Phạm Thị Tuyết Trinh (2016) viết trong giáo trình “Kinh tế lượng ứng dụng trong kinh tế và tài chính” cho thấy kiểm định sự phù hợp của mô hình VECM cũng tương tự như mô hình VAR với 3 kiểm định cơ bản là tính ổn định của mô hình, hiện tượng tự tương quan phần dư và phân phối chuẩn của phần dư.
Kiểm định tính ổn định của mô hình dựa trên việc xem xét nghiệm đơn vị của toán tử trễ (nội dung này nằm ngoài nghiên cứu của tác giả) thông qua quan xét biểu đồ nghịch đảo nghiệm đơn vị được cung cấp tự động bởi Eviews. Theo đó, nếu các
điểm màu xanh (nghịch đảo nghiệm đơn vị) đều nằm trong vòng tròn đơn vị (≤ 1) mà
không có điểm nào nằm ngoài (>1) thì có thể kết luận mô hình VECM được ước tính là ổn định.
Để kiểm định tự tương quan của phần dư, trong nghiên cứu này tác giả sử dụng
kiểm định tự tương quan phần dư Portmanteau. Kiểm định này được dựa trên thống kê Q và Q điều chỉnh (đối với mẫu nhỏ) có phân phối xác suất xấp xỉ phân phối Chisquare (Eviews). Tại các độ trễ h, kiểm định Portmanteau xem xét cặp giả thuyết là H0: không có hiện tượng tự tương quan chuỗi đến độ trễ h; H1: có hiện tượng tự tương quan chuỗi đến độ trễ h. Nếu các giả thuyết H0 đều được chấp nhận thì có thể kết luận phần dư của mô hình VECM không có hiện tượng tự tương quan.
Kiểm định phân phối chuẩn phần dư của mô hình là xem xét độ nhọn và độ nghiêng của phần dư tại từng phương trình trong hệ. Eviews cung cấp cho ta 3 phương
pháp kiểm định được để xuất bởi Lutkepohl (1991), Doornik and Hansen (1994) và Urzua (1997) (Eviews) để kiểm định phân phối chuẩn phần dư của mô hình VECM. Theo đó, mỗi phương pháp đều tiến hành kiểm định các giả thuyết về độ nghiêng, độ nhọn và kết hợp (phân phối chuẩn) là:
Cặp giả thuyết 1: H0 độ nghiêng = 0; H1 độ nghiêng ≠ 0 Cặp giả thuyết 2: H0 độ nhọn = 3; H1 độ nhọn ≠ 3
Cặp giả thuyết 3: H0 phần dư có phân phối chuẩn; H1 phần dư không có phân phối chuẩn
Như vậy, với các cặp giả thuyết trên, khi P-value lớn hơn mức ý nghĩa cho phép thì ta không đủ cơ sở để bác bỏ các giả thuyết H0 trên. Đồng nghĩa với là phần dư sẽ có độ nghiêng là 0, độ nhọn là 3 và đảm bảo là phần dư có phân phối chuẩn. Tuy nhiên, Phạm Thị Tuyết Trinh (2016) chỉ ra rằng đối với các mẫu nhỏ, việc xem xét độ nghiêng không có ý nghĩa mà chỉ cần đảm bảo được độ nhọn.
3.2.2.5. Kiểm định nhân quả Granger
Trong từng phương trình của mô hình VECM tồn tại nhiều độ trễ khác nhau của một biến đến biến phụ thuộc tại phương trình đó. Nên việc kết luận có sự tồn tại mối quan hệ ngắn hạn giữa các biến với nhau thông qua từng hệ số ước lượng riêng biệt là khó khăn và không đủ cơ sở để kết luận. Do đó, Granger đã sử dụng hàng loạt các kiểm định Wald ràng buộc điều kiện hồi quy trong mô hình - thường được sử dụng để kiểm tra tình trạng thừa biến trong mô hình hồi quy đa biến - để kiểm tra sự tác động trong mô hình VECM.
Tại mỗi phương trình trong hệ phương trình của mô hình VECM, Granger lần lượt đặt các rằng buộc về hệ số hồi quy tại các độ trễ khác nhau của từng biến và tiến
hành kiểm định Wald. Ta xem xét ví dụ sau đây để có thể hiểu rõ phương pháp được Granger sử dụng:
AV.1 — yk y1 IΛ Λ vk AVΛ 2 -1- ... -I- vk VΛ Λ m. -I- ™ ĩ F -I- 11. Í1Y
∆lt — ∑i=1 A1IΔ
Yt-i + ∑i=1 A2i^Yt-i + +∑i=1 AmkAYt-i + aLE + Ut (1)
Ví dụ này tác giả sử dụng phương trình đầu tiên của hệ phương trình được ước
lượng với m là số biến được đưa vào mô hình, k là số bậc trễ tối ưu được đưa vào mô
hình, LE là sự mất cân bằng trong dài hạn giữa các biến số với nhau dựa trên mối quan hệ đồng liên kết và α là hệ số điều chỉnh sai số dài hạn.
Để kiểm tra mối quan hệ nhân quả của biến Ym đến Y1, bên cạnh việc hồi quy phương trình không ràng buộc (1), Wald sẽ hồi quy phương trình (2) với ràng buộc tất cả hệ số ước lượng tại các độ trễ khác nhau của Ym đều bằng không.
