Kiểm định nhân quả Granger: Hướng dẫn từ lý thuyết đến thực hành

Bạn đã bao giờ tự hỏi liệu giá vàng hôm nay có thể giúp dự báo chỉ số chứng khoán ngày mai? Đó chính là câu hỏi mà kiểm định nhân quả Granger – một phương pháp thống kê do Clive Granger đề xuất năm 1969 – ra đời để trả lời. Trong bài viết này, bạn sẽ hiểu bản chất của kiểm định này, cách áp dụng nó vào dữ liệu chuỗi thời gian thực tế, và quan trọng nhất: làm thế nào để chạy và diễn giải kết quả bằng Python và R.

Năm ra đời: 1969 · Tác giả: Clive Granger · Lĩnh vực ứng dụng chính: Kinh tế lượng, tài chính, khoa học thần kinh · Giải thưởng liên quan: Giải Nobel Kinh tế 2003 · Bản chất thống kê: Kiểm định giả thuyết trên chuỗi thời gian

5 thông số quan trọng, một điểm chung: tất cả đều xoay quanh khả năng dự báo của kiểm định Granger chứ không phải quan hệ nhân quả triết học.

Kiểm định nhân quả Granger được sử dụng để làm gì?

Định nghĩa kiểm định nhân quả Granger

Về cốt lõi, kiểm định Granger trả lời câu hỏi: “Liệu các giá trị quá khứ của biến X có chứa thông tin giúp dự báo biến Y tốt hơn so với chỉ dùng quá khứ của Y hay không?”. Đây không phải là một định nghĩa về nhân quả theo nghĩa thông thường – như A gây ra B – mà là một mối quan hệ dự báo, được Clive Granger đưa ra lần đầu vào năm 1969 (Tài liệu ĐH Kinh tế TP.HCM – bài giảng kinh tế lượng). Nhiều người mới học dễ nhầm lẫn rằng “Granger” đồng nghĩa với “nguyên nhân”, nhưng thực chất nó chỉ là một kiểm định dự báo – một điểm tinh tế nhưng cực kỳ quan trọng (Machine Learning Plus – hướng dẫn Python về Granger).

Ứng dụng trong kinh tế lượng và các lĩnh vực khác

Kiểm định Granger được dùng phổ biến trong kinh tế vĩ mô (ví dụ: GDP có Granger-gây ra lạm phát không?), tài chính (giá cổ phiếu có dự báo được chỉ số VN30 không?), và cả khoa học thần kinh (tín hiệu não bộ có Granger-gây ra hành vi không?) (Tài liệu ĐH Kinh tế TP.HCM). Một ví dụ điển hình: các nhà phân tích có thể dùng giá vàng online hôm nay (xem thêm bài so sánh giá vàng) để kiểm tra xem nó có Granger-gây ra biến động chỉ số chứng khoán hay không.

Điều này có nghĩa: nếu bạn đang làm việc với dữ liệu chuỗi thời gian và muốn biết biến nào “dẫn dắt” biến nào, Granger là điểm khởi đầu hợp lý – nhưng đừng quên nó chỉ là dự báo, không phải nhân quả.

Cách tiếp cận nhân quả Granger là gì?

Mô hình tự hồi quy và kiểm định F

Phương pháp Granger so sánh hai mô hình hồi quy: mô hình không có biến trễ của X (chỉ dùng quá khứ của Y) và mô hình có thêm biến trễ của X. Nếu mô hình thứ hai dự báo Y tốt hơn đáng kể, ta kết luận X Granger-gây ra Y. Thống kê kiểm định thường dùng là F-test hoặc Wald test (Tài liệu ĐH Kinh tế TP.HCM).

Lựa chọn độ trễ tối ưu

Kết quả kiểm định Granger rất nhạy với số lượng độ trễ (lag) được chọn. Sử dụng quá ít lag có thể bỏ sót mối quan hệ, quá nhiều lag lại làm giảm bậc tự do và tăng sai số. Các tiêu chí phổ biến để chọn lag tối ưu là AIC (Akaike Information Criterion) và BIC (Bayesian Information Criterion) (Machine Learning Plus – hướng dẫn Python).

