4. Nội dung và kết quả nghiên cứu
4.1.1 Kết quả hồi quy OLS:
Sau khi hồi quy biến phụ thuộc FDI theo các biến độc lập bằng phần mềm Eviews, ta có kết quả
Bảng 4.1: Bảng kết quả hồi quy 1
Kết quả với R2=96% cho thấy mức độ tin cậy của mô hình là tương đối lớn, trong đó log (1+GDP_SOURCE) và log(1+GDP_HOST (-1)) đại diện cho GDP của các nước đi đầu tư và Việt Nam3
có hệ số dương và có ý nghĩa thống kê đáng kể. Điều này cũng hợp lý về mặt lý thuyết, khi mà GDP ở các nước phát triển tăng đồng nghĩa với thị trường ở nước đó mở rộng, vì vậy nó có xu hướng tìm kiếm cơ hội đầu tư nước ngoài thông qua nguồn vốn đầu tư FDI và dòng chảy vốn vào Việt Nam – nước tiếp nhận đầu tư gia tăng cũng là điều hợp lý.
Tuy nhiên, biến GDP_GROWTH đại diện cho tốc độ tăng trưởng GDP thực của Việt Nam lại không có ý nghĩa thống kê lớn, điều này chứng tỏ các nước đi đầu tư không quan tâm nhiều đến tốc độ tăng trưởng GDP nước ta.
3
Các biến còn lại log (1+TRADE) và output gap đều không có ý nghĩa thống kê. Điều này trái với dự đoán của tôi, bởi khi nền kinh tế tăng trưởng quá nóng – lúc này GDP thực tế vượt quá GDP tiềm năng sẽ dẫn đến lạm phát, hệ lụy của nó làm cho nền kinh tế chậm thu hút vốn đầu tư bởi số tiền mà nhà đầu tư thu về đã bị sụt giảm do tình trạng lạm phát gia tăng, vì vậy output gap và nguồn vốn đầu tư FDI thường sẽ có mối quan hệ ngược chiều.
Hệ số của RIR tuy có ý nghĩa thống kê nhưng lại có giá trị dương, điều này cũng không phù hợp với dự đoán của tôi bởi nhà đầu tư sẽ tìm kiếm lợi nhuận với hành vi kinh doanh chênh lệch lãi suất bằng cách gia tăng nguồn vốn đầu tư nước ngoài khi lãi suất trong nước giảm, do đó mối tương quan giữa RIR và FDI vào Việt Nam thường sẽ có hệ số âm.
Trường hợp R2 cao cũng có thể do mô hình có các biến tự tương quan với nhau, để xem chúng có tự tương quan với nhau hay không, tôi chạy kiểm định Breusch- Godfrey cho mô hình.
Bảng 4.2: Kết quả kiểm định B-G
Với probability = 80.25% điều này cho thấy có khả năng cao kiểm định B-G
bác bỏ giả thuyết H0 (không có tương quan giữa các biến) tức trong mô hình trên các biến có tự tương quan.
Một trong những giả thiết của mô hình hồi quy cổ điển là các biến độc lập là phi ngẫu nhiên, chúng có giá trị xác định. Nếu như chúng ta ước lượng một mô hình với chuỗi thời gian trong đó các biến độc lập không dừng, khi đó giả thiết của OLS bị vi phạm – lúc này phương pháp OLS sẽ không còn ý nghĩa đối với các chuỗi không dừng. Vì vậy để xem xét mức độ tin cậy của phương pháp OLS phía trên, tôi sẽ tiến hành kiểm định tính dừng của chuỗi dữ liệu (kiểm định với chuỗi dữ liệu sau khi lấy LOG).
Tôi sẽ sử dụng kiểm định nghiệm đơn vị (unit root test) và áp dụng tiêu chuẩn ADF (Augumented Dickey – Fuller)
Bảng 4.3: Hệ số thống kê theo tiêu chuẩn ADF
Unit root test
FDI GDP_source GDP_host RIR Trade Output_gap GDP_growth
ADF- statistic
0.99 3.312 7.835 -0.58 0.338 -3.0224 -0.8733
Với t0.05= 1.954, ại mứ a = 0.05, chỉ có dữ liệu về gdp_source, gdp_host và output_gap là có t > │t0.05│, ều kiện là chuỗi dừng, dữ liệu cho các biến ngẫu nhiên còn lại là chuỗi không dừng.
