Bước 1: Dữ liệu thu thập được tổ chức dưới dạng bảng (panel), do nếu phân tích theo dữ liệu chuỗi thời gian hay dữ liệu chéo, số lượng quan sát ở từng quốc gia không đủ dài, vì vậy khó có thể đưa ra các kết quả phù hợp hoặc dễ dàng cho việc biên dịch.
Bước 2: Phân tích tương quan
Tác giả thực hiện phân tích tương quan giữa các biến bằng ma trận hệ số tương quan (r). Các hệ số này là một chỉ số thống kê đo lường mối liên hệ tương quan giữa 2 biến số. Theo lý thuyết thống kê cơ bản, thường ma trận này tính bằng hệ số tương quan Pearson:
𝑟 = ∑𝑛𝑖=1(𝑥𝑖−𝑥̅)(𝑦𝑖−𝑦̅)
√∑𝑛 (𝑥𝑖−𝑥̅)2
𝑖=1 ∑𝑛 (𝑦𝑖−𝑦̅)2 𝑖=1
(3.3)
Tuy nhiên trong trường hợp các biến số trong mô hình không tuân theo phân phối chuẩn, hệ số tương quan Pearson sẽ không hợp lý để đo lường tương quan giữa các biến (Nguyễn Văn Tuấn, 2014). Khi đó, hệ số tương quan Spearman (một phương pháp phân tích phi tham số) sẽ được sử dụng. Hệ số này được ước tính bằng cách biến đổi các biến số thành dạng thứ bậc, và tính toán độ tương quan giữa hai chuỗi số thứ bậc, do đó còn gọi là hệ số tương quan thứ bậc Spearman (Spearman’s Rank Correlation).
Bước 3: Về mô hình ước lượng, như Phụ lục E cho thấy, các nghiên cứu dữ liệu bảng phần lớn sử dụng các mô hình FEM/REM hoặc GMM. Tuy nhiên, đối với mô hình moment động GMM, các kết quả sẽ phù hợp hơn nếu số lượng các đối tượng chéo trong mô hình lớn (khoảng trên 30 đối tượng) với chiều thời gian ngắn (Hansen, 1982). Do đó, tác giả cho rằng sẽ không phù hợp khi áp dụng vào nghiên cứu này. Vì thế, tác giả lựa chọn mô hình FEM/REM để phân tích các dữ liệu. Mô hình phân tích sẽ được thực hiện với sự hỗ trợ của phần mềm Rstudio phiên bản 1.1.183, với gói phụ trợ plm do Croissant và Millo (2008) xây dựng.
Các thủ tục hồi quy theo mô hình tác động ngẫu nhiên (FEM) và tác động cố định (REM, hay mô hình các thành phần sai số) như sau:
- Thực hiện phân tích hồi quy gộp (Pool OLS), kiểm tra tính gộp, hiệu ứng chéo (cross-effect) hay tính không đồng nhất của đơn vị chéo (heterogeneity) và hiệu ứng thời gian (time-effect) trong mô hình.
- Thực hiện hồi quy FEM/REM, kiểm định Hausman để chọn lựa giữa 2 mô hình FEM/REM và kiểm định tự tương quan chuỗi tổng quát (general serial correlation test).
- Ngoài ra, do sự phát triển của các kỹ thuật kinh tế lượng cho dữ liệu panel gần đây, tác giả thực hiện thêm các kiểm định phụ như kiểm định thừa biến
(Wald test), kiểm định tự tương quan bậc 124(theo phương pháp của Durbin Watson và Breusch-Godfrey), kiểm định đa cộng tuyến (VIF test), kiểm định tính phụ thuộc chéo (cross-sectional dependence)25 theo phương pháp của Pesaran (2015) và kiểm định phương sai sai số thay đổi (heteroskedasticity). Nếu tồn tại heteroskedasticity, tác giả sẽ thực hiện các ước lượng vững cho mô hình.
24 Mặc dù trong dữ liệu panel, sự vi phạm này thường được chấp nhận vì nếu mô hình không tự tương quan bậc 1 thì cũng hiếm khi bị tương quan ở độ trễ lớn hơn (Phạm Thị Tuyết Trinh và cộng sự, 2016).
