3.1.1 Dữ liệu luận văn
Dữ liệu của luận văn thuộc dạng dữ liệu bảng bao gồm 8 nƣớc thuộc khu vực Đơng Nam Á trong giai đoạn từ năm 2000 đến năm 2017 (từ năm 2000 dữ liệu cho tồn bộ các quốc gia đƣợc lựa chọn trong nghiên cứu mới đầy đủ và dữ liệu cập nhật mới nhất đến năm 2017). Bộ dữ liệu của 8 nƣớc Đơng Nam Á trong giai đoạn 2000-2017 đƣợc thu thập từ nguồn Ngân hàng thế giới (World Bank) với bộ dữ liệu WDI (World Development Indicator). Danh sách 8 nƣớc Đơng Nam Á bao gồm: Việt Nam, Brunei, Campuchia, Indonesia, Lào, Malaysia, Philippines và Thái Lan.
Các nƣớc Đơng Nam Á trong mẫu nghiên cứu cĩ nhiều điểm tƣơng đồng với nhau nhƣ: đặc điểm về thu thập bình quân đầu ngƣời, đặc điểm dân cƣ, đặc điểm vị trí địa lý, cùng gắn liền với một số hiệp định thƣơng mại, lƣu chuyển dịng vốn... Dữ liệu của luận văn đƣợc tập hợp theo dạng dữ liệu bảng (panel data) nhằm tiến hành phân tích các mối quan hệ theo đơn vị chéo là các nƣớc Đơng Nam Á và đơn vị thời gian là qua các năm trong giai đoạn 2000-2017.
Dữ liệu bảng là một dạng dữ liệu đƣợc sử dụng phổ biến trong các nghiên cứu thực nghiệm, trong cả kinh tế vi mơ, nghiên cứu về hộ gia đình, doanh nghiệp và đặc biệt trong nghiên cứu kinh tế vĩ mơ, khi nghiên cứu về các quốc gia, các tỉnh thành…. Dữ liệu bảng là sự kết hợp cả dữ liệu đơn vị chéo và dữ liệu theo chuỗi thời gian, việc kết hợp này mang lại nhiều ƣu điểm trong phân tích các mối quan hệ kinh tế, đặc biệt khi muốn phân tích sự biến động của các đối tƣợng nghiên cứu theo thời gian cũng nhƣ phân tích sự khác biệt giữa các giữa các nhĩm đối tƣợng nghiên cứu.
Trong các mơ hình nghiên cứu của luận văn, để đảm bảo độ chính xác của kết quả ƣớc lƣợng thì tác giả sử dụng dữ liệu bảng cho các nƣớc Đơng Nam Á theo chuỗi thời gian với tần suất là năm.
Luận văn sử dụng dữ liệu bảng vì dữ liệu bảng cĩ các ƣu điểm sau đây:
Dữ liệu bảng liên quan đến các đối tƣợng (ngân hàng, doanh nghiệp, quốc gia…) theo thời gian, nên nhất định phải cĩ đặc điểm riêng (khơng đồng nhất) trong các đơn vị này. Kỹ thuật ƣớc lƣợng dữ liệu bảng cĩ xem xét những đặc điểm riêng này bằng cách xem xét các biến số cĩ tính đặc thù theo từng đối tƣợng.
Dữ liệu bảng cĩ thể phát hiện và đo lƣờng một cách tốt hơn sự tác động khơng thể quan sát đƣợc theo dữ liệu chỉ theo thời gian hoặc chỉ theo khơng gian thuần túy, tránh đƣợc phần nào bỏ xĩt các biến số cĩ ý nghĩa trong mơ hình, giúp phát hiện đƣợc sự khác biệt giữa các đối tƣợng khác nhau, thời gian khác nhau.
Bằng việc kết hợp những chuỗi quan sát theo thời gian và khơng gian, số quan sát tăng lên rõ rệt, do đĩ dữ liệu cung cấp nhiều thơng tin hơn, đa dạng hơn, dữ liệu bảng hạn chế đƣợc hiện tƣợng đa cộng tuyến giữa các biến độc lập, bậc tự do đƣợc tăng thêm và hiệu quả hơn.
Dữ liệu bảng cĩ thể làm phong phú các phân tích thực nghiệm theo những phƣơng pháp mà cĩ thể khơng đạt đƣợc đối với dữ liệu chuỗi thời gian hoặc dữ liệu khơng gian thuần túy.