1 k 1 k 2 k m-1
AYt —∑i=ι A1iAYt-i +∑i=1 A2iAYt-i +---+∑i=ι ʌm-l,k^ɪt-i + aLE+ ut(2)
Như vậy kiểm định Wald với cặp giả thuyết đối sau đây được tiến hành. Ho: Aml — Am2 — - — Amk — 0 đ i thuy t Hố ế i: A∃ mi ≠ 0
Cặp giả thuyết trên được Granger phát biểu thành:
Dựa trên trị thống kê F và phân phối Chisquare, cặp giả thuyết trên được tiến hành kiểm định để kết luận về mối quan hệ nhân quả của Ym đến Y1. Tương tự đối với các biến còn lại và các phương trình khác trong mô hình, Granger thực hiện các kiểm định Wald để tìm ra mối quan hệ nhân quả giữa chúng.
Mối quan hệ nhân quả giữa 2 biến X, Y bất kỳ sẽ có 4 khả năng xảy ra: (i) mối
quan hệ nhân quả 1 chiều từ X đến Y; (ii) mối quan hệ nhân quả một chiều từ Y đến X; (iii) mối quan hệ 2 chiều giữa X và Y; (iv) không có mối quan hệ giữa X và Y (độc lập).
Bên cạnh việc kiểm tra mối quan hệ từng biến bên phải đến biến bên trái của phương trình (1). Granger còn tiến hành kiểm định mối quan hệ tổng thể của tất cả các biến bên phải đến biến bên trái bằng cách ràng buộc tất cả các hệ số ước lượng tại các độ trễ khác nhau của tất cả các biến bằng 0 để kết luận có sự tồn tại mối quan giữa các biến độc lập đến biến phụ thuộc hay không. Đây là một trong những cơ sở quan trọng để đảm bảo việc chuyển dấu của biến trong phương trình đồng liên kết thành biến phụ thuộc là có ý nghĩa.
3.2.2.6. Hàm phản ứng xung và phân rã phương sai
Để xem xét tác động ngắn hạn của cú sốc một biến giải thích đến sự biến động
của biến phụ thuộc cũng như phần trăm tác động của nó ta cần thực hiện hàm phản ứng xung và phân rã phương sai.
Hàm phản ứng xung giúp ta xem xét cú sốc của một biến tại thời điểm hiện tại
đến các biến khác trong mô hình tại cùng thời điểm và khoảng thời gian trong tương lai. Cú sốc được xác định bằng sai số 1 đơn vị hoặc 1 độ lệch chuẩn (đối với các chuỗi
có đơn vị tính khác nhau) trong phương trình có biến phụ thuộc chính là cú sốc của biến đó. Phân rã phương sai là phương pháp cho thấy sự biến động của một biến dưới
sự thay đổi của chính biến đó và các biến khác trong mô hình thông qua việc phân tích phương sai sai số dự báo được giải thích bao nhiêu phần trăm bởi từng biến. Với tổng số giải thích của tất cả các biến là 100%.
Tên biến Bậc gốc Sai phân bậc 1 t-Statistic P- value t- Statistic P- value GDP_SA 2.30397 3 1.0000 - 4.603024 0.0003 MS 0.27564 4 0.9981 - 5.207203 0.0003 IRD - 1.484673 0.5356 - 7.917459 0.0000 CRE_SA 3.24969 4 1.0000 - 3.189229 0.0247 REER - 0.513571 0.8816 - 5.856419 0.0000 FISDE_SA - 0.330870 0.9141 - 9.605073 0.0000 KẾT LUẬN CHƯƠNG 3
Để thực hiện phân tích định lượng đánh giá tác động của CSTT và CSTK dến TTKT, tác giả đã xây dựng hai mô hình: Mô hình 1 xem xét tác động của CSTT đến TTKT thông qua biến đại diện chính sách là cung tiền, tác động của CSTK thông qua
biến đại diện chính sách là mức thâm hụt ngân sách. Mô hình 2 xem xét tác động của
các kênh truyền dẫn CSTT đến TTKT gồm kênh lãi suất, kênh tín dụng và kênh tỷ giá (giá ngoại tệ). Để đại diện cho TTKT của quốc gia, tổng sản phẩm quốc nội được lựa chọn.
Dữ liệu được tác giả thu thập từ các nguồn đáng tin cậy như Tổng cục thống kê, Quỹ tiền tệ Quốc tế, Bộ Tài chính, Bruegel với tần suất dữ liệu quý từ Quý II năm
2002 đến Quý II năm 2020. Dữ liệu chuỗi thời gian khi sử dụng cần đảm bảo được tính từng để tránh tình trạng hồi quy giả mạo. Trong khi đó mô hình VECM cho phép
sử dụng các chuỗi dữ liệu không dừng ở bậc gốc nhưng dừng ở bậc 1, điều này giúp tận dụng tối đa dữ liệu thu thập được khi không phải tiến hành lấy sai phân (làm giảm
số lượng quan sát) trong điều kiện dữ liệu thu thập được mang tính giới hạn. Do các dữ liệu tác giả thu thập được đảm bảo được điều kiện của các chuỗi dữ liệu về tích hợp bậc 1 của mô hình VECM nên trong nghiên cứu này, dữ liệu sẽ được sử dụng để ước lượng theo mô hình VECM.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG
4.1. Kiểm định tính dừng của chuỗi dữ liệu thời gian
Trước tiên, tác giả tiến hành vẽ đồ thị để xem xét tính mùa vụ và chu kỳ của các chuỗi dữ liệu thì phát hiện chuỗi dữ liệu theo thời gian của GDP, CRE và FISDE có tính mùa vụ nên tác giả đã sử dụng công cụ Census X12 được tích hợp trong EViews 8 để loại bỏ. Sau khi loại bỏ tính mùa vụ và chu kỳ của dữ liệu, để đảm bảo các chuỗi thời gian được sử dụng đều dừng ở bậc 1 theo yêu cầu của mô hình VECM,
tác giả tiến hành kiểm định tính dừng và cho kết quả như sau.