- Lý thuyết thương mại mới
2.3.2 Số liệu phân tích thực nghiệm
Nghiên cứu thực nghiệm về mối quan hệ giữa tự do thương mại và tăng trưởng kinh tế của Việt Nam trong phạm vi luận văn này sẽ sử dụng số liệu thống kê kinh tế hàng năm của Việt Nam trong giai ñoạn từ năm 1986 – 2011. Luận văn sử dụng giá trị thực của kim ngạch xuất nhập khẩu và quy mô GDP từ dữ liệu thống kê của Tổng cục thống kê ñể tính toán tỷ lệ tổng kim ngạch XNK/GDP. Giá trị thực của tổng sản phẩm quốc dân (GDP) ñược sử dụng như là một biến số biểu thị tăng trưởng kinh tế của Việt Nam. Tất cả các dữ liệu cần thiết sử dụng cho phần phân tích thực nghiệm này là các số liệu thống kê kinh tế của Việt Nam ñược tổng hợp từ niên giám thống kê do Nhà xuất bản Thống kê phát hành. Trong ñó số liệu GDP và vốn ñầu tư (K) ñược tính theo giá cố ñịnh năm 1994 với ñơn vị ño là tỷ ñồng và giá trị kim ngạch xuất nhập khẩu ñược tính
bằng ñơn vị triệu USD. Việc khảo sát mối quan hệ nhân quả qua lại giữa tự do thương mại và tăng trưởng kinh tế của Việt Nam ñược thực hiện cả trong ngắn hạn và dài hạn.
2.3.3 Phân tích kết quả thực nghiệm
Trong phần này sẽ trình bày các kết quả nghiên cứu thực nghiệm theo số liệu thống kê kinh tế của Việt Nam ñối với các biến số thể hiện sự tăng trưởng kinh tế (GDP); tự do thương mại (T); Lao ñộng (L) và vốn ñầu tư (K) theo phương trình 1.5. Việc lấy logarit của các biến số như vậy ñã làm cho chuỗi số liệu ổn ñịnh hơn và loại trừ ñược trường hợp phương sai thay ñổi có thể làm cho các kết hồi quy không xác thực hay hồi quy giả mạo do vậy trong phần này sẽ không cần thực hiện việc kiểm ñịnh phương sai của các biến số. Toàn bộ việc xử lý số liệu theo kỹ thuật kinh tế lượng trong luận văn này sẽ ñược thực hiện thông qua phần mềm thống kê chuyên ngành.
* Kiểm ñịnh nghiệm ñơn vị
Như ñã trình bày trong phần phương pháp luận nghiên cứu thực nghiệm nêu trên, ñể có thể phân tích ñồng liên kết các biến số chuỗi thời gian thì trước hết cần phải kiểm tra xem dữ liệu chuỗi thời gian ñó có dừng không. Trong luận văn này tác giả sẽ tiến hành kiểm tra tính dừng của chuỗi dữ liệu thời gian của các biến số GDPt; Tt; Lt và Kt
theo phương pháp kiểm ñịnh ADF.
Kiểm ñịnh nghiệm ñơn vị ADF có thể ước lượng theo các trường hợp: chỉ có hệ số chặn; không có hệ số chặn và không có biến xu thế; có hệ số chặn và không có biến xu thế và trường hợp cuối cùng là có hệ số chặn và có biến xu thế. Trong luận văn này chỉ thực hiện kiểm ñịnh nghiệm ñơn vị theo hai trường hợp là chỉ có hệ số chặn và có hệ số chặn cùng với biến xu thế.
Bảng 2.7 trình bày kết quả kiểm ñịnh nghiệm ñơn vị ñối với chuỗi gốc của hai biến theo mô hình 1.9 và 1.10. Theo kết quả kiểm ñịnh ta nhận thấy ở mức ý nghĩa 5% thì giá trị tuyệt ñối của t (=τ) của cả hai biến ñều lớn hơn giá trị tra bảng do vậy chấp nhận giả thiết H0 có nghĩa là cả hai chuỗi ñều là chuỗi không dừng ở mức ý nghĩa 5%. Qua
kết quả kiểm ñịnh có thể kết luận: dữ liệu gốc của các biến chúng ta quan tâm ñều là chuỗi không dừng theo kiểm ñịnh ADF.
Bảng 2.7: Kết quả kiểm ñịnh nghiệm ñơn vị ADF ñối với các chuỗi gốc.
