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 mô hình FEM 1 chiều giả định rằng hệ số chặn sẽ thay đổi giữa các phần tử chéo, các hệ số góc không thay đổi. Tuy nhiên, chúng ta có thể chiết xuất các hệ số chặn 𝛽1 cho từng quốc gia như Bảng 4.3 sau (theo mô hình (3)):
Bảng 4.3: Hệ số chặn mô hình FEM(FD) từng quốc gia
Brunei Cambodia Indonesia Laos Malaysia 11.223224 8.181906 8.818312 8.395795 9.091477 Myanmar Philippines Singapore Thailand Vietnam 8.170522 8.311831 10.126415 8.632259 7.953170
Bảng 4.3 cho thấy rằng hệ số chặn của các quốc gia là khác nhau trong mô hình. Phép kiểm định tính gộp (Test of Poolability) và tính chéo (Test for Individual Effects) dưới đây (Bảng 4.4) một lần nữa cũng khẳng định điều này. Do đó, có thể thấy rằng mô hình FEM phù hợp hơn POLS.
Bảng 4.4: Kiểm định tính gộp, tính chéo mô hình FEM(FD)
Test of Poolability (Kiểm định tính gộp)
H0: Tất cả các hệ số chặn của các quốc gia giống nhau (không đổi) H1: Tất cả các hệ số chặn của các quốc gia khác nhau (thay đổi) data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR
F = 18.552, df1 = 45, df2 = 160, p-value < 2.2e-16 alternative hypothesis: unstability
Kết luận: Các hệ số chặn là khác nhau giữa các quốc gia
F Test for Individual Effects (Kiểm định tính chéo)
H0: Không có hiệu ứng chéo
H1: Có hiệu ứng chéo trong mô hình
data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR F = 332.33, df1 = 9, df2 = 205, p-value < 2.2e-16 alternative hypothesis: significant effects
Kết luận: Có hiệu ứng chéo trong mô hình
Nguồn: Tác giả tính toán
Tác giả tiếp tục thực hiện mô hình hồi quy tác động ngẫu nhiên REM28 với các biến trong mô hình (3) ở trên và thu được kết quả trong Bảng 4.5. Có thể thấy rằng, các hệ số hồi quy của các biến và dấu của chúng trong mô hình REM cũng không có sự khác biệt quá lớn so với mô hình FEM.
28 Mô hình REM cũng giả định rằng các hệ số chặn khác nhau cho từng đơn vị chéo và hệ số góc không đổi theo đơn vị chéo và thời gian. Tuy nhiên, khác với FEM, trong REM, hệ số chặn của các đơn vị chéo là một tổng hợp của 2 thành phần: (i) một hệ số chặn chung 𝛼 không đổi theo cả đối tượng chéo và thời gian (hệ số này xuất hiện trong kết quả hồi quy ở Bảng 4.5), (ii) một biến ngẫu nhiên 𝜀𝑖 (độc lập với Xit,k) là một thành phần của số thay đổi theo đơn vị chéo nhưng không đổi theo thời gian. 𝜀𝑖 này đo lường độ lệch ngẫu nhiên
Bảng 4.5: Mô hình FEM(FD) và REM(FD)
Dependent variable (Biến phụ thuộc):
LOG.GDPPC
FEM model (3) REM model
LOG.FD 0.710*** 0.727*** (0.097) (0.095) OPEN 0.249*** 0.258*** (0.076) (0.074) INF -1.818*** -1.841*** (0.313) (0.311) INF.SQ 1.397*** 1.418*** (0.283) (0.282) POPR -9.238*** -8.868*** (2.762) (2.742) Constant 8.898*** (0.404) R2 0.511 0.514 Adjusted R2 0.478 0.503 F Statistic 42.844*** 45.273*** df 5; 205 5; 214 Note: *p<0.1; **p<0.05; ***p<0.01
Nguồn: Tác giả tính toán
Tuy nhiên, để biết được mô hình nào tốt hơn trong việc giải thích các dao động trong GDPPC, tác giả thực hiện kiểm định Hausman (Bảng 4.6) và thấy rằng mô hình REM phù hợp hơn (p-value > 5%). Khả năng giải thích các dao động trong GDPPC của các biến số đạt loại khá (R2 > 50%)29.
