10 Do banks gain or lose from Inflation? Journal of Retail Banking Từ trang số 25 đến trang số
2.2.2. Phương pháp xử lý dữ liệu
Thực nghiệm trong kinh tế là giải thích mối quan hệ giữa các đại lượng độc lập đối với biến phụ thuộc. Hay nói cách khác là nghiên cứu thực nghiệm muốn biết sự tác động của Xi| lên Y theo chiều hướng lẫn độ tác động như thế nào. Để trả lời được vấn đề này thì phải dựa vào mẫu dữ liệu thu thập nhằm có một kết quả ước lượng không chệch của biến độc lập đối với biến phụ thuộc. Việc kiểm soát được kết quả ước lượng trong mô hình hồi quy thì điều tiên quyết là phải kiểm soát được các biến nhiễu trong mô hình, bao gồm những biến quan sát được và không quan sát được. Đối với những thành phần nhiễu quan sát được thì việc mô hình tuyến tính cổ điển Gauss (CLRM) có thể giải quyết được những vấn đề thường xuyên gặp phải trong mô hình như: Phương sai của nhiễu, tương quan phần dư của nhiễu, tính đa cộng tuyến. Đồng thời ước lượng OLS trên mô hình thuộc dạng dữ liệu quan sát nhiễu được như thế này sẽ mang ước lượng không có độ thiên lệch (không chệch) hoặc sai số đặc trưng, có tính nhất quán và hiệu quả nhất (tính chất BLUE). Còn đối với các biến nhiễu không quan sát được, điều đó tùy vào đặc điểm, tính chất khác nhau của từng lớp đối tượng và thời gian mà lựa chọn mô hình hồi quy tác động cố định (FEM) hay mô hình hồi quy tác động ngẫu nhiên (REM) cho phù hợp. Cả hai mô hình này đều đòi hỏi chúng ta phải thao tác và sử dụng dữ liệu bảng (panel data).
Dữ liệu bảng đôi khi còn được gọi là dữ liệu gộp (longitudinal data) mô tả nhiều đại lượng tương ứng với tần số quan sát qua nhiều đối tượng (cá nhân, doanh
nghiệp, tỉnh, thành phố, quốc gia) theo một chuỗi thời gian xác định cho từng đối tượng là như nhau. Có thể nói dữ liệu bảng là sự kết hợp của dữ liệu chéo (cross section) và dữ liệu theo thời gian (time series). Để có thể thu thập được dữ liệu bảng ta cần tiến hành thu thập một hoặc nhiều đặc điểm của đối tượng nghiên cứu trong cùng một khoảng thời gian. Dữ liệu bảng có nhiều ưu thế hơn so với nhóm dữ liệu thông thường, điển hình dữ liệu bảng có 2 điểm nổi trội như sau:
Đầu tiên, các ước lượng tham số trong mô hình hồi quy bằng dữ liệu bảng sẽ cho kết quả có độ tin cậy cao hơn, điều này được thể hiện qua ba yếu tố: Thứ nhất dữ liệu bảng sẽ kiểm soát được những thành phần không quan sát được. Các thành phần này có thể không giống nhau giữa các đối tượng nhưng không thay đổi theo thời gian hoặc có thay đổi theo thời gian nhưng giống nhau giữa các đối tượng. Điều này phần nào đã làm thay đổi để giảm sự chênh lệch trong ước lượng tham số mô hình. Yếu tố thứ hai, thông thường sự biến động trong dữ liệu bảng thường nhiều hơn so với dữ liệu chéo hoặc dữ liệu thời gian. Sự biến động cho một đặc điểm trong dữ liệu càng nhiều thì hiển nhiên độ chính xác của các ước lượng đó càng tăng, tức là có nhiều biến động thì càng có nhiều giải thích cho việc ước lượng tham số. Yếu tố thứ ba, có ít đa cộng tuyến trong các biến giải thích ở dữ liệu bảng hơn so với dữ liệu chéo hoặc dữ liệu thời gian. Vì vậy kết quả ước lượng trong mô hình dữ liệu bảng được nâng độ chính xác cao hơn.
