3.1. Mô hình nghiên cứu tác động tương đối của chính sách tiền tệ vàchính sách tài khoá đến tăng trưởng kinh tế chính sách tài khoá đến tăng trưởng kinh tế
3.1.1. Mô hình nghiên cứu và giả thuyết nghiên cứu
3.1.1.1. Mô hình nghiên cứu
Các dữ liệu được tác giả thu thập có các đặc điểm của chuỗi thời gian không dừng bậc gốc mà dừng ở bậc 1 nên sử dụng mô hình vector hiệu chỉnh sai số (Vector Error Correction Model - VECM) để thực hiện các đánh giá về xu hướng tác động trong ngắn và dài hạn là phù hợp. Phương pháp định lượng được sử dụng trong luận văn này để xem xét, đánh giá hiệu quả của CSTT và CSTK nhằm trả lời câu hỏi nghiên cứu đã đặt ra. Do đó, tác giả sử dụng hai mô hình để trả lời cụ thể cho từng câu hỏi.
Để trả lời cho vế thứ nhất: Giữa CSTT và CSTK, chính sách nào có tác động lớn hơn đến TTKT? Tác giả dựa trên mô hình được Sayera Younus (2012) sử dụng để đánh giá tác động của hai chính sách đến TTKT tại Bangladesh. Theo đó, tổng sản
phẩm quốc nội đại diện cho sự TTKT của một quốc gia, cung tiền được sử dụng để làm biến đại diện cho CSTT và mức thâm hụt ngân sách được sử dụng để đại diện cho CSTK. Mô hình 1 được ước lượng theo mô hình VECM và được trình bày cụ thể tại phương trình ( 3.1). k k k ∆GDPt ∑ β,∆GDPt-1 Í = 1 ∑ ⅝∆MSt-l Í=1 ∑ p.∆FISDEt-l + . ECM + Uα t Í=1 ( 3.1 ) + +
Để trả lời cho vế thứ hai: Các kênh truyền dẫn CSTT nào đang có hiệu quả? Tác giả sử dụng các biến số đại diện cho các kênh truyền dẫn được Nguyễn Duy Sữu (2017) sử dụng để xem xét cơ chế truyền dẫn của CSTT đến TTKT bao gồm kênh lãi suất, kênh tín dụng và kênh tỷ giá (giá ngoại tệ). Mô hình 2 được ước lượng theo mô hình VECM và được trình bày cụ thể tại phương trình ( 3.2).
Dấu kỳ vọng
__________Cung tiền__________ _________+_________ ______Thâm hụt ngân sách______ _________+_________ _______Lãi suất tiền gửi_______ -
Tỷ giá hối đoái thực đa phương _________+_________ Tín dụng trong nền kinh tế _________+_________
TEN BIẾN
ĐẶC ĐIỂM ĐƠN
VỊ NGUỒN
GDP Giá trị thực của tổng sản phẩm quốc nội
Tỷ đồng
Tổng cục thống kê (GSO)
MS Cung tiền theo quan điểm rộng (M2) Tỷ
đồng Quỹ tiền tệ Quốc tế (IMF) IR
D Lãi suất tiền gửi %/Năm Quỹ tiền tệ Quốc tế (IMF) CRE Tổng mức tín dụng trong nền kinh tế Tỷ
đồng
Quỹ tiền tệ Quốc tế (IMF)
REE
R Tỷ giá hối đoái thực đa phương Điểm https://www.bruegel.org/
k k k k
∆GDPt = ∑ β,∆GDPt-1 + ∑ δi∆IRDt-i + ∑ δl∆CREt-t + ∑ δi∆REERt-t
i = 1 i = 1 i = 1 i = 1 ______' k =' ( 3.2 ) k + ∑ p.∆FISDEt-i + . ECM + uα t i=1
Trong từng phương trình, các biến số được ký hiệu như sau:
_ GDP: Tổng sản phẩm quốc nội.
_ MS: Cung tiền theo phép đo M2.
