3. NGHIÊN CỨU THỰC NGHIỆM VỀ HIỆU ỨNG TRUYỀN DẪN CỦA TỶ
3.4.2.Kiểm định tính dừng của dữ liệu (Unit root test)
Khi sử dụng dữ liệu dưới dạng chuỗi dữ liệu thời gian (time series), việc đầu tiên nên làm là kiểm tra xem những biến được sử dụng trong mô hình nghiên cứu là dừng (stationary) hay không dừng (non-staionary). Hầu hết các chuỗi thời gian trong kinh tế vĩ mô có xu hướng và do đó trong hầu hết những trường hợp là chuỗi không dừng (ví dụ GDP, FDI…). Vấn đề của chuỗi thời gian không dừng hay có xu hướng là hồi quy OLS có thể dẫn đến những kết luận không chính xác. Theo Asteriou, trong những trường hợp này kết quả hồi quy có R2cao và có giá trị t cao nhưng các biến được sử dụng trong phân tích không có giá trị giải thích. Asteriou nói rõ nhiều chuỗi thời gian kinh tế đặc biệt có tỷ lệ tăng trưởng cơ bản, có thể là hằng số hoặc không, ví dụ GDP, giá, cung tiền có xu hướng tăng trưởng hàng năm. Những dữ liệu chuỗi thời gian như vậy là không dừng vì trung bình tiếp tục tăng theo thời gian, tuy nhiên những chuỗi này lại không có đồng liên kết để mà sai phân
28
của nó có thể dừng theo thời gian. Đây là một trong những lý do chính của việc lấy logarit các dữ liệu trước khi tiến hành phân tích. Hồi quy giữa hai chuỗi dữ liệu không liên quan (và không dừng) điều mà chúng ta nhận được qua hệ số R2 cao chẳng qua thể hiện xu thế cùng nhau (hoặc trái ngược nhau) của hai chuỗi dữ liệu. Mặc dù R2 có thể cao nhưng kết quả có thể không có ý nghĩa kinh tế. Bởi vì các ước lượng của OLS có thể không bền vững theo thời gian, và do đó các kiểm định thống kê được suy ra từ mô hình là không có giá trị.
Một dữ liệu chuỗi thời gian được xem là dừng nếu như trung bình và phương sai của nó không thay đổi theo thời gian, và giá trị của hiệp phương sai chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian giữa hai thời đoạn chứ không phụ thuộc vào thời điểm thực tế mà hiệp phương sai được tính (Ramanathan, 2002). Cụ thể là:
Trung bình: E Y t const
Phương sai: 2
t
Var Y const
Hiệp phương sai: Covar (Yt, Yt-k) = gk
Tính dừng của dữ liệu chuỗi thời gian là một khái niệm vô cùng quan trọng, vì thực tế hầu hết tất cả những mô hình thống kê đều được thực hiện dưới giả định là dữ liệu chuỗi thời gian phải dừng. Những kết quả xuất phát từ những phân tích kinh tế khi sử dụng dữ liệu không dừng đều là hồi quy giả mạo (Granger and Newbold, 1977). Dấu hiệu của hồi quy giả mạo (spurious regression) là giá trị của R2 lớn hơn giá trị thống kê Durbin Watson. Nhưng nếu phần dư của mô hình dừng, thì các biến có mối quan hệ cân bằng trong dài hạn và mô hình được chấp nhận. Vì vậy xác định tính dừng (xác định bậc tích hợp) cho chuỗi dữ liệu thời gian của mô hình nên được kiểm tra trước tiên.
Bài nghiên cứu thực hiện kiểm tra tính dừng và xác định bậc tích hợp cho các biến ở phương trình (2) và (3) bằng cách sử dụng cả kiểm định Kwiatkowski- Phillips-Schmidt-Shin (KPSS) và Phillip-Perron (P-P) để tăng thêm tính chính xác đối với kết luận về tính dừng của các chuỗi. Phillips và Perron (1988) phát triển một số kiểm định nghiệm đơn vị đã trở nên phổ biến trong phân tích chuỗi thời gian tài
29
chính. Kiểm định nghiệm đơn vị Phillips-Perron (P-P) khác với kiểm định ADF chủ yếu là trong cách họ giải quyết tương quan chuỗi và phương sai không đồng nhất trong các số hạng sai số. Đặc biệt, khi mà kiểm định ADF sử dụng một tham số tự hồi quy để ước lượng cấu trúc ARMA của các sai số,thì kiểm định P-P bỏ qua tương quan chuỗi trong các kiểm định hồi quy. Một lợi thế của kiểm định P-P so với kiểm định ADF là kiểm định P-P mạnh mẽ, đáng tin cậy đối với các dạng phương sai không đồng nhất trong số hạng sai số (error term). Một lợi thế khác là người dùng không phải chỉ định một chiều dài độ trễ (lag length) cho các kiểm định hồi quy. Nếu giá trị tuyệt đối của giá trị thống kê trong kiểm định P-P lớn hơn giá trị tới hạn ở mức ý nghĩa % thì dữ liệu đang xét có tính dừng. Khi ta sử dụng kiểm định ADF và P-P mà có sự khác biệt về tính dừng của dữ liệu thì ta sử dụng bổ sung kiểm định KPSS để có kết luận chính xác.