Qua những lợi thế trên, việc sử dụng dữ liệu bảng trong các mơ hình nghiên cứu của luận văn đƣợc kỳ vọng cĩ thể mang lại kết quả ƣớc lƣợng đảm bảo đƣợc các tính vững, tính hiệu quả và tính khơng chệch. Luận văn sẽ cĩ nhiều gĩc nhìn phong phú hơn so với việc phân tích dữ liệu chéo hay dữ liệu chuỗi thời gian.
3.1.2 Phƣơng pháp ƣớc lƣợng dữ liệu bảng
Sau khi tiếp cận các nghiên cứu thực nghiệm trƣớc đây để xây dựng mơ hình nghiên cứu và thu thập dữ liệu, với bộ dữ liệu nghiên cứu thuộc dữ liệu bảng thì tác giả sẽ trình bày các phƣơng pháp ƣớc lƣợng cho dữ liệu bảng đƣợc sử dụng trong luận văn.
Đầu tiên, phƣơng pháp ƣớc lƣợng cho mơ hình Pooled OLS, FEM và REM đƣợc sử dụng cho luận văn này. Sự khác biệt giữa 3 mơ hình này đƣợc trình bày nhƣ sau:
Mơ hình hồi quy gộp (Pooled OLS Model)
Khi các đối tƣợng là đồng nhất, khơng tồn tại cĩ sự khác biệt về đặc điểm riêng giữa các đối tƣợng (Zi = 0), hoặc đặc điểm riêng khơng tác động đến biến phụ thuộc Yit thì cĩ thể dùng ƣớc lƣợng OLS để hồi quy dữ liệu bảng.
Mơ hình Pooled OLS cĩ dạng: Yit = β1 + β2X2it +…+ βkX ki + uit
Mơ hình hồi quy tác động cố định (FEM-Fixed Effects Model)
Khi các đối tƣợng là khơng đồng nhất, cĩ tồn tại sự khác biệt về đặc điểm riêng giữa các đối tƣợng (Zi ≠ 0), đặc điểm riêng Zi cĩ tác động đến biến phụ thuộc
Yit và cĩ tƣơng quan với các biến độc lập Xit. Vì vậy, biến Zi sẽ phải đƣa vào mơ hình, nếu đƣa Zi vào sai số uit thì mơ hình sẽ bị nội sinh do biến độc lập cĩ tƣơng quan với sai số. Biến Zi đƣa vào mơ hình nằm trong thành phần của hằng số, biến Zi
Mơ hình hồi quy tác động cố định cĩ dạng là: Yit = β1 Xit1 + β2 Xit2 + Zi + uit
Vì biến Zi cĩ tƣơng quan với các biến độc lập Xit cho nên mơ hình bị đa cộng tuyến vì vậy khơng thể dùng phƣơng pháp OLS để ƣớc lƣợng. Cĩ 3 phƣơng pháp ƣớc lƣợng mơ hình tác động cố định (FEM): hồi quy với biến giả (LSDV), hồi quy trong cùng nhĩm (within regression) và hồi quy sai phân (difference regression).
Hồi quy với biến giả (LSDV)
Chuyển FEM sang dạng mơ hình biến giả bình phƣơng tối thiểu (LSDV- Least Squares Dummy Variable). Để đo lƣờng chênh lệch hệ số chặn giữa những đối tƣợng (n đối tƣợng), ta dùng n-1 biến giả thêm vào mơ hình. Khi đĩ mơ hình trở thành :
Yit = β1 + β2 X2it +…+ βk Xkit + jDjit + uit
Trong đĩ Djit là một biến giả tƣơng ứng với một đối tƣợng trong mẫu, biến giả này đƣợc định nghĩa nhƣ sau:
Djit = 1 nếu là đối tƣợng j
Djit = 0 nếu khơng là đối tƣợng j
Hồi quy trong cùng nhĩm (within regression)
Chuyển dạng bên trong của mơ hình FEM. Chuyển dạng bên trong bằng cách tính biến số đã trừ trung bình để loại trừ thành phần αi khỏi mơ hình.
Yit = β1 + β2 X2it +…+ βk Xkit + αi + uit (1) Ῡit = β1 + β2 2it +…+ βk kit + αi + it (2)
(1) - (2) (Yit - Ῡit) = β2 (X2it - 2it) +…+ βk (Xkit - kit) + (uit - it)
Mơ hình lúc này cĩ thể ƣớc lƣợng bằng phƣơng pháp OLS, hồi quy (Yit - Ῡit) theo (X2it - 2it) và (Xkit - kit) để thu đƣợc ƣớc lƣợng của các hệ số β2… βk.
