Bi n Mô t Cách đo l ng
CPI
Ch s giá tiêu dùng
CPI: ch s giá tiêu dùng
c a Vi t Nam (n m 2005=100) M2 Cung ti n M2 NEER NEER: t giá h i
đoái danh ngh a đa ph ng. N m 2005 là n m g c (2005=100). x100 t giá danh ngh a song ph ng T tr ng kim ng ch xu t nh p kh u gi a 2 n c (n c nghiên c u và các đ i tác th ng m i j). c thu th p t Word Bank. FE D tr ngo i h i
3.2.2. Mô hình nghiên c u
D a trên n n t ng bài nghiên c u c a Naz và c ng s (2012) và các nghiên c u tr c đây và c ng nh m đ tr l i các câu h i nghiên c u, mô hình nghiên c u c a đ tài là mô hình SVAR (Structure Vecto AutoRegression).
Mô hình VAR đ c gi i thi u đ u tiên b i Sims (1980). So v i các mô hình truy n th ng tr c thì các bi n đ c chia làm bi n n i sinh và bi n ngo i sinh. Tuy nhiên theo Sims thì t t c các bi n trong mô hình đ u đ c xem là bi n n i sinh. i u này là phù h p khi đánh giá tác đ ng c a các bi n kinh t
v mô. Tuy nhiên mô hình VAR l i t n t i m t khuy t đi m đó là không cho phép tác đ ng đ ng th i c a các bi n kinh t trong cùng m t giai đo n. Sims
và Zha (1995) đã đ xu t s d ng mô hình VAR d i d ng c u trúc (SVAR) b ng cách đ a vào nh ng ràng bu c cho phép kh c ph c các khuy t đi m
tr c đó c a mô hình VAR. Mô hình SVAR là h th ng các ph ng trình c a các bi n n i sinh. Trong đó, giá tr c a m i bi n s ph thu c vào đ tr c a
chính nó và đ tr c a các bi n còn l i trong quá kh . ây là mô hình t ng quát nh t, vi c quy t đ nh h s nào trong ma tr n h s c a các bi n b ng 0 hay không, là ph thu c vào ý ngh a kinh t c a nó.
C th s t ng tác c a các bi n đ c mô t nh sau:
Yt là vect (n x 1) c a các bi n n i sinh, A0 là ma tr n (n x n) h s m i quan h đ ng th i c a các bi n n i sinh; Xtlà đ tr c a cc bi n n i sinh, A là ma tr n các h s c a các bi n tr trong mô hình; t là vect (n x 1) cú s c c u
trúc và là đ i di n cho ma tr n hi p ph ng sai c a sai s
c u trúc. H n n a, t tr c giao và phân ph i chu n, đi u này đ ng ngh a v i cú s c không t ng quan v i nhau và ma tr n hi p ph ng sai theo phân ph i
này là chúng ta không c l ng đ c các giá tr c a A0 và A m t cách tr c
ti p. Vì v y, các tham s c a mô hình trên đ c chuy n sang mô hình d ng
rút g n đ c l ng nh sau
V i và
c l ng đ c mô hình SVAR đòi h i ph i đ c nh n d ng. i u ki n c n thi t đ có th nh n d ng mô hình m t cách chính xác là các h s
trong ma tr n A, B ph i có cùng h s trong ma tr n hi p ph ng sai c a mô
hình rút g n . Nói cách khác, đi u ki n này nh m đ m b o có th kh c
ph c đ c h s c u trúc ban đ u t mô hình rút g n. Ma tr n hi p ph ng
sai c a hình th c rút g n nh n đ c: hay
Nh n d ng đ c đòi h i các thông s ma tr n A0 và B có th khôi ph c t d ng rút g n. Trong công th c (3.3) có K(K+1)/2 h s và có K(K+1) h s t do bên ph i c a công th c (3.3). Vì v y, c n có 2K2 –K-K(K+1)/2 ràng bu c
trong gi a ma tr n A0 và B. Nh ng ma tr n B có K(K-1) ràng bu t đ c th
hi n là đ ng chéo. Vì v y, nh n d ng x y ra n u có ít nh t K(K-1)/2 ràng bu c đ c th hi n trên ma tr n A0. Trong mô hình VAR v i phân rã
Cholesky thì A0 đ c th hi n d i d ng tam giác xem thêm nghiên c u c a
Bernanke và Mihov (1998). Còn trong mô hình SVAR thì A0 đ c th hi n
d i d ng b t k mi n là s ràng bu c đ c thi t l p đ .
Trong n i dung nghiên c u c a mình, c ng nh m tr l i m c tiêu nghiên
c u mô hình nghiên c u c a đ tài là d a trên nghiên c u c a Nar và c ng s
(2012), theo đó mô hình nghiên c u c a đ tài đ c th hi n d i d ng vect
Ytnh sau:
Do phát tri n t lý thuy t ngang giá s c mua PPP nên tác gi s d ng bi n
NEER (t giá h i đoái danh ngh a đa ph ng) đ i di n cho m c giá c gi a
các qu c gia thay vì bi n REER (t giá h i đoái th c đa ph ng) đã đ c
đi u chnh đ lo i b l m phát. Do đó, tùy theo m c tiêu nghiên c u mà l a ch n NEER hay REER cho phù h p.