_ FISDE: Mức thâm hụt ngân sách.
_ IRD: Lãi suất tiền gửi.
_ CRE: Mức tín dụng trong nền kinh tế.
_ REER: Tỷ giá hối đoái thực đa phương.
3.1.1.2. Giả thuyết nghiên cứu
Đối với mô hình ở phương trình ( 3.1), các giả thuyết cần phải kiểm định liên quan đến hiệu lực của từng chính sách đến TTKT trong phạm vi thời gian nghiên cứu.
_ Giả thuyết thứ 1: Khi CSTT được điều hành mở rộng sẽ có tác động tích cực đến TTKT.
_ Giả thuyết thứ 2: Khi CSTK được điều hành mở rộng sẽ có tác động tích cực đến TTKT.
_ Giả thuyết thứ 3: Có sự khác biệt về mức độ tác động giữa hai chính sách đến TTKT.
Đối với mô hình ở phương trình ( 3.2) các giả thuyết cần phải kiểm định liên quan đến hiệu lực của các kênh truyền dẫn CSTT đến tốc độ TTKT.
_ Giả thuyết thứ 1: Khi NHNN sử dụng các CCTT làm gia tăng lãi suất sẽ làm cho TTKT giảm.
_ Giả thuyết thứ 2: Khi NHNN sử dụng các CCTT làm tỷ giá hối đoái thực tăng sẽ làm cho TTKT tăng theo.
_ Giả thuyết thứ 3: Khi NHNN sử dụng các CCTT làm cho mức tín dụng trong nền kinh tế gia tăng sẽ có tác động thúc đẩy nền kinh tế tăng trưởng.
Như vậy, thông qua các giả thuyết kiểm định của mô hình được hình thành từ các lý thuyết về chiều hướng tác động của từng nhân tố đến TTKT được hệ thống hóa
tại chương 1, tác giả đã lập bảng kỳ vọng về dấu của từng biến được trình bày tại
Bảng 3.1.
Bảng 3.1 Chiều hướng tác động kỳ vọng của các biến trong mô hình hồi quy
Nguồn: Tác giả phân tích và nhận định
3.1.2. Dữ liệu nghiên cứu
dữ liệu được thu thập từ các nguồn thống kê đáng tin cậy và được trình bày cụ thể tại
Bảng 3.2.
3.2. Phương pháp nghiên cứu
3.2.1. Phương pháp phân tích định lượng sử dụng mô hình VECMMô hình VECM được phát triển từ mô hình vector tự hồi quy (Vector Mô hình VECM được phát triển từ mô hình vector tự hồi quy (Vector Autoregression - VAR) bằng cách đưa thêm thành phần hiệu chỉnh sai số vào mô hình giống như cách mà mô hình hiệu chỉnh sai số (Error correction model - ECM) đã thực hiện. Vì được phát triển từ mô hình VAR nên VECM là hệ các phương trình hồi quy theo OLS giữa giá trị hiện tại của biến này với giá trị trong quá khứ của chính
nó và các biến khác trong mô hình kết hợp với phần hiệu chỉnh sai số có được từ mối
quan hệ đồng liên kết.
Mô hình ECM được ước lượng đối với hai chuỗi dữ liệu thời gian có mối quan
hệ đồng liên kết vì giữa hai biến thì chỉ có thể có duy nhất một vector đồng liên kết. Trong khi đó, khi có nhiều biến trong mô hình đồng nghĩa với việc có thể có sự tồn tại nhiều hơn 1 vector đồng liên kết nên VECM là sự lựa chọn thích hợp với mô hình
như sau:
∆Yt = A1∆Yt-1 + A2∆Yt-2 + A3∆Yt-3 + A4∆Yt-4 + - + Ak∆Yt-k + YΠ t-1 + Ut Trong đó:
k là độ trễ được đưa vào mô hình
∆Yt,∆Yt-1,∆Yt-2,∆Yt-3,∆Yt-4, ...,∆Yt-k,Yt-1,ut là các ma trận cột với m dòng. Trong đó m là số dữ liệu chuỗi thời gian được đưa vào mô hình.
