Tương tự như cách tiếp cận của Beck và Levine (2004), Bobba và Coviello (2007), Carpenter và Guariglia (2008), Chrigui và các cộng sự (2011), Levine và các cộng sự (2000), Neyapti và Dinçer (2005) và những tác giả khác, tác giả ước tính ban đầu mô hình tĩnh được đề cập ở trên (Phương trình (4)) bằng cách sử dụng phương pháp bình phương nhỏ nhất thông thường (OLS). Chính xác hơn, tác giả sử dụng phương pháp OLS gộp với sai số chuẩn vững (thuộc loại Huber - White) để hiệu chỉnh cho phương sai thay đổi của loại phương sai chưa biết và tương quan chuỗi bậc nhất. Uớc tính OLS gộp này rất quan trọng như là kết quả xấp xỉ đầu tiên của mối quan hệ giữa CBFS và lạm phát. Hơn nữa, để cung cấp kết quả OLS vững hơn, tác giả ước lượng hồi quy hai biến bằng cách sử dụng
phương sai thay đổi Newey-West và sai số chuẩn tự tương quan đồng nhất (HAC) và phương pháp tiếp cận của tác giả phù hợp với một số nghiên cứu trước đó (ví dụ, Choy và các cộng sự, 2012).
Table 6: Tóm tắt mô hình tĩnh
Mô hình
Phươn g trình
Tác giả Cách ước lượng Tác giả Khó khăn
Mô hình tĩnh Pt (4): Yi,t = αi + β1Xi,t + εi,t Beck và Levine (2004), Bobba và Coviello (2007), Carpenter và Guariglia (2008), Chrigui và các cộng sự (2011), Levine và các cộng sự (2000), Neyapti và Dinçer (2005) Phương pháp bình phương nhỏ nhất thông thường (OLS). - OLS có thể bị lệch – tính do không đồng nhất giữa các quốc gia & khả năng nội sinh
Tác giả Phương pháp OLS
gộp với sai số chuẩn vững (Huber - White); Từ đó nhằm hiệu chỉnh phương sai thay đổi & tương quan chuỗi bậc nhất (Beck và Levine, 2004; Carpenter và Guariglia, 2008)
OLS không kiểm soát hiệu ứng cố định quốc gia & không sử dụng các biến phụ thuộc có độ trễ trong hồi quy Choy và các cộng sự, 2012 Nhằm giúp kết quả OLS vững hơn:
ước lượng hồi quy hai biến bằng
phương sai thay đổi Newey-West & sai số chuẩn tự tương quan đồng nhất (HAC)
Tuy nhiên, ước tính OLS có thể bị lệch do tính không đồng nhất giữa các quốc gia cụ thể không quan sát được cũng như khả năng nội sinh của các biến hồi quy. Đặc biệt, phương pháp OLS không kiểm soát rõ ràng hiệu ứng cố định quốc gia cũng không sử dụng các biến phụ thuộc có độ trễ trong hồi quy (Beck và Levine, 2004; Carpenter và Guariglia, 2008). Do đó, tác giả ước lượng phương trình (5) bằng cách sử dụng hiệu ứng cố định chuyển đổi (nội bộ nhóm) thay cho hiệu ứng cố định. Theo đó, tác giả ước tính mô hình hồi quy lạm phát và CBFS như mô hình hiệu ứng cố định hai chiều dựa trên các nghiên cứu thực nghiệm trước đây, ví dụ, Aisen và Veiga (2006), Beck và Levine (2004), Bobba và Coviello (2007), Carpenter và Guariglia (2008), Falk (2006), và những người khác.
Phương pháp tiếp cận chính của tác giả được dựa trên phương pháp tổng quát moments (GMM) được giới thiệu bởi Hansen (1982) mà tác giả sử dụng bởi vì một số yêu cầu quan trọng về mặt kinh tế lượng. Đặc biệt, ước tính phương trình (5) bằng cách sử dụng đặc trưng hiệu ứng cố định, tuy nhiên có thể cung cấp một số ước tính bị lệch như (i) các ước tính có thể xảy ra tự tương quan đáng kể trong sai số của mô hình mảng, (ii) các số dư có phân phối không bình thường; (iii) quan hệ nhân quả nghịch giữa lạm phát và CBFS có thể không được giải quyết đầy đủ bằng độ trễ của biến bên trái là 1 năm, và (iv) cụ thể hơn, tất cả các biến bên phải có thể là biến nội sinh. Để giải quyết những vấn đề này cùng lúc và do đó để đảm bảo độ vững của kết quả thực nghiệm thu được thông qua các phương pháp hiệu ứng cố định và OLS gộp, mô hình mảng động ược sử dụng nhiều trong nghiên cứu. Cuối cùng, tác giả sử dụng các ước lượng GMM được phát triển cho các mô hình mảng động của Arellano và Bond (1991), Holtz - Eakin và các đồng sự (1988) và Arellano và Bover (1995) để ước lượng mô hình CBFS và lạm phát.
