Hình 4.1 Sơ đồ các bước thực nghiệm
Bước 1: Kiểm định tính dừng cho chuỗi dữ liệu
Như đã trình bày trong phần lý thuyết mô hình, việc kiểm định tính dừng nhằm mục đích đảm bảo việc sử dụng mô hình SVAR là hợp lý và đáng tin cậy. Trong trường hợp chuỗi dữ liệu hay các sai phân của nó không dừng, mô hình SVAR sẽ không thể sử dụng được. Bài nghiên cứu sẽ tiến hành kiểm định tính dừng của các biến qua kiểm định nghiệm đơn vị theo phương pháp Augmented Dickey-Fuller (ADF) test. Đầu tiên, chúng ta sẽ kiểm định tính dừng của chuỗi dữ liệu gốc đã được lấy logarit, kết quả như bảng sau:
Bảng 4.1. Kết quả kiểm định nghiệm đơn vị trên chuỗi gốc Biến t-statistic ADF
test Test critical values: 5% level P-value Chú thích L_GDP_SA -1.468769 -2.926622 0.5403 Không dừng L_CPI 1.501044 -2.923780 0.9991 Không dừng L_LSCB -2.862105 -2.921175 0.0571 Không dừng L_LSTCV -2.592158 -2.922449 0.1014 Không dừng L_M2 -0.806537 -2.929734 0.8074 Không dừng Nguồn: Tác giả tự tính
Giả thuyết H0 của kiểm định này là chuỗi Y có nghiệm đơn vị (chuỗi không dừng), nếu giá trị tuyệt đối của t- statistic ADF test lớn hơn giá trị tuyệt đối của giá trị t tra bảng (Test critical values) và p-value < 0,01 thì bác bỏ H0, tức là chuỗi dừng.
Kiểm định tính dừng chuỗi dữ liệu Kiểm định mối quan hệ nhân quả Granger Lựa chọn khoảng trễ Ước lượng mô hình SVAR rút gọn Ước lượng mô hình SVAR Ứng dụng hàm phản ứng đẩy IRF
Trongnăm chuỗi dữ liệu sử dụng, theo kết quả kiểm định nghiệm đơn vị Unit root
test, với mức ý nghĩa 5% do đó ta kết
luận tất cả chuỗi dữ liệu gốc đều không dừng. Do đó, ta tiến hành lấy sai phân từng chuỗi và lần lượt kiểm định tính dừng của từng chuỗi. Kết quả kiểm định nghiệm đơn vị như sau:
Bảng 4.2: Kết quả kiểm định nghiệm đơn vị trên chuỗi đã lấy sai phân
Biến t-statistic ADF test Test critical values: 5% level P-value Chú thích D(L_GDP_SA) -1,700562 -2,926622 0,4243 Không dừng D((L_GDP_SA),2) -12,91579 -2,926622 0,0000 Dừng D(L_CPI) -4,335610 -2.923780 0,0011 Dừng D(L_LSCB) -6,477886 -2,925169 0,0000 Dừng D(L_LSTCV) -5,790960 -2,923780 0,0000 Dừng D(L_M2) -1,655583 -2.929734 0,4463 Không dừng D((L_M2),2) -5,950843 -2.929734 0,0000 Dừng Nguồn: Tác giả tự tính
Từ bảng kết quả trên, ta kết luận chuỗi L_GDP_SA và L_M2 dừng ở sai phân bậc 2 với mức ý nghĩa 1%, các chuỗi còn lại là L_CPI, L_LSCB, L_LSTCV dừng ở sai phân bậc 1 với mức ý nghĩa 1%. Dựa trên kết quả kiểm định này, những bước định lượng tiếp theo, chúng ta sẽ không sử dụng các chuỗi gốc để ước lượng mà chúng ta sẽ sử dụng những chuỗi đã lấy sai phân để ước lượng, cụ thể là chúng ta sẽ sử dụng 5 chuỗi sau:
D_L_GDP_SA: sai phân bậc 2 của logarit chuỗi GDP có hiệu chỉnh mùa vụ D_L_CPI: sai phân bậc 1 của logarit chuỗi CPI
D_L_LSCB: sai phân bậc 1 của logarit chuỗi CPI D_L_LSTCV: sai phân bậc 1 của logarit chuỗi LSTCV D_L_M2: sai phân bậc 2 của logarit chuỗi M2
Bước 2: Kiểm định mối quan hệ nhân quả Granger
Sử dụng 5 biến đã trình bày ở bước 1, chúng ta thực hiện kiểm mối quan hệ nhân quả Granger để xem liệu rằng các biến có thực sự tác động với nhau không, liệu có biến nào không cần thiết và loại bỏ ra không. Dựa vào bảng kết quả ta thấy, tất cả các giá trị thống kê F tính toán đều lớn hơn các giá trị thống kê F phê phán tương ứng ở mức ý nghĩa 5%. Do đó mà ta bác bỏ giả thiết H0 (giả thiết bên phần Null Hypothesis). Hay nói cách khác là tất cả các biến này đều có mối quan hệ qua lại lẫn nhau.