C u trúc h ph ng trình SVAR d ng ma tr n đ c th hi n nh sau:
(3.5)
Trong ph ng trình (3.5) h s aij th hi n nh h ng bi n th j đ n bi n th i ngay l p t c.
Phân tích m i ràng bu c gi a các bi n
Ràng bu c đ u tiên theo đó cho r ng bi n d tr ngo i h i ch ch u tác
đ ng c a chính nó, đi u này là h p lý vì d tr ngo i h i h u nh không ch u s tác đ ng c a các y u t bên ngoài nh : Dòng v n đ u t n c ngoài vào
trong n c, kho n vi n tr ,.... và giá c hàng hoá n c ngoài h n là giá c hàng hoá trong n c. Do đó, đ tài k v ng r ng bi n d d tr ngo i h i ch ch u tác đ ng c a chính nó, theo nh nghiên c u c a Nar và c ng s (2012).
Theo đó,
utFE= tFE.
Ràng bu c th hai trong mô hình cho r ng cung ti n ch ch u tác đ ng t c th i c a các cú s c ngo i sinh c th là d tr ngo i h i, theo nghiên c u c a Hassan (2011) cho r ng t c đ t ng tr ng trong cung ti n ch y u là d a trên
kho n tích lu t tài s n n c ngoài h n là dòng tín d ng đ c t o ra trong
n c và cung ti n còn ch u tác đ ng c a chính nó. Theo đó, tM2 = a21utFE +utM2
Ràng bu c th ba trong ph ng trình đ c đ t ra v i gi đnh r ng nh ng bi n đ ng trong t giá ch u s tác đ ng t c th i c a cú s c ngo i sinh, c th là d tr ngo i h i và cung ti n trong n c theo nghiên c u c a Nar và c ng s (2012) và c ng gi đnh r ng nó không ch u tác đ ng c a l m phát, theo đó
tNEER = a31utFE + a32utM2 + utNEER
Ràng bu c cu i cùng đ c đ t ra v i gi đnh r ng l m phát s ch u tác
đ ng c a đ ng th i c a các bi n còn l i trong mô hình vì l m phát mà c th là m c giá chung c a n n kinh t s ch u tác đ ng đ ng th i c a các nhân t cung và c u, theo đó tCPI = a41utFE +a42utM2 +a43 utNEER + utCPI .
3.3. Ph ng pháp ki m đ nh mô hình 3.3.1.Ki m đ nh tính d ng
Trong nghiên c u th c nghi m khi s d ng d li u là chu i th i gian và
đ c bi t là s d ng mô hình VAR thì t t c các bi n trong mô hình ph i d ng (Stationary). M t chu i d li u th i gian đ c xem là d ng n u trung bình và
ph ng sai không thay đ i theo th i gian và hi p ph ng sai gi a hai th i
đi m ch ph thu c vào kho ng cách hay đ tr v th i gian ch không ph
thu c vào th i đi m đang xét. C th : Trung bình: E Y t const
Ph ng sai: 2 t
Var Y const
Hi p ph ng sai: CovarY Yt, t k gk
Tính d ng là m t khái ni m vô cùng quan tr ng. Trong h u h t các mô
hình th ng kê đ u yêu c u chu i d li u ph i là chu i d ng. Do v y khi c
l ng các tham s ho c ki m đ nh gi thuy t c a mô hình, n u không ki m
đnh tính d ng c a d li u thì các k thu t phân tích thông th ng ch ng h n
Granger và Newbold (1977) các k t qu phân tích t chu i d li u không d ng đ u là gi m o. C th n u mô hình t n t i ít nh t m t bi n đ c l p có
cùng xu th v i bi n ph thu c, khi đó k t qu c l ng mô hình ta có th
thu đ c các h s có ý ngh a th ng kê và h s R2 r t cao. Nh ng đ u này
đ c t o ra b i tính xu th c a hai bi n ch chúng không có m i t ng quan
ch t ch v i nhau.
ki m tra tính d ng trong bài, đ tài s s d ng ki m đ nh Augmented Dickey Fuller (ADF), m t trong nh ng công c ph bi n trong ki m đ nh tính d ng c a chu i th i gian theo Gujarati (2003). Theo đó các đ tr th i gian s
đ c l a ch n theo tiêu chu n AIC (Akaike Information Criteria) (Xem thêm
ph l c 1). N u chu i d li u không d ng đ tài s s d ng k thu t l y sai
phân đ đ a chu i d li u v d ng d ng.
3.3.2. L a ch n đ tr t i u cho mô hình
Do t t c các bi n trong mô hình VAR đ u là bi n n i sinh, bi n nghiên
c u ph thu c vào đ tr c a nó. Do đó có quá nhi u tham s ph i c l ng
(2n2-n h s ) nên vi c th c hi n ki m đ nh đ l a ch n đ tr t i đa và đ tr c n lo i b trong mô hình VAR là quan tr ng.
l a ch n đ tr t i đa cho mô hình đ tài s d ng ki m đ nh Lag length criteria d a trên các tiêu chu n LR, FPE, AIC, HC, SQ. M i m t tiêu chu n
đ u có nh ng gi thi t nh t đnh.
