3. DỮ LIỆU NGHIÊN CỨU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.2 Dữ liệu nghiên cứu:
Nghiên cứu sử dụng dữ liệu chuỗi thời gian hàng tháng từ tháng 11 năm 2007 đến tháng 07 năm 2013, cho các biến gồm chỉ số giá chứng khoán Việt Nam (VN-Index), tỷ giá hối đoái giữa Việt Nam đồng và đôla Mỹ (USD/VND), chỉ số giá tiêu dùng (CPI) và giá dầu thô trên thế giới.
Dữ liệu được tác giả thu thập từ Bloomberg, Sở giao dịch chứng khoán TP.HCM, Tổng cục thống kê và các nguồn thông tin thứ cấp khác. Trước khi tiến hành phân tích, các biến được lấy logarit tự nhiên để làm giảm hiệu ứng biến thiên của chuỗi thời gian và vấn đề liên quan đến hiện tượng phương sai sai số thay đổi (Gujarati, 2009).
3.3 Phƣơng pháp nghiên cứu:
Theo Geetha và cộng sự (2011), tại các quốc gia như Malaysia, Mỹ và Trung Quốc có tồn tại mối quan hệ cân bằng dài hạn giữa thị trường chứng khoán và các biến
kinh tế vĩ mô gồm tỷ lệ lạm phát kỳ vọng, tỷ giá hối đoái, tỷ lệ lạm phát thực tế, lãi suất và GDP. Tuy nhiên, tại mỗi quốc gia, mối quan hệ giữa các biến có sự khác nhau.
Hosseini (2011) nghiên cứu mối quan hệ giữa chỉ số thị trường chứng khoán và bốn biến kinh tế vĩ mô, cụ thể là giá dầu thô (COP), cung tiền (M2), sản xuất công nghiệp (IP) và tỷ lệ lạm phát (IR) ở Trung Quốc và Ấn Độ. Trong nghiên cứu này, dữ liệu các biến được lấy logarit tự nhiên ngoại trừ IR. Kết quả nghiên cứu cho thấy tại Trung Quốc và Ấn Độ có tồn tại mối liên hệ giữa bốn biến kinh tế vĩ mô được lựa chọn và chỉ số thị trường chứng khoán cả trong ngắn hạn và dài hạn.
Theo Dadgar và Nazari (2012), nghiên cứu thực nghiệm tại Iran cho thấy, giữa chỉ số giá chứng khoán, tỷ giá hối đoái, tỷ lệ lạm phát và giá dầu có tồn tại mối quan hệ cân bằng dài hạn. Trong đó, tỷ giá hối đoái và giá dầu có tác động ngược chiều lên giá chứng khoán. Trái lại, lạm phát có tác động cùng chiều lên giá chứng khoán.
Dựa trên các nghiên cứu thực nghiệm nêu trên, Đề tài này đề xuất mô hình thực nghiệm để kiểm tra mối quan hệ giữa giá chứng khoán với tỷ giá hối đoái, chỉ số giá tiêu dùng và giá dầu trong trường hợp tại Việt Nam, phương trình thể hiện mối quan hệ như sau:
SPt = f(ERt , CPIt , OPt)
Trong đó, SPt là chuỗi dữ liệu chỉ số giá chứng khoán Việt Nam (đại diện là Vn-
Index) tại thời điểm t, ERt là chuỗi dữ liệu tỷ giá hối đoái giữa Việt Nam đồng và đôla
Mỹ tại thời điểm t, CPIt là chỉ số giá tiêu dùng tại thời điểm t đại diện cho lạm phát tại
Việt Nam và OPt là chuỗi dữ liệu giá dầu thô thế giới tại thời điểm t. Các biến được lấy
logarit tự nhiên trước khi được sử dụng để phân tích (ngoại trừ CPI).
Trên cơ sở kết quả thực nghiệm của Geetha, C. và cộng sự (2011), Hosseini (2011), Dadgar và Nazari (2012) về mối quan hệ giữa các biến vĩ mô, Đề tài này kỳ vọng mối quan hệ giữa các biến trong trường hợp Việt Nam như sau:
Bảng 3.3.1: Mối quan hệ kỳ vọng giữa các biến
Các biến Ký
hiệu
Dấu kỳ
vọng Các nghiên cứu liên quan
Chỉ số giá chứng khoán SP Geetha (2011), Hosseini (2011), Dadgar (2012).
Tỷ giá hối đoái ER - Geetha (2011), Dadgar (2012).
Chỉ số giá tiêu dùng CPI + Hosseini (2011), Dadgar (2012).
Giá dầu thô OP - Hosseini (2011), Dadgar (2012).
