu nh p là 120? c l ng m c thay đ i khi thu nh p t ng thêm 1 đ n v ?

[?] c l ng và gi i thích ý ngh a mô hình: Probit CAR C YD GEN GEN*YD ; khi

đó c l ng chênh l ch kh n ng có ôtô c a nam và n khi thu nh p là 120?

[?] c l ng và gi i thích ý ngh a mô hình: Probit CAR C 1/YD

4 LÀM TR N VÀ NGO I SUY CHU I TH I GIAN

S d ng b s li u VN_Quaterly trong th m c DATA4

Phân tích cho chu i GDP

4.1 Ngo i suy gi n đ n

H i quy GDP theo bi n th i gian, đ t bi n xu th th i gian, b t đ u t 0 v i quan sát đ u tiên

á Genr T = @trend()

H i quy xu th th i gian tuy n tính

á LS GDP C T

L u l i chu i c l ng v i tên GDP1 Xem các tiêu chí đánh giá d báo

á [Equation] Forecast > t tên, xem RMSE, MAE, MAPE

[?] D báo giá tr c a GDP trong 1 n m ti p theo?

[?] H i quy các mô hình ngo i suy sau, so sánh đánh giá, và d báo cho 1 n m ti p theo

GDP =β β+ t+ u 1 2 lnt u t

t

GDP =eβ β+ + 1 2 u t

t

GDP =e t eβ β

Hàm trung bình tr t: @movav(X,3) = ( 2) ( 1)

3

Do đó, đ tính trung bình tr t trung tâm 3 th i k c a GDP: 1 1

3

GDP− +GDP+GDP t+

á Genr GDP_MA3 = @movav(GDP(+1),3)

[?] t chu i GDP_MA9 là trung bình tr t trung tâm 9 th i k c a GDP, so sánh trên đ th các chu i GDP, GDPMA3, GDP_MA9, so sánh trung bình, t i đa, t i thi u, đ l ch chu n c a các chu i

4.3 San m (Exponential Smoothing)

Mô hình san m đ n 1SE 1 ,

GDP =GDP GDP t SE =αGDP t+ −(1 α)GDP t SE−1

á Ch n GDP, m c a s Series

á [Series] Procs > Exponential Smoothing

á [Exponential Smoothing] > Single, và đ t tên chu i là GDP_ESS (trong ô Smoothed series)

Sample: 1990:1 2008:4 Included observations: 76 Method: Single Exponential Forecast Series: GDP_ESS

Mô hình san m kép GDP t DE αGDP t SE (1 α)GDP DE1

t−

á [Exponential Smoothing] > Double, và đ t tên chu i là GDP_ESD

Method: Double Exponential Forecast Series: GDP_SED

[?] V i k t qu san m kép, vi t công th c d báo, và d báo GDP trong n m sau?

4.4 Hi u ch nh y u t mùa v

Có hai mô hình: theo d ng Nhân và theo d ng C ng

á Ch n GDP, m c a s Series

á [Series] Procs > Seasonal Adjustment > Moving Average Method

Mô hình d ng Nhân:

á [Seasonal Adjustment] Ratio to moving average – Multiplicative

t tên chu i sau khi hi u ch nh là GDP_SAM

Ratio to Moving Average Adjusted Series: GDP_SAM Scaling Factors:

Mô hình d ng C ng:

á [Seasonal Adjustment] Difference from moving average – Additive, đ t tên chu i là GDP_SAD

Difference from Moving Average Adjusted Series: GDP_SAD Scaling Factors:

[?] So sánh chu i GDP, GDP_SAM, GDP_SAD và nh n xét v s hi u ch nh mùa v

[?] V i chu i GDP_SAM, h i quy theo xu th th i gian, so sánh v i k t qu trong ph n 4.1; t

k t qu h i quy và các h s hi u ch nh mùa v , d báo cho n m ti p theo

4.5 San m Holt-Winters

á Ch n GDP, m c a s Series

Holt-Winters có xu th , không có tính mùa v

á [Series] Procs > Exponential Smoothing

á [Exponential Smoothing] Holt-Winters – No seasonal, đ t tên chu i là GDP_HN

Method: Holt-Winters No Seasonal Forecast Series: GDP_HN

Holt-Winters có xu th , có mùa v , d ng C ng

á [Exponential Smoothing] Holt-Winters – Additive , đ t tên chu i là GDP_HA

Method: Holt-Winters Additive Seasonal Forecast Series: GDP_HA

Holt-Winters có xu th , có mùa v , d ng Nhân

á [Exponential Smoothing] Holt-Winters – Mutiplicative , đ t tên chu i là GDP_HM

Method: Holt-Winters Multiplicative Seasonal Original Series: GDP

Forecast Series: GDP_HM

[?] V i ba mô hình trên, hãy d báo giá tr c a GDP trong n m ti p theo

[?] So sánh t t c các k t qu d báo tính theo các mô hình

5 QUÁ TRÌNH NG U NHIÊN VÀ TÍNH D NG

5.1 T o m t s quá trình ng u nhiên

nh n bi t hình th c và tính ch t các chu i th i gian – quá trình ng u nhiên, t t o ra m t s chu i

th i gian, g m 100 th i k

á [Eviews] New > Workfile [Workfile Range] Undatet or Irregular > End observation: 100

thu n ti n v sau, kh i t o chu i xu th th i gian, và các chu i t X1 đ n X9, t Y1 đ n Y4 nh n giá tr b ng 0

á Genr T = @trend()

á Genr X1 = 0 … Genr X9 = 0 Genr Y1 = 0 … Genr Y4 = 0

T o ra m t s quá trình ng u nhiên (l n l t theo th t ) và xem đ th đ so sánh

Nhi u tr ng

(t o 2 chu i đ có s khác bi t)

Genr W1 = NRND Genr W2 = NRND

B c ng u nhiên Smpl 2 100

X1 = X1(-1) + W1

B c ng u nhiên có h ng s X2 = 0.3 + X2(-1) + W1

X3 = – 0.2 + X3(-1) + W2

T h i quy b c 1 d ng X4 = 0.5*X4(-1) + W1

T h i quy b c 1 d ng có h s ch n X5 = 3 + 0.5*X5(-1) + W1

T h i quy b c 1 d ng có xu th X6 = 2 + 0.06*T + 0.3*X6(-1) + W2

Trung bình tr t b c 1 X7 = W1 + W1(-1)

X8 = W2 + 0.7*W2(-1)

T h i quy b c 2 không d ng Smpl 3 100

Y1 = 0.06*Y1(-1) + Y1(-2) + W1

T h i quy b c 2 d ng Y2 = 0.5*Y2(-1) + 0.4*Y2(-2) + W2

M t s c p đ th đ so sánh

W1 và X1 : chu i d ng và không d ng X4 và X7: D ng AR và MA

X1 và X4: AR(1) không d ng và d ng X1 và Y1 : Không d ng AR(1) và AR(2)

X2 và X6: Xu th không d ng và d ng X4 và Y2: D ng AR(1) và AR(2)

[?] T o ra chu i trung bình tr t b c 2

[?] T o chu i t h i quy b c 3 và trung bình tr t b c 3

ánh giá v m c đ t t ng quan, l y m u t 2 đ n 100 đ phân tích

á Ch n W m c a s Series

á [Series] View > Correlogram [Corelogram Specification] > Level

Các đ ng g ch đ t: kho ng 95% cho ACF và PACF (kho ng đ ch a bác b gi thuy t 0

k

ρ = và ρkk = ): không có t t ng quan và t t ng quan riêng 0

á L c đ t t ng quan c a X1, và c a sai phân X1 ([Corelogram Specification] > 1st difference)