Biến ADF (mô hình 1.10) ADF (mô hình 1.9)
1% 5% 10% 1% 5% 10%
LnGDP -3.788030 -3.012363 -2.646119 -4.394309 -3.612199 -3.243079 Giá trị thống kê t: -0.947599* Giá trị thống kê t: -2.506178* LnT -3.724070 -2.986225 -2.632604 -4.394309 -3.612199 -3.243079
Giá trị thống kê t: 0.073815* Giá trị thống kê t: -3.481982* LnK -3.769597 -3.004861 -2.642242 -4.416345 -3.622033 -3.248592
Giá trị thống kê t: -0.886605* Giá trị thống kê t: -2.767914* LnL -3.831511 -3.029970 -2.655194 -4.467895 -3.644963 -3.261452
Giá trị thống kê t: -2.479261* Giá trị thống kê t: 1.696819*
H0: chuỗi có nghiệm ñơn vị; H1: Chuỗi dừng xu thế
* Giá trị tới hạn MacKinnon ñể bác bỏ giả thiết nghiệm ñơn vị
Nguồn: Tính toán của tác giả
Thông thường, khi phát hiện một chuỗi không dừng thì phải chuyển chúng thành chuỗi dừng bằng cách lấy sai phân chúng, tuy nhiên việc lấy sai phân như vậy chỉ có ý nghĩa trong phân tích hay dự báo ngắn hạn. Mục ñích của luận văn này là phân tích cân bằng trong dài hạn, do vậy việc chuyển hoá sang chuỗi dừng sai phân trong trường hợp này sẽ là không cần thiết. Đối với luận văn này, khi phát hiện chuỗi không dừng ta cần chuyển sang kiểm ñịnh tính ñồng liên kết giữa chúng. Tiếp theo ta sẽ xem xét tính ñồng liên kết giữa các biến trong mô hình. Lưu ý là riêng phần kiểm ñịnh tính ñồng liên kết thì ta sẽ kiểm ñịnh dựa trên các chuỗi giá trị gốc của biến số (chưa lấy sai phân).
*Xác ñịnh ñộ trễ tối ưu
Để xác ñịnh ñộ trễ tối ưu của mô hình người ta có rất nhiều cách ñể thực hiện như kiểm ñịnh LM, kiểm ñịnh AIC, HQ và SC, trong luận văn này tác giả sử dụng phương
pháp kiểm ñịnh Portmanteau ñể kiểm ñịnh tính tự tương quan phần dư trong mô hình. Kết quả kiểm ñịnh Portmanteau trong bảng 2.8 ñã cho thấy ñộ trễ của các biến số trong mô hình VECM nên là 3. Do vậy, trong phân tích nhân quả sẽ sử dụng mô hình VECM với ñộ trễ của các biến số là 3.
Bảng 2.8 : Kết quả xác ñịnh ñộ trễ tối ưu.
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 15.44003 NA* 16.29781 NA* NA*
2 30.09708 NA* 32.67922 NA* NA*
3 46.87952 0.0001 52.60837 0.0000 16 4 59.15504 0.0024 68.15736 0.0002 32
Nguồn: Tính toán của tác giả
* Kiểm ñịnh ñồng liên kết
Như trên ta ñã ñề cập tới, việc hồi quy các chuỗi thời gian không dừng thường dẫn ñến kết quả hồi quy giả mạo. Tuy nhiên, Engle và Granger (1987) cho rằng nếu kết hợp tuyến tính của các chuỗi thời gian không dừng có thể là một chuỗi dừng và các chuỗi thời gian không dừng ñó ñược cho là ñồng liên kết. Kết hợp tuyến tính dừng ñược gọi là phương trình ñồng liên kết và có thể ñược giải thích như mối quan hệ cân bằng dài hạn giữa các biến. Nói cách khác, nếu phần dư trong mô hình hồi qui giữa các chuỗi thời gian không dừng là một chuỗi dừng, thì kết quả hồi qui là thực và thể hiện mối quan hệ cân bằng dài hạn giữa các biến trong mô hình. Nếu như mô hình là ñồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả mạo và khi ñó các kiểm ñịnh dựa trên tiêu chuẩn t và F vẫn có ý nghĩa thống kê.
Kết quả kiểm ñịnh ñồng liên kết sẽ quyết ñịnh dạng số liệu thực sự ñược sử dụng trong các bước phân tích tiếp theo. Nếu chuỗi thời gian không ñồng kiên kết thì chuỗi thời gian có dạng sai phân là dạng phù hợp ñể kiểm ñịnh các biến. Mặt khác mô hình có thể ñược xem xét lại và có thể cả việc xem xét việc kiểm ñịnh thêm các biến. Có thể tồn tại một vài vector ñồng liên kết như vậy, do ñó cần có một số kiểm ñịnh ñồng liên kết khác.