Thứ hai, dữ liệu bảng xác định và đo lường được những tác động mà những tác động đó không được tìm thấy hay không xác định khi sử dụng dữ liệu chéo hoặc theo chuỗi dữ liệu thời gian riêng lẻ. Chẳng hạn, xét một ví dụ cụ thể về đánh giá lợi thế thu nhập theo kinh nghiệm làm việc và trình độ của nhiều cá nhân trong một lĩnh vực cụ thể. Với dữ liệu chéo, ta có thể dự báo được sự thay đổi của trình độ của từng cá nhân. Đối với dữ liệu theo thời gian, thì không thể tách riêng được yếu tố lợi thế thu nhập theo trình độ dựa vào kinh nghiệm làm việc của cá nhân. Giả định nghiên cứu trong dữ liệu thời gian là thu nhập không đổi theo kinh nghiệm làm việc. Tuy nhiên, đây là một phương pháp không đáng tin cậy. Với dữ liệu bảng ta có thể xác định và đo lường cả hai yếu tố lợi thế thu nhập theo kinh nghiệm dựa vào trình độ của từng cá nhân.
Tóm lại, việc sử dụng hồi quy theo dữ liệu bảng sẽ thu được những kết quả khả quan trong việc ước lượng các hệ số gốc của các biến độc lập trong mô hình có nhiều yếu tố đặc trưng, đảm bảo được tính chất ước lượng trong hồi quy là không có độ chệch, mang tính hiệu quả. Trong khi dữ liệu theo thời gian thuần túy hoặc dữ liệu chéo thì không thể xác định được.
Các bước lựa chọn mô hình phù hợp phân tích
Các bước phân tích để lựa chọn mô hình phù hợp cụ thể như sau:
Bước 1: Tác giả sử dụng phép toán và các câu lệnh trong phần mềm Rstudio tiến hành thực hiện phân tích phương pháp hồi quy Pooled OLS và FEM, sau đó so sánh kết quả để lựa chọn 1 mô hình phù hợp nhất trong 2 mô hình này. Sau khi ước lượng với FEM, sử dụng kiểm định F để kiểm định giả thuyết 0: α1 = α2 = … αN
= α. Nếu kết quả kiểm định bác bỏ giả thuyết0, chúng ta nên chọn FEM, ngược lại, chọn Pooled OLS.
Bước 2: Tác giả so sánh giữa 2 mô hình Pooled OLS với REM, phương pháp nhân tử Lagrange (LM) với kiểm định Breusch-Pagan12 được sử dụng để kiểm chứng tính phù hợp của ước lượng. Theo đó, giả thuyết0 cho rằng sai số của ước lượng thô không bao gồm các sai lệch giữa các doanh nghiệp hoặc các năm (phương sai giữa các doanh nghiệp) là không đổi. Bác bỏ giả thuyết0, cho thấy sai số trong ước lượng có bao gồm cả sự sai lệch giữa các nhóm, và phù hợp với mô hình REM, ngược lại, Pooled OLS là phù hợp hơn REM.
Sau khi thực hiện xong 2 bước trên, nếu kết quả kiểm định cho thấy, cả 2 bước này Pooled OLS đều phù hợp hơn FEM và REM, tác giả sẽ lựa chọn phương pháp hồi quy Pooled OLS. Nếu không phải kết quả này, tác giả sẽ thực hiện tiếp bước thứ 3 như sau:
Bước 3: Tác giả thực hiện ước lượng với FEM và REM, sử dụng kiểm định Hausman dưới giả thuyết0: Cov(Xit, ui) = 0. Nếu kết quả kiểm định bác bỏ giả thuyết0, tác giả chọn FEM. Nếu kết quả kiểm định không bác bỏ giả thuyết0, tác giả sẽ chọn REM. Bởi vì, một mô hình chỉ có ý nghĩa giải thích khi các giả định