Để phân tích tác động của một số biến độc lập lên một biến phụ thuộc, bao giờ
ta cũng có phương trình cân bằng thể hiện mối liên hệ giữa chúng thông qua các hệ số
thể hiện mức độ tác động (thuận chiều hay nghịch chiều, tác động ít hay nhiều so với các biến khác). Bài luận văn với mục tiêu tìm kiếm mối quan hệ cân bằng dài hạn giữa các biến khảo sát cũng là bài toán tìm kiếm các hệ số này. Vì vậy, với các biến nghiên cứu đã liệt kê ở trên do mức độ phổ biến của nó, mô hình về mối liên hệ giữa các biến kinh tế vĩ mô và thị trường chứng khoán sẽđược thể hiện như sau:
VNIt = f(EXt, GOLDt, FDIt, OILt, CPIt, IPt, M2t, TBt)
Trong đó:
+ VNI: VN-Index,
+ EX: tỷ giá hối đoái USD/VND, + GOLD: giá vàng.
+ FDI: đầu tư trực tiếp nước ngoài, + OIL: giá dầu,
+ CPI: tỷ lệ lạm phát,
+ IP: chỉ số sản xuất công nghiệp + M2: cung tiền mở rộng,
+ TB: lãi suất tín phiếu kho bạc.
Trên đây là mô hình tổng quát của nghiên cứu và tác giả sẽ sử dụng các phương pháp nghiên cứu hỗ trợ bằng phần mềm Eview để có thểđưa ra kết quảđịnh lượng làm nền tảng cho những kết luận của tác giả. Các phương pháp kiểm định và giải thích phương pháp được tiếp tục đề cập ở phần ngay sau đây.
3.3.2 Phương pháp kiểm định:
Luận văn đã tham khảo nhiều nghiên cứu trước đây và nhận thấy rằng, các nghiên cứu của các tác giả gần đây trên thế giới về cùng một đề tài đa phần sử dụng phương pháp kiểm định đồng liên kết Johansen (1990) để xem tác động dài hạn giữa các biến và mô hình hiệu chỉnh sai số vector VECM (vector error correction model) để
xem xét sựđiều chỉnh ngắn hạn hướng tới cân bằng dài hạn. Các nghiên cứu còn phân tích thêm hàm phản ứng đẩy (Impulse response functions) và phân rã phương sai (Variance Decomposition) nhằm xem xét tính động trong sự tương tác của giá chứng khoán trước cú sốc từ các biến số kinh tế vĩ mô cũng như kiểm tra hàm lượng thông tin của mỗi biến trong việc giải thích biến động của chỉ số giá chứng khoán. Phương pháp này là một bước tiến trong nghiên cứu kinh tế lượng gần đây, nó cho phép ước lượng
(Utku utkulu, 2004). Từ việc tham khảo các bài nghiên cứu trước đây với phương pháp nghiên cứu được sử dụng, tác giả cũng sẽ dùng các phương pháp kiểm định này áp dụng vào riêng cho bài luận văn của mình. Sau đây xin liệt kê chi tiết hơn những phương pháp kiểm định sẽ sử dụng cho luận văn.
3.3.2.1 Thống kê mô tả:
Nói đến thống kê mô tả là nói đến việc mô tả dữ liệu bằng các phép tính và chỉ
số thống kê thông thường như số trung bình (mean), số trung vị (median), phương sai (variance) độ lệch chuẩn (standard deviation)… cho các biến số mà chúng ta sử dụng. Việc sử dụng thống kê để tóm tắt và lập bảng, biểu đồ cho một tập dữ liệu để làm cho các đặc điểm chính của nó (trung bình, phương sai, phân bố,…) biểu lộ gọn và rõ hơn. Mục tiêu là giúp cho người sử dụng dữ liệu có thể hệ thống hóa lại các con số nhằm có những hình dung ban đầu về bộ dữ liệu của mình.
3.3.2.2 Kiểm định nghiệm đơn vị (kiểm định tính dừng):
Tính dừng hàm ý rằng những đặc điểm của chuỗi không thay đổi qua thời gian (giá trị trung bình và phương sai không đổi qua thời gian). Kiểm định nghiệm đơn vị là một kiểm định quan trọng khi phân tích tính dừng của dữ liệu chuỗi thời gian và xác
định bậc liên kết của chúng.