25 Hiện tượng phụ thuộc chéo trong dữ liệu bảng khi dao động của biến phụ thuộc bị ảnh hưởng bởi tương tác giữa các đối tượng chéo (ở đây là các quốc gia). Hiện tượng này là một hiện tượng xảy ra trong thực tế, đặc biệt trong bối cảnh toàn cầu hoá, khi chính sách của một quốc gia này có thể ảnh hưởng đến một quốc gia khác. Hiện tượng này trong phân tích dữ liệu bắt đầu được chú ý trong khoảng hơn 10 năm nay, và hiện nay phương pháp của Pesaran (2004, 2015) được cho là tối ưu nhất để xử lý hiện tượng này, nhất là trong các nghiên cứu đồng liên kết và nhân quả dữ liệu bảng. Khi kiểm định đồng liên kết, đòi hỏi các chuỗi dữ liệu phải là chuỗi dừng (stationary). Tuy nhiên, các phương pháp kiểm định tính dừng cho dữ liệu bảng truyền thống như IPS, Dickey-Fuller hay PP sẽ đều bị xem là không chính xác nếu hiện tượng này tồn tại trong bộ dữ liệu.
TỔNG KẾT CHƯƠNG 3
Trong chương này, tác giả đã thiết lập một mô hình định lượng đánh giá tác động của phát triển tài chính đến tăng trưởng kinh tế. Ngoài ra, các hiểu biết sơ bộ về cấu trúc của dữ liệu và phương pháp xử lý các dữ liệu trống cũng đã được thực hiện. Về mô hình tiên lượng, tác giả lựa chọn mô hình FEM/REM để phân tích và đánh giá quan hệ tương quan. Dựa trên các thủ tục chi tiết trong mô hình FEM/REM, chương tiếp theo sẽ trình bày các kết quả phân tích định lượng cũng như các thảo luận, nhận xét về mô hình.
KẾT QUẢ VÀ THẢO LUẬN
Thống kê mô tả
Bảng 4.1: Thống kê mô tả các biến số
vars n mean sd min max range se LOG.GDPPC 1 220 7.97 1.54 5.39 10.86 5.47 0.10 LOG.FD 2 220 -1.36 0.76 -3.24 -0.23 3.01 0.05 LOG.FI 3 220 -1.15 0.54 -2.56 -0.30 2.26 0.04 LOG.FM 4 220 -2.47 2.54 -8.48 -0.10 8.37 0.17 OPEN 5 220 1.22 0.95 0.00 4.42 4.41 0.06 INF 6 220 0.08 0.15 -0.02 1.28 1.31 0.01 INF.SQ 7 220 0.03 0.16 0.00 1.65 1.65 0.01 POPR 8 220 0.02 0.01 -0.01 0.05 0.07 0.00 INTER.FD 9 220 0.06 0.07 -0.15 0.31 0.46 0.01 INTER.FI 10 220 0.05 0.06 -0.19 0.35 0.53 0.00 INTER.FM 11 220 0.14 0.24 -0.12 1.05 1.17 0.02
Nguồn: Tác giả tính toán
Từ Bảng 4.1 thấy rằng, xét về trung bình, tỉ lệ lạm phát của khu vực nằm ở mức vừa phải (khoảng 8%). Tuy nhiên, mức độ dao động của tỉ lệ này khá lớn (15%). Điều này phần nào cho thấy khu vực không thực sự kiểm soát tốt lạm phát. Tuy nhiên, nhìn chung lạm phát có xu hướng thấp và giảm theo thời gian (Hình 4.1).
Tỉ lệ độ mở thương mại/GDP trung bình khá cao (122%) và độ dao động cũng khá lớn (95%). Giá trị nhỏ nhất của tỉ lệ này đạt mức 0% và cao nhất lên đến 442%, điều này cho thấy rằng từ thập kỷ 1992s, tình hình thương mại quốc tế có sự biến động khá rõ rệt trong giai đoạn nghiên cứu. Tuy nhiên, nhìn chung các nước đều có xu hướng tăng tỉ lệ này, chỉ riêng Malaysia và Singapore có xu hướng giảm xuống
Hình 4.1: Tỉ lệ lạm phát Đông Nam Á (1992 - 2016)
Nguồn: Tác giả tính toán
Hình 4.2: Độ mở thương mại Đông Nam Á (1992 - 2016)
Nguồn: Tác giả tính toán
GDP trên đầu người của khu vực có xu hướng tăng trưởng ổn định, chỉ riêng Singapore có một sự phát triển tột bậc nhờ những cải cách quan trọng trong thể chế và cũng như cơ cấu quản lý kinh tế của Thủ tướng Lý Quang Diệu từ những năm 1980, biến Singapore trở thành một trong 4 “con hổ châu Á” (Hình 4.3).
