Kiểm tra tính dừng của các biến
Khóa luận sử dụng kiểm định nghiệm đơn vị (Unit Root Test) với phương pháp ADF để kiểm tra tính dừng của các chuỗi thời gian. Với các chuỗi không dừng, tiếp tục lấy sai phân bậc 1 để khắc phục.
0 35.56269 NA 3.24e-08 -3.056269 -2.807336 -3.007675
1 154.8140 166.9518* 2.87e-12 -12.48140 -10.98780 -12.18984
2 195.4673 36.58795 1.08e-12* -
14.04673* 11.30846*- -13.51219*
*,**,*** tương ứng với các mức ý nghĩa 1%, 5%, 10%
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Kiểm định nghiệm tính dừng cho thấy chỉ LnUNE là chuỗi dừng, hay I(0). Để khắc phục tính không dừng của chuỗi số liệu còn lại, tiếp tục lấy sai phân bậc 1 và kết quả là LnFDI, LnGDP, LnOPEN, LnINR đều dừng tại bậc 1, hay I(1). Vậy ta có các biến bao gồm tích hợp bậc 0 và tích hợp bậc 1, không có biến nào là tích hợp bậc 2, thỏa mãn giả định số (2) của mô hình ARDL.
Chọn độ trễ tối ưu
Hiện tại, chưa có nghiên cứu chính thức nào chỉ rõ độ trễ tối ưu sử dụng trong các mô hình thời gian. Tuy nhiên, theo kinh nghiệm của các nhà nghiên cứu (rule of thumb), độ trễ tối đa cho dữ liệu theo năm là 2. Như vậy, mô hình có thể có độ trễ tối ưu là 0, 1 hoặc 2. Eviews đưa ra kết quả cho 5 loại tiêu chuẩn, giá trị nhỏ nhất của mỗi tiêu chuẩn chính là độ trễ tối ưu.
Theo các tiêu chuẩn FPE (Final prediction error), AIC (Akaike information Criterion), SIC (Schwarz information Criterion, hay còn còn được gọi là Bayesian information Critetion, viết tắt là BIC), HQ (Hannan-Quinn information Criterion), ta có thể kết luận độ trễ tối ưu của mô hình là 2. Nói cách khác, các biến trong mô hình sẽ có độ trễ tối đa là 2.
k F- statistic
1% 5% 10%
Đường
bao dưới bao trênĐường bao dướiĐường bao trênĐường bao dướiĐường bao trênĐường
4 20.53033 4.768 6.67 3.354 4.4774 2.752 3.994
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Khi lựa chọn mô hình, 2 loại tiêu chuẩn hiệu quả nhất thường được dùng là AIC và SIC. Theo Perasan và Shin (1997), kết quả của 2 tiêu chuẩn này khá trùng khớp nhau, tuy nhiên với mô hình có số mẫu nhỏ thì tiêu chuẩn SIC có kết quả tốt hơn một chút khi tạo ra một mô hình ổn định hơn tiêu chuẩn AIC. Điều này được lí giải bởi AIC có xu hướng cho nhiều độ trễ vào hơn, dẫn đến số quan sát bị giảm xuống. Mặt khác, theo Venus Khim-Sen Liew và các cộng sự (2008), với mẫu nhỏ khoảng 25 quan sát, SIC có kết quả tốt nhất. Vì vậy, khóa luận sử dụng tiêu chuẩn SIC để xây dựng mô hình.
Mô hình sẽ hiệu quả nhất khi độ trễ của các biến LnFDI, LnGDP, LnOPEN, LnINR, LnUNE lần lượt là 2,0,0,2,2. Mô hình này được Eviews lựa chọn trong 162 mô hình độ trễ. Độ trễ này là phù hợp nhất, thỏa mãn giả định (3) của mô hình ARDL.
c. Kiểm định đồng liên kết
Mục đích của kiểm định đồng liên kết là kiểm tra mối liên hệ dài hạn giữa các biến số. Với số quan sát ít, khóa luận sử dụng kiểm định đường bao (Bound Test) và giá trị tới hạn của Narayan.