Pairwise Granger Causality Tests Date: 04/04/13 Time: 19:29 Sample: 2000Q1 2012Q3 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
L_CPI does not Granger Cause GDP_SA 49 3.83786 0.0194 GDP_SA does not Granger Cause L_CPI 7.10698 0.0021
L_M2 does not Granger Cause GDP_SA 49 2.28006 0.0142 GDP_SA does not Granger Cause L_M2 4.38729 0.6812
L_LSCB does not Granger Cause GDP_SA 49 2.95803 0.0623 GDP_SA does not Granger Cause L_LSCB 2.12574 0.1314
L_M2 does not Granger Cause L_CPI 49 5.99475 0.0050 L_CPI does not Granger Cause L_M2 2.69097 0.0064
L_LSCB does not Granger Cause L_CPI 49 3.32377 0.0065 L_CPI does not Granger Cause L_LSCB 8.09216 0.0010
L_LSCB does not Granger Cause L_M2 49 1.57290 0.0189 L_M2 does not Granger Cause L_LSCB 2.93721 0.0635 Nguồn: Tác giả tự tính
Bước 3: Lựa chọn độ trễ phù hợp cho mô hình VAR rút gọn
Sau khi kiểm định mối quan hệ nhân quả Granger, chúng ta đã biết các biến trong mô hình có mối quan hệ nhân quả với nhau. Tiếp theo ta thực hiện quan sát tối đa là 8 trễ để tìm kiếm độ trễ tối ưu cho mô hình. Với nhiều tiêu chí đánh giá khác nhau, việc lựa chọn trễ là thực sự khó khăn. Chúng ta sẽ tiến hành lựa chọn độ trễ dựa trên số lượng các tiêu chí chấp nhận độ trễ đó. Theo đó, dựa vào bảng kết quả dưới, chúng ta nhận thấy tiêu chuẩn SC lựa chọn 3 trễ cho mô hình, tiêu chuẩn FPE, LR, AIC, HQ đều lựa chọn 4 trễ cho mô hình. Như vậy, độ trễ tối ưu của mô hình là 4.