Các kiểm định nghiệm đơn vị ADF và P-P có giả thuyết H0 là một chuỗi thời gian yt là I (1). Mặt khác, kiểm định tính dừng còn dựa trên giả thuyết chuỗi yt là I (0). Kiểm định tính dừng được sử dụng phổ biến nhất là KPSS của Kwiatkowski, Phillips, Schmidt và Shin (1992). Mô hình như vậy đã được đề xuất vào năm 1982 bởi Alok Bhargava trong luận án tiến sĩ của mình, trong đó một số loại kiểm định nghiệm đơn vị cho mẫu hạn chế của John von Neumann hoặc Durbin-Watson đã được phát triển (tham khảo Bhargava, 1986). Sau đó, Denis Kwiatkowski, Peter CB Phillips, Peter Schmidt và Yongcheol Shin (1992) đã đề xuất một loại kiểm định với giả thuyết H0 là chuỗi quan sát có tính dừng xu hướng (dừng xung quanh một xu hướng xác định). Kiểm định này bắt đầu với mô hình:
yt = β’Dt + t + ut
μt = μt-1 + εt, εt ~ WN (0, ζ2ε)
Trong đó, Dt chứa các thành phần xác định (hệ số chặn hoặc hệ số chặn cộng với xu hướng), ut là I (0) và có thể có phương sai không đồng nhất. Chú ý rằng μt có một bước đi ngẫu nhiên là ζ2ε. Giả thuyết H0: yt là I (0) (tức yt có tính dừng) được trình bày như sau:
30 H0: ζ2
ε = 0, nó hàm ý rằng μt là một hằng số.
Giá trị thống kê kiểm định KPSS là nhân tử Lagrange (LM) hoặc số liệu thống kê của kiểm định giả thuyết ζ2ε = 0 so với giả thuyết đối ζ2ε > 0.
KPSS = T-2 / (8)
Trong đó, = , là phần dư của ước lượng hồi quy của yt theo Dt và là ước lượng phương sai dài hạn phù hợp của ut bằng cách sử dụng .
Nếu Dt = 1 thì: KPSS dr (9) Trong đó, V1(r) = W(r) – r W(1), W(r) là một tiêu chuẩn Brown với r ∈ [0,1]. Nếu Dt = (1, t)’ thì: KPSS dr (10)
Trong đó, V2(r) = W(r) – r (2 – 3r) W(1) + 6r (r2 – 1)
Những giá trị tới hạn từ phân phối của đường tiệm cận phương trình (9) và (10) có được từ những phương pháp mô phỏng. Kiểm định tính dừng là một kiểm định đuôi phải để bác bỏ giả thuyết H0 tại mức ý nghĩa 100. % nếu giá trị thống kê của kiểm định thống kê KPSS ở phương trình (8) lớn hơn vi phân 100.(1-α)% từ phân phối các tiệm cận thích hợp của phương trình (9) hoặc (10).
Bảng 3.1. Kết quả kiểm định tính dừng (sử dụng kiểm định KPSS)
Việt Nam Giá trị KPSS của dữ liệu gốc Giá trị tới hạn 5% Giá trị KPSS của sai phân bậc nhất Giá trị tới hạn 5% Null hypothesis: variable is stationary
H0: dữ liệu có tính dừng ER 0.833865 0.463000 0.311346 0.463000 NEER 0.904766 0.463000 0.258865 0.463000 GDP 0.956526 0.463000 0.237082 0.463000 PPIU 0.918533 0.463000 0.055594 0.463000 CPIU 0.955801 0.463000 0.106491 0.463000 CPIW 0.961005 0.463000 0.039997 0.463000 PM 0.909237 0.463000 0.072002 0.463000
31
Bảng 3.2. Kết quả kiểm định nghiệm đơn vị (sử dụng kiểm định Phillip-Perron) Việt Nam Giá trị P-P của
dữ liệu gốc Giá trị tới hạn 5% Giá trị P-P của sai phân bậc nhất Giá trị tới hạn 5% Null hypothesis: variable has a unit root (adsbygoogle = window.adsbygoogle || []).push({});
H0: dữ liệu có nghiệm đơn vị
ER 0.984678 -2.921175 -4.992189 -2.922449 NEER 0.931433 -2.921175 -7.680883 -2.922449 GDP -2.605433 -2.921175 -7.863726 -2.922449 PPIU -0.612696 -2.921175 -4.070607 -2.922449 CPIU -0.819191 -2.921175 -5.345942 -2.922449 CPIW -0.387940 -2.921175 -3.566563 -2.922449 PM -0.216070 -2.921175 -4.963699 -2.922449
Kiểm tra tính dừng được thực hiện trên các dữ liệu đã được điều chỉnh yếu tố mùa vụ theo census X12. Chúng ta thấy rằng, theo kiểm định KPSS và P-P thì tất cả dữ liệu đều không dừng ở chuỗi giá trị gốc mà dừng ở chuỗi sai phân bậc 1 (mức ý nghĩa 5%).
Trước khi đi vào ước lượng mô hình DOLS và mô hình hiệu chỉnh sai số (ECM), cần phải xác định bậc tích hợp của các biến được xem xét đưa vào mô hình. Chỉ có những biến có cùng bậc tích hợp mới có thể có đồng liên kết và khi có sự tồn tại của đồng liên kết mới hàm ý rằng có cơ sở vững chắc cho việc vận dụng mô hình hiệu chỉnh sai số và DOLS. Một chuỗi dữ liệu Yt được gọi là tích hợp bậc dnếu chuỗi dữ liệuYt trở nên dừng sau d phân sai, biểu thị là Yt I d . Chẳng hạn như, nếu chuỗi dữ liệu Yt trở nên dừng sau một lần sai phân, tức là YtYt1 hoặc Yt
dừng, điều này được biểu thị như Yt I 1 hay Yt I 0 . Như vậy, bậc tích hợp của mỗi biến trong nghiên cứu được xác định trong phần kiểm tra tính dừng là I (1).