ΔLnFDIt = αo + ∑!i=0 β1ΔLnFDIt-i + ∑l
i=0 β2ΔLnGDPt-i+ ∑l
i=0 β3ΔLnOPENt- i+ ∑l
i=0 β4ΔLnINRt-i+ ∑l
i=0 β5ΔLnUNEt-i + δ1LnGDPt-1 + δ2LnOPENt-1+ δ3LnINRt-1+ δ4LnUNEt-1 + St
Trong đó: Δ là sai phân, α là hệ số chặn, l là độ trễ tối ưu, i là số trễ, βj là hệ
số góc của các biến trong ngắn hạn, δ là hệ số góc của các biến trong dài hạn, St là nhiễu trắng
Để xem xét sự tồn tại của mối liên hệ dài hạn, các cặp giả thiết sau được sử dụng:
“HO: δ1 = δ2 = δ3 = δ4 (không tồn tại đồng liên kết)”
“HI: δ1 ≠ δ2 ≠ δ3 ≠ δ4 (tồn tại đồng liên kết)”
Method: ARDL
Date: 03/23/19 Time: 20:41 Sample (adjusted): 1998 2017
Included observations: 20 after adjustments
Maximum dependent lags: 2 (Automatic selection) Model selection method: Schwarz criterion (SIC)
Dynamic regressors (2 lags, automatic): LNGDP LNOPEN LNINR LNUNE Fixed regressors: C
Number of models evalulated: 162 Selected Model: ARDL(2, 0, 0, 2, 2)
Variable Coefficient Std. Error t-Statistic Prob
.* LNFDI(-1) 0.605622 0.137547 4.403005 170.00 LNFDI(-2) -0.417331 0.122393 -3.409767 0.00 78 LNGDP 0.607309 0.266167 2.281683 0.04 84 LNOPEN 2.030664 0.520394 3.902167 0.00 36 LNINR -0.370248 0.136934 -2.703843 0.02 42
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Giá trị tới hạn F-Statistic lớn hơn đường bao trên ở tất cả các mức ý nghĩa, bác
bỏ H0, chấp nhận H1. Điều này khẳng định sự tồn tại của đồng liên kết, hay giữa các
biến có mối quan hệ dài hạn. Ket quả mô hình
Với độ trễ (2,0,0,2,2) tương ứng với LnFDI, LnGDP, LnOPEN, LnINR, LnUNE đã được chọn từ tiêu chuẩn SIC, kết quả hồi quy thu được bằng mô hình ARDL như sau:
LNINR(-2) 0 0.123210 0.0031 LNUNE 0.47178 8 0.165203 2.855809 0.0189 LNUNE(-1) 0.82463 4 0.253544 3.252434 0.0100 LNUNE(-2) 0.63142 3 0.217910 2.897627 0.0177 C 11.56242- 1.259139 -9.182798 0.0000
R-squared 8 0.99830 Mean dependent var 11.51826
Adjusted R-squared 0.99642
8 S.D. dependent var 1.026672
S.E. of regression 0.06136
4 Akaike info criterion -2.442503
Sum squared resid 0.03389
0 Schwarz criterion -1.894850 Log likelihood 35.4250 3 Hannan-Quinn criter. -2.335595 F-statistic 530.954 8 Durbin-Watson stat 2.257384 Prob(F-statistic) 0 0.00000
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Variable Coefficient Std. Error t-Statistic Prob.
LNGDP 0.748186 0.194303 3.850614 0.0039
LNOPEN 2.501716 1.012633 2.470506 0.0355
LNINR 0.323623 0.158243 2.045107 0.0712
Với R2 điều chỉnh khá cao, mô hình giải thích được đến 99,64% các nhân tố
tác động tới FDI. Tuy nhiên R2 có thể cao do có nhiều biến và ít quan sát. Kết quả
hồi quy này sẽ được sử dụng để kiểm định tính tin vậy và ổn định của mô hình, được xét ở phần sau. Để tìm hiểu ý nghĩa của mô hình, cần xem xét tác động của các nhân tố này trong ngắn hạn và dài hạn. Mối quan hệ dài hạn giữa các biến số được thể hiện như sau:
2.3750*LNUNE)
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Ket quả hồi quy cho thấy, ở mức ý nghĩa 1% và 5%, lãi suất cho vay không có tác động tới FDI. Với mức ý nghĩa 10%, tất cả các yếu tố đều tác động tới FDI trong dài hạn. Trong đó độ “mở” của nền kinh té tác động mạnh mẽ nhất, sau đó là tỉ lệ thất nghiệp, GDP và cuối cùng là lãi suất cho vay.