Bảng 4.6: Hausman Test mô hình với FD
H0: Mô hình REM phù hợp hơn H1: Mô hình FEM phù hợp hơn
data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR
chisq = 2.001, df = 5, p-value = 0.849
alternative hypothesis: one model is inconsistent
Nguồn: Tác giả tính toán
29 Theo Nguyễn Văn Tuấn (2014), trong các ngành khoa học xã hội và kinh tế, hệ số R2 > 15% có thể xem là một mô hình đáng chú ý và có ý nghĩa.
Sau khi lựa chọn mô hình REM(FD), tác giả thực hiện một số kiểm định bổ sung khác (Bảng 4.7) bao gồm: kiểm định thừa biến, tự tương quan bậc 1, đa cộng tuyến, và kiểm định sự phụ thuộc chéo nhằm kiểm tra tính tối ưu của mô hình và để hiểu sâu sắc hơn dữ liệu nghiên cứu. Kiểm định tự tương quan theo Durbin-Watson cũng cho thấy rằng mô hình không có dấu hiệu bị giả mạo (chỉ số DW > R2).
Bảng 4.7: Các kiểm định bổ sung cho REM(FD)
Kiểm định thừa biến
Wald test
data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR Chisq = 226.36, df = 5, p-value < 2.2e-16
Kết luận: Không bị thừa biến
Kiểm định tự tương quan (Phương pháp BG)
Breusch-Godfrey/Wooldridge test for serial correlation in panel models
data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR chisq = 134.47, df = 22, p-value < 2.2e-16
alternative hypothesis: serial correlation in idiosyncratic errors
Kết luận: Có tự tương quan bậc 1 trong mô hình
Kiểm định tự tương quan (Phương pháp Durbin Watson)
Durbin-Watson test for serial correlation in panel models data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR
DW = 0.64452, p-value < 2.2e-16
alternative hypothesis: serial correlation in idiosyncratic errors
Kết luận: Có tự tương quan bậc 1 trong mô hình
Kiểm định đa cộng tuyến (VIF)
LOG.FD OPEN INF INF.SQ POPR 1.446507 1.287707 8.772588 8.708163 1.162918
Kết luận: Không có hiện tượng đa cộng tuyến
Kiểm định tính phụ thuộc chéo
Pesaran CD test for cross-sectional dependence in panels data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR
z = 8.4858, p-value < 2.2e-16
alternative hypothesis: cross-sectional dependence
Kết luận: Có sự phụ thuộc chéo trong mô hình.
Ngoài ra tác giả cũng kiểm định phương sai sai số thay đổi và thực hiện các ước lượng vững (Robust)(Bảng 4.8).
Bảng 4.8: Kiểm định phương sai sai số thay đổi cho REM(FD) và robust
Kiểm định phương sai sai số thay đổi
Breusch-Pagan test
data: LOG.GDPPC ~ LOG.FD + OPEN + INF + INF.SQ + POPR + factor(COUNTRY) BP = 256.26, df = 14, p-value < 2.2e-16
Kết luận: Có hiện tượng phương sai sai số thay đổi
Giải pháp: Kiểm soát hiện tượng, tính toán lại hệ số ước lượng vững
(heteroskedasticity consistent coefficients) với các sai số chuẩn (SE)
tương ứng
Kiểm soát hiện tượng heteroskedasticity (Robust)
REM gốc HC0 HC3 --- LOG.FD 0.727*** 0.727*** 0.727*** (0.095) (0.145) (0.154) OPEN 0.258*** 0.258* 0.258* (0.074) (0.132) (0.137) INF -1.841*** -1.841*** -1.841*** (0.311) (0.570) (0.621) INF.SQ 1.418*** 1.418*** 1.418** (0.282) (0.467) (0.568) POPR -8.868*** -8.868 -8.868 (2.742) (7.616) (8.932) Constant 8.898*** 8.898*** 8.898*** (0.404) (0.436) (0.450) ====================================== ====================================== Note: *p<0.1; **p<0.05; ***p<0.01
Nguồn: Tác giả tính toán
Theo Bảng 4.7 và 4.8, mô hình tồn tại hiện tượng tự tương quan và phương sai sai số thay đổi, và điều này là một đặc điểm khá đặc trưng của các dữ liệu dạng chéo hay panel. Sau khi kiểm soát các hiện tượng này30 bằng các ước lượng vững, tác giả nhận thấy sai số chuẩn của các hệ số hồi quy đã tăng lên. Nói cách khác, khoảng tin cậy của các hệ số này đã không còn bị đánh giá quá cao so với trước, các hệ số
30 Long và Ervin (2000) đã thực hiện nghiên cứu mô phỏng các hệ số ước lượng vững có kiểm soát phương sai sai số thay đổi (HC consistent estimators) trong các mô hình hồi quy tuyến tính và thấy rằng hệ số theo HC3 sẽ cho kết quả tốt hơn so với HC0 do White (1980) ban đầu, và cũng ổn định so với hệ số theo HC1 và HC2.