Hồi quy sai phân (difference regression)
Chuyển FEM sang dạng sai phân, để loại bỏ thành phần αi khỏi mơ hình. Yit = β1 + β2 X2it +…+ βk Xkit + αi + uit (1)
Yi,t-1 = β1 + β2 X2i,t-1 +…+ βk Xki,t-1 + αi + ui,t-1 (2) (1) - (2) ∆Yit = β2 ∆X2it+…+ βk ∆Xkit +∆uit
Mơ hình lúc này cĩ thể ƣớc lƣợng bằng phƣơng pháp OLS, hồi quy ∆Yit theo ∆X2it… ∆Xkit để thu đƣợc ƣớc lƣợng của các hệ số β2… βk.
Mơ hình hồi quy tác động ngẫu nhiên (REM-Random Effects Model)
Khi các đối tƣợng là khơng đồng nhất, cĩ tồn tại sự khác biệt về đặc điểm riêng giữa các đối tƣợng (Zi ≠ 0), đặc điểm riêng Zi cĩ tác động đến biến phụ thuộc
Yit và khơng cĩ tƣơng quan với các biến độc lập Xit. Vì vậy, biến Zi sẽ khơng cần phải đƣa vào mơ hình, mà biến Zi cĩ thể để trong sai số uit (vì khơng bị hiện tƣợng nội sinh). Biến Zi nằm trong thành phần sai số của mơ hình.
Mơ hình hồi quy tác động ngẫu nhiên cĩ dạng là: Yit = β1 Xit1 + β2 Xit2 + ωit Trong đĩ: ωit = Zi + uit (ωit là sai số phức hợp, gồm sai số của biến Zi đại diện cho các yếu tố khơng quan sát đƣợc thể hiện sự khác nhau giữa các đối tƣợng nhƣng khơng thay đổi theo thời gian và uit là sai số chung cho mọi đối tƣợng)
Phƣơng pháp ƣớc lƣợng GMM
Các phƣơng pháp ƣớc lƣợng tuyến tính cổ điển của mơ hình dữ liệu bảng nhƣ Pooled OLS, Fixed effect (FE, LSDV, FD) và REM đƣợc sử dụng chủ yếu để ƣớc lƣợng các mơ hình dữ liệu bảng tĩnh tuyến tính. Đối với mơ hình dạng bảng động (mơ hình dạng bảng động là mơ hình cĩ xuất hiện biến trễ của biến phụ thuộc làm biến độc lập) thì ƣớc lƣợng bằng phƣơng pháp OLS sẽ khơng cịn đáng tin cậy và cho kết quả ƣớc lƣợng bị thiên lệch. Khi đĩ, phƣơng pháp ƣớc lƣợng GMM đƣợc xem là lựa chọn thay thế phù hợp.
GMM (Generized Method of Moments) đƣợc gọi là phƣơng pháp moment tổng quát, đƣợc sử dụng trong các ƣớc lƣợng dữ liệu bảng động tuyến tính hoặc các dữ liệu bảng vi phạm tính chất HAC-Heteroskedasticity and AutoCorrelation (đa cộng tuyến và tự tƣơng quan). Mơ hình bảng động tuyến tính là mơ hình dữ liệu bảng tồn tại các vấn đề tự tƣơng quan của các sai số, cũng nhƣ tính chất động của mơ hình đƣợc thể hiện qua các biến trễ phụ thuộc (vấn đề biến nội sinh) sẽ làm thiên chệch kết quả ƣớc lƣợng.
Một số đặc điểm khi sử dụng phƣơng pháp GMM:
Dữ liệu bảng cĩ T nhỏ, N lớn (rất nhiều quan sát với ít mốc thời gian).
Tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc với các biến giải thích.
Mơ hình động với 1 hoặc 2 vế của phƣơng trình cĩ chứa biến trễ.
Các biến độc lập khơng phải là một biến ngoại sinh ngặt, nghĩa là chúng cĩ thể tƣơng quan với các phần dƣ hoặc tồn tại biến nội sinh trong mơ hình.
Tồn tại vấn đề phƣơng sai thay đổi hoặc tự tƣơng quan ở các sai số đo lƣờng.
Tồn tại các tác động cố định riêng rẽ.