[?] So sánh l c đ c a X1 và sai phân, gi i thích

[?] Xem l c đ t t ng quan c a X4, X7, Y1, Y2 và nên nh n xét

Ki m đ nh tính d ng c a chu i

á Ch n W m c a s Series

á [Series] View > Unit Root Test

á [Unit Root Test] > Test type: ADF ; Test in: Level ; Include : None

Bác b H0 (có nghi m đ n v , không d ng)

V i chu i X2: ki m đ nh nghi m đ n v c a chu i

[Unit Root Test]: ADF; Level ; None: đ i sang d ng thêm: Intercept, ho c Trend and Intercept

Ki m đ nh nghi m đ n v c a chu i sai phân c a X2: [Unit Root Test]: ADF; 1st difference; None

[?] Ki m đ nh nghi m đ n v c a chu i X4 trong 3 tr ng h p: không thêm, thêm h s ch n, thêm xu th th i gian; ki m đ nh nào phù h p nh t?

[?] Th c hi n ki m đ nh t ng t nh trên v i X5, X6?

Ki m đ nh xem gi a hai chu i không d ng X2 và X3 có đ ng tích h p không

Thông th ng: h i quy X3 theo X2, ki m đ nh nghi m đ n v v i ph n d

á LS X3 C X2

á Series E = resid

á Unit Root Test v i chu i E

Ki m đ nh Johansen

M hai chu i X3 và X2 v i c a s Group

á [Group] View > Cointergration Test [Johansen Cointergration Test] > OK

Thông tin dòng None: H0: Có 0 m i quan h đ ng tích h p

Thông tin dòng At most 1: H0: Có nhi u nh t 1 m i quan h đ ng tích h p

N u Th ng kê Trace l n h n giá tr t i h n thì bác b H0

Có th th c hi n ki m đ nh cho nhi u chu i, và thêm các bi n ngo i sinh, thay đ i ch n l a v h s

ch n, xu th ,…

6 MÔ HÌNH ARIMA VÀ VAR

6.1 Mô hình AR

V i b s li u Exchange_week trong th m c DATA4

Xem bi n EX1

á V đ th , xét s bi n đ ng

á Ki m đ nh Nghi m đ n v , khi có h ng s , không có nghi m đ n v , chu i là d ng

á L c đ t t ng quan: nh n th y có AR(1)

S d ng mô hình AR(1) đ c l ng và d báo

á LS EX1 C AR(1)

Dependent Variable: EX1 Convergence achieved after 3 iterations

ki m đ nh tính ng u nhiên c a ph n d

á [Equation] View > Residual Tests > Correlogram – Q-statistic

Chu i ph n d là ng u nhiên, mô hình t t

[?] Hãy th v i mô hình LS EX1 C AR(1) AR(2) và nh n xét v t h i quy b c 2?

[?] Qua đó hãy d báo v chu i cho 4 quan sát ti p theo?

6.2 Mô hình MA

Xét bi n EX2 trong cùng b s li u

á Ki m đ nh nghi m đ n v , xem l c đ t t ng quan

á c l ng mô hình: LS EX2 C AR(1) và nh n xét v k t qu

á c l ng mô hình: LS EX2 C MA(1) và nh n xét k t qu

á c l ng mô hình: LS EX2 C AR(1) MA(1) và nh n xét k t qu

6.3 Mô hình ARMA

V i bi n EX3: hãy xét mô hình các mô hình AR(1); MA(1), và mô hình k t h p:

á LS EX3 C AR(1) MA(1)

Ngoài ra có th xét y u t xu th b ng cách thêm bi n T, ho c @trend()

6.4 Mô hình VAR

c l ng mô hình VAR c a hai bi n EX1 và EX2 đ n tr b c 3

á [Eviews] Quick > Estimate VAR

á [Var] Basics : Unrestricted VAR ; Endogenous Variables: EX1 EX2 ; Lag Intervals for Endogenous: 1 3 ; Exogenous Variables : C