3.3.3.Ki m đ nh nhân qu Granger
Trong ph n này đ tài s th c hi n ki m đ nh nhân qu Granger nh m xem
xét v i đ tr đ c l a ch n thì các bi n trong mô hình có quan h nhân qu v i nhau v m t th ng kê hay không. Mô hình ki m đ nh Granger ch đ n
gây ra s thay đ i c a bi n Y và ng c l i. Ph ng trình h i quy trong ki m
đnh Granger mô t nh sau:
Ta có các tr ng h p sau:
N u khác không và có ý ngh a th ng kê, nh ng không có ý ngh a
th ng kê thì s bi n đ ng c a bi n X là nguyên nhân gây ra s bi n đ ng c a bi n Y.
N u không có ý ngh a th ng kê, nh ng khác không và có ý ngh a
th ng kê thì bi n X ch u s tác đ ng b i s thay đ i c a bi n Y.
N u và đ u có ý ngh a th ng kê thì X và Y tác đ ng qua l i l n nhau. N u và đ u không có ý ngh a th ng kê thì X và Y đ c l p v i nhau.
Trong đ tài thì bi n Y là l m phát, và X đ i di n cho các bi n còn l i trong mô hình.
Tuy nhiên, n u vi c c l ng ki m đ nh nhân qu Granger mà không tìm
th y tác đ ng nhân qu đ tài s ti n hành ki m đ nh đ ng liên k t, n u có
đ ng liên k t thì đ tài s th c hi n ch y mô hình VECM thay vì ch y mô hình SVAR.
3.3.4. Xác đnh mô hình VAR rút g n
Sau khi l a ch n đ c đ tr t i u cho mô hình và ki m đ nh nhân qu
Granger, v i s h tr t ph n m m Eviews 6.0 đ tài ti n hành c l ng đ
xác đ nh đ c d ng mô hình VAR rút g n. T đó xác đ nh đ c ma tr n A0, B cho mô hình SVAR.
ng th i ki m đ nh s phù h p c a mô hình thông qua các ki m đ nh
Portmantaeu đ ki m đ nh t t ng quan ph n d , ki m đ nh ph ng sai thay đ i thông qua ki m đ nh White.
3.3.5. Ki m tra tính n đnh c a mô hình
Vi c ki m tra tính n đnh c a mô hình nh m xem xét mô hình hi n t i có
n đnh không. N u mô hình là không n đnh thì k t qu c a vi c c l ng
đ c bi t là k t qu thu đ c (sai s chu n) c a hàm ph n ng thúc đ y IRF s
không có giá tr. ki m tra tính n đ nh c a mô hình VAR đ tài s d ng
ki m đ nh AR Roots Graph, theo đó n u t t c các nghi m đ u có modulus<1 và không có nghi m nào n m ngoài vòng tròn nghi m đ n v thì mô hình
đ c xem nh là n đ nh, ng c l i n u có m t d u ch m n m ngoài vòng tròn nghi m đ n v thì xem nh là mô hình không n đ nh.
3.3.6. Hàm ph n ng đ y (Impulse response funtion-IRF) và phân rã ph ng sai (Variance decomposition)
Hàm ph n ng thúc đ y (IRF):
Hàm ph n ng thúc đ y là m t ch c n ng quan tr ng phát sinh t mô hình
VAR. Nó cho phép xác đ nh hi u ng theo th i gian c a cú s c c a m t bi n n i sinh nào đó đ i v i các bi n khác trong mô hình. (Xem thêm ph l c 2)
Phân rã ph ng sai:
M c dù hàm ph n ng thúc đ y đã cho bi t có hay không s nh h ng c a cú s c đ n các bi n còn l i nh ng nh th là ch a đ vì có th tác đ ng truy n d n c a m t cú s c t m t bi n đ n bi n còn l i r t nh trong khi bi n khác l i nh h ng l n h n. Nên trong phân tích các nhà kinh t s d ng kèm theo k thu t phân rã ph ng sai (Xem thêm ph l c 3) đ xác đnh xem m c
đ c đ tài s d ng đ xem xét y u t nào gi i thích m nh cho s bi n đ ng c a l m phát các n c nghiên c u.
CH NG 4: PHÂN TệCH D LI U VÀ K T QU NGHIÊN C U 4.1.Ki m đ nh tính d ng
Trong ph n này đ tài ti n hành ki m đnh tính d ng c a chu i d li u
nghiên c u t ng ng cho t ng n c đ c nghiên c u trong đ tài. K t qu
ki m đ nh tính d ng cho th y các bi n trong giai đo n nghiên c u t ng ng t ng n c đ u không d ng chu i g c mà ch d ng chu i sai phân b c 1. K t qu chi ti t ki m đ nh tính d ng xem thêm ph l c 4.