Cách dễ dàng nhất để thực hiện kiểm định nghiệm đơn vị là xem xét mô hình sau:
Yt = pYt-1 + ut
Ở đây ut là số hạng chỉ sai số ngẫu nhiên xuất phát từ các giả định cổđiển rằng nó có giá trị trung bình bằng 0, phương sai là hằng số và không tự tương quan. Nếu hệ
số của Yt-1 trong thực tế bằng 1, thì chúng ta đang phải đối mặt với vấn đề gọi là nghiệm đơn vị, tức là tình huống không dừng. Do vậy nếu chúng ta thực hiện hồi quy và tìm ra rằng p = 1 thì chúng ta có thể nói Yt có nghiệm đơn vị.
Phương trình ở trên thường được trình bày ở một dạng khác như sau:
= δ Yt-1 + ut
Như vậy để kiểm định tính dừng, giả thuyết H0 là δ = 0 (hoặc p = 1) (tức là có nghiệm đơn vị).
Theo giả thuyết không rằng p = 1, trị thống kê t được tính theo quy ước được biết tới như là trị thống kê τ (tau), mà các giá trị tới hạn của nó đã được sắp thành bảng bởi Dickey và Fuller. Kiểm định Tau còn được biết tới như là kiểm định Dickey-Fuller (DF), vì sự kính trọng đối với những người đã phát minh ra nó.
3.3.2.3 Kiểm định đồng kết hợp:
Sử dụng đồng kết hợp là một kỹ thuật sử dụng rộng rãi trong mô hình kinh tế vĩ
mô.
Theo Utku Utkulu (2004), chuỗi thời gian không dừng (hay có xu hướng) có thể được xem là một vấn đề chính trong kinh tế lượng thực hành. Tuy nhiên, hầu hết các chuỗi thời gian kinh tế vĩ mô đều có xu hướng. Một vài nhà nghiên cứu đề xuất một giải pháp là lấy sai phân chuỗi dữ liệu liên tục cho đến khi đạt được tính dừng. Thế
nhưng, người ta chứng tỏ là những kết quả do sai phân dẫn tới việc thất thoát một vài thông tin dài hạn có giá trị của dữ liệu. Một đột phá thực sự trong kinh tế lượng chuỗi thời gian là khái niệm “đồng kết hợp” vào những năm 80. Khái niệm được giới thiệu lần đầu tiên bởi Granger (1981). Sau đó, Engle và Granger (1987) cung cấp một nền tảng lý thuyết vững chắc cho việc trình bày, kiểm định, ước tính và mô hình những biến chuỗi thời gian không dừng đồng kết hợp.
Phương pháp đồng kết hợp cho phép dữ liệu không dừng được sử dụng mà kết quả giả mạo được tránh khỏi. Nó cũng cho phép kiểm định và ước tính mô hình dài hạn từ dữ liệu chuỗi thời gian thực.
Như vậy, với sự thật rằng nhiều chuỗi thời gian vĩ mô không dừng đã giúp phát triển một lý thuyết phân tích chuỗi thời gian không dừng. Engle và Granger (1987) chỉ
ra rằng một sự kết hợp tuyến tính của hai hoặc hơn những chuỗi không dừng có thể
dừng được nói là đồng kết hợp. Sự kết hợp tuyến tính dừng được gọi là phương trình
đồng kết hợp và có thể được hiểu là có một mối quan hệ cân bằng dài hạn giữa các biến.
Lấy một ví dụđơn giản để dễ hiểu hơn đồng kết hợp, ta xem phương trình sau: mt = β0 + β1pt + β2yt + β3rt + et
trong đó, mt: cầu tiền dài hạn yt: thu nhập thực rt: lãi suất
Giả định quan trọng là et phải dừng. Vấn đề gây ra cho nhà nghiên cứu là các biến đều mang đặc tính dừng bậc 1. Tuy nhiên, người ta cho rằng có tồn tại một sự kết hợp tuyến tính của những biến này thành dừng.
Chúng ta có thể viết lại như sau: et = mt - β0 - β1pt - β2yt - β3rt
Do et phải dừng, sự kết hợp tuyến tính của những biến đồng kết hợp ở bên phải phương trình cũng phải dừng. Như vậy, giả thuyết đòi hỏi rằng chuỗi thời gian của 4 biến không dừng có liên kết với nhau.