Nguồn: Tác giả
Nghiên cứu được tiến hành lần lượt theo 4 bước như sau:
3.3.1 Bước 1: Kiểm định nghiệm đơn vị của các chuỗi dữ liệu
Nghiên cứu thực nghiệm dựa trên dữ liệu chuỗi thời gian giả định rằng các chuỗi thời gian phải dừng (theo Gujarati, 2003). Tuy nhiên, nhiều nghiên cứu đã chỉ ra rằng phần lớn các biến chuỗi thời gian là không dừng (theo Engle và Granger, 1987). Sử dụng dữ liệu chuỗi thời gian không dừng trong một phân tích hồi quy có thể dẫn đến hiện tượng hồi quy giả mà lần đầu tiên được nêu ra bởi Granger và Newbold (1974). Vì vậy, trước khi phân tích dữ liệu chuỗi thời gian trong một nghiên cứu thực nghiệm, chúng ta nên thực hiện kiểm tra tính dừng của chuỗi dữ liệu.
Có nhiều phương pháp để kiểm tra tính dừng của chuỗi dữ liệu, Trong nghiên cứu này, Tác giả sử dụng kiểm định Augmented Dickey-Fuller (ADF) theo Dickey and Fuller (1979, 1981) và kiểm định Phillip-Perron (PP) theo Phillips-Perron (1988) để kiểm tra liệu các chuỗi dữ liệu sử dụng trong nghiên cứu này là dừng hay không.
Cả hai kiểm định ADF và kiểm định PP đều đặt: 1) giả thuyết H0 phát biểu rằng
chuỗi thời gian có nghiệm đơn vị, 2) giả thuyết H1 phát biểu rằng chuỗi thời gian không
có nghiệm đơn vị (hay nói cách khác đây là chuỗi thời gian có tính dừng). Nếu xem xét giá trị tuyệt đối, khi giá trị thống kê // < các giá trị tới hạn ở các mức ý nghĩa 1%, 5%
luận chuỗi dữ liệu có nghiệm đơn vị, hay nói cách khác đây là chuỗi dữ liệu không dừng. Ngược lại, khi giá trị thống kê // > các giá trị tới hạn ở các mức ý nghĩa 1%, 5% và 10% theo MacKinnon (1996), ta bác bỏ giả thuyết H0, chấp nhận giả thuyết H1 và kết luận chuỗi dữ liệu không có nghiệm đơn vị, hay nói cách khác đây là chuỗi dữ liệu có tính dừng. Trong trường hợp chuỗi dữ liệu ban đầu không dừng, sai phân bậc 1 của chuỗi dữ liệu tiếp tục được kiểm tra tính dừng.
Phương trình kiểm định nghiệm đơn vị ADF có dạng tổng quát như sau:
∆Yt = β1 + β2t + δYt-1 + ut (1) ∆Yt = β1 + β2t + δYt-1 + ∑αi∆Yt-1 + ut (2)
Phương trình kiểm định nghiệm đơn vị PP có dạng như sau:
∆Yt = β + δYt-1 + ut (3)
Trong đó, Y là chuỗi thời gian, ∆ là ký hiệu của sai phân, ∆Yt = Yt - Yt-1,β là hằng số, t là biến xu hướng hoặc biến thời gian, ut sai số,m là độ trễ tối ưu.
3.3.2 Bước 2: Xác định độ trễ tối ưu
Sau khi kiểm tra tính dừng của các chuỗi dữ liệu thời gian, Bài nghiên cứu sử dụng kiểm định tự hồi quy VAR để xác định độ trễ tối ưu của các biến kinh tế. Theo tìm hiểu của Tác giả, hiện có rất nhiều các tiêu chuẩn để xác định độ trễ tối ưu của một chuỗi dữ liệu thời gian như LR, FPE, AIC, SC và HQ. Tuy nhiên, AIC có thể là tiêu chuẩn tương đối phổ biến, được sử dụng rộng rãi để xác định độ trễ tối ưu trong các nghiên cứu thực nghiệm trên dữ liệu chuỗi thời gian, vì vậy đề tài này cũng lựa chọn độ trễ tối ưu của các biến dựa trên tiêu chuẩn AIC.