A1, A2, A3, A4,..., Ak là các ma trận vuông cấp m với các Uk thể hiện cho mức độ tác động của sự thay đổi của ΔYtl-k lên ΔYtitrong ngắn hạn.
Π là ma trận vuông cấp m thể hiện mối quan hệ dài hạn giữa các biến số. Ma trận Π là tích của hai ma trận ơmr và βrm trong đó r là hạng của ma trận Π. Trong hệ phương trình, hạng của ma trận là đại diện cho các vector độc lập tuyến tính
với nhau cho nên hạng của Π cũng là số lượng vector đồng liên kết tồn tại trong mô hình VECM. ơmr là ma trận chứa các tham số điều chỉnh sự mất cân bằng dài hạn giữa
các biến trong ngắn hạn và βrm là ma trận chứa các tham số thể hiện mối quan hệ tuyến
tính giữa các biến trong mô hình theo từng vector dòng của ma trận.
Để có thể hiểu rõ hơn về việc hiệu chỉnh sai số của Π, ta lấy ví dụ về một mô hình VECM gồm có 4 biến với rank(Π) = 1.
Khi đó ma trận Π, α, β là ( a1 1 a12 a22 a32 a42 a13 a23 a33 a34 ar4∖ . ia∆ a24 =α∙ =β ¾ ∙(β1 β2 β3 β4) 34 3 a44∕ ∖0t4∕
Khi nhân ma trận Π cho ma trận Yt-1 ta được
∙Y Π t-1= ∙ ∙Yα β t-1= (α2 )∙(β1 β2 β3 W β4)∙ Y_2Yt-1 γt3-1 ∖γtl-1∕ í2\ = «2 ∙ (01r'1-1 + 02^t2-1 + ⅛⅛1 + C4/ ftn4-1)
Như vậy, khi triển khai ra ma trận trên ra hệ phương trình ta được số hạng hiệu
chỉnh sai số tại mỗi phương trình lần lượt là: Phương trình 1: ∆Yt1: α1∙ (β1Yt1-1 + Phương trình 2: ∆Yt2: α2∙ (β1Yt1-1 + Phương trình 3: ∆Yt3: α3∙ (β1Yt1-1 + Phương trình 4: ∆Yt4: α4∙ (β1Yt1-1 +
β2Yt2-1 + β3Yt3-1 + β4Yt4-1) β2Yt2-1 + β3Yt3-1 + β4Yt4-1) β2Yt2-1 + β3Yt3-1 + β4Yt4-1) β2Yt2-1 + β3Yt3-1 + β4Yt4-1)
Điều này có nghĩa rằng, khi Yt1-1, Yt2-1, Yt3-1, Yt4
-1 bị lệch khỏi giá trị cân bằng dài hạn thì sau 1 kỳ mức độ lệch sẽ được giảm lần lượt là α1, α2, α3, α4.
3.2.2. Quy trình ước lượng mô hình VECM
Quy trình thực hiện được khái quát thành 7 bước cơ bản và được trình bày trong Hình 3.1.
Hình 3.1 Quy trình ước lượng mô hình VECM
Kiểm định tính dừng của
chuỗi dư liệu
Lựa chọn độ trễ tối ưu Lựa chọn mð hình và kiểm định đồng liên kết Kiểm định nhân quả Granger Kiểm định sự phù hợp của mð hình Ước lượng mð hình VECM Hàm phản ứng xung và phân rã phương sai
Nguồn:Phạm Thị Tuyết Trinh (2016)
Bước 1: Kiểm định tính dừng của chuỗi dữ liệu thời gian nhằm đảm bảo rằng các biến cùng bậc tích hợp với nhau để đảm bảo điều kiện cần cho sự tồn tại của quan
hệ đồng liên kết giữa các biến.