- Về độ mở thương mại:
Hệ số co giãn của LnOPEN là 2.50, có ý nghĩa như sau: khi các yếu tố khác không đổi, độ mở thương mại tăng 1% sẽ thúc đẩy FDI tăng 2.50%. Các nhà đầu tư nước ngoài có xu hướng chọn đất nước có chi phí rẻ hơn để sản xuất rồi xuất khẩu (theo Vernon - thuyết vòng đời sản phẩm), khiến độ mở thương mại của nước nhận đầu tư trở nên rất quan trọng.
Việt Nam có lợi thế là gần với Trung Quốc - nơi có giá nguyên liệu, linh kiện thuộc hàng rẻ nhất thế giới. Các doanh nghiệp FDI có thể tận dụng lợi thế này bằng cách sử dụng nguyên liệu rẻ từ Trung Quốc, gia công tại Việt Nam (do giá nhân công rẻ), và xuất khẩu. Tiết kiệm chi phí về nguyên liệu, nhân công là cơ sở để các doanh nghiệp này gia tăng lợi nhuận.
Độ mở kinh tế của Việt Nam năm 2017 đã lên tới 200%. Con số này mang ý nghĩa: kim ngạch xuất nhập khẩu lớn gấp 2 lần GDP. Đây là thành quả của việc gia nhập nhiều tổ chức kinh tế quốc tế, đồng nghĩa với việc Việt Nam ngày càng nhận được nhiều ưu đãi hơn về xuất khẩu. Mặt khác, độ mở của nền kinh tế cũng được thể hiện ở các ưu đãi dành cho các nhà đầu tư nước ngoài. Như vậy, khi đầu tư vào Việt Nam, các nhà đầu tư nước ngoài có thể tiết kiệm được nhiều loại chi phí, có khả năng gia tăng lợi nhuận. Đó là lí do khiến độ mở thương mại trở thành yếu tố tác động mạnh mẽ nhất thúc đẩy sự gia tăng của FDI. Kết quả này trùng với nghiên cứu của
D(LNFDI(-1)) Nguyễn Văn Bổn và Nguyễn Minh Tiến (2014), Mugableh (2015), Hasli và cộng sự0.417331 0.085932 4.856507 0.0009 (2015), Dondashe và cộng sự (2018), Khamphengvong và cộng sự (2018).
- về tỉ lệ thất nghiệp
Tỉ lệ thất nghiệp cũng là một yếu tố quan trọng khi có mức tác động mạnh mẽ chỉ đứng sau độ mở của nền kinh tế. Khi các yếu tố khác không đổi, tỉ lệ thất nghiệp tăng 1% thì FDI tăng 2.37%. Kết quả này giống với nghiên cứu của Billington (1999),
Agnieszka Chidlow và Stephen Young (2008), Rubab Khan (2016).
Theo góc độ của nhà đầu tư nước ngoài, khi tỉ lệ thất nghiệp tăng cũng có nghĩa là đất nước đó có nhiều người chưa có công ăn việc làm, và để có được việc làm, họ sẵn sàng đi làm với mức lương thấp hơn mức họ đáng lẽ được nhận. Hạ thấp chi phí nhân công là một cơ sở để các doanh nghiệp đầu tư nước ngoài gia tăng lợi nhuận. Do đó tỉ lệ thất nghiệp không tác động ngược chiều tới FDI.
Ở nước ta hiện nay, tỉ trọng doanh nghiệp FDI sử dụng công nghệ cao chỉ chiếm 6%, đa số các doanh nghiệp FDI hoạt động trong lĩnh vực gia công, lắp ráp. Đây vốn là những ngành thủ công, cần nhiều lao động. Do vậy, thứ mà họ quan tâm không hẳn là chất lượng lao động mà là sự dồi dào, sẵn có của lao động.
