6. Ý nghĩa khoa học và thực tiễn của đề tài
2.2. THIẾT KẾ NGHIÊN CỨU ẢNH HƯỞNG CỦA CÁC BIẾN KINH TẾ VĨ
VĨ MÔ ĐẾN CHỈ SỐ GIÁ CHỨNG KHOÁN VN-INDEX
2.2.1. Phương pháp nghiên cứu
Như vậy, từ những nền tảng lý thuyết và kết quả của những nghiên cứu thực nghiệm đã được trình bày trong chương 1, cũng như để phù hợp với đặc điểm về thông tin và kinh tế Việt Nam, nghiên cứu chọn 7 nhân tố kinh tế vĩ mô gồm: Chỉ số giá tiêu dùng, chỉ số sản xuất công nghiệp, lãi suất, tỷ giá VNĐ/USD, cung tiền, giá xăng bán lẻ trong nước và giá vàng trong nước để phân tích ảnh hưởng của nó đến chỉ số Vn-Index.
Bài nghiên cứu này sử dụng kỹ thuật phân tích chuỗi dữ liệu để xem xét ảnh hưởng của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán. Trong phân tích chuỗi thời gian, phương pháp OLS tỏ ra nhiều hạn chế vì yêu cầu tính dừng của chuỗi dữ liệu. Một chuỗi dừng là chuỗi có giá trị trung bình là hằng số, đồng thời có phương sai không thay đổi theo thời gian. Điều này thường không đúng đối với những biến có xu thế. Do đó, nếu hồi quy những chuỗi như vậy sẽ dễ dàng dẫn đến hiện tượng hồi quy giả mạo. Để khắc phục hạn chế đó, trong bài nghiên cứu này tôi sử dụng mô hình Vector hiệu chỉnh sai số (VECM).
Đây là một mô hình cho phép hồi quy các biến không dừng nhưng lại có quan hệ đồng liên kết, điều này rất phù hợp với các biến được lựa chọn trong mô hình.
Để hồi quy theo mô hình VECM, đầu tiên bài nghiên cứu sẽ kiểm định tính dừng của chuỗi dữ liệu bằng phương pháp kiểm định nghiệm đơn vị Augmented-Dickey-Fuller (ADF) và kiểm định Phillips-Perron (PP) với giả
thiết Ho: chuỗi không có tính dừng. Độ trễ tối ưu giữa từng cặp biến được xác
định dựa vào năm tiêu chuẩn thông dụng là: LR, PFE, AIC, SC và HQ. Tiếp theo, nghiên cứu kiểm tra tính đồng liên kết giữa các biến theo phương pháp kiểm định của Johansen để kết luận về mối quan hệ cân bằng trong dài hạn giữa các biến. Cuối cùng, bài nghiên cứu xây dựng mô hình VECM về sự tác động của các nhân tố kinh tế vĩ mô đến thị trường chứng khoán Việt Nam. Bên cạnh đó, phân tích hàm phản ứng đẩy và phân rã phương sai cũng được sử dụng để thấy rõ hơn mức độ ảnh hưởng của từng nhân tố vĩ mô đến thị trường chứng khoán Việt Nam. Trước khi thực hiện hồi quy, tất cả các biến đều được lấy Logarit để tăng tính ổn định.
Để thực hiện mục tiêu đã đề ra, bài nghiên cứu tiến hành quy trình sau:
Bước 1: Thực hiện kiểm định nghiệm đơn vị để kiểm tra tính dừng của
các biến trong mô hình.
Bước 2: Thực hiện kiểm định đồng liên kết theo phương pháp
Johansen để xem xét mối quan hệ trong dài hạn giữa các biến.
