Mô hình Bayesian VAR (BVAR) và cách thực hiện trên EViews

Mô hình Vector tự hồi quy dạng Bayesian (Bayesian VAR - BVAR) là một giải pháp hiệu quả cho vấn đề "quá khớp" (over-fitting) thường gặp trong mô hình VAR truyền thống do có quá nhiều tham số cần ước lượng. Thay vì chỉ dựa vào dữ liệu mẫu, BVAR kết hợp các thông tin tiên nghiệm (prior distribution) để tạo ra sự "co ngót" (shrinkage) các hệ số về phía một mô hình cơ sở đơn giản hơn. Điều này giúp cải thiện đáng kể độ chính xác của các dự báo và ước lượng hàm phản ứng (IRF). Các phân phối tiền nghiệm phổ biến được tích hợp bao gồm Litterman/Minnesota, Normal-Wishart, Sims-Zha, và Giannone-Lenza-Primiceri (GLP). Để thực hiện ước lượng BVAR trên EViews, từ menu chính, bạn hãy chọn Quick - Estimate VAR... hoặc gõ lệnh var vào cửa sổ lệnh. Tại hộp thoại VAR Specification, nhấp chọn Bayesian VAR ở mục VAR Type. Kế tiếp, khai báo các biến nội sinh, biến ngoại sinh và khoảng độ trễ tại tab Basics giống như mô hình VAR thông thường. Sau đó, EViews cung cấp ba tab chuyên sâu dành riêng cho BVAR: tab Prior type để bạn chọn loại phân phối tiền nghiệm mong muốn và tùy chọn tính toán ma trận hiệp phương sai ban đầu; tab Hyper-parameters để tinh chỉnh các siêu tham số (như độ thắt chặt của tiền nghiệm); và tab Options để thiết lập thuật toán tối ưu hóa hoặc mô phỏng (ví dụ: Gibbs sampler). Sau khi nhấn OK, phần mềm sẽ xuất kết quả hậu nghiệm, cho phép bạn tiếp tục thực hiện dự báo (Forecast) và phân tích hàm phản ứng (Impulse Response) dựa trên phương pháp lấy mẫu Bayesian để đánh giá rủi ro động một cách chính xác.