Theo Ramanathan (2002) hầu hết các chuỗi thời gian về kinh tế là không dừng vì chúng thường có một xu hướng tuyến tính hoặc mũ theo thời gian. Tuy nhiên có thể biến đổi chúng về chuỗi dừng thông qua quá trình sai phân. Nếu sai phân bậc 1 của một chuỗi có tính dừng thì chuỗi ban đầu gọi là tích hợp bậc 1, ký hiệu là I(1). Tương tự, nếu sai phân bậc d của một chuỗi có tính dừng thì chuỗi ban đầu gọi là tích hợp bậc d, ký hiệu là I(d). Nếu chuỗi ban đầu (chưa lấy sai phân) có tính dừng thì gọi là I(0).
3.1.3 Kiểm định nghiệm đơn vị (Unit Root Test)
Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian là dừng hay không dừng. Dickey và Fuller (1981) đã đưa ra kiểm định Dickey và Fuller (DF) và kiểm định Dickey và Fuller mở rộng
(ADF). Nghiên cứu này sử dụng kiểm định ADF để thực hiện kiểm định nghiệm đơn vị nên chỉ tập trung vào lý thuyết của mô hình này. Cụ thể, theo Dickey và Fuller (1981) mô hình kiểm định nghiệm đơn vị mở rộng ADF có dạng:
k
= «o + S t + ^ 0 j ứ y E_| +
1 = 1
Trong đó: Ayt = yt - yt- 1 ;
yt : Chuỗi số liệu theo thời gian đang xem xét; k : Chiều dài độ trễ;
St : Nhiễu trắng.
Mô hình (3.2) khác với mô hình (3.1) là có thêm biến xu hướng về thời gian t . Biến xu hướng là một biến có giá trị từ 1 đến n, trong đó 1 đại diện cho quan sát đầu tiên trong dữ liệu và n đại diện cho quan sát cuối cùng trong chuỗi dữ liệu.
Nhiễu trắng St là số hạng chỉ sai số ngẫu nhiên xuất phát từ các giả định cổ điển rằng nó có giá trị trung bình bằng 0, phương sai là hằng số và không tự tương quan.
Nghiên cứu sẽ tiến hành kiểm định trong cả hai trường hợp không có và có xu hướng về thời gian bằng cách sử dụng lần lượt các mô hình (3.1) và (3.2).
Kết quả của kiểm định ADF thường rất nhạy cảm với sự lựa chọn chiều dài độ trễ k nên tiêu chuẩn thông tin AIC (Akaike's Information Criterion) của Akaike (1973) được sử dụng để chọn lựa k tối ưu cho mô hình ADF. Cụ thể, giá trị k được lựa chọn sao cho AIC nhỏ nhất. Giá trị này sẽ được tìm một cách tự động khi dùng phần mềm Eviews để thực hiện kiểm định nghiệm đơn vị.
Giả thuyết kiểm định:
H0 : p = 0 (Yt là chuỗi dữ liệu không dừng) Hi : p < 0 (Yt là chuỗi dữ liệu dừng)
Trong kiểm định ADF, giá trị kiểm định ADF không theo phân phối chuẩn. Theo Dickey và Fuller (1981) giá trị t ước lượng của các hệ số trong các mô hình (3.1) và (3.2) sẽ theo phân phối xác suất T (tau statistic, T = giá trị hệ số ước lượng/ sai số của hệ số ước lượng). Giá trị tới hạn T được xác định dựa trên bảng giá trị tính sẵn của Mackinnon (1996). Giá trị tới hạn này cũng được tính sẵn khi kiểm định ADF bằng phần mềm Eviews. Để kiểm định giả thuyết H0 nghiên cứu so sánh giá trị kiểm định X t ín h toán với giá trị T tới hạn của Mackinnon và kết luận về t ín h
dừng của các chuỗi quan sát. Cụ thể, nếu trị tuyệt đối của giá trị tính toán lớn hơn trị tuyệt đối giá trị tới hạn thì giả thuyết H0 sẽ bị bác bỏ, tức chuỗi dữ liệu có tính dừng và ngược lại chấp nhận giả thuyết H0, tức dữ liệu không có tính dừng.