Có nhiều phương pháp kiểm ñịnh mối quan hệ ñồng liên kết: kiểm ñịnh Engle- Granger, kiểm ñịnh CRDW và phương pháp VAR của Johasen. Trong luận văn này phương pháp chính ñược sử dụng kiểm ñịnh ñồng liên kết là phương pháp kiểm ñịnh ñồng liên kết Johansen. Phương pháp Johansen có thể xác ñịnh số vector ñồng liên kết ñối với các biến số không dừng cùng bậc ñược ñưa vào kiểm ñịnh. Kết quả kiểm ñịnh ñồng liên kết Johansen ñược trình bày trong bảng dưới ñây.
Bảng 2.9: Kết quả kiểm ñịnh ñồng liên kết với chuỗi không dừng.
Hypothesized
No. of CE(s) Eigenvalue Statistic Trace Critical Value 0.05
Prob.** None * 0.913173 97.11454 47.85613 0.0000 At most 1 * 0.837936 50.68158 29.79707 0.0001 At most 2 * 0.540938 16.10611 15.49471 0.0404 At most 3 0.066785 1.313283 3.841466 0.2518
Trace test indicates 3 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Nguồn: Tính toán của tác giả
Theo phương pháp này có hai giả thiết H0 ñược ñặt ra ñể kiểm ñịnh là 1) “None” có nghĩa là không có ñồng liên kết (ñây là giả thiết ñược quan tâm xem xét); 2) “At most 1” có nghĩa là có một mối quan hệ ñồng liên kết. Việc chấp thuận hay bác bỏ giả thiết H0 ta dựa vào chỉ số thống kê vết (Trace). Theo kết quả trên cho thấy, ñối với giả thiết “none” ta có thống kê vết có giá trị là 97,11 > 47,86 của giá trị tới hạn ở mức ý nghĩa 5% do vậy ta bác bỏ giả thiết H0 có nghĩa là có xảy ra ñồng liên kết giữa các biến số ñưa vào kiểm ñịnh.
Sau khi ñã tiến hành các kiểm ñịnh nghiệm ñơn vị và kiểm ñịnh ñồng liên kết, chúng ta nhận thấy rằng hai chuỗi dữ liệu của hai biến số khảo sát là các chuỗi không dừng và có mối quan hệ ñồng liên kết, do ñó phần tiếp theo ta sẽ sử dụng mô hình vector hiệu chỉnh sai số (VECM) ñể ước lượng mối quan hệ nhân quả giữa chúng.
* Mô hình vector hiệu chỉnh sai số VECM
Khi hồi quy mô hình với các biến là chuỗi thời gian thì yêu cầu ñặt ra là các chuỗi này phải dừng.
Trong trường hợp chuỗi chưa dừng thì ta phải lấy sai phân của chúng cho ñến khi có ñược chuỗi dừng. Tuy nhiên, khi mà ta hồi quy các giá trị sau khi ñã lấy sai phân có thể sẽ bỏ sót những thông tin dài hạn trong mối quan hệ giữa các biến. Chính vì thế khi hồi quy những mô hình ñã lấy sai phân phải có thêm phần dư E. Ví dụ ñối với mô hình hai biến Y và X ta có:
∆ܻ௧ = ߚଵ+ ߚଶ∆ܺ௧ + ߚଷܧ௧ିଵ+ ߝ௧ (2.16)
Số hạng ܧ௧ିଵ chính là phần mất cân bằng. Mô hình ước lượng sự phụ thuộc của mức thay ñổi của Y vào mức thay ñổi của X và mức mất cân bằng ở thời kỳ trước. Mô hình trên ñược gọi là mô hình hiệu chỉnh sai số ECM. Mô hình VECM là một dạng của mô hình VAR tổng quát, ñược sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa ñựng mối quan hệ ñồng kết hợp. Mô hình VECM tổng quát sử dụng trong trường hợp này ñược thể hiện bằng phương trình 2.16.
Sau khi ước lượng ta có kết quả sau:
Bảng 2.10: Kết quảước lượng mô hình VECM.