Bước 2: Lựa chọn bậc trễ tối ưu cho mð hình là một trong những bước quan trọng cần phải thực hiện trước khi lựa chọn mð hình đồng liên kết bởi vì nó quyết định số lượng các biến trễ được đưa vào mð hình VECM nên có tác động đến số lượng các tham số cần phải ước lượng và làm giảm một số lượng bậc tự do nhất định.
Điều này ảnh hưởng đến các trị thống kê trong kiểm định Johansen và các kiểm định khác cũng như tính chính xác của mð hình do khi số lượng bậc tự do giảm sẽ làm gia tăng sai số chuẩn. Do đó, cần phải đưa biến trễ vào mð hình một cách hợp lý nhằm đảm bảo tính hiệu quả nhất trong khả năng có thể của chuỗi dữ liệu.
Bước 3: Mối quan hệ đồng liên kết có nhiều dạng khác nhau nên việc lựa chọn
dạng phương trình đồng liên kết cũng mang tính cần thiết. Bởi ở mỗi dạng phương trình đồng liên kết sẽ cho ra các kết quả về sự tồn tại số lượng các vector đồng liên kết khác nhau dựa trên dữ liệu được đưa vào. Hiện phần mềm EViews cho phép tiến hành kiểm định đồng liên kết theo 5 mô hình, các mô hình khác nhau trong việc có sự tồn tại của hệ số chặn hay xu hướng. Do đó ta cần phải kiểm tra ở tất cả các mô hình để tìm ra số lượng vector đồng liên kết và các chỉ số thông tin của mô hình để lựa chọn cho phù hợp.
Bước 4: Ước lượng mô hình VECM để ta xác định được phương trình thể hiện
mối quan hệ dài hạn (phương trình đồng liên kết) và phương trình thể hiện mối quan hệ ngắn hạn. Nếu chỉ dựa vào dữ liệu để chỉ ra mối quan hệ giữa các biến thì không đủ cơ sở để phân tích tác động trong ngắn hạn giữa các biến với nhau nên sẽ được xem xét trong phân tích phân rã phương sai và hàm phản ứng xung.
Bước 5: Mô hình VECM được ước lượng dựa trên phương pháp OLS nên nó cũng phải tuân thủ theo các giả định về hồi quy. Do đó, để đảm bảo tính ước lượng hiệu quả không chệch và vững của mô hình thì ta cần phải đi kiểm định các giả thuyết
hồi quy như sự phân phối chuẩn và tự tương quan của phần dư.
Bước 6: Kiểm định nhân quả Granger được thực hiện để xác định xu hướng tác động giữa các biến tức là biến nào thực sự là biến phụ thuộc và biến nào là biến giải thích. Vì phương trình đồng liên kết chỉ thể hiện mối quan hệ dài hạn giữa các biến mà không cho ta kết quả về chiều hướng của phương trình đồng liên kết.
Bước 7: Phân tích hàm phản ứng xung và phân rã phương sai sẽ được tiến hành như mô hình VAR nhằm xác định sự thay đổi trong ngắn hạn của biến này do sự thay đổi của các biến khác trong mô hình trong khi các hệ số ước lượng qua các ma trận A1,A2,A3,A4, ...,Ak không có ý nghĩa phân tích.
3.2.2.1. Kiểm định tính dừng của chuỗi dữ liệu
Khi tiến hành nghiên cứu các vấn đề liên quan đến chuỗi dữ liệu thời gian về kinh tế như GDP, lãi suất, lạm phát, tỷ giá, sản lượng công nghiệp, thu nhập, tiêu dùng,... thì đặc tính dừng của dữ liệu cần phải được kiểm tra trước khi tiến hành nghiên cứu vì với chuỗi dữ liệu dừng sẽ phù hợp với các mô hình khác với chuỗi dữ liệu không dừng. Nguyên nhân chính dẫn đến điều này là vì khi tiến hành hồi quy theo phương pháp OLS của các chuỗi dữ liệu không dừng sẽ dẫn đến hiện tượng hồi quy giả mạo được Granger và Newbold chỉ ra vào năm 1977.