Tỉ lệ thất nghiệp tăng mang lại lợi thế hơn trong việc thu hút vốn đầu tư FDI, tuy nhiên không có lợi cho nền kinh tế xã hội của Việt Nam.
- về GDP
GDP tăng 1% sẽ làm FDI tăng 0,75% khi các yếu tố khác không đổi. Với các nhà đầu tư tìm kiếm thị trường, một nền kinh tế với sự tăng trưởng của GDP cao luôn
tạo được sự hấp dẫn. Sự gia tăng của GDP cũng có nghĩa là thị trường đó có nhiều cơ
hội để thực hiện mục tiêu tối đa hóa lợi nhuận hơn. Do đó khi GDP tăng kéo theo sự
gia tăng của FDI. Kết quả này trùng với lợi thế địa điểm (lợi thế O) trong “Thuyết
chiết trung” của Dunning, nghiên cứu của Mohamed Ibrahim Mugableh (2014), Hoàng Thị Thu (2007), Lê Văn Thắng & Nguyễn Lưu Bảo Đoan (2017).
- về lãi suất cho vay
Trong dài hạn, nhân tố này có tác động cùng chiều với FDI. Khi các yếu tố khác không đổi, lãi suất cho vay tăng 1% sẽ làm FDI tăng nhẹ ở mức 0.32%. Kết quả
này trùng với “Lý thuyết lợi nhuận cận biên” của Mac Dougall, nghiên cứu của Rubab
Khan (2016), Salamatu Fornah, Zuo Yuehua (2017), Nandipha Dondashe và Andrew Phiri (2018).
Với các nhà đầu tư nước ngoài, có thể chi phí vốn cao không gây cản trở tới quyết định đầu tư vào một nước đang phát triển nhiều tiềm năng như Việt Nam. Để chấp nhận chi phí vay cao, các nhà đầu tư nước ngoài hẳn đã cân nhắc tới mức lợi nhuận nhận được tạo ra bởi khoản đầu tư này. Mặt khác, có thể các nhà đầu tư trực tiếp dùng vốn vay từ nước của họ với lãi suất thấp và đầu tư tại Việt Nam với mức lợi nhuận lớn hơn lãi suất cho vay ban đầu.
Kết quả trên chỉ cho biết ý nghĩa của các nhân tố tác động tới FDI trong dài hạn. Trên thực tế sẽ có những lúc FDI chệch ra khỏi trạng thái cân bằng này. Vì vậy, ta cần xem xét cả tác động trong ngắn hạn. Kết quả hồi quy trong ngắn hạn như sau:
Bảng 2.12: Ket quả hồi quy mô hình ARDL trong ngắn hạn (mô hình ECM)
D(LNINR(-1)) -0.494270 0.097419 -5.073676 0.0007
D(LNUNE) 0.471788 0.122046 3.865650 0.0038
D(LNUNE(-1)) -0.631423 0.138077 -4.572968 0.0013
CointEq(-1)* -0.811708 0.066660 -12.17680 0.0000
R-squared 0.946490 Mean dependent var 9 0.12853
Adjusted R-squared 0.921793 S.D. dependent var 0.18257
4
S.E. of regression 0.051058 Akaike info criterion -
2.842503
Sum squared resid 0.033890 Schwarz criterion -
2.493997
Log likelihood 35.42503 Hannan-Quinn criter. -
Value df Probabili ty
t-statistic 0.323067 8 0.7549
F-statistic 0.104372 (1, 8) 0.7549
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Kết quả kiểm định Ramsey với p-value lớn hơn các mức ý nghĩa α (1%, 5%,
10%), không có cơ sở bác bỏ HO cho thấy mô hình được chỉ định đúng, không bị bỏ
xót biến.
Kiểm định tự tương quan
Durbin-Watson Stat 2.257384
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Mô hình giải thích được 92,18% các nhân tố tác động đến FDI trong ngắn hạn.