Bảng 4.3 Kết quả chọn độ trễ của mô hình SVAR dạng rút gọn
VAR Lag Order Selection Criteria
Endogenous variables: D_L_GDP_SA D_L_CPI D_L_LSCB D_L_M2 Exogenous variables: C
Date: 04/03/13 Time: 08:16 Sample: 2000Q1 2012Q3 Included observations: 45
Lag LogL LR FPE AIC SC HQ
0 -1092.094 NA 1.69e+16 48.71531 48.87590 48.77518 1 -1065.523 47.23841 1.06e+16 48.24546 49.04842 48.54480 2 -1044.939 32.93364 8.79e+15 48.04175 49.48708 48.58055 3 -978.1069 95.05065 9.61e+14 45.78253 47.87023* 46.56080 4 -956.0333 27.46937* 8.02e+14* 45.51259* 48.24266 46.53033* Nguồn: Tác giả tự tính
Bước 4: Ước lượng mô hình SVAR dạng rút gọn
Với việc xác định các biến nội sinh và số lượng trễ thích hợp như 2 phần nêu trên, chúng ta tiến hành ước lượng mô hình VAR dạng rút gọn, kết quả mô hình được thể hiện như sau:
Bảng 4.4 Kết quả ước lượng mô hình SVAR dạng rút gọn
Vector Autoregression Estimates Date: 04/03/13 Time: 08:26 Sample (adjusted): 2001Q3 2012Q3 Included observations: 45 after adjustments Standard errors in ( ) & t-statistics in [ ]
D_L_GDP_SA D_L_LSCB D_L_CPI D_L_M2 D_L_GDP_SA(-1) -1.375277 1.606336 0.950831 -0.030540 (0.20898) (4.88956) (0.74548) (1.26490) [-6.58092] [ 0.32852] [ 1.27546] [-0.02414] D_L_GDP_SA(-2) -1.478672 4.805415 1.616347 -0.279569 (0.27177) (6.35877) (0.96948) (1.64498) [-5.44082] [ 0.75571] [ 1.66722] [-0.16995] D_L_GDP_SA(-3) -1.491524 2.877049 2.084433 -1.155252 (0.27454) (6.42358) (0.97936) (1.66175) [-5.43274] [ 0.44789] [ 2.12835] [-0.69520] D_L_GDP_SA(-4) -0.357378 6.443253 1.969052 0.045947 (0.26893) (6.29235) (0.95936) (1.62780) [-1.32887] [ 1.02398] [ 2.05247] [ 0.02823] D_L_LSCB(-1) 0.000818 -0.172636 0.013489 0.072536 (0.00940) (0.22000) (0.03354) (0.05691) [ 1.08698] [-0.78470] [ 0.40215] [ 1.27450] D_L_LSCB(-2) -0.038772 -0.254286 -0.020031 0.068139
(0.00864) (0.20221) (0.03083) (0.05231) [-4.48622] [-1.25752] [-2.64973] [ 1.30256] D_L_LSCB(-3) -0.008563 0.033032 0.053045 0.022310 (0.01291) (0.30213) (0.04606) (0.07816) [-0.66313] [ 0.10933] [ 1.98155] [ 0.28544] D_L_LSCB(-4) -0.002166 -0.176227 0.036917 -0.047299 (0.00814) (0.19054) (0.02905) (0.04929) [-0.26599] [-0.92489] [ 1.27079] [-0.95959] D_L_CPI(-1) -0.107408 1.854199 0.887978 -0.253333 (0.06533) (1.52853) (0.23305) (0.39542) [-1.64411] [ 1.21306] [ 3.81030] [-0.64066] D_L_CPI(-2) 0.138777 1.060450 -0.102144 -0.773075 (0.08306) (1.94337) (0.29629) (0.50274) [ 1.67082] [ 0.54568] [-0.34474] [-1.53772] D_L_CPI(-3) -0.125443 0.512891 -0.396064 1.290087 (0.09620) (2.25075) (0.34316) (0.58226) [-1.30402] [ 0.22788] [-1.15417] [ 2.21566] D_L_CPI(-4) 0.005068 -1.995969 0.264971 -0.502230 (0.07466) (1.74691) (0.26634) (0.45192) [ 0.06787] [-1.14257] [ 0.99486] [-1.11133] D_L_M2(-1) 0.036261 0.477694 0.062898 -0.366216 (0.03911) (0.91513) (0.13952) (0.23674) [ 0.92710] [ 0.52199] [ 0.45080] [-1.54691] D_L_M2(-2) 0.048095 -0.004779 -0.009930 -0.582383 (0.03561) (0.83308) (0.12701) (0.21551) [ 1.35077] [-0.00574] [-0.07818] [-2.70231] D_L_M2(-3) 0.018330 0.214454 -0.037696 -0.144077 (0.04001) (0.93607) (0.14272) (0.24216) [ 0.45816] [ 0.22910] [-0.26413] [-0.59498] D_L_M2(-4) 0.059790 -0.344773 -0.039901 0.176569 (0.02957) (0.69189) (0.10549) (0.17899) [ 2.02190] [-0.49831] [-0.37825] [ 0.98649] C 0.001397 -0.027505 0.008893 0.003872 (0.00170) (0.03966) (0.00605) (0.01026) [ 0.82415] [-0.69356] [ 1.47071] [ 0.37739] R-squared 0.899296 0.392395 0.562311 0.604851 Adj. R-squared 0.841750 0.045192 0.312203 0.379051 Sum sq. resids 0.000655 0.358297 0.008329 0.023978 S.E. equation 0.004835 0.113121 0.017247 0.029264 F-statistic 15.62759 1.130161 2.248274 2.678704 Log likelihood 186.7595 44.89153 129.5287 105.7363 Akaike AIC -7.544866 -1.239623 -5.001277 -3.943836 Schwarz SC -6.862349 -0.557106 -4.318760 -3.261319 Mean dependent 0.000131 0.001533 0.022200 9.97E-05 S.D. dependent 0.012154 0.115767 0.020796 0.037137
Determinant resid covariance (dof adj.) 1.96E-14 Determinant resid covariance 2.94E-15 Log likelihood 497.4317 Akaike information criterion -19.08585 Schwarz criterion -16.35578
Nguồn: Tác giả tự tính
Dựa vào bảng kết quả nêu trên, chúng ta có thể thấy được các biến số có ý nghĩa về mặt thống kê khá lớn khi đo lường ảnh hưởng lên GDP (giá trị tuyệt đối của thống kê t cho kết quả lớn hơn 1,96). Cụ thể đó làcác giá trị trễ của GDP và ngoài ra GDP còn bị ảnh hưởng bởi các biến nội sinh khác đó làD_L_LSCB (-2) với = 4,48622, điều này củng cố thêm rằng LSCB và GDP có quan hệ nhân quả với nhau và LSCB có tác động đến GDP với độ trễ nhất định. Đối với biến CPI cũng có kết quả gần giống vậy, ngoài bị ảnh hưởng bởi độ trễ của chính nó, biến CPI còn bị ảnh hưởng bởi D_L_LSCB(-2) và D_L_LSCB(-3) với = 1,98155, chứng tỏ LSCB có ảnh hưởng đến CPI với độ trễ nhất định.
Tuy nhiên, như đã trình bày trong phương pháp nghiên cứu thì mô hình VAR rút gọn đã giả định rằng không hề có tác động của các biến đang xem xét tại thời điểm t lên các biến còn lại. Điều này chưa thực sự hợp lý vì khi xảy ra một cú sốc về lãi suất thì lập tức chỉ số CPI ít nhiều cũng bị ảnh hưởng và CPI cũng sẽ tác động ngược lại lãi suất cơ bản, đó là cơ sở để NHNN điều hành chính sách lãi suất dựa vào biến số kinh tế vĩ mô, cụ thể là lạm phát. Tuy nhiên, mô hình VAR rút gọn đã bỏ qua những vấn đề này. Vì vậy tiếp theo, chúng ta sử dụng mô hình SVAR để giải quyết vấn đề này.
Bước 5: Ước lượng mô hình SVAR
Như trong phần phương pháp nghiên cứu đã trình bày, chúng ta cần ước lượng mối quan hệ giữa cú sốc et trong dạng SVAR rút gọn và cú sốc et trong mô hình SVAR.
A. et = B. ɛ t
Tuy nhiên, để ước lượng được mối quan hệ này chúng ta cần áp đặt những hạn chế, dựa vào bài nghiên cứu của Mohanty (2012) tôi chọn loại áp đặt Short-run, ma trận A là ma trận đơn vị, ma trận B là ma trận tam giác dưới.