Hình 4.3: GDP đầu người Đông Nam Á (1992 - 2016)
Nguồn: Tác giả tính toán
Các chỉ số phát triển tài chính về trung bình nhìn chung không cao, mức độ dao động (SD) so với trung bình (mean) chỉ chiếm khoảng 50%, do đó có thể tạm kết luận rằng sự biến động trong phát triển tài chính ở khu vực châu Á không quá lớn. Tuy nhiên, Hình 4.4 cho thấy có sự phát triển đáng chú ý trong chỉ số FD và FI ở Thailand và Việt Nam, đặt biệt bắt đầu từ năm 2000, độ đốc 2 đường chỉ số này có sự thay đổi rõ rệt, đây là kết quả của tiến trình tái cơ cấu hệ thống tài chính sau khủng hoảng tài chính châu Á 199726. Các quốc gia còn lại đường biểu diễn chỉ số có độ dốc khá thoải, không có biến động quá mạnh như ở Việt Nam và Thailand.
26 Về cải cách hệ thống tài chính, ngân hàng Việt Nam sau khủng hoảng 1997 này có thể xem thêm tại http://thoibaotaichinhvietnam.vn/pages/tien-te-bao-hiem/2015-04-27/nganh-ngan-hang-va-nhung-dau-moc- sau-40-nam-thong-nhat-20273.aspx.
Hình 4.4: Các chỉ số phát triển tài chính ở Đông Nam Á
Phân tích tương quan
Tác giả thực hiện phân tích tương quan giữa các biến bằng ma trận hệ số tương quan (r) (Hình 4.5). Các hệ số này là một chỉ số thống kê đo lường mối liên hệ tương quan giữa 2 biến số. Theo lý thuyết thống kê cơ bản, thường ma trận này tính bằng hệ số tương quan Pearson:
𝑟 = ∑𝑛𝑖=1(𝑥𝑖−𝑥̅)(𝑦𝑖−𝑦̅)
√∑𝑛 (𝑥𝑖−𝑥̅)2
𝑖=1 ∑𝑛 (𝑦𝑖−𝑦̅)2 𝑖=1
(4.1)
Tuy nhiên do các biến số trong mô hình không tuân theo phân phối chuẩn, nên hệ số tương quan Pearson không hợp lý để đo lường tương quan giữa các biến (Nguyễn Văn Tuấn, 2014). Vì thế, tác giả thay thế bằng hệ số tương quan Spearman (một phương pháp phân tích phi tham số). Hệ số này được ước tính bằng cách biến đổi các biến số thành dạng thứ bậc, và tính toán độ tương quan giữa hai chuỗi số thứ bậc, do đó còn gọi là hệ số tương quan thứ bậc Spearman (Spearman’s Rank Correlation).
Hình 4.5: Ma trận hệ số tương quan Spearman với mô hình FD
Hình 4.6: Ma trận hệ số tương quan Spearman với mô hình FI
Nguồn: Tác giả tính toán
Hình 4.7: Ma trận hệ số tương quan Spearman với mô hình FI
Theo ma trận tương quan ở Hình 4.5, 4.6 và 4.7, hệ số tương quan Spearman giữa LOG.GDPPC và các chỉ số phát triển tài chính là rất cao (lần lượt là 84%, 91% và 78% cho FD, FI và FM) và có xu hướng dương tính. Tác giả nhận thấy hệ số tương quan giữa LOG.GDPPC và các biến tương tác cũng đạt mức khá cao (lần lượt là -79%, -75% và -80% cho INTER.FD, INTER.FI và INTER.FM). Ngoài ra, tương quan giữa OPEN và các chỉ số phát triển tài chính cũng đạt mức khá (trung bình khoảng 60%).
Phân tích hồi quy 4.3.1. Hồi quy OLS gộp
Bằng phương pháp hồi quy tuyến tính và lựa chọn mô hình theo trường phái Bayes (Bayesian school), tác giả lần lượt lựa chọn các mô hình hồi quy gộp tối ưu nhất theo từng biến FD, FI và FM (Hình 4.8 và Bảng PL 2).