Tồn tại phƣơng sai thay đổi và tự tƣơng quan trong mỗi đối tƣợng (nhƣng khơng tồn tại giữa các đối tƣợng).
Để ƣớc lƣợng dữ liệu bảng động cĩ 2 phƣơng pháp sau: D-GMM và S-GMM.
Phƣơng pháp DGMM (Difference GMM)
Xét phƣơng trình gốc (level equation):
Yit = β1 + β2X2it +…+ βkX ki + ɵYi,t-1 + αi + uit (1)
Xét phƣơng trình sai phân (difference equation / first-differenced equation): ∆Yit = β1 + β2 ∆X2it +…+ βk ∆X ki +ɵ∆Yi,t-1 +∆uit (2)
Ta cĩ: ∆Yi,t-1 = Yi,t-1 - Yi,t-2 và ∆Uit = Uit - Yi,t-1
Yi,t-2 cĩ tƣơng quan với biến bị nội sinh ∆Yi,t-1 nhƣng khơng tƣơng quan với sai số ∆Uit Yi,t-2 cĩ thể dùng làm biến cơng cụ, tƣơng tự Yi,t-3, Yi,t-4…cũng cĩ thể
dùng làm biến cơng cụ. Arellanol Bond (1995) đề xuất dùng GMM trên phƣơng trình sai phân để xử lý nội sinh của ∆Yi,t-1 và xử lý tự tƣơng quan của ∆Uit.
Việc xử lý nội sinh cho phƣơng trình sai phân bằng GMM đƣợc gọi là phƣơng pháp DGMM (Difference GMM). Hay nĩi cách khác, dùng GMM trên phƣơng trình sai phân gọi là DGMM.
Phƣơng pháp SGMM (System GMM)
Theo Blundell and Bond (1998) nếu biến phụ thuộc y gần với bƣớc ngẫu nhiên thì kết quả ƣớc lƣợng của phƣơng pháp D-GMM sẽ kém hiệu quả bởi vì các dữ liệu quá khứ chứa ít thơng tin để dự báo sự thay đổi trong tƣơng lai, vì thế các biến trễ khơng biến đổi đại diện khơng tốt cho các biến biến đổi trong mơ hình.
Để tăng tính hiệu quả Blundell and Bond phát triển một phƣơng pháp tiếp cận mới gọi là phƣơng pháp ƣớc lƣợng S-GMM đƣợc đề cập trong Arellano and Bover (1995) nhằm loại bỏ vấn đề thiên chệch động. S-GMM sẽ giải quyết vấn đề biến cơng cụ yếu đối với mơ hình bảng động.
Xét phƣơng trình gốc bị nội sinh do Yi,t-1 tƣơng quan với sai số gộp Vit = αi + uit. Biến cơng cụ phù hợp cho phƣơng trình gốc là biến ∆Yi,t-1 (∆Yi,t-1 = Yi,t-1 - Yi,t-2). Biến ∆Yi,t-1 là biến cơng cụ phù hợp vì: ∆Yi,t-1 cĩ tƣơng quan với Yi,t-1 và khơng tƣơng quan với sai số gộp Vit vì đã khử αi. Khi đĩ, ta cĩ thể xử lý nội sinh cho phƣơng trình gốc với biến cơng cụ ∆Yi,t-1 vừa tìm đƣợc.
Tuy nhiên, việc gộp phƣơng trình gốc và phƣơng trình sai phân nhƣ một hệ SUR sẽ đem lại ƣớc lƣợng hiệu quả hơn so với việc chạy từng phƣơng trình. Do đĩ, khi gộp phƣơng trình gốc và phƣơng trình sai phân ta đƣợc phƣơng pháp SGMM (System GMM).
3.2 Mơ hình nghiên cứu
Để phân tích thực nghiệm các yếu tố vĩ mơ tác động đến tăng trƣởng kinh tế tại các nƣớc Đơng Nam Á trong giai đoạn 2000-2017, việc lựa chọn và đƣa các biến
vào trong mơ hình nghiên cứu của luận văn đƣợc thực hiện dựa trên 2 tiêu chí sau đây:
Thứ nhất, các yếu tố đƣa vào mơ hình nghiên cứu phải gắn liền với các lý thuyết kinh tế và lƣợc khảo các nghiên cứu trƣớc đây cĩ liên quan đến đề tài, tác giả kế thừa mơ hình nghiên cứu của Ogunmuyiwa & A. Francis Ekone (2010).