Error Correction: D(LNGDP) D(LNK) D(LNL) D(LNT) CointEq1 0.074245 -3.230758 0.017744 3.895531 (0.20301) (1.36383) (0.03585) (1.70397) [ 0.36573] [-2.36888] [ 0.49498] [ 2.28615] D(LNGDP(-1)) 0.617404 3.394518 0.015447 5.963829 (0.38610) (2.59390) (0.06818) (3.24081) [ 1.59906] [ 1.30866] [ 0.22657] [ 1.84023] D(LNGDP(-2)) -0.521165 2.489173 0.135409 -6.542222 (0.41448) (2.78456) (0.07319) (3.47902) [-1.25738] [ 0.89392] [ 1.85010] [-1.88048] D(LNK(-1)) 0.016018 0.109578 0.002922 0.137732 (0.01712) (0.11499) (0.00302) (0.14367) [ 0.93580] [ 0.95291] [ 0.96662] [ 0.95865] D(LNK(-2)) 0.008127 0.187952 0.005109 0.178075 (0.01392) (0.09348) (0.00246) (0.11680) [ 0.58401] [ 2.01052] [ 2.07903] [ 1.52463] D(LNL(-1)) 0.057130 -21.81779 0.265677 17.21385 (1.89816) (12.7521) (0.33518) (15.9325) [ 0.03010] [-1.71091] [ 0.79264] [ 1.08043]
D(LNL(-2)) 0.595935 22.73929 1.448153 -2.444987 (2.22246) (14.9308) (0.39244) (18.6545) [ 0.26814] [ 1.52298] [ 3.69008] [-0.13107] D(LNT(-1)) 0.018040 -0.830339 -0.006275 0.100406 (0.03465) (0.23277) (0.00612) (0.29082) [ 0.52067] [-3.56728] [-1.02573] [ 0.34525] D(LNT(-2)) 0.047975 -0.130956 0.016791 0.016224 (0.03408) (0.22899) (0.00602) (0.28610) [ 1.40752] [-0.57189] [ 2.78981] [ 0.05671] C 0.037780 -0.280681 -0.030416 -0.248703 (0.04938) (0.33173) (0.00872) (0.41446) [ 0.76512] [-0.84611] [-3.48834] [-0.60006] R-squared 0.588475 0.930257 0.917425 0.641637 Adj. R-squared 0.176950 0.860514 0.834849 0.283275 Sum sq. resids 0.001178 0.053187 3.67E-05 0.083025 S.E. equation 0.011443 0.076874 0.002021 0.096047 F-statistic 1.429985 13.33835 11.11016 1.790469 Log likelihood 65.07618 28.88476 98.02167 24.65420 Akaike AIC -5.797493 -1.987870 -9.265439 -1.542548 Schwarz SC -5.300420 -1.490797 -8.768366 -1.045475 Mean dependent 0.070925 0.122483 0.021637 0.122917 S.D. dependent 0.012613 0.205834 0.004972 0.113450 Nguồn: Tính toán của tác giả
Theo phân tích trong phần 1.8 thì ñể kiểm tra mối quan hệ trong ngắn hạn giữa các biến số ta sẽ tiến hành kiểm ñịnh chi bình phương (߯ଶ) và kiểm ñịnh hệ số hồi quy. Kết quả kiểm ñịnh ñược trình bày trong bảng 2.11:
Giả thiết ñể kiểm ñịnh trong trường hợp này là H0: không tồn tại mối quan hệ giữa các biến trong ngắn hạn. Theo kết quả kiểm ñịnh ta nhận thấy ñối với hai biến số mà ta quan tâm là LnGDP và T ñều có giá trị ߯ଶ nhỏ hơn giá trị tra bảng ở mức ý nghĩa 5% (߯;,ହଶ = 12,59) và Pvalue >0,05 do ñó ta chấp nhận giả thiết H0, có nghĩa là trong ngắn hạn không tồn tại mối quan hệ nhân quả giữa hai biến GDP và T, tức là trong ngắn hạn giữa tự do thương mại và tăng trưởng kinh tế không có mối quan hệ nhân quả với nhau.
Bảng 2.11: Kết quả kiểm ñịnh kiểm ñịnh mối quan hệ trong ngắn hạn .