3.1.4 Kiểm định đồng tích hợp (Cointegration Test)
Có hai loại Cointegration Test, hoặc dựa vào trace hoặc dựa vào eigenvalue. Kiểm định đồng tích hợp để xác định có tồn tại mối quan hệ dài hạn giữa các biến. Engle và Granger (1987) cho rằng kết hợp tuyến tính giữa các chuỗi thời gian không dừng có thể là 1 chuỗi dừng và sự kết hợp đó là đồng tích hợp, dẫn đến tồn tại mối quan hệ cân bằng dài hạn giữa các biến.
Theo Engle và Granger (1987), nếu 2 chuỗi Xt và Yt đều I(1) và tồn tại một tổ hợp tuyến tính zt = Yt - y2Xt có liên kết I(0) thì X và Y gọi là 2 chuỗi đồng tích hợp (cointegrated series). Một cách tổng quát, nếu Yt và Xt đều I(d) và tồn tại một tổ hợp tuyến tính Zt =Yt - yXt là I(0) thì hai chuỗi gọi là đồng tích hợp bậc d.
Khi các chuỗi là đồng tích hợp thì việc hồi quy hai biến với nhau sẽ có ý nghĩa về mặt thống kê (không phải là hồi quy giả tạo vì lúc đó các xu thế chung sẽ khử lẫn nhau) và ngoài ra điều này sẽ giúp bảo toàn được thông tin dài hạn vì nếu chỉ lấy hồi quy sai phân của chúng chỉ thể hiện thông tin biến động trong ngắn hạn.
Theo ngôn ngữ của lý thuyết đồng tích hợp thì hồi quy của Yt theo Xt trong trường hợp này gọi là hồi quy đồng tích hợp, và các hệ số hồi quy gọi là các tham số đồng tích hợp.
Trường hợp hai hay nhiều hơn các chuỗi dữ liệu thời gian dừng sau khi thực hiện biến đổi sai phân cấp 1, tiếp tục kiểm định đồng tích hợp (cointergration test).
Để kiểm định đồng tích hợp có hai cách: kiểm định nghiệm đơn vị phần dư và kiểm định đồng tích hợp dựa trên phương pháp VAR của Johansen. Nghiên cứu này chọn phương pháp kiểm định của Johansen.
Kiểm định Johansen với các giả thiết H0 sau:
“None” : nghĩa là không có đồng liên kết;
“At most 1” : nghĩa là có một mối quan hệ đồng liên kết.
Số phương trình đồng liên kết sẽ phụ thuộc số biến trong mô hình. Nếu mô hình có n biến thì sẽ có (n-1) phương trình đồng liên kết. Khi đó, số giả thiết về số phương trình đồng liên kết sẽ được thêm vào. Nghiên cứu này chỉ có hai biến (cung tiền và chỉ số chứng khoán) nên n=2.
Quyết định bác bỏ hay chấp nhận giả thiết H0 dựa vào cơ sở so sánh giá trị vết của ma trận “Trace Statistic” hoặc giá trị riêng cực đại của ma trận “Maximum Eigenvalue” với giá trị tới hạn “critical value” ở mức ý nghĩa lựa chọn.
Nếu “Trace Statistic” hoặc “Maximum Eigenvalue” < “Critical Value” thì ta chấp nhận giả thiết H0 (không có đồng liên kết).
Nếu “Trace Statistic” hoặc “Maximum Eigenvalue” > Critical Value thì ta bác bỏ giả thiết H0 (tồn tại đồng liên kết).
Với nghiên cứu này, chấp nhận giả thuyết H0 có nghĩa là không có đồng liên kết giữa hai biến cung tiền và giá chứng khoán hay giữa cung tiền và giá chứng khoán không tồn tại quan hệ cân bằng dài hạn và ngược lại, bác bỏ H0 là tồn tại đồng liên kết, tức tồn tại quan hệ cân bằng dài hạn giữa cung tiền và giá chứng khoán. Khi đó, phương trình hồi quy đồng tích hợp có dạng:
Trong đó:
Xt : cung tiền;
Yt : chỉ số giá chứng khoán (chỉ số VN-Index hay HNX-Index); ECxt, ECy,t : phần dư của phương trình hồi quy.