ước lượng trở nên vững hơn. Ngoài ra, đáng ngạc nhiên là hệ số hồi quy của POPR đã không còn ý nghĩa thống kê, tác động của OPEN lên LOG.GDPPC cũng đã trở nên yếu hơn.
4.3.2.2. Mô hình theo FI và FM
Tương tự như mô hình hồi quy theo FD, tác giả thực hiện các phép hồi quy và kiểm định cho FI và FM. Các kết quả được trình bày chi tiết trong Phụ lục E. Các kết quả tóm tắt chính như sau:
Bảng 4.9: Hồi quy FEM(FI) và FEM(FM)
Dependent variable (Biến phụ thuộc):
LOG.GDPPC (FI) (FM) LOG.FI 0.836*** (0.103) LOG.FM 0.235*** (0.040) OPEN 0.254*** 0.379*** (0.073) (0.073) INF -1.815*** -1.705*** (0.306) (0.326) INF.SQ 1.382*** 1.296*** (0.277) (0.294) POPR -8.469*** -11.120*** (2.713) (2.834) R2 0.532 0.471 Adjusted R2 0.500 0.434 F Statistic 46.616*** 36.445*** df 5; 205 5; 205 Note: *p<0.1; **p<0.05; ***p<0.01
Nguồn: Tác giả tính toán
Theo Bảng 4.9, cũng như mô hình theo FD, dấu hệ số hồi quy của các biến số cũng giống như kỳ vọng. Ngoài ra, tương tự như POLS đã chỉ ra, tác động của FI lên GDPPC mạnh hơn so với tác động của FM. Các hệ số chặn của từng quốc gia cho 2 mô hình lần lượt theo FI và FM được trình bày trong Bảng 4.10. Ngoài ra, các kiểm định tính gộp và tính chéo (Bảng PL 7) cũng cho thấy rằng mô hình FEM phù hợp hơn so với POLS.
Bảng 4.10: Hệ số chặn mô hình FEM(FI), FEM(FM) từng quốc gia
FEM(FI)
Brunei Cambodia Indonesia Laos Malaysia 11.030253 7.933702 9.033871 8.326547 9.071015 Myanmar Philippines Singapore Thailand Vietnam 7.872990 8.565852 10.166933 8.769349 7.900203
FEM(FM)
Brunei Cambodia Indonesia Laos Malaysia 10.735117 7.655557 8.194528 7.465705 8.671691 Myanmar Philippines Singapore Thailand Vietnam 8.495354 7.699551 9.513311 8.163310 7.149230
Nguồn: Tác giả tính toán
Tác giả tiếp tục thực hiện hồi quy REM lần lượt cho 2 biến số FI, FM. Kết quả trình bày tại Bảng 4.11 như sau:
Bảng 4.11: Các mô hình FEM, REM cho FI và FM
Dependent variable (Biến phụ thuộc):
LOG.GDPPC
FEM(FI) REM(FI) FEM(FM) REM(FM)
LOG.FI 0.836*** 0.868*** (0.103) (0.103) LOG.FM 0.235*** 0.238*** (0.040) (0.039) OPEN 0.254*** 0.269*** 0.379*** 0.387*** (0.073) (0.072) (0.073) (0.072) INF -1.815*** -1.852*** -1.705*** -1.718*** (0.306) (0.308) (0.326) (0.323) INF.SQ 1.382*** 1.416*** 1.296*** 1.309*** (0.277) (0.278) (0.294) (0.292) POPR -8.469*** -7.860*** -11.120*** -10.919*** (2.713) (2.719) (2.834) (2.805) Constant 8.878*** 8.369*** (0.333) (0.431) R2 0.532 0.535 0.471 0.473 Adjusted R2 0.500 0.525 0.434 0.461 F Statistic 46.616*** 49.324*** 36.445*** 38.460*** df 5; 205 5; 214 5; 205 5; 214 Note: *p<0.1; **p<0.05; ***p<0.01
Từ đây, tác giả lựa chọn mô hình bằng kiểm định Hausman. Kết quả kiểm định Hausman được trình bày trong Bảng 4.12.