Trong ngắn hạn, FDI chịu tác động của chính nó vào năm trước. Khi FDI năm trước tăng 1% sẽ dẫn đến FDI năm nay tăng 0,41% và ngược lại. FDI chịu ảnh hưởng của lãi suất, tỉ lệ thất nghiệp hiện tại và năm trước đó. Cụ thể, nếu lãi suất hiện tại tăng 1% làm FDI ngắn hạn giảm 0.37%, lãi suất năm trước tăng 1% sẽ làm FDI hiện tại giảm 0.49% và ngược lại. Tương tự với tỉ lệ thất nghiệp, tỉ lệ thất nghiệp hiện tại tăng
1% sẽ làm FDI ngắn hạn tăng 0.47%, tỉ lệ thất nghiệp năm trước tăng 1% làm FDI ngắn hạn giảm 0.63%. Để xác định đầy đủ tác động của tỉ lệ thất nghiệp và lãi suất, cần cộng tổng tác động của 2 thời điểm trên.
Có thể thấy trong ngắn hạn và dài hạn, tỉ lệ thất nghiệp và lãi suất có ý nghĩa trái chiều nhau. Điều này được lí giải bởi, trạng thái của FDI trong dài hạn là trạng thái không chịu bất cứ cú sốc nào của các biến độc lập. Trong ngắn hạn, một hay nhiều cú sốc của các biến độc lập sẽ tác động lên FDI và làm nó chệch đi so với trạng
thái cân bằng. Tuy nhiên trạng thái này sẽ được điều chỉnh dần dần với mức điều chỉnh là phần sai số hiệu chỉnh CointEq(-1) và trở lại trạng thái cân bằng trong dài hạn.
Sai số hiệu chỉnh CointEq(-1) là phần sai số thu được từ kết quả ước lượng các hệ số dài hạn, cho biết tốc độ điều chỉnh của các hệ số ngắn hạn quy tụ về cân bằng dài hạn trong mô hình. Hệ số này nằm trong khoảng [-1;0] và có ý nghĩa thống kê ở mức 1% khẳng định mối liên hệ dài hạn đồng tích hợp, trùng khớp với kết quả của kiểm định đường bao. Hệ số CointEq(-1) cho biết: khi các nhân tố thay đổi trong ngắn hạn, làm lệch giá trị FDI khỏi đường cân bằng trong dài hạn thì ở kì tiếp theo (năm sau đó), giá trị của các biến này có xu hướng quay lại vị trí cân bằng với mức độ điều chỉnh là 81.17%. Nói cách khác, mô hình sửa chữa sự mất cân bằng của năm trước với tốc độ 81.17% mỗi năm. Có thể nói sự sửa chữa này khá nhanh và mạnh mẽ. Với tốc độ này, sự mất cân bằng trong ngắn hạn sẽ được đưa lại trạng thái cân bằng trong dài hạn sau khoảng 1 năm 3 tháng.
Để chắc chắn hơn về tính chính xác và ổn định của mô hình, tác giả thực hiện kiểm định sự phù hợp của dạng hàm, tự tương quan, phương sai sai số thay đổi và kiểm định tổng tích lũy của phần dư (CUSUM Test), tổng tích lũy bình phương của phần dư (CUSUM Square Test).
Kiểm định sự phù hợp của dạng hàm:
Kiểm định Ramsey được sử dụng để kiểm tra dạng hàm với cặp giả thiết sau:
“HO: Mô hình không bỏ sót biến, dạng hàm đúng”
“HI: Mô hình bỏ sót biến/dạng hàm sai”
“Ho: Mô hình không tồn tại tự tương quan”
“HI: Mô hình có tự tương quan”
Bảng 2.14: Kết quả kiểm định tự tương quan
Obs*R-squared 13.81798 15 Scaled explained SS 2.095828 Prob. Chi-Square(10) 0.99 56 F-statistic 0.380164 Prob. F(1,8) 0.5547
Obs*R-squared 0.907294 Prob. Chi-Square(1) 0.3408
Nguồn: Trích từ kết quả phần mềm Eviews 10.0
Với p-value lớn hơn các mức ý nghĩa 1%, 5%, 10%, giả thiết HO không bị
bác
bỏ. Nói cách khác, mô hình không có hiện tượng tự tương quan.
Kiểm định phương sai sai số thay đổi