Kết quả cho thấy, trong các mô hình tối ưu nhất phương pháp Bayes chọn:
- Các chỉ số phát triển tài chính (LOG.FD, LOG.FI và LOG.FM) đều có tương quan dương tính với LOG.GDPPC trong tất cả các trường hợp. Tuy nhiên, dễ nhận thấy rằng giữa FI và FM, biến FI tác động đến GDPPC mạnh hơn so với FM.
- Các biến tương tác chỉ có tác động âm đến LOG.GDPPC (đặc biệt xuất hiện liên tục trong trường hợp FD, các trường hợp FI và FM chỉ xuất hiện trong các mô hình có xác suất hậu định (posterior probability) nhỏ (khoảng 6%)). Kết quả này hoàn toàn thống nhất với Ayadi và cộng sự (2013); Ductor và Grechyna (2015); và Hoàng Thị Phương Anh và Đinh Tấn Danh (2015), khi tốc độ phát triển tài chính tăng nhanh hơn tốc độ tăng trưởng kinh tế, thì có thể làm cho thu nhập giảm. Bảng PL 2
cho thấy, khi có các biến số tương tác tham gia vào mô hình, thì hệ số hồi quy của các biến tài chính giảm đi đáng kể. Ngoài ra, mức độ tác động của biến tương tác và biến phát triển tài chính bị giảm xuống khi có yếu tố POPR.
- INF luôn luôn tương quan âm tính với LOG.GDPPC và hệ số hồi quy khá ổn định, nhưng INF.SQ lại tương quan dương tính với LOG.GDPPC trong hầu
hết các trường hợp. Tuy nhiên hệ số hồi quy của 2 biến số này khá ổn định trong tất cả các mô hình (trung bình bằng 5 cho INF và khoảng 3 – 4 cho INF.SQ). Điều này cho thấy rằng có tồn tại một hiệu ứng ngưỡng trong đó LOG.GDPPC bị tác động tuỳ theo ngưỡng lạm phát này. Tuy nhiên, dựa trên mục tiêu đề tài, tác giả tạm thời không bàn tới tác động ngưỡng này.
Hình 4.8: POLS theo phương pháp Bayes
- Tác động của OPEN lên LOG.GDPPC phần lớn là dương tính, đặc biệt xuất hiện trong tất cả các mô hình tối ưu theo FD và FM, còn trong mô hình theo FI thì chỉ xuất hiện khoảng 28%.
- Tác động của POPR lên LOG.GDPPC chỉ xuất hiện thường xuyên trong mô hình theo FI, tác động của biến số này theo kết quả ở Bảng PL 2cho thấy tính nhạy cảm rất lớn khi lần lượt đưa các biến số INTER.FI và OPEN vào mô hình (mức tác động bị giảm mạnh: hệ số hồi quy từ khoảng 30 giảm xuống còn khoảng 22).
Tác giả cũng thực hiện các kiểm định thừa biến (kiểm định Wald) và kiểm định đa cộng tuyến cho dữ liệu panel trong các mô hình POLS có đầy đủ các biến số, kết quả cho thấy không có biến số thừa trong mô hình (p-value < 5%) và không có hiện tượng đa cộng tuyến (các nhân tử phóng đại phương sai VIF < 10) (Bảng PL 3). Các kết quả POLS mặc dù cho thấy tác động dương tính giữa phát triển tài chính và tăng trưởng kinh tế, tuy nhiên do mô hình giả định hệ số 𝛽1 không có sự khác biệt giữa các đơn vị chéo. POLS không cho chúng ta biết phản ứng của GDPPC có thay đổi giữa các quốc gia và thay đổi theo thòi gian hay không. Nói cách khác, POLS bỏ qua sự khác biệt đặc trưng giữa các quốc gia. Giả định này chỉ đúng khi tất cả các đơn vị chéo là đồng nhất (homogeneous) và do đó khá phi thực tế. Ngoài ra, về mặt thống kê, các mô hình này có thể bị giả mạo (spurious) do thống kê Durbin Watson (Bảng PL 3) cho thấy có sự tự tương quan trong mô hình (chỉ số DW < R2
và p-value < 5%). Ngoài ra, khi kiểm định nhân tử Lagrange về hiệu ứng chéo và hiệu ứng thời gian, kết quả cho thấy giả định đồng nhất của POLS là không hợp lý
(Bảng PL 4)27.
