8. Tổng quan tài liệu nghiên cứu
2.4 PHƢƠNG PHÁP ƢỚC LƢỢNG
Trong nghiên cứu này, dữ liệu đƣợc sử dụng để nghiên cứu là dữ liệu bảng bởi các ƣu điểm sau:
- Kỹ thuật ƣớc lƣợng dữ liệu bảng có thể chính thức xem xét đến tính dị biệt (tính không đồng nhất) đó bằng cách xem xét các biến số có tính đặc thù theo từng cá nhân.
không gian, dữ liệu bảng cung cấp những dữ liệu có nhiều thông tin hơn, đa dạng hơn, ít cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn. Lý do là khi ta ƣớc lƣợng bằng chuỗi thời gian thỉnh thoảng ta phải đối phó với tình trạng đa cộng tuyến giữa các biến, điều này làm cho ƣớc lƣợng không hiệu quả.
- Thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của thay đổi, dữ liệu bảng thực hiện tốt hơn các nghiên cứu về những thay đổi xảy ra liên tục nhƣ tỷ lệ thất nghiệp, di chuyển lao động.
- Dữ liệu bảng có thể phát hiện và đo lƣờng tốt hơn những ảnh hƣởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy (thời gian là liên tục) hay dữ liệu chéo theo không gian thuần túy (không gian là liên tục/chỉ một). Ví dụ, ảnh hƣởng của luật tiền lƣơng tối thiểu đối với việc làm và thu nhập có thể đƣợc nghiên cứu tốt hơn nếu chúng ta xem xét các đợt gia tăng tiền lƣơng tối thiểu liên tiếp nhau trong mức lƣơng tối thiểu của một tỉnh thành hay một quốc gia.
- Dữ liệu bảng vi mô tập hợp đƣợc rất nhiều cá nhân, doanh nghiệp hay chủ thể sẽ có một sự đo lƣờng chính xác hơn.
- Dữ liệu bảng giúp ta nghiên cứu những mô hình hành vi phức tạp hơn. Ví dụ, các hiện tƣợng nhƣ lợi thế kinh tế theo qui mô và thay đổi kỹ thuật có thể đƣợc xem xét thông qua dữ liệu bảng tốt hơn so với dữ liệu theo chuỗi thời gian thuần túy hay theo không gian thuần túy.
- Đối với các biến vĩ mô, dữ liệu bảng có chiều thời gian dài hơn và chiều không gian cũng lớn nên có thể giải quyết vấn đề phân phối chuẩn của các biến.
Dữ liệu bảng đƣợc ƣớc lƣợng qua ba cách phổ biến là: Phƣơng pháp bình phƣơng tối thiểu nhỏ nhất OLS, mô hình tác động cố định (FEM), mô
hình tác động ngẫu nhiên (REM). Tuy nhiên mô hình OLS giả định các hệ số hồi quy (hệ số chặn và hệ số góc) là không thay đổi theo không gian cũng nhƣ không thay đổi theo thời gian này, điều này rất phi thực tế. Bên cạnh đó mô hình này có thể làm cho các ƣớc lƣợng thu đƣợc là chệch (biased) và không vững (inconsistent).
a. Mô hình hồi quy Pool – OLS
Hồi quy kết hợp tất cả các quan sát Yit = α1 + β1X1it +...+ βkXkit + Uit Trong đó:
Yit: Biến phụ thuộc của quan sát i trong thời kỳ t X2it, X3it: Biến độc lập của quan sát i trong thời kỳ t
Với mỗi đơn vị chéo, εi là yếu tố không quan sát đƣợc và không thay đổi theo thời gian, nó đặc trƣng cho mỗi đơn vị chéo. Nếu εi tƣơng quan với bất kỳ biến Xt nào thì ƣớc lƣợng hồi quy từ hồi quy Y theo Xt sẽ bị ảnh hƣởng chéo bởi những nhân tố không đồng nhất không quan sát đƣợc. Thậm chí, nếu εi không tƣơng quan với bất kỳ một biến giải thích nào thì sự có mặt của nó cũng làm cho cho các ƣớc lƣợng OLS không hiệu quả và sai số tiêu chuẩn không có hiệu lực.
Mô hình này có nhƣợc điểm là: Nhận dạng sai thể hiện ở DW.
Ràng buộc quá chặt về các đơn vị chéo, điều này khó xảy ra trong thực tế.