Theo Chương trình Giảng dạy Kinh tế Fulbright (2011-2013) thì một chuỗi dữ
liệu thời gian được xem là dừng khi “trung bình và phương sai của nó không đổi
theo
thời gian và giá trị của đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng
cách và độ trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm
thực tế mà đồng phương sai được tính”. Ta có thể viết dưới dạng biểu thức như sau:
Trung bình: E(Yt) = p; Vt
Phương sai: Var(Yt) = E(Yt— )μ 2= σ2; Vt
Đồng phương sai: Cov(γt, Yt-k) = E[(Yt— μ)(Yt-k— μ)] = γk; Vt, k
Như vậy, một chuỗi dữ liệu bị vi phạm một trong 3 điều kiện trên thì được xem là không dừng, ngược lại được gọi là chuỗi dừng yếu (dừng đồng phương sai). Hiện tồn tại nhiều phương pháp khác nhau để kiểm định tính dừng của một chuỗi dữ liệu thời gian như quan sát biểu đồ hàm tự tương quan (Auto Correlation Function - ACF) và thực hiện thống kê Q Box-Pierce hay Lujng-Box hoặc kiểm định nghiệm đơn vị theo Dickey Fuller (DF), Augmented Dickey Fuller (ADF) và Phillips Perron (PP). Tuy nhiên, phương pháp quan sát biểu đồ ACF đem lại kết quả khác nhau tuỳ thuộc vào cảm nhận của người sử dụng khi trị thống kê gần bằng hoặc chênh lệch nhỏ so với trị tới hạn do biểu đồ ACF khá tương đồng giữa chuỗi dừng và không dừng
khi áp dụng phương pháp này. Phương pháp kiểm định nghiệm đơn vị theo ADF được
nhiều nhà nghiên cứu sự dụng nên trong bài nghiên cứu này tác giả cũng sẽ tiến hành
sử dụng phương pháp trên để kiểm tra tính dừng của các chuỗi dữ liệu thời gian được
thu thập.
về mặt lý thuyết và thực tiễn, kiểm định ADF có ba dạng chủ yếu: Dạng 1: AYt = sr,-∣+ ∑'i=l βlAYt-l + Ut
Dạng 2: AYt = a + Srw + ∑M Ar∣ t-ι + Ut
Dạng 3: AYt = a + At + srw + ∑'=∣βtAYt-l + Ut
Trong đó, k là số biến trễ được đưa vào mô hình kiểm định thường được dựa trên các tiêu chuẩn thông tin như AIC, SC. Sự khác biệt chính giữa 3 mô hình là có đưa thêm hệ số chặn (thể hiện qua a) và xu hướng xác định (thể hiện qua T) vào mô hình kiểm định. Và hệ số cần kiểm định cho nghiệm đơn vị chính là δ với cặp giả thuyết là:
Giả thuyết HO : δ = 0 (có nghiệm đơn vị) Giả thuyết H1 : δ ≠ 0 (không có nghiệm đơn vị)
Như vậy, khi không có đủ cơ sở để bác bỏ giả thuyết HO đồng nghĩa với việc chấp nhận giả thuyết HO thì chuỗi dữ liệu có nghiệm đơn vị tức là chuỗi dữ liệu không
dừng và ngược lại khi giả thuyết HO bị bác bỏ (chấp nhận giả thuyết H1) thì chuỗi là chuỗi dừng.
3.2.2.2. Lựa chọn độ trễ tối ưu
Việc lựa chọn số lượng biến trễ tối ưu để đưa vào mô hình được nhiều nhà nghiên cứu đề xuất với các phương pháp khác nhau. Trong giáo trình về phân tích chuỗi dữ liệu thời gian của Helmut Lutkepohl (2005) đã trình bày cụ thể và rõ ràng về cơ sở lý thuyết và các phép toán đã được chứng minh để thực hiện các kiểm định. Sau đây tác giả chỉ trình bày sơ lược và ngắn gọn về quy tắc của các phương pháp kiểm định được đề xuất.