Table 6: Tóm tắt mô hình thực nghiệm mở rộng
Mô hình Phương trình
Tác giả Cách ước lượng
Mô hình thực nghiệm mở rộng pt (5): Yi,t = αi + Yi, t-1 + β/Xi,t + εi,t
- Hiệu ứng cố định chuyển đổi (nội bộ
nhóm) thay cho hiệu ứng cố định
Aisen và Veiga (2006), Beck và Levine (2004), Bobba và Coviello (2007), Carpenter và Guariglia (2008), Falk (2006)
Ước tính mô hình hồi quy lạm phát và CBFS -mô hình hiệu ứng cố định hai
chiều
Hansen (1982) Tổng quát moments (GMM)
Arellano và Bond (1991), Holtz - Eakin và các đồng sự (1988)
và Arellano và Bover (1995)
GMM trên mô hình mảng động (để đảm bảo độ vững kết quả thực nghiệm - qua phương pháp hiệu ứng cố định và OLS
gộp)
Arellano và Bond ( 1991) Sai phân với mô hình hồi quy truyền thống:
pt (6) đưa ra tương quan giữa sai số mới
, , 1
i t i t
& biến phụ thuộc có độ trễ
, 1 , 2
i t i t
Y Y
Các ước lượng mảng GMM dựa vào phương trình ước lượng vi phân bậc nhất để loại bỏ các hiệu ứng cố định quốc gia cụ thể, và cũng sử dụng độ trễ thích hợp của các biến bên phải như là các công cụ chính sách. Theo đó, Arellano và Bond ( 1991) đề xuất sai phân với mô hình hồi quy truyền thống được trình bày bởi phương trình (5) như sau:
, , 1 , 1 , 2 , 1 , 2 , , 1 , , 1
Mô hình được đưa ra bởi phương trình (6) giải quyết một số vấn đề kinh tế lượng, nhưng mô hình cũng đưa ra một tương quan giữa sai số mới i t, i t, 1 và các biến phụ thuộc có độ trễ Yi t, 1 Yi t,2. Để giải quyết vấn đề tương quan này và có thể xảy ra nội sinh
của các biến giải thích, Arellano và Bond (1991) đề nghị sử dụng các giá trị độ trễ của các biến giải thích ở mức độ như là công cụ chính sách. Theo các giả định thì (i) các sai số không tương quan chuỗi, và (ii) các biến giải thích là biến ngoại sinh yếu, các ước lượng mảng động GMM sử dụng các điều kiện moment và ước lượng dựa trên những điều kiện này được gọi là ước lượng GMM16
"sai phân". Tuy nhiên, một số thiếu sót về mặt kinh tế lượng có thể được quan sát với ước lượng GMM sai phân. Chủ yếu như Blundell và Bond (1998) cho thấy những vấn đề ước lượng GMM sai phân bậc nhất có liên quan đến sự tương quan yếu giữa những sai phân hiện tại của hồi quy và các mức độ trễ của các công cụ chính sách. Để giải quyết những vấn đề này, Arellano và Bover (1995) đề xuất một phương pháp thay thế để ước tính hồi quy sai phân cùng với hồi quy ở các mức độ. Phương pháp này được gọi là ước lượng GMM “hệ thống” và nó đã cải thiện hiệu quả của các ước lượng sai phân bậc nhất và do đó cung cấp kết quả phù hợp điều chỉnh cho các vấn đề thống kê nêu trên.
Hơn nữa, từ quan điểm ứng dụng, ước lượng GMM sai phân bậc nhất được cho là vận hành kém khi chuỗi thời gian là ổn định và số lượng các chuỗi thời gian nhỏ (Falk, 2006), cũng là trường hợp của mẫu quốc gia được chọn của tác giả. Do đó, theo một số nghiên cứu thực nghiệm trước đây trong lĩnh vực kinh tế vĩ mô và tài chính, ví dụ, Beck và Levine (2004), Cole và các đồng sự (2008), Falk (2006), Levine và cộng sự (2000), Rioja và Valev (2004) và đặc biệt là nghiên cứu về các yếu tố lạm phát, ví dụ Aisen và Veiga (2006), tác giả sử dụng ước lượng mảng GMM hệ thống đề xuất bởi Arellano và Bover (1995) và Blundell và Bond (1998) để trích xuất ước tính thống nhất và hiệu quả cho các
16 Các ước lượng dữ liệu mảng động Arellano–Bond sử dụng các công cụ sau: mức độ của biến phụ thuộc có độ trễ 2 hay nhiều hơn 2 thời kỳ, mức độ của các biến nội sinh có độ trễ là 2 hay nhiều hơn 2 thời kì, và sai phân bậc nhất của biến ngoại sinh hoàn toàn, được sử dụng như công cụ chính sách riêng của chúng.
