6. Kết cấu của đề tài
3.1 Mô hình nghiên cứu đề xuất:
Mối quan hệ giữa tỷ giá và CCTM được nhiều nhà nghiên cứu trong và ngoài nước quan tâm (đã được thể hiện ở chương 1 – các nghiên cứu trước về tỷ giá và CCTM). Bên cạnh yếu tố tỷ giá tác động đến CCTM, còn có các yếu tố khác như GDP quốc nội, GDP của các quốc gia đối tác, lạm phát, các chính sách ngoại thương,…. Và để xem ngoài yếu tố tỷ giá tác động đến CCTM còn có các yếu tố nào khác tác động đến cán cân thương mại không, tác giả sẽ xét đến hai yếu tố tác động chủ yếu đến CCTM đó là GDP Việt Nam, GDP đối tác. Vấn đề ở đây là sự thay đổi tương đối (%) của các yếu tố tác động lên CCTM đã tạo ra thay đổi tuyệt đối trong CCTM như thế nào.
Xét mô hình lin-log: Yi = 0 + i lnXi + Ui (3.1)
Trong đó:
Y: biến phụ thuộc
Xi: biến độc lập (biến giải thích thứ i)
i= dY/ (dX/X): thay đổi của Y/ thay đổi tương đối của X
Qua kết luận của chương 1, ta có thể thấy được các yếu tố chủ yếu tác động đến cán cân thương mại được biểu diễn bằng một hàm tổng quát như sau:
TB = f (REER, GDPVN, GDPW) (3.2)
Trong đó:
TB: Là cán cân thương mại của Việt Nam
GDPVN : Là GDP của Việt Nam GDPW : Là GDP của các đối tác
Từ biểu thức (3.1) và (3.2), suy ra mô hình nghiên cứu định lượng của luận văn có thể được viết như sau:
TB = 1 +2 ln(REERi) + 3 ln(GDPi W ) + 4 ln(GDPi VN ) + ui (3.3) Trong đó:
TB là CCTM của Việt Nam (hiệu số của xuất khẩu trừ nhập khẩu) REER là tỷ giá hối đoái hiệu lực thực đa phương của Việt Nam GDPWi là GDP của các đối tác tại kỳ thứ i
GDPVNi là GDP của Việt Nam tại kỳ thứ i i: kỳ tính toán
1, 2 , 3 ,4 là các hệ số hồi quy ln là logarit tự nhiên
ui là sai số ngẫu nhiên của mô hình
Tất cả những dữ liệu trong luận văn đều được thu thập dữ liệu theo quý (quarterly). Và qua quá trình nghiên cứu đường cong J cho thấy mối quan hệ giữa tỷ giá và cán cân thương mại có một độ trễ, nên luận văn sẽ đưa độ trễ vào mô hình.
Để đánh giá sự tác động của tỷ giá hối đoái, GDP Việt Nam và GDP của các đối tác đến CCTM, tác giả sẽ sử dụng mô hình VAR để ước lượng. Mô hình tự hồi quy vector (VAR) là mô hình mô tả một biến nội sinh thông qua biến trễ của nó và các biến nội sinh khác. Mô hình VAR có hai ứng dụng quan trọng đó là hàm phản ứng đẩy IRF (Impulse Response Function) và phân rã phương sai (Variance Decomposition).
sốc thành phần của các biến khác, từ đó cho thấy vai trò của các biến khác nhau đối với yếu tố cần quan sát.
Luận văn sử dụng dữ liệu thời gian trong quá khứ và phần mềm thống kê Eviews 6.0 hỗ trợ để phân tích và ước lượng mô hình.