Theo tiêu chuẩn AIC, độ trễ tối ưu được xác định là trễ 4. Ngoài ra, tiêu chuẩn khác là FPE cũng cho kết quả độ trễ tối ưu là trễ 4. Trong khi đó, tiêu chuẩn SC và HQ cho độ trễ tối ưu là 1. Kết quả xác định độ trễ tối ưu của các biến được thể hiện cụ thể như sau:
VAR Lag Order Selection Criteria
Endogenous variables: LSP LER CPI LOP Exogenous variables: C
Date: 01/23/14 Time: 20:06 Sample: 2007M11 2013M07 Included observations: 63
Lag LogL LR FPE AIC SC HQ
0 62.24682 NA 1.85e-06 -1.849105 -1.713033 -1.795588 1 285.4705 411.0150 2.57e-09 -8.427634 -7.747273* -8.160045* 2 299.9287 24.78556 2.72e-09 -8.378689 -7.154041 -7.897029 3 328.5284 45.39627* 1.85e-09 -8.778678 -7.009741 -8.082946 4 346.1543 25.73952 1.82e-09* -8.830296* -6.517071 -7.920494 5 360.6291 19.29974 2.01e-09 -8.781877 -5.924364 -7.658004 6 369.7047 10.94827 2.70e-09 -8.562053 -5.160252 -7.224108 * indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
3.3.3 Bước 3: Xác định mối quan hệ giữa các biến bằng phương pháp ARDL
Đa số nghiên cứu đã trình bày trên đây sử dụng phương pháp đồng liên kết theo Johansen (1988, 1995) và Johansen & Juselius (1990) để xác định mối quan hệ dài hạn giữa các biến chuỗi thời gian. Gần đây, một số nghiên cứu như Pesaran và Shin (1996), Pesaran và Pesaran (1997), Pesaran và Smith (1998) và Pesaran et al. (2001) đã giới thiệu một kỹ thuật đồng liên kết khác được gọi là phương pháp Autoregressive Distributed Lag (ARDL).
Phương pháp này có một số thuận lợi so với phương pháp kiểm định đồng liên kết của Johansen như mô hình ARDL cho ý nghĩa thống kê tốt hơn trong các nghiên cứu có kích thước mẫu nhỏ. Bên cạnh đó, các phương pháp đồng liên kết hầu hết đều yêu cầu thực hiện hồi quy trên các chuỗi dữ liệu dừng cùng bậc, trong khi mô hình ARDL có thể được sử dụng trên các chuỗi dữ liệu I(0) và/hoặc I(1). Ngoài ra, ARDL cũng có thể ước
lượng đồng thời mối quan hệ dài hạn và ngắn hạn, loại bỏ các vấn đề liên quan đến bỏ sót biến và tự tương quan.
Theo Pesaran and Pesaran (1997), ước lượng mối quan hệ giữ các biến thông qua mô hình ARDL gồm có 2 bước:
Đầu tiên, sự tồn tại của bất kỳ mối quan hệ dài hạn giữa các biến được xác định bằng cách sử dụng bằng kiểm định F-test. Kiểm định F-test phụ thuộc vào: (i) các biến đưa vào mô hình ARDL là I(0) hoặc I(1), (ii) số lượng các biến hồi quy và (iii) mô hình ARDL có hệ số gốc và/hoặc xu hướng hay không. Hai bộ giá trị quan trọng được báo cáo bởi Pesaran và Pesaran (1997) (được lặp đi trong Pesaran et al. 2001). Hai bộ giá trị quan trọng này cung cấp giá trị giới hạn cho tất cả các nhóm biến hồi quy hoàn toàn có I(1) hoặc I(0) hoặc tích hợp lẫn nhau – do đó cách tiếp cận ARDL cũng được gọi là Kiểm định giới hạn (Pesaran et al. 2001). Nếu giá trị thống kê F được tính toán nằm ngoài giới hạn, chúng ta có thể kết luận có mối quan hệ đồng liên kết mà không cần biết bậc tích hợp của các biến hồi quy. Trong Trường giá trị F rơi bên trong các giới hạn trên và dưới, kết luận về mối quan hệ đồng liên kết không thể được thực hiện mà không biết bậc tích hợp của các biến hồi quy.
Thứ hai, chúng ta ước lượng mối quan hệ dài hạn và ngắn hạn của các biến trong mô hình ARDL, mô hình cụ thể như sau:
∆LSPt = α0 + ∆LSPt-i + ∆LERt-i + ∆CPIt-i + ∆LOPt-i
+ β1LSP t-1 + β2LER t-1 + β3CPIt-1 + β4LOPt-1 + et
Trong đó, ∆ là sai phân bậc 1, α1 đến α4 thể hiện hệ tác động ngắn hạn và β1 đến β4 thể hiện mối quan hệ dài hạn trong mô hình.
Để làm rõ mối quan hệ dài hạn giữa chỉ số giá chứng khoán với tỷ giá hối đoái, chỉ số giá tiêu dùng và giá dầu thô, kiểm tra giới hạn theo Pesaran, et al. (2001) được sử dụng. Kiểm định giới hạn dựa trên kiểm định F-test với giả thuyết H0: β1=β2=β3=β4=0 là không tồn tại mối liên hệ đồng liên kết giữa các biến và giả thuyết H1: β1β2β3β40 là có tồn tại mối liên hệ đồng liên kết giữa các biến.