Do vậy, tác giả tiếp tục thực hiện hồi quy bằng mô hình FEM/REM.
4.3.2. Hồi quy FEM/REM 4.3.2.1. Mô hình theo FD 4.3.2.1. Mô hình theo FD
Căn cứ trên kết quả POLS cho biến FD, tác giả thực hiện hồi quy FEM trong đó biến POPR và INTER.FD lần lượt được thay thế nhau trong mô hình FEM với hiệu ứng 1 chiều (cross-effect) và 2 chiều (cross- và time-effect)(Bảng 4.2).
Bảng 4.2: Hồi quy FEM theo FD
Dependent variable (Biến phụ thuộc):
LOG.GDPPC 1 WAY 2 WAYS (1) (2) (3) (4) (5) LOG.FD 0.846*** 0.748*** 0.710*** 0.150* 0.151* (0.097) (0.100) (0.097) (0.087) (0.088) OPEN 0.245*** 0.243*** 0.249*** 0.257*** 0.256*** (0.077) (0.075) (0.076) (0.063) (0.064) INF -1.844*** -1.726*** -1.818*** -1.115*** -1.115*** (0.323) (0.319) (0.313) (0.262) (0.263) INF.SQ 1.446*** 1.352*** 1.397*** 0.875*** 0.874*** (0.288) (0.284) (0.283) (0.231) (0.232) POPR -8.582*** -9.238*** 0.127 (2.793) (2.762) (2.296) INTER.FD 0.725* 0.537 0.750** 0.752** (0.377) (0.374) (0.307) (0.309) R2 0.493 0.516 0.511 0.213 0.213 Adjusted R2 0.459 0.480 0.478 0.064 0.059 F Statistic 39.944*** 36.232*** 48.844*** 9.976*** 8.269*** df 5; 205 6; 204 5; 205 5; 184 6; 183 Note: *p<0.1; **p<0.05; ***p<0.01
Nguồn: Tác giả tính toán
Kết quả cho thấy, LOG.FD tương quan dương và có ý nghĩa thống kê với LOG.GDPPC trong cả 5 mô hình. Các hệ số của OPEN, INF và INF.SQ cũng đạt dấu hệ số giống như kỳ vọng, đồng thời như lý thuyết chỉ ra, INF có hiệu ứng ngưỡng đối với LOG.GDPPC.
Ngoài ra có 3 điểm đáng chú ý:
- Thứ nhất, trong mô hình (1), INTER.FD tương quan dương khá yếu và có ý nghĩa thống kê với LOG.GDPPC;
- Thứ hai, trong mô hình (2) đầy đủ các biến, tác động của INTER.FD biến mất. Ngoài ra cũng thấy rằng tác động của POPR lên LOG.GDPPC âm tính rất mạnh và hệ số này khá cao so với tất cả các hệ số còn lại. Đồng thời, khi đưa POPR vào trong mô hình, tác động của LOG.FD lên LOG.GDPPC cũng bị giảm xuống đáng kể (từ 0.84 xuống 0.71).
- Thứ ba, mô hình FEM 2 chiều (mô hình (4) và (5)) có R2 giảm đi đáng kể khi xét hiệu ứng thời gian (từ 51.6% xuống 21.3%). Việc này hàm ý rằng hiệu ứng thời gian có lẽ không tham gia nhiều vào việc giải thích cho những dao động trong LOG.GDPPC. Điều này cũng khá hợp lý, do mô hình 2 chiều đã làm giảm khá nhiều bậc tự do so với mô hình 1 chiều (từ 205 xuống còn 184). Mặt khác, có thể do mô hình không đề cập đến sự thay đổi theo thời gian của các yếu tố về môi trường kinh doanh và đầu tư tại các quốc gia.
Từ những điểm trên, tác giả sẽ tập trung vào phân tích mô hình tác động ngẫu nhiên và cố định 1 chiều, đồng thời loại bỏ yếu tố tương tác khỏi các mô hình này (việc này cũng phù hợp với kết quả mà POLS đem lại, biến tương tác chỉ xuất hiện và có ý nghĩa trong mô hình POLS với FD).
Dễ nhận thấy rằng, kết quả hồi quy trong Bảng 4.2 không có hệ số chặn, vì