Giả định của kiểm định

Giả định quan trọng nhất: cả hai chuỗi thời gian phải là chuỗi dừng (stationary). Nếu không, kết quả kiểm định có thể bị sai lệch. Trong thực hành, người dùng thường kiểm tra tính dừng bằng kiểm định nghiệm đơn vị (unit root test) như Augmented Dickey-Fuller (ADF) trước khi chạy Granger (Tạp chí FTU – nghiên cứu về VN30).

Vậy điều cần nhớ: trước khi thực hiện kiểm định Granger, hãy đảm bảo dữ liệu của bạn dừng và bạn đã chọn lag phù hợp – nếu không, kết luận “có nhân quả Granger” chỉ là ảo tưởng thống kê.

Khi nào sử dụng kiểm định nhân quả Granger?

Điều kiện áp dụng

Không phải mọi bộ dữ liệu đều phù hợp. Kiểm định Granger yêu cầu dữ liệu dạng chuỗi thời gian – tức là các quan sát được thu thập theo thời gian (ngày, tháng, quý, năm). Nó hoàn toàn không áp dụng cho dữ liệu chéo (cross-section) như khảo sát một thời điểm (Machine Learning Plus). Ngoài ra, các chuỗi phải có cùng độ dài và không có khoảng trống dữ liệu nghiêm trọng.

Các tình huống điển hình

• Phân tích mối quan hệ giữa khối lượng giao dịch và biến động giá cổ phiếu (Tạp chí FTU)
• Dự báo GDP dựa trên xuất khẩu, lạm phát, hoặc các chỉ số kinh tế vĩ mô khác (Tài liệu ĐH Kinh tế TP.HCM)
• Nghiên cứu y học: liệu biểu hiện gen có Granger-gây ra triệu chứng bệnh hay không (cần chuỗi thời gian dài)

Cái bẫy: nếu bạn chỉ có dữ liệu chéo hoặc chuỗi ngắn, đừng dùng Granger – tương quan chéo có thể hữu ích hơn. Bạn đã được cảnh báo.

Giá trị p 0,05 hay 0,01 tốt hơn?

Ý nghĩa của giá trị p trong kiểm định Granger

Giá trị p là xác suất bạn thấy kết quả như vậy nếu giả thuyết không (H₀: X không Granger-gây ra Y) là đúng. Trong kiểm định Granger, nếu p-value < mức ý nghĩa α, bạn bác bỏ H₀ và kết luận có nhân quả Granger. Mức α thường dùng là 0,05 hoặc 0,01 (Machine Learning Plus).

Cách chọn ngưỡng ý nghĩa

Ngưỡng 0,01 (chặt chẽ hơn) giảm sai lầm loại I (kết luận có Granger khi thực tế không có) nhưng làm tăng sai lầm loại II (bỏ sót mối quan hệ thực sự). Ngưỡng 0,05 là lựa chọn dung hòa phổ biến trong kinh tế lượng. Trong các lĩnh vực đòi hỏi độ chính xác cao như khoa học thần kinh, người ta thường dùng 0,01 (Tài liệu ĐH Kinh tế TP.HCM).

Quy tắc ngón tay cái: nếu hậu quả của việc bỏ sót mối quan hệ là nghiêm trọng (ví dụ: trong y học), hãy dùng mức 0,05 để giảm sai lầm loại II. Nếu bạn muốn chắc chắn trước khi đưa ra quyết định đầu tư lớn, hãy dùng 0,01. Nhưng đừng chọn mức ý nghĩa sau khi nhìn kết quả – đó là lỗi p-hacking.

Làm thế nào để thực hiện kiểm định nhân quả Granger?

Các bước cơ bản

1. Kiểm tra tính dừng của chuỗi thời gian (dùng kiểm định ADF). Nếu chưa dừng, lấy sai phân bậc một (difference).
2. Xác định độ trễ tối ưu bằng AIC/BIC trong mô hình VAR hoặc AR.
3. Chạy kiểm định Granger (hồi quy mô hình có biến trễ và so sánh F-statistic).
4. Đọc giá trị p và kết luận.

Các bước này áp dụng cho cả Python và R.