Bước 3: Xây dựng mô hình VECM
Bước 4: Kiểm tra sự phù hợp của mô hình VECM thu được thông qua
kiểm định nhân quả Granger, kiểm định nghiệm đơn vị của phần dư và kiểm định tự tương quan phần dư.
phản ứng đẩy và phân rã phương sai để phân tích sâu hơn sự ảnh hưởng của các biến kinh tế vĩ mô đến sự biến động của chỉ số chứng khoán Vn-Index.
a. Kiểm định tính dừng của chuỗi dữ liệu
Trong phân tích dữ liệu chuỗi thời gian, có thể nói tính dừng là một yếu tố tiên quyết. Một mô hình tốt được đưa ra khi phân tích trên các dữ liệu dừng. Nếu chuỗi dữ liệu không dừng thì sẽ tạo ra hiện tượng hồi quy giả mạo và làm sai lệch kết quả mô hình. Theo Gujarati (2003) một chuỗi thời gian là dừng khi giá trị trung bình, phương sai và hiệp phương sai (tại các độ trễ khác nhau) luôn không đổi tại mọi thời điểm. Chuỗi dừng có xu hướng trở về giá trị trung bình, và những dao động quanh giá trị trung bình là như nhau. Nói cách khác, một chuỗi thời gian không dừng sẽ có giá trị trung bình thay đổi theo thời gian, hoặc giá trị phương sai thay đổi theo thời gian hoặc cả hai.
Có nhiều phương pháp để kiểm định tính dừng của chuỗi thời gian như: kiểm định Dickey-Fuller (DF), kiểm định Phillip-Person (PP) và kiểm định Dickey-Fuller mở rộng (ADF)… Trong đó, phương pháp ADF được sự dụng phổ biến hơn cả.
Mô hình tổng quát của phương pháp ADF có dạng: ΔYt = β1 + β2Time + δYt-1 + αiƩΔYt-i + εt
Trong đó:
ΔYt : là chuỗi dữ liệu theo thời gian cần kiểm định tính dừng.
β2Time: là biến xu hướng.
αiƩΔYt-i : là biến trễ của sai phân biến phụ thuộc ΔYt
εt : là nhiễu trắng.
vì không đủ tính thuyết phục nên trong nghiên cứu này tôi sử dụng thêm phương pháp PP song song với phương pháp ADF để tăng tính chính xác của kiểm định. Phương pháp kiểm định PP khác với phương pháp ADF ở cách giải quyết vấn đề tương quan chuỗi và hiện tượng phương sai không đồng nhất. Về nguyên tắc, ADF sử dụng tham số tự hồi quy để dự báo cấu trúc ARMA của sai số trong kiểm định hồi quy, trong khi đó phương pháp PP bỏ qua tương quan chuỗi trong kiểm định hồi quy.
Ta có giả thiết :
H0 : δ = 0 (Yt là chuỗi không dừng)
H1 : δ < 0 (Yt là chuỗi dừng)
Nếu |tADF| > |tα| vả |tPP| > |tα| thì bác bỏ giả thiết H0, tức chuỗi dữ liệu dừng và ngược lại.
b.Kiểm định đồng liên kết Johansen
Việc hồi quy các chuỗi thời gian không dừng thường dẫn đến 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 đó được cho là đồng liên kết. Kết hợp tuyến tính dừng được gọi là phương pháp đồng liên kết và có thể được giải thích như mối quan hệ cân bằng trong dài hạn giữa các biến. Nói cách khác, nếu phần dư trong mô hình hồi quy giữa các chuỗi thời gian không dừng là một chuỗi dừng, thì kết quả hồi quy là thực và thể hiện mối quan hệ cân bằng dài hạn giữa các biến trong mô hình. Và nếu mô hình là đồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả mạo, khi đó các kiểm định dựa trên tiêu chuẩn T và F vẫn có ý nghĩa. Mục đích của kiểm định đồng liên kết là xác định xem một nhóm các chuỗi không dừng có đồng liên kết hay không.
Có nhiều phương pháp kiểm định mối quan hệ đồng liên kết như: kiểm định Engle-Granger ; kiểm định CRDW ; phương pháp VAR của Johansen ;….. Trong đó, phương pháp phổ biến nhất hiện nay là phương pháp VAR của Johansen, bao gồm hai kiểm định là Trace và kiểm định Max-Eigen. Tuy có một chút khác biệt trong cách đặt giả thiết nhưng nhìn chung có thể tóm tắt giả thiết của hai kiểm định này như sau :
H0 : không tồn tại mối quan hệ đồng liên kết
H1 : tồn tại mối quan hệ đồng liên kết
Để quyết định bác bỏ hay chấp nhận H0 ta so sánh giá trị Trace Statistic
/ Max-Eigen Statistic với giá trị phê phán (Critical Value) tại một mức ý nghĩa xác định.