Ví dụ này minh họa điều quan trọng đã nổi dậy nhiều nghiên cứu kinh tế lượng vĩ mô trong những năm gần đây: lý thuyết cân bằng liên quan những biến không dừng
đòi hỏi tồn tại một kết hợp các biến thành dừng.
Có hai phương pháp xác định số quan hệ đồng liên kết (đồng kết hợp) đó là kiểm định Trace và kiểm định giá trị riêng cực đại (maximum eigenvalue):
- Kiểm định Trace:
H0: Có r mối quan hệđồng liên kết H1: Có (r + 1) mối quan hệđồng liên kết - Kiểm định giá trị riêng cực đại:
H0: Có nhiều nhất r mối quan hệđồng liên kết H1: Có nhiều hơn r mối quan hệđồng liên kết
Từ bảng kết quả khi chạy chương trình Eview, chúng ta có thể biết được những chuỗi thời gian có bao nhiêu mối quan hệđồng kết hợp. Nếu có ít nhất một mỗi quan hệđồng kết hợp thì ta có thể kết luận rằng các biến khảo sát có mối quan hệ cân bằng dài hạn.
3.3.2.4 Mô hình hiệu chỉnh sai số vector:
Khái niệm đồng liên kết và mô hình hiệu chỉnh sai số vector (VECM) có liên quan chặt chẽ với nhau. Mô hình hiệu chỉnh sai số vector được thiết kế sử dụng cho chuỗi không dừng có đồng kết hợp. VECM được xây dựng dựa trên đặc tính là nó giới hạn hành vi dài hạn của những biến nội sinh để hội tụ về mối quan hệ đồng kết hợp trong khi cho phép điều chỉnh năng động ngắn hạn.
Lấy ví dụ, giả sử tồn tại một mối quan hệ lâu dài giữa lãi suất ngắn và dài hạn. Nếu khoảng cách giữa lãi suất ngắn hạn và lãi suất dài hạn là lớn ứng với mối quan hệ
dài hạn, lãi suất ngắn hạn sẽ phải tăng so với lãi suất dài hạn. Dĩ nhiên, khoảng cách có thể gần nhau bởi (1) một sự gia tăng trong lãi suất ngắn hạn và/hoặc một sự giảm đi trong lãi suất dài hạn, (2) tăng trong lãi suất dài hạn nhưng tăng nhanh hơn trong lãi suất ngắn hạn, (3) giảm trong lãi suất dài hạn nhưng giảm ít hơn trong lãi suất ngắn hạn. Sự năng động ngắn hạn phải bị ảnh hưởng bởi sự chệch khỏi mối quan hệ cân bằng dài hạn.
Mô hình năng động hàm ý trong thảo luận này là sự điều chỉnh sai số (error correction) trong một mô hình hiệu chỉnh sai số, sự năng động ngắn hạn của những biến trong hệ bị ảnh hưởng bởi sự chệch khỏi cân bằng. Nếu chúng ta giả định cả hai lãi suất đều dừng bậc 1, mô hình hiệu chỉnh sai số đơn giản có thể áp dụng cho ví dụ
trên là:
Δrst = αs (rlt-1 – βrst-1) + εst, αs >0
Δrlt = -αl (rlt-1 – βrst-1) + εlt, αl >0
Sự thay đổi của lãi suất ngắn hạn và dài hạn tương ứng với những cú sốc (đại diện bởi εst, và εlt) và với sự chệch khỏi cân bằng dài hạn của kỳ trước. Mỗi thứ khác không đổi, nếu sự chệch xảy ra dương (rlt-1 – βrst-1 >0), lãi suất ngắn hạn sẽ tăng và lãi suất dài hạn sẽ giảm. Cân bằng dài hạn đạt được khi rlt = βrst. Lưu ý rằng αs và αl là diễn giải của thông số tốc độ hiệu chỉnh (speed of adjustment). αs lớn hơn nghĩa là phản ứng của rst đối với sự chệch khỏi cân bằng dài hạn kỳ trước lớn hơn.Ngược lại, giá trị rất nhỏ của αs hàm ý rằng lãi suất ngắn hạn không phản ứng với sai số cân bằng thời kỳ trước.