Cách khắc phục chuỗi không dừng tôi lấy sai phân bậc 1 cho chuỗi dữ liệu, nếu như các biến dừng ở các bậc khác nhau thì sẽ ưu tiên bậc dừng ở mức cao nhất
Bảng 4.4: Bảng sai phân các biến ngẫu nhiên
Augmented Dickey – Fuller Test Equation
Với mức a = 0.05 ta có t0.05= 1.954, ến FDI và RIR dừng tại bậc 2 và GDP_GROWTH dùng tại bậc 1. Tổng hợp lại tôi sẽ lấy sai phân bậc 2.
Sau khi nhận được chuỗi dừng, tôi tiến hành kiểm định mối quan hệ nhân quả Granger để xem xét các biến trong mô hình 4
, tôi thấy FDI hầu hết tác động đến các biến còn lại, ngoài ra còn một số các cặp sau (GDP_SOURCE, OUTPUTGAP), (GDP_SOURCE,RIR) (GDP_SOURCE, GDP_HOST) và (TRADE, GDP_HOST), tuy nhiên tất cả cặp này chỉ đều có quan hệ một chiều, ví dụ : GDP_SOURCE gây ra ảnh hưởng lên sự thay đổi của GDP_HOST và không có chiều ngược lại. Tương tự cũng chỉ có TRADE gây ra sự thay đổi trong GDP_HOST. Điều này ngụ ý rằng, nếu muốn cho GDP_HOST thay đổi, chúng ta có thể thay đổi GDP_SOURCE hay TRADE hoặc cả hai.
Tiếp theo, tôi sẽ xem xét tính đồng liên kết giữa các biến trong mô hình. Các chuỗi dữ liệu này sẽ được lấy trước khi thực hiện sai phân, ta có kết quả sau:
Bảng 4.5: Bảng kết quả kiểm tra đồng liên kết của các biến
Date: 03/20/12 Time: 10:30 Sample (adjusted): 1987 2010
Included observations: 24 after adjustments
Trend assumption: Linear deterministic trend (restricted)
Series: GDP_GROWTH LOG_BILATERAL_TRADE LOG_FDI LOG_GDP_HOST OUTPUT_GAP LOG_GDP_SOURCE RIR
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.959388 258.3728 150.5585 0.0000 At most 1 * 0.909855 181.4839 117.7082 0.0000
4
At most 2 * 0.811254 123.7317 88.80380 0.0000 At most 3 * 0.746740 83.71524 63.87610 0.0005 At most 4 * 0.660671 50.75512 42.91525 0.0069 At most 5 0.505287 24.81624 25.87211 0.0673 At most 6 0.281244 7.925584 12.51798 0.2578
Trace test indicates 5 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.959388 76.88884 50.59985 0.0000 At most 1 * 0.909855 57.75218 44.49720 0.0011 At most 2 * 0.811254 40.01650 38.33101 0.0317 At most 3 * 0.746740 32.96012 32.11832 0.0394 At most 4 * 0.660671 25.93888 25.82321 0.0483 At most 5 0.505287 16.89065 19.38704 0.1111 At most 6 0.281244 7.925584 12.51798 0.2578
Max-eigenvalue test indicates 5 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Kết quả ta có bốn mối quan hệ đồng liên kết giữa các biến. Sau khi tiến hành các kiểm định liên quan thì ta nhận thấy đây là các chuỗi dữ liệu không dừng và có mối quan hệ đồng liên kết, đây chinh là điều kiện cần cho kiểm định VECM ở phần tiếp theo.