3.1.5 Kiểm định nhân quả Granger (Granger Causality Test)
v ề tính nhân quả, Ramanathan (2002) cho rằng, trong nghiên cứu, khi xác định một biến là biến phụ thuộc (Y), một biến là biến giải thích hay biến độc lập (X) thường ngầm giả định rằng thay đổi của biến giải thích sẽ kéo theo thay đổi của biến phụ thuộc. Đây là quan niệm về tính nhân quả, theo đó, thông tin về biến X được kỳ vọng sẽ ảnh hưởng đến phân phối có điều kiện của các giá trị tương lai biến Y. Nếu X gây ra Y và Y gây ra X thì có sự phản hồi, nghĩa là hai biến được xác định đồng thời. Trong nhiều trường hợp hướng rõ rệt của tính nhân quả là không rõ ràng, có thể X gây ra Y nhưng Y không gây ra X. Chính vì vậy, kiểm định tính nhân quả giữa hai biến là thật sự cần thiết khi nghiên cứu về mối quan hệ giữa hai biến này. Kiểm định Granger thường được sử dụng để giải quyết vấn đề này.
Theo Paramiah và Akway (2008) kiểm định nhân quả Granger có thể dùng để xác định mối quan hệ qua lại trong ngắn hạn giữa các biến.
Kiểm định Granger (1969) được sử dụng phổ biến trong nghiên cứu để trả lời câu hỏi “Có hay không sự thay đổi của X gây ra sự thay đổi của Y ?” và ngược lại. Trong nghiên cứu này, X là cung tiền, Y là giá chứng khoán (chỉ số VN-Index hay HNX-Index).
Mô hình hồi quy trong kiểm định Granger (1969) có dạng:
Trong đó:
k : chiều dài độ trễ; ■>- : các nhiễu trắng.
Việc phân tích kết quả của kiểm định Granger được hiểu như sau:
- Nếu Sị khác 0 và có ý nghĩa thống kê, nhưng pị không có ý nghĩa thì ta kết luận rằng sự biến động của X là nguyên nhân gây ra sự biến động của Y. - Nếu ô j không có ý nghĩa thống kê, nhưng p j khác 0 và có ý nghĩa thống kê
- Nếu cả ỗj và pj đều khác 0 và có ý nghĩa thống kê thì ta kết luận rằng X và Y tác động qua lại lẫn nhau.
- Nếu cả ỗj và Pj đều không có ý nghĩa thống kê thì ta kết luận rằng X và Y độc lập với nhau.
Như đã đề cập ở trên, các chuỗi thời gian về kinh tế thường không dừng. Trong khi đó, kiểm định Granger yêu cầu các chuỗi dữ liệu phải có tính dừng. Vì vậy, trong trường hợp Xt và Yt là hai chuỗi không dừng, nghiên cứu sẽ tiến hành kiểm định Granger với chuỗi sai phân bậc nhất, tức là giữa thay đổi cung tiền với thay đổi chỉ số VN-Index và giữa thay đổi cung tiền với thay đổi chỉ số HNX-Index. Khi đó, theo Gan và ctg (2006) có hai trường hợp:
- Nếu Xt, Yt là I(1) và không đồng tích hợp thì mô hình Granger có dạng:
- Nếu Xt, Yt là I(1) và đồng tích hợp thì mô hình Granger sẽ có dạng hiệu chỉnh sai số (Error Correction) như sau:
Trong đó:
JíA- : sai phân bậc 1 của cung tiền;
ÀYt : sai phân bậc 1 của giá chứng khoán (VN-Index hay HNX-Index);
EC-iít-i, ECy t _1: thành phần hiệu chỉnh sai số (Error Coưection) do sự mất cân bằng trong ngắn hạn, cũng chính là phần dư của các phương trình hồi quy (3.5), (3.6).