Do đặc điểm của VECM chỉ áp dụng cho chuỗi đồng kết hợp, nên đầu tiên phải chạy kiểm định đồng kết hợp Johansen trước và xác định số lượng những mối quan hệ
đồng kết hợp.
3.3.2.5 Hàm phản ứng đẩy và phân rã phương sai:
Một khi mô hình VECM được ước tính thì sau đó chúng ta khai thác hai phân tích biến động ngắn hạn được gọi là hàm phản ứng đẩy (Impulse response functions) và phân rã phương sai (Variance Decompositions) cho bài nghiên cứu của chúng ta.
Trong khi đó, hàm phản ứng đẩy được sử dụng nhằm tìm thấy mối quan hệ nhân quả giữa các biến. Nó giải thích cấp độ ởđó một biến được giải thích bởi những cú sốc lên tất cả các biến trong hệ thống. Một cú sốc lên biến thứ i không chỉ trực tiếp ảnh hưởng lên biến i mà còn lan truyền đến tất cả những biến nội sinh khác. Ví dụ, một cú sốc lên biến x ảnh hưởng ngay lập tức lên chính nó, tiếp tục ảnh hưởng vào thời kỳ sau
đó, và dừng ảnh hưởng đến x sau đó nữa. Một cú sốc lên biến y, không ảnh hưởng lên x ngay mà ảnh hưởng lên biến x với trọng số α2 thời kỳ sau nữa, và ngừng ảnh hưởng lên nó sau đó.
Phân rã phương sai được sử dụng để xác định mối quan hệ động giữa các biến. Trong khi hàm phản ứng đẩy theo dõi tác động của một cú sốc lên một biến nội sinh lên các biến khác, thì phân rã phương sai tách biệt sự biến thiên trong một biến nội sinh vào những cú sốc tổng hợp. 100% sự biến động của biến x ở thời kỳ t đến từ cú sốc lên
x. Tuy nhiên, biến động của biến x ở thời kỳ t+1 đến từ hai nguồn: một tỷ lệ từ biến x và một tỷ lệ từ biến y.
Nhìn chung, một đồ thị hàm phản ứng đẩy cho bạn biết liệu một cú sốc lên 1 biến có:
+ Tác động thuận chiều hoặc nghịch chiều lên biến khác (hoặc cả hai) + Một tác động gia cố hay dần biến mất qua thời gian.
Một đồ thị phân rã phương sai chỉ cho bạn nguồn gốc của sự dao động ẩn dưới sự di chuyển của các biến tăng lên hay giảm xuống qua thời gian.
KẾT LUẬN CHƯƠNG 3
Bài luận văn sẽ xoay quanh các biến với chỉ số VN-Index là biến phụ thuộc và 8 biến kinh tế vĩ mô như tỷ giá hối đoái, giá vàng trong nước, đầu tư trực tiếp nước ngoài, giá dầu trong nước, chỉ số giá tiêu dùng, chỉ số sản xuất công nghiệp, cung tiền và lãi suất tín phiếu kho bạc. Việc lựa chọn biến xuất phát từ việc tham khảo các bài nghiên cứu trước đây về mức độ phổ biến của các biến này và năng lực nghiên cứu của tác giả. Các biến này là những biến có mức độ phổ biến cao nhất trong các nghiên cứu có lẽ do tầm quan trọng của chúng đối với các nền kinh tế. Về phương pháp kiểm định, tác giả lựa chọn phương pháp đồng kết hợp của Johansen và mô hình hiệu chỉnh sai số
vector cùng với phân tích hàm phản ứng đẩy và phân rã phương sai. Đây là các phương pháp hiện đại thích hợp cho dữ liệu chuỗi thời gian vốn thường không có tính dừng ở
cấp đơn vị. Chương này tập trung vào mô tả dữ liệu biến và các phương pháp kiểm
định về mặt lý thuyết vì vậy chương này chỉ là tiền đề cho chương tiếp theo: Chương 4. Chương 4 sẽ trình bày cụ thể hơn việc chạy dữ liệu và kết quả của tác giả cũng như
CHƯƠNG 4: CÁC KẾT QUẢ NGHIÊN CỨU
Trên cơ sở phương pháp nghiên cứu đã đưa ra, chương này sẽ tập trung phân tích thực nghiệm đối với các dữ liệu chuỗi thời gian được lựa chọn và sự trợ giúp của phần mềm Eview 6.