Nếu Trace Statistic / Max-Eigen Statistic < Critical Value : chấp nhận
giả thiết H0.
Nếu Trace Statistic / Max-Eigen Statistic > Critical Value: bác bỏ giả thiết H0.
c. Mô hình Vector hiệu chỉnh sai số VECM
Trong phân tích hồi quy, các chuỗi thời gian thường không dừng nên việc áp dụng phương pháp bình phương bé nhất OLS (Ordinary Least Squares) thường không xác định được một mô hình hồi quy hiệu quả cho mối liên hệ giữa các biến trong mô hình. Nhưng nếu các biến nghiên cứu không dừng ở dữ liệu gốc nhưng dừng ở sai phân bậc 1 và sự kết hợp tuyến tính giữa các biến này là một chuỗi dừng; nghĩa là tồn tại mối quan hệ đồng liên kết giữa các biến hay nói cách khác là tồn tại mối quan hệ cân bằng dài hạn giữa các biến trong mô hình thì chúng ta có thể áp dụng mô hình vector hiệu chính sai số VECM (Vector Error Correction Model) để ước lượng mô hình thể hiện mối quan hệ
trong dài hạn giữa các biến. Mô hình VECM tổng quát:
ΔXt = ΠXt-1 + Γ1 ΔXt-1 + … + Γp-1 ΔXt-p+1 + Ut
d.Kiểm định sự phù hợp của mô hình
Sau khi đã hồi quy các biến theo mô hình VECM, để chắc chắn về sự bền vững của mô hình, ta lần lượt thực hiện các kiểm định sau:
Kiểm định quan hệ nhân quả Granger để xem xét sự tồn tại các mối
quan hệ giữa các biến trong mô hình.
Xuất phát từ nghiene cứu của Granger (1969), kiểm định này nhằm trả lời câu hỏi liệu có tồn tại mối quan hệ nhân quả Granger giữa hai chuỗi thời gian Y và X hay không. Để thực hiện kiểm định, ta xây dựng hai phương trình sau :
Yt = α0 + α1Yt-1 + … + αiYt-i + β1Xt-1 + … + βiXt-i + εt
Xt = α0 + α1Xt-1 + … + αiXt-i + β1Yt-1 + … + βiYt-i + εt
Để xem các biến trễ của X có giải thích cho Y (X tác động nhân quả Granger lên Y) và các biến trễ của Y có giải thích cho X (Y tác động nhân quả Granger lên X) hay không ta kiểm định giả thiết sau đây cho mỗi phương trình:
H0: β1 = β2 = … = βi = 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định Wald và cách quyết định 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 định thì ta bác bỏ H0 và
ngược lại. Hoặc ta cũng có thể đưa ra quyết điịnh dựa vào giá trị P-value bằng
cách bác bỏ giả thiết H0 khi giá trị P-value nhỏ hơn mức ý nghĩa xác định. Có
Nhân quả Granger một chiều từ X sang Y nếu các biến trễ của X tác động lên Y, nhưng các biến trễ của Y không tác động lên X.
Nhân quả Granger một chiều từ Y sang X nếu các biến trễ của Y tác
động lên X, nhưng các biến trễ của X không tác động lên Y.
Nhân quả Granger hai chiều giữa X và Y nếu các biến trễ của X tác
động lên Y và các biến trễ của Y tác động lên X.
Không có quan hệ nhân quả Granger giữa X và Y nếu các biến trễ của
X không tác động lên Y và các biến trễ của Y không có tác động lên X
Kiểm định nghiệm đơn vị đối với phần dư thu được từ mô hình.
Kiểm định tự tương quan của phần dư trong mô hình.
Sau cùng, nếu mô hình đã phù hợp ta tiếp tục thực hiện phân tích hàm phản ứng đẩy và ước lượng phân rã phương sai để phân tích sâu hơn mối tương quan giữa các biến trong mô hình. Hàm phản ứng đẩy thể hiện tác động của tất cả các biến trong mô hình khi có một cú sốc xảy ra với một biến còn lại. Ước lượng phân rã phương sai đo lường lượng thông tin của mỗi biến góp phần vào việc giải thích sự biến động của chính bản thân biến đó và các biến khác trong chuỗi phân tích (Enders 1995).