tác động của CBFS trên lạm phát động17
. Tóm lại, phương pháp ước lượng GMM Blundell - Bond đặc biệt phù hợp cho trường hợp của tác giả cho rằng dữ liệu mảng của tác giả thoả mãn các giả định thường được xây dựng trong trường hợp này: (i) thời gian ngắn và kích thước xuyên quốc gia rộng tương đối, (ii) sự hiện diện của biến giải thích nội sinh, (iii) hiệu ứng cố định và (iv) phương sai thay đổi và tự tương quan trong các sai số riêng.
17 Phương pháp của tác giả giống hệt như Aisen và Veiga (2006) đã áp dụng OLS gộp, hiệu ứng cố định (trong) và phương pháp GMM hệ thống để thiết lập mối quan hệ giữa bất ổn chính trị và lạm phát.
Thống kê mô tả và hệ số tương quan (mẫu đầy đủ).
Variable Descriptive statistics Correlation coefficients
No. of obs. Mean Std. Dev Min Max CPI_INF CBFS2 PER CAP OIL P MONEY CBI
Full sample CPI_INF 198 5.03 3.69 −1.06 23.64 1.000 CBFS2 178 16.74 27.87 −95.46 111.07 −0.1958* 1.000 (0.0101) PER CAP 198 8.65 9.16 0.21 30.35 −0.5392* 0.1670* 1.000 (0.0001) (0.0285) OIL P 198 35.66 19.28 16.77 77.48 0.1670* 0.1005 0.0560 1.000 (0.0187) (0.1896) (0.4330) MONEY 198 12.90 6.71 −4.61 38.37 0.4882* 0.061 −0.3283* 0.1970 1.000 (0.0001) (0.4246) (0.0001) (0.0504) CBI 198 0.20 0.44 0 3 0.1798* 0.0145 0.0499 −0.0572 −0.0305 1.00 0 (0.0113) (0.8499) (0.4853) (0.4232) (0.6698)
Lưu ý: Bảng này trình bày số liệu thống kê mô tả và hệ số tương quan cho các biến của mô hình. Sau đây là các định nghĩa của các biến và các nguồn có liên quan được trình bày trong dấu ngoặc đơn: CPI_INF - thay đổi mỗi năm trong chỉ số giá tiêu dùng (Chỉ số Phát triển Thế giới, WDI); CBFS2 - sức mạnh tài chính NHTW, tức là tổng nguồn vốn của NHTW và các thành phần khác được gộp lại bởi tổng tài sản NHTW (tài sản NHTW
PER CAP – thu nhập bình quân đầu người thực tế trên ngàn đô la Mỹ (WDI), OIL P- giá dầu quốc tế (WDI); MONEY – thay đổi hằng năm trong tiền rộng, tức là M2 (IFS); CBI - sự độc lập thực sự của NHTW đại diện bởi tỷ lệ doanh thu (Dreher và các đồng sự., 2008). Sai số chuẩn của hệ số tương quan được trình bày trong ngoặc đơn.
nó được giả định bị ảnh hưởng bởi sai số có độ trễ. Đồng thời, đại diện cho CBFS được trang bị bởi biến trễ bậc hai. Tác giả áp dụng ước lượng một bước để tạo ra kết quả thực nghiệm18. Hơn nữa, sự thống nhất của ước lượng GMM phụ thuộc vào giá trị công cụ chính sách và sự vắng mặt của tương quan chuỗi bậc hai. Do đó, tác giả sử dụng thống kê Sargan để kiểm định những hạn chế được xác định mà giả thuyết không cho rằng các biến công cụ chính sách không tương quan với số dư, và sau đó kiểm định tương quan chuỗi, tức là thống kê AR (2) mà giả thuyết không cho là các sai số trong công thức phương trình sai phân không có tương quan chuỗi bậc hai, để kiểm định các điều kiện này.
2.Các kết quả thực nghiệm và nghiên cứu