Kết quả của VECM sẽ bao gồm 2 phần :
Phần thứ nhất chính là kết quả từ bước kiểm định Johansen, hay cũng là hệ số của các biến nội sinh trong mô hình, số lượng biến này sẽ bằng k-r, trong đó k là tổng các biến nội sinh ban đầu và r là số phương trình đồng liên kết. Trong bài nghiên cứu này ta có k=7 và r=3, như vậy mô hình sẽ cho ra kết quả của 4 biến nội sinh còn lại.
Phần thứ hai mà mô hình xuất kết quả là vecto hiệu chỉnh (vector correction), ký hiệu bởi CointEq1, CointEq2…Số lượng vector này phụ thuộc vào số lượng đồng liên kết trong kiểm định conintergration ban đầu. Phần cuối cùng của bảng kết quả VECM sẽ là các kết quả thể hiện mức độ tin cậy của mô hình, chẳng hạn như: R-square, Log-likelihood… Giá trị của
Log-likelihood được tính toán bởi ma trận hiệp phương sai với điều kiện không hiệu chỉnh bậc tự do.
Bảng 4.7 : Hiệu chỉnh phần dƣ trong mô hình VECM
Để có thể dự báo tác động của các nhân tố lên dòng chảy vốn FDI, từ mô hình VECM ước lượng phía trên, sử dụng phần mềm Eviews sẽ hỗ trợ chúng ta xuất ra mô hình mang tính dự báo từ mô hình gốc. Mô hình này bao gồm 3 phương trình nhỏ dưới đây5
5
D(D_FDI_2)
= -1.33* ( D_FDI_2(-1) + 0.9* D_GDP_HOST_2(-1) - 9.41* D_GDP_SOURCE_2(-1) + 5.48* D_OUTPUT_GAP_2(-1) - 0.11* D_RIR_2(-1) - 0.02)
- 0.06*(D_BILATERAL_TRADE_2(-1)- 10.64* D_GDP_HOST_2(-1) + 83.57*
D_GDP_SOURCE_2(-1) - 53.17* D_OUTPUT_GAP_2(-1) - 15.85* D_RIR_2(-1) + 0.25)
+ 0.06* ( D_GDP_GROWTH_2(-1) + 0.05* D_GDP_HOST_2(-1) - 0.56 *
D_GDP_SOURCE_2(-1) + 0.17* D_OUTPUT_GAP_2(-1) + 0.27* D_RIR_2(-1) ) - 0.02.
Để dễ dàng trong việc phân tích các nhân tố ảnh hưởng tới biến phụ thuộc, tôi tóm gọn hệ số của từng biến độc lập dưới đây
FDI C FDI(-1) GDP_HOST GDP_SOURCE OUTPUT_GAP RIR TRADE
Coefficient -0.01 -1.33 -0.56 7.47 -4.62 1.11 -0.06
Kết quả
Trái ngược với dự đoán của tôi cũng như kết quả từ phương trình hồi quy OLS, hệ số của biến GDP_HOST là âm. Tuy nhiên điều này thường diễn ra ngược lại trong thực tế, khi GDP của Việt Nam tăng thì dòng vốn FDI thường có xu hướng chảy vào nhiều hơn.
Cũng như phân tích ở phần trên, khi lãi suất thực của nước đi đầu tư tăng, dòng vốn sẽ ở lại nhiều hơn so với dòng vốn chảy ra bên ngoài, điều này dẫn tới nguồn vốn FDI vào Việt Nam sẽ giảm. Tuy nhiên, kết quả từ mô hình cho hệ số biến RIR là dương.
GDP_SOURCE và OUTPUT_GAP cho ra kết quả phù hợp với lý thuyết cũng như dự đoán của tôi.
Còn lại biến thương mại song phương TRADE tuy có hệ số âm nhưng giá trị chưa lớn, điều này cho thấy các nước có xu hướng đầu tư vào Việt Nam thường không do độ lớn của giá trị giao thương hang hóa.
Sau khi ước lượng mô hình, tôi tiến hành kiểm định các phần dư, kết quả là phần dư của các biến trong mô hình đều dừng. Vậy mô hình chạy ra là hoàn toàn phù hợp với chuỗi dữ liệu.
Hình 4.1: Lƣợc đồ phần dƣ của các chuỗi số liệu