Biến phu thuộc: LnGDP
Test Statistic Value df Probability
F-statistic 0.445858 (6, 9) 0.8311
Chi-square 2.675148 6 0.8484
Biến phu thuộc: LnK
Test Statistic Value df Probability
F-statistic 2.728860 (6, 9) 0.0854
Chi-square 16.37316 6 0.0119
Biến phu thuộc: LnL
Test Statistic Value df Probability
F-statistic 7.126898 (6, 9) 0.0050
Chi-square 42.76139 6 0.0000
Biến phu thuộc: LnT
Test Statistic Value df Probability
F-statistic 1.801098 (6, 9) 0.2052
Chi-square 10.80659 6 0.0945
Nguồn: Tính toán của tác giả
Như vậy có thể kết luận rằng trong ngắn hạn thì tự do thương mại sẽ không góp phần tạo ra tăng trưởng kinh tế và tăng trưởng kinh tế cũng không ảnh hưởng ñến tự do thương mại.
Bây giờ ta sẽ xem xét xem mối quan hệ này trong dài hạn. Theo phân tích tại mục 1.8 thì các biến số trong mô hình VECM ñược coi là có quan hệ nhân quả trong dài hạn khi hệ số hồi quy phân dư hiệu chỉnh sai số EC của chúng khác không một cách có ý nghĩa thống kê. Để kiểm ñịnh hệ số này chúng ta sử dụng kiểm ñịnh Wald ñể thực hiện và kết quả ñược trình bày trong bảng 2.12 dưới ñây:
Bảng 2.12: Kết quả kiểm ñịnh kiểm ñịnh mối quan hệ trong dài hạn .
Test Statistic(Biến phụ thuộc là GDP) Value df Probability
F-statistic 0.133756 (1, 9) 0.7230
Chi-square 0.133756 1 0.7146
Test Statistic (Biến phụ thuộc là T) Value df Probability
F-statistic 5.226500 (1, 9) 0.0481
Chi-square 5.226500 1 0.0222
Theo kết quả trong bảng 2.12 ta thấy ñối với mô hình với biến phụ thuộc là GDP thì giá trị ߯ଶ nhỏ hơn giá trị tra bảng ở mức ý nghĩa 5% (3,8415), ñồng thời giá trị Pvalue lớn hơn 0,05 do ñó ta chấp nhận giả thiết H0 tức là hệ số hồi quy của phần dư hiệu chỉnh sai số (EC) trong mô hình này không khác không một cách có ý nghĩa thống kê. Điều ñó có nghĩa là trong dài hạn biến ñộc lập không tác ñộng ñến biến phụ thuộc hay nói cách khác trong dài hạn tự do thương mại không tác ñộng ñến tăng trưởng kinh tế. Mặt khác, trong mô hình mà biến phụ thuộc là T thì giá trị ߯ଶ lớn hơn giá trị tra bảng ở mức ý nghĩa 5%, ñồng thời giá trị Pvalue nhỏ hơn 0,05 do ñó bác bỏ giả thiết H0 tức là hệ số hồi quy của phần dư hiệu chỉnh sai số (EC) trong mô hình này khác không một cách có ý nghĩa thống kê. Điều ñó có nghĩa là trong dài hạn biến ñộc lập có tác ñộng ñến biến phụ thuộc hay trong dài hạn tăng trưởng kinh tế có tác ñộng ñến tự do thương mại.
* Kiểm ñịnh nhân quả Granger
Để kiểm ñịnh liệu có tồn tại mối quan hệ nhân quả Granger giữa hai chuỗi thời gian GDP và T hay không, ta sử dụng hai phương trình:
∆ܮ݊ܩܦܲ௧ = ߙ+ ߚଵଵ ୀଵ ∆ܮ݊ܩܦܲ௧ିଵ+ ߛଵଵ∆ܮ݊ܶ௧ିଵ ୀଵ + ߝଵ௧ (2.17) ∆ܮ݊ܶ௧ = ߙ+ ߚଵଶ ୀଵ ∆ܮ݊ܶ௧ିଵ+ ߛଵଶ∆ܮ݊ܩܦܲ௧ିଵ ୀଵ + ߜܧܥ௧+ ߝଶ௧(2.18) ñể kiểm tra xem các biến trễ của T có giải thích cho GDP (T tác ñộng nhân quả Granger lên GDP) và các biến trễ của GDP có giải thích cho T (GDP tác ñộng nhân quả Granger lên T) hay không ta kiểm ñịnh giả thiết sau ñây cho hệ phương trình:
ܪ: ߚ = ߛ = 0
Để kiểm ñịnh giả thiết ñồng thời này, ta sử dụng thống kê F của kiểm ñịnh Wald và cách quyết ñịnh như sau: Nếu giá trị thống kê F tính toán lớn hơn giá trị thống kê F phê
phán ở một mức ý nghĩa xác ñịnh ta bác bỏ giả thiết H0 và ngược lại. Mỗi cặp biến sẽ