Bảng 4.5 Kết quả ước lượng ma trận quan hệ giữa et và ɛ t Structural VAR Estimates
Model: Ae = Bu where E[uu']=I
Restriction Type: short-run pattern matrix
Estimated A matrix: 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 Estimated B matrix: 0.004835 0.000000 0.000000 0.000000 -0.054697 0.099018 0.000000 0.000000 -0.008119 0.005634 0.014135 0.000000 0.012542 -0.006485 -0.015109 0.020705
Trong phần mềm Eview 6.0, cú sốc cấu trúc ɛ t được ký hiệu là ut. Dựa vào bảng kết quả trên, mối quan hệ trực giao được viết lại là:
ety1= 0,004835ɛ ty1
ety2 = -0,0054697. ɛ ty1 + 0,099018. ɛ ty2
ety3 = -0,008119. ɛ ty1 + 0,005634.ɛ ty2 + 0,014135.ɛ ty3 ety4 = 0,012542.ɛ ty1 + (-0,006485).ɛ ty2 + (-0,015109).ɛ ty3
Vì việc khôi phục lại các tham số từ ma trận quan hệ các cú sốc cấu trúc khá khó và từ hàm phản ứng đẩy chúng ta có thể phân tích được tác động của thay đổi lãi suất đến GDP và lạm phát như thế nào nên nhờ sự hỗ trợ của phần mềm Eview, chúng ta có thể ứng dụng hàm phản ứng đẩy để phân tích tác động mà không cần khôi phục lại các tham số của mô hình SVAR.
Bước 6: Ứng dụng hàm phản ứng đẩy IRF
Mô hình SVAR có thể phân tích cơ chế truyền dẫn của các cú sốc thông qua các hàm phản ứng đẩy (Impulse response function - IRF). Hàm phản ứng đẩy sẽ cho biết các biến còn lại trong mô hình phản ứng như thế nào khi xảy ra cú sốc đối với một biến trong mô hình.
(1)Trường hợp GDP và CPI phản ứng trước thay đổi lãi suất cơ bản
Kết quả hàm phản ứng đẩy thể hiện rằng lãi suất cơ bản tăng làm giảm tỷ lệ tăng trưởng GDP. Điều này phù hợp với lý thuyết vì khi lãi suất cơ bản tăng, sẽ tác động đễn lãi suất thị trường, cụ thể là lúc này lãi suất huy động tăng, dẫn đến xu hướng tiết kiệm nhiều hơn chi tiêu và lãi suất cho vay tăng làm đầu tư giảm, những điều này làm giảm tổng cầu, từ đó làm giảm tỷ lệ tăng trưởng GDP. Qua đồ thị ta thấy, tăng trưởng GDP giảm ngay sau 1 quý kể từ khi lãi suất cơ bản tăng và đặc biệt giảm mạnh nhất sau 3 quý, tác động tổng thể vẫn tiếp tục suốt 6 quý. Vì những biến đều ở dạng logarit nên giá trị ở trục đứng có thể được xem như gần bằng phần trăm thay đổi của mỗi biến. Do đó, chúng ta có thể thấy lãi suất cơ bản tăng 1% thì GDP giảm 0,02%.
Hình 4.3 Phản ứng của CPI trước sự thay đổi lãi suất cơ bản
Kế đến, chúng ta xem xét lạm phát phản ứng như thế nào trước thay đổi lãi suất cơ bản. Nhìn chung, ta thấy tỷ lệ CPI phản ứng khá nhanh và mạnh trước sự biến đổi lãi suất cơ bản, cụ thể ngay quý 1 chỉ số CPI tăng 0,05% khi lãi suất cơ bản tăng 1%
và sau đó chỉ số CPI giảm dần và giảm về gần mức 0 sau 3 quý. Điều này có thể giải thích là do lãi suất cơ bản tăng, dẫn đến lãi suất cho vay cũng tăng theo, ảnh hưởng đến chi phí của doanh nghiệp, gây ra áp lực làm tăng giá các hàng hóa.