Giả thuyết H0 (Null Hypothesis) trong trường hợp này gồm: Theo chiều từ cung tiền đến giá chứng khoán:
H0: Thay đổi của cung tiền không có ảnh hưởng đến thay đổi của chỉ số VN- Index (hay HNX-Index).
Theo chiều từ giá chứng khoán đến cung tiền:
H0: Thay đổi của chỉ số VN-Index (hay HNX-Index) không có ảnh hưởng đến thay đổi của cung tiền.
Kiểm định F sẽ được dùng để kiểm định các giả thuyết H0 này. Nếu giá trị thống kê F tính toán vượt quá giá trị F tới hạn ở mức ý nghĩa đã chọn (trong nghiên cứu này là 5%) thì ta bác bỏ giả thuyết H0, nghĩa là có tồn tại tính nhân quả Granger và ngược lại ta chấp nhận giả thuyết H0. Do nghiên cứu sử dụng phần mềm Eviews để kiểm định Granger nên quyết định lựa chọn hay bác bỏ giả thuyết H0 sẽ dựa vào giá trị xác suất P (P-value) thay vì dựa vào giá trị thống kê F. Theo Nguyễn Trọng Hoài và ctg (2009) giá trị xác suất P-value cũng được gọi là mức ý nghĩa chính xác của thống kê kiểm định (trong trường hợp này là thống kê F). Giá trị xác suất P- value có thể được định nghĩa là mức ý nghĩa thấp nhất tại đó giả thuyết H0 có thể bị bác bỏ. Quy tắc quyết định với giá trị P-value như sau: giá trị xác suất P-value càng nhỏ thì bằng chứng để bác bỏ giả thuyết H0 càng mạnh. Như vậy, với nghiên cứu này, mức ý nghĩa được lựa chọn là 5%, giả thuyết H0 sẽ bị bác bỏ khi giá trị P-value < 0,05.
Về việc xác định chiều dài độ trễ k trong kiểm định Granger, Gujarati (2003) cho rằng chiều hướng của tính nhân quả có thể phụ thuộc vào số lượng hạn trễ được bao gồm. Để giải quyết vấn đề này, nghiên cứu sẽ sử dụng mô hình vector tự hồi quy VAR để tìm giá trị k tối ưu dựa trên cơ sở tiêu chuẩn AIC (Akaike, 1973). Cụ thể, giá trị k được lựa chọn sao cho AIC nhỏ nhất.
3.1.6 Hồi quy Granger
Theo sơ đồ nghiên cứu, sau khi kiểm định Granger thực hiện nếu cho kết quả có mối quan hệ nhân quả giữa cung tiền và giá chứng khoán thì nghiên cứu sẽ tiếp tục tiến hành bước kế tiếp là hồi quy mô hình Granger để tìm mức độ ảnh hưởng của những mối quan hệ đó. Cụ thể:
- Nếu tìm thấy mối quan hệ một hướng từ thay đổi cung tiền đến thay đổi giá chứng khoán thì nghiên cứu sẽ tiến hành hồi quy theo mô hình (3.9) hay
(3.11) tùy trường hợp hai biến cung tiền và giá chứng khoán có đồng tích hợp hay không.
- Nếu tìm thấy mối quan hệ một hướng từ thay đổi giá chứng khoán đến thay đổi cung tiền thì nghiên cứu sẽ tiến hành hồi quy theo mô hình (3.10) hay (3.12) tùy trường hợp hai biến cung tiền và giá chứng khoán có đồng tích hợp hay không.
- Nếu tìm thấy mối quan hệ hai hướng từ thay đổi cung tiền đến thay đổi giá chứng khoán và ngược lại thì nghiên cứu sẽ tiến hành hồi quy theo cả hai mô hình (3.9) hay (3.11) và (3.10) hay (3.12).
3.2 Dữ liệu nghiên cứu
3.2.1 M ô tả dữ liệu
Dữ liệu sử dụng trong nghiên cứu này là dữ liệu thứ cấp, dưới dạng chuỗi thời gian, lấy theo tần suất tháng. Cụ thể:
- Về cung tiền: nguồn từ IMF với dữ liệu từ tháng 01 năm 2001 đến tháng 12 năm 2013. Đơn vị tính của cung tiền là ngàn tỷ đồng.