Ví dụ với Python (statsmodels)

Dùng hàm grangercausalitytests từ thư viện statsmodels. Đặt chuỗi cần kiểm tra (biến phụ thuộc) ở cột đầu tiên của DataFrame (YouTube – Granger Causality in Python : Data Science Code). Ví dụ kiểm tra hai chuỗi giá vàng và VN-Index với lag từ 1 đến 3:

from statsmodels.tsa.stattools import grangercausalitytests
import pandas as pd
data = pd.DataFrame({'VNINDEX': vnindex.values, 'GOLD': gold.values})
grangercausalitytests(data, maxlag=3)

Kết quả trả về giá trị F và p-value cho từng lag. Nếu p-value < 0,05, ta kết luận giá vàng Granger-gây ra VN-Index (theo hướng dẫn của Machine Learning Plus).

Ví dụ với R (lmtest)

Trong R, dùng hàm grangertest từ gói lmtest hoặc causality() từ gói VAR (Tài liệu ĐH Kinh tế TP.HCM). Ví dụ:

library(lmtest)
data <- data.frame(vnindex, gold)
grangertest(vnindex ~ gold, order = 2)

Kết quả hiển thị F-statistic và p-value tương ứng.

Diễn giải kết quả

• p-value < 0,05 (hoặc 0,01): Có bằng chứng thống kê để kết luận X Granger-gây ra Y, với sai số 5% (hoặc 1%).
• p-value ≥ 0,05: Không đủ bằng chứng – giả thuyết không được giữ nguyên.
• Kiểm tra chiều ngược lại: Luôn kiểm tra cả hai chiều (Y có Granger-gây ra X không) để tránh kết luận một chiều.

Lưu ý cuối cùng: một kết quả có ý nghĩa thống kê không đồng nghĩa với ý nghĩa kinh tế hay thực tiễn. Biến động giá vàng có thể “dự báo” VN-Index nhưng mức độ dự báo có thể rất nhỏ. Luôn xem xét độ lớn của tác động (Machine Learning Plus).

Điều gì đã được xác nhận và điều gì còn chưa rõ?

Sự thật đã được xác nhận

• Kiểm định Granger do Clive Granger phát triển năm 1969 (Tài liệu ĐH Kinh tế TP.HCM)
• Được sử dụng rộng rãi trong kinh tế lượng, tài chính và khoa học thần kinh (Machine Learning Plus)
• Kết quả phụ thuộc vào độ trễ được chọn (Tài liệu ĐH Kinh tế TP.HCM)

Điều còn chưa rõ hoặc gây tranh cãi

• Kiểm định Granger không chứng minh quan hệ nhân quả thực sự, chỉ là “nhân quả dự báo” (Machine Learning Plus)
• Yêu cầu chuỗi thời gian dừng (Tạp chí FTU)
• Độ nhạy với số lượng độ trễ có thể dẫn đến kết luận sai nếu không chọn đúng lag (Tài liệu ĐH Kinh tế TP.HCM)
• Ảnh hưởng của biến bỏ sót có thể làm sai lệch kết quả hoàn toàn (Machine Learning Plus)

“Một biến X gây ra Granger cho Y nếu các giá trị quá khứ của X giúp dự báo Y tốt hơn chỉ dùng quá khứ của Y.”

– Clive Granger (bài báo gốc 1969), trích dẫn qua Tài liệu ĐH Kinh tế TP.HCM

“Kiểm định Granger là một kiểm định giả thuyết thống kê để xác định xem một chuỗi thời gian có hữu ích trong việc dự báo chuỗi khác hay không.”

– Wikipedia, qua Machine Learning Plus

Khi bạn đọc một nghiên cứu sử dụng kiểm định Granger, hãy luôn kiểm tra xem họ có kiểm tra tính dừng, chọn lag bằng AIC/BIC và kiểm tra chiều ngược lại không. Nếu thiếu một trong ba bước đó, kết luận của họ có thể là sai.

Các câu hỏi thường gặp

Đối với những người mới bắt đầu học phân tích chuỗi thời gian tại Việt Nam, lựa chọn rõ ràng là bắt đầu với kiểm định Granger trên Python hoặc R, nhưng luôn đi kèm với kiểm tra tính dừng và hiểu rõ giới hạn của nó. Bỏ qua các bước tiền xử lý, bạn sẽ chỉ có những kết luận sai lầm.