(2)Trường hợp lãi suất cơ bản bị tác động bởi CPI
Theo thực tế, NHNN điều hành linh hoạt lãi suất cơ bản và đã có những tác động tích cực đối với việc kiềm chế lạm phát và điều tiết kinh tế vĩ mô trong thời gian qua, tuy nhiên để có
thể đưa ra được chính sách phù hợp thì NHNN phải dựa vào diễn biến các yếu tố vĩ mô. Về
diễn biến kinh tế vĩ mô để xem xét điều chỉnh trần lãi suất tiền gửi nội tệ cần căn cứ vào nhiều yếu tố, trong đó chỉ số giá tiêu dùng (CPI) là quan trọng vì dựa vào đó ta có thể biết được lãi suất thực có dương hay không. Do đó, việc xem xét tác động ngược là hợp lý và cần thiết. Dựa vào đồ thị ta thấy, khi chỉ số CPI tăng 1% thì sau 1 quý lãi suất cơ bản mới tăng, và sau 3 quý thì lãi suất cơ bản tăng nhiều nhất, khoảng 0,03%, tuy nhiên sau đó giảm mạnh, giảm khoảng 0,07% rồi sau đó mới trở về mức cân bằng. Hình 4.4 LSCB phản ứng trước sự thay đổi CPI
(3)Phản ứng của GDP và CPI trước sự biến động của cung tiền M2
Theo cơ chế truyền dẫn thì khi cung tiền M2 tăng, có nghĩa là nới lỏng chính sáh tiền tệ dẫn đến lãi suất thực giảm, và tăng tổng cầu, dẫn đến tăng GDP. Tuy nhiên, theo kết quả thực nghiệm cho thấy phản ứng của GDP trước thay đổi cung tiền M2 không rõ ràng bằng phản ứng của CPI. Khi M2 tăng 1%, CPI không tăng ngay, chỉ sau 1 quý, CPI mới bắt đầu tăng, và tăng mạnh nhất sau 3 quý. Điều này có thể giải thích
được bằng lý thuyết kinh tế, khi lượng cung tiền trong nền kinh tế tăng mà tổng cung hàng hóa không đổi, dẫn đến lạm phát tăng. Trên thực tế, tăng trưởng cung tiền M2 thường ở mức cao, duy trì ở mức khoảng 30% kể từ năm 2004, nhiều chuyên gia kinh tế cho rằng cung tiền chính là một trong những nguyên nhân quan trọng khiến cho lạm phát ở Việt Nam trở nên “vượt trội” so với các nước trong khu vực.
Hình 4.5 Phản ứng của GDP và CPI trước sự biến đổi của cung tiền M2
(4)Trường hợp GDP và CPI phản ứng trước thay đổi lãi suất cơ bản (thay lãi
suất cơ bản bằng lãi suất tái cấp vốn vào mô hình ước lượng)
Kết quả phản ứng của GDP và CPI trước sự thay đổi lãi suất tái cấp vốn cũng gần giống với phản ứng trước sự biến đổi lãi suất cơ bản, tức là tác động nghịch biến với GDP và làm giảm lạm phát. Cụ thể, tăng trưởng GDP cũng giảm khoảng 0,01% khi tăng 1% lãi suất tái cấp vốn và giảm mạnh nhất sau khoảng 3 quý nhưng tác động trong trường hợp này kéo dài suốt 8 quý rồi mới trở về trạng thái cân bằng. Tuy nhiên, phản ứng của CPI không phản ứng ngay trước sự biến đổi lãi suất tái cấp vốn như trường hợp lãi suất cơ bản. Khi lãi suất tái cấp vốn tăng 1% thì sau 1 quý, chỉ số CPI tăng khá ít, khoảng 0,001% và giảm ngay sau quý 2, giảm mạnh nhất sau khi lãi suất tái cấp vốn tăng khoảng 3 quý, điều này có thể hiểu là 3 quý là khoảng thời gian để sự thay đổi trong lãi suất tái cấp vốn có tác dụng. Tác động tổng thể kéo dài suốt 6 quý.