- Giá chứng khoán: lấy đại diện là chỉ số VN-Index: dữ liệu từ tháng 01 năm 2001 đến tháng 12 năm 2013 và chỉ số HNX-Index: dữ liệu từ tháng 01 năm 2006 đến tháng 12 năm 2013 . Đơn vị tính của chỉ số VN-Index, HNX-Index là Điểm.
Chỉ số VN-Index và chỉ số HNX-Index trong nghiên cứu này tác giả quy ước lấy là giá đóng cửa của ngày giao dịch cuối cùng của tháng để tiện tra cứu đối chiếu.
3.2.2 Biến đổi dữ liệu
Dữ liệu thu thập của các biến M2 (cung tiền), VN (chỉ số VN-Index) và HNX (chỉ số HNX-Index) được chuyển hóa từ dạng gốc sang dạng logarith: Log(M2), Log(VN), Log(HNX). Theo Nguyễn Trọng Hoài và ctg (2009), mục đích của việc chuyển hóa này là nhằm làm giảm mức độ phân tán cũng như một số quan sát có giá trị bất thường của dữ liệu gốc và việc sử dụng dữ liệu dưới dạng Logarith để thuận lợi trong việc nhận dạng và phân tích dữ liệu.
Vì biến chuỗi dữ liệu thời gian thường dừng ở sai phân bậc 1 nên các biến dùng trong nghiên cứu này được sử dụng ở dạng sai phân bậc 1 như sau:
- ALog(M2) = Log(M2)t - Log(M2)t-1: Thay đổi lượng cung tiền giữa 2 tháng liền kề.
- ALog(VN) = Log(VN)t - Log(VN)t-i: Thay đổi chỉ số VN-Index giữa 2 tháng liền kề.
- ALog(HNX) = Log(HNX)t - Log(HNX)t-1: Thay đổi chỉ số HNX-Index giữa 2 tháng liền kề.
3.3 Giả thuyết nghiên cứu và Mô hình nghiên cứu
3.3.1 Giả thuyết nghiên cứu
Qua khảo sát các nghiên cứu trước của các nước trên thế giới cũng như của Việt Nam ở mục 2.4 trong chương 2 của nghiên cứu này, tác giả đưa ra giả thuyết nghiên cứu như sau:
- H 1: M2 tương quan thuận với VN-Index. - H2: M2 tương quan thuận với HNX-Index. - H3: VN-Index tương quan thuận với M2. - H4: HNX-Index tương quan thuận với M2.
3.3.2 M ô hình nghiên cứu
Dựa theo mô hình nghiên cứu của Mustafa và các cộng sự (2013) và Siruceck (2011), nghiên cứu đề xuất mô hình như sau:
- M ô hình nghiên cứu 1: Cung tiền tác động đến chỉ số VN-Index.
Trong đó: ALog(M2)t : Thay đổi cung tiền ở thời điểm t;
ALog(VN)t : Thay đổi chỉ số VN-Index ở thời điểm t;
k : độ trễ
Trong đó: ALog(M2)t : Thay đổi cung tiền ở thời điểm t;
ALog(HNX)t : Thay đổi chỉ số HNX-Index ở thời điểm t.
k : độ trễ
Vì nghiên cứu xét mối quan hệ qua lại giữa cung tiền và thị trường chứng khoán, cũng như dựa theo mô hình nghiên cứu của Mustafa và các cộng sự (2013) và Siruceck (2011) nên tác giả đề xuất thêm hai mô hình nghiên cứu: mô hình nghiên cứu 3 và mô hình nghiên cứu 4.
- M ô hình nghiên cứu 3: Chỉ số VN-Index tác động đến cung tiền.
Trong đó: ALog(M2)t : Thay đổi cung tiền ở thời điểm t;
ALog(VN)t : Thay đổi chỉ số VN-Index ở thời điểm t;