Mô hình theo FI
Hausman Test
data: LOG.GDPPC ~ LOG.FI + OPEN + INF + INF.SQ + POPR chisq = 12.633, df = 5, p-value = 0.02707
alternative hypothesis: one model is inconsistent
Mô hình theo FM
Hausman Test
data: LOG.GDPPC ~ LOG.FM + OPEN + INF + INF.SQ + POPR chisq = 0.59289, df = 5, p-value = 0.9883
alternative hypothesis: one model is inconsistent
Kết quả kiểm định Hausman cho thấy, đối với mô hình theo FI, mô hình Fixed Effect phù hợp hơn so với Random Effect, trong khi mô hình theo biến FM thì nhất quán với mô hình theo FD (Random Effect phù hợp hơn).
Các kiểm định phụ như mô hình với FD cũng được thực hiện và trình bày trong Bảng PL. Các tính toán cho thấy, mô hình tồn tại hiện tượng phụ thuộc chéo, tự tương quan bậc 1 và phương sai sai số thay đổi. Sau khi thực hiện các ước lượng vững, sai số chuẩn của các hệ số hồi quy đã tăng lên. Nói cách khác, khoảng tin cậy của các hệ số này đã không còn bị đánh giá quá cao so với trước, các hệ số ước lượng trở nên vững hơn. Ngoài ra, hệ số hồi quy của POPR đã không còn ý nghĩa thống kê, tác động của OPEN lên LOG.GDPPC cũng đã trở nên yếu hơn.
Thảo luận kết quả
Dựa trên các kết quả tính toán hồi quy và kiểm định, tác giả có thể đưa ra một số những nhận xét sau đây:
- Thứ nhất, giống như kỳ vọng, các chỉ số phát triển tài chính có sự đóng góp vào tăng trưởng, cụ thể là tương quan dương tính với tăng trưởng trong cả 3 mô hình POLS, FEM và REM. Kết quả này hoàn toàn thống nhất với phần lớn các nghiên cứu trong hơn nửa thế kỷ qua, đặc biệt trong bối cảnh của bộ chỉ số mới vừa được ra đời. Điều này một mặt khẳng định nhận xét của Nicholas Stern cho rằng: “Trong nhiều năm qua, các kiểm định kinh tế lượng về mối quan hệ giữa hai biến số này càng
ngày càng vững chắc” (trích trong Caprio và Honohan, 2001), mặt khác cho thấy được tính khả thi trong việc sử dụng bộ chỉ mới này nhằm đánh giá tăng trưởng cũng theo dõi và thiết lập các chính sách cho khu vực tài chính nhằm thúc đẩy tăng trưởng.
- Thứ hai, cả hệ thống tài chính theo ngân hàng (đại diện bằng FI) và hệ thống tài chính theo thị trường (FM) đều tác động dương tính đến tăng trưởng. Kết quả thống nhất với Beck và Levine (2004), và như 2 tác giả này hàm ý rằng, các dịch vụ mà TTTC cung cấp có sự khác biệt nhưng cũng hiệu quả giống như khu vực TGTC. Ngoài ra, những tính toán cho thấy khu vực ngân hàng và TGTC (FI) luôn tác động mạnh hơn lên tăng trưởng so với khu vực TTTC (FM). Kết quả này thống nhất với nghiên cứu của Choe và Moosa (1999); và Ang và McKibbin (2007) khi nghiên cứu các nước đang phát triển (như Malaysia) hoặc trong giai đoạn phát triển (Hàn Quốc giai đoạn 1970 – 1992). Điều này có thể hàm ý rằng, hệ thống tài chính của khu vực Đông Nam Á vẫn phụ thuộc phần lớn vào những dịch vụ từ hệ thống ngân hàng và TGTC hơn là các giao dịch trên TTTC.
- Thứ ba, trong mô hình POLS, các yếu tố tương tác tác động âm tính đến tăng trưởng kinh tế. Điều này cho thấy rằng, nếu phát triển tài chính không phù hợp với phát triển kinh tế, thì phát triển tài chính có thể sẽ tác động yếu đi hoặc thậm chí làm giảm tăng trưởng nếu như sự chênh lệch này tăng lên. Khi đó, nền kinh tế sẽ rơi vào trạng thái mà Arcand và cộng sự (2015) gọi là “tài chính quá mức”(too much finance). Các tác giả đã chỉ ra rằng, có một ngưỡng chênh lệch mà tại đó phát triển sẽ gây hại đến tăng trưởng kinh tế.
- Thứ tư, trong tất cả các mô hình (POLS lẫn FEM và REM), tác động