Vì vậy, để khắc phúc các nhƣợc điểm gặp phải ở mô hình Pure Pooled OLS, mô hình FEM và REM đƣợc sử dụng.
b. Mô hình tác động cố định (FEM)
Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hƣởng đến các biến giải thích, FEM phân tích mối tƣơng quan này giữa phần
dƣ của mỗi đơn vị với các biến giải thích qua đó kiểm soát và tách ảnh hƣởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ƣớc lƣợng những ảnh hƣởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Mô hình ƣớc lƣợng sử dụng:
Yit = Ci + β Xit + Uit
Trong đó
Yit : thời gian (năm). Xit : biến độc lập
Ci (i=1….n) : hệ số chặn cho từng đơn vị nghiên cứu. β : hệ số góc đối với nhân tố X.
Uit : phần dƣ.
Mô hình trên đã thêm vào chỉ số i cho hệ số chặn “c” để phân biệt hệ số chặn của từng doanh nghiệp khác nhau có thể khác nhau, sự khác biệt này có thể do đặc điểm khác nhau của từng doanh nghiệp hoặc do sự khác nhau trong chính sách quản lý, hoạt động của doanh nghiệp.
c. Mô hình tác động ngẫu nhiên (REM)
Điểm khác biệt giữa mô hình ảnh hƣởng ngẫu nhiên và mô hình ảnh hƣởng cố định đƣợc thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tƣơng quan đến biến độc lập – biến giải thích trong mô hình ảnh hƣởng cố định thì trong mô hình ảnh hƣởng ngẫu nhiên sự biến động giữa các đơn vị đƣợc giả sử là ngẫu nhiên và không tƣơng quan đến các biến giải thích.
Chính vì vậy, nếu sự khác biệt giữa các đơn vị có ảnh hƣởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dƣ của mỗi thực thể (không tƣơng quan với biến giải thích) đƣợc xem là một biến giải thích mới.
hình:
Yit = Ci + β Xit + Uit
Thay vì trong mô hình trên, Ci là cố định thì trong REM có giả định rằng nó là một biến ngẫu nhiên với trung bình là C1 và giá trị hệ số chặn đƣợc mô tả nhƣ sau:
Ci = C + εi (i=1,...n)
εi : Sai số ngẫu nhiên có trung bình bằng 0 và phƣơng sai là σ2
Thay vào mô hình ta có:
Yit = C + β Xit + εi + uit hay Yit = C + β Xit + wit wit = εi + uit εi : Sai số thành phần của các đối tƣợng khác nhau (đặc điểm riêng khác nhau của từng doanh nghiệp)
uit : Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tƣợng và theo thời gian.
d. Kiểm định các giả thiết của phương pháp ước lượng hồi quy
- Kiểm định giả thiết phƣơng sai không đổi: Bằng phƣơng pháp kiểm định Breusch-Pagan-Godfrey với giả thiết H0 là không có hiện tƣợng phƣơng sai thay đổi trong mô hình. Khi kiểm định cho ra kết quả có Prob > 0.05 thì ta chấp nhận giả thiết H0, từ đó kết luận mô hình không có hiện tƣợng phƣơng sai sai số thay đổi.
- Kiểm định giả thiết không có tự tƣơng quan: Kiểm định tƣơng quan chuỗi bậc hai - LM Breusch-Godfrey đƣợc thực hiện để kiểm định giả thiết không có tự tƣơng quan trong mô hình với giả thiết H0 “Không có hiện tƣơng tự tƣơng quan bậc 2”. Nếu kết quả kiểm định cho ra kết quả có Prob > 0.05 thì ta chấp nhận giả thiết H0, tức là không có hiện tƣợng tự tƣơng quan.
- Kiểm định giả thiết không có đa cộng tuyến: Kiểm định hiện tƣợng đa cộng tuyến thông qua nhân tử phóng đại phƣơng sai VIF. Nếu biến nào có VIF lớn hơn 10 thì xảy ra hiện tƣợng đa cộng tuyến trong mô hình.
e. Kiểm định Lagrangian Multiplier
Kiểm định Lagrangian Multiplier nhằm lựa chọn mô hình tốt hơn giữa FEM và OLS. Khi kết quả cho ra Prob < 0.05 thì mô hình FEM là mô hình phù hợp hơn so với mô hình Pooled OLS.
f. Kiểm định Hausman
Để xem xét mô hình FEM hay REM phù hợp hơn, ta sử dụng kiểm định Hausman. Thực chất kiểm định Hausman để xem xét có tồn tại tự tƣơng quan giữa εi và các biến độc lập hay không.
Giả thiết:
Ho: εi và biến độc lập không tƣơng quan H1: εi và biến độc lập có tƣơng quan
Khi giá trị P_value <0.05 ta bác bỏ Ho, khi đóm εi và biến độc lập tƣơng quan với nhau ta sử dụng mô hình tác động cố định.
Ngƣợc lại, ta sử dụng mô hình tác động ngẫu nhiên.