Thứ hai, dữ liệu của các yếu tố đại diện cho mơ hình cĩ thể thu thập đƣợc tƣơng đối đầy đủ và đáng tin cậy.
Các nghiên cứu trƣớc đây chỉ ra rằng tăng trƣởng kinh tế là một khái niệm đa chiều và phức tạp. Kết quả thực nghiệm của các nghiên cứu này cho thấy khơng chỉ các yếu tố về kinh tế nhƣ: cung tiền, lãi suất, lạm phát, vốn đầu tƣ…mà cịn các yếu tố phi kinh tế nhƣ: lực lƣợng lao động, cơ sở hạ tầng… cĩ tác động quan trọng đến tăng trƣởng kinh tế.
Qua đĩ, dựa trên cơ sở lý thuyết kinh tế và các nghiên cứu thực nghiệm trƣớc đây liên quan đến đề tài mà luận văn xác định và tính tốn các biến trong mơ hình nghiên cứu nhƣ sau:
Mơ hình 1: Các yếu tố vĩ mơ tác động đến tăng trƣởng kinh tế dạng bảng tĩnh
GDPit = β1 + β2MSit + β3INTERESTit + β4CPIit + β5INVEST + β6LABORit + β7INFRASTit + αi + uit
Mơ hình 2: Các yếu tố vĩ mơ tác động đến tăng trƣởng kinh tế dạng bảng động
GDPit = β1 + β2GDPit-1 + β3MSit + β4INTERESTit + β5CPIit + β6INVESTit + β7LABORit + β8INFRASTit + αi + uit
Trong đĩ:
GDPit: là biến tăng trƣởng kinh tế, đƣợc đo lƣờng bằng tốc độ tăng GDP bình quân đầu ngƣời của quốc gia i theo năm t.
GDPit-1: là biến tăng trƣởng kinh tế, đƣợc đo lƣờng bằng tốc độ tăng GDP bình quân đầu ngƣời của quốc gia i theo năm t - 1.
MSit: là biến cung tiền, sử dụng phép đo cung tiền M2, đƣợc đo lƣờng bằng tốc độ tăng cung tiền hàng năm của quốc gia i theo thời gian t.
INTERESTit: là biến lãi suất, đƣợc đo lƣờng bằng lãi suất cho vay hàng năm của quốc gia i theo thời gian t.
CPIit: là biến lạm phát, đƣợc đo lƣờng bằng tỷ lệ lạm phát hàng năm của quốc gia i theo thời gian t.
INVESTit: là biến vốn đầu tƣ tồn xã hội, đƣợc đo lƣờng bằng tỷ lệ tổng vốn đầu tƣ tồn xã hội trên GDP hàng năm của quốc gia i theo thời gian t.
LABORit: là biến lao động, đƣợc đo lƣờng bằng tỷ lệ số ngƣời lao động trong độ tuổi lao động trên dân số hàng năm của quốc gia i theo thời gian t.
INFRASTit: là biến cơ sở hạ tầng, đại diện cho sự phát triển của cơ sở hạ tầng trong một quốc gia. Tác giả dựa trên các nghiên cứu của Barro và Sala-I- Martin (1995), Sanches & Robles (1998), Esfahani & Ramirez (2003) và sử dụng chỉ tiêu số thuê bao điện thoại cố định trên 100 hộ dân để đo lƣờng biến cơ sở hạ tầng.
αi : thể hiện đặc điểm riêng giữa các quốc gia khơng đổi theo thời gian.
uit : sai số đặc trƣng của mơ hình.
i: chỉ số đại diện cho quốc gia.
t: chỉ số đại diện cho thời gian quan sát (từ năm 2000 đến 2017)
Bảng 3.1 Tĩm tắt các biến trong mơ hình nghiên cứu
Ký hiệu Tên biến Đo lƣờng Kỳ vọng dấu
Biến phụ thuộc
GDP Tăng trƣởng
kinh tế
Biến độc lập
MS Cung tiền M2 Tốc độ tăng cung tiền hàng năm (%) +
INTEREST Lãi suất Lãi suất cho vay (%) -
CPI Tỷ lệ lạm phát Chỉ số giá tiêu dùng hàng năm (%) +/-
INVEST Đầu tƣ Đầu tƣ tồn xã hội theo GDP (%) +
LABOR Lao động Tỷ lệ số ngƣời lao động trong độ