Bảng 3.2
Thống kê mô tả.
Biến số Trung bình Trung vị Lớn nhất Nhỏ nhất Độ lệch chuẩn
cpit 1,9508 1,9617 2,2125 1,6776 0,1957
nert 4,2565 4,2297 4,3568 4,1477 0,0696
m2t 9,1639 9,2573 9,9425 8,2061 0,5392
oilt 1,7566 1,7822 2,0842 1,2866 0,2242
Nguồn: Tính tốn của tác giả.
1.6 1.8 2.0 2.2 2.4 00 02 04 06 08 10 12 14 16 18 CPI 4.1 4.2 4.3 4.4 00 02 04 06 08 10 12 14 16 18 NER 8.0 8.5 9.0 9.5 10.0 00 02 04 06 08 10 12 14 16 18 M2 1.2 1.6 2.0 2.4 00 02 04 06 08 10 12 14 16 18 OIL
Hình 3. 1: Xu hƣớng của các biến nghiên cứu. 3.2. Phƣơng pháp ARDL
Mơ hình ARDL (tự hồi quy phân phối trễ) cung cấp kết quả đáng tin cậy để kiểm tra các mối quan hệ dài hạn. Đối với hồi quy phương trình đơn động (dynamic single-equation regression), phương pháp ARDL được xem là phù hợp nhất (Hassler và Wolters, 2006), và ngày càng trở nên phổ biến kể từ sau thời điểm mơ hình sai số hiệu chỉnh (error-correction model), có thể nắm bắt các mối quan hệ đồng liên kết, được Engle và Granger (1987) giới thiệu. Các vectơ đồng liên kết xác định các quan hệ I(0) tồn tại giữa các biến không dừng riêng lẻ. Các biến số đồng liên kết với nhau khi thu được mối quan hệ tuyến tính dài hạn từ tập hợp các biến có chung các thuộc tính khơng dừng (non-stationary). Theo trực giác, phân tích đồng liên kết tìm kiếm các kết hợp tuyến tính dừng của các biến số khơng dừng. Nếu sự kết hợp dừng như vậy tồn tại, thì các biến số đồng liên kết, tức là bị ràng buộc bởi mối quan hệ cân bằng. Do đó, ưu điểm của phân tích đồng liên kết, đó là một kiểm định trực tiếp cho các lý thuyết kinh tế của các mối quan hệ dài hạn. Tuy nhiên, mối quan hệ đồng liên kết có thể tồn tại giữa các biến là I(0) và I(1). Nếu tất cả các chuỗi dữ liệu là I(0), chúng ta có thể sử dụng các kỹ thuật ước tính đơn giản, như OLS (bình phương nhỏ nhất), cho dữ liệu tại bậc gốc. Nếu chắc chắn rằng chuỗi cơ sở cùng được tích hợp (intergration) tại bậc nhất, tức là I(1), cũng như đồng liên kết với nhau; các kỹ thuật đồng liên kết Johansen, phương pháp hồi quy hạng thu gọn dựa trên hệ thống (system-based reduced rank regression approach), cũng như phương thức dựa vào phần dư hai bước (two-step residual-based procedure) có thể được sử dụng, nhằm kiểm định giả thuyết không (null hypothesis) của khơng có đồng liên kết (Pesaran và cộng sự, 2001). Phương pháp OLS cho bậc gốc sẽ cho ra mối quan hệ cân bằng dài hạn giữa các biến số; trong khi mơ hình sai số hiệu chỉnh, được ước tính bởi phương pháp OLS, sẽ biểu thị động lực ngắn hạn giữa các biến số. Nếu tất cả các biến là I(1), nhưng khơng đồng liên kết, thì việc lấy sai phân dữ liệu và ước lượng hồi quy tiêu chuẩn với phương pháp OLS sẽ là sự lựa chọn phù hợp. Tuy nhiên, nếu rơi vào trường hợp bậc tích hợp của các biến cơ sở là hỗn hợp
hoặc không chắc chắn, chúng ta nên ưu tiên sử dụng mơ hình ARDL. Ngun nhân gây ra sự khó khăn trong việc khẳng định bậc tích hợp tương đối đa dạng, điểm gãy cấu trúc (structural break) tiềm ẩn trong chuỗi dữ liệu là một trong những lý do thường gặp.
Pesaran và cộng sự (2001) giới thiệu quy trình kiểm định đường bao ARDL như một công cụ để điều tra sự tồn tại của mối quan hệ dài hạn giữa các biến số. Các biến phụ thuộc và độc lập có thể được trình bày trong mơ hình kết hợp với độ trễ. Do đó, thuật ngữ “tự hồi quy” đề cập đến độ trễ của biến phụ thuộc và “phân phối” đề cập đến độ trễ của các biến giải thích. Theo trực giác, tác động của sự thay đổi trong các biến độc lập có thể hoặc khơng thể tức thời. Với sự hiện diện của các giá trị trễ của biến phụ thuộc, ước tính OLS dẫn đến các ước tính chệch (biased estimate). Nếu số hạng sai số tự tương quan, ước tính OLS sẽ khơng nhất qn; do đó, trong trường hợp này ước tính biến cơng cụ thường được sử dụng. Phương pháp ARDL có thể tránh được vấn đề nội sinh và kết quả ước lượng mơ hình ARDL đối với mẫu dữ liệu nhỏ tương đối đáng tin cậy (Pesaran và cộng sự, 2001). Trong mô hình hồi quy, khơng nhất thiết tất cả các biến hồi quy phải có cùng độ trễ, vì khoảng thời gian mà các thay đổi trong quá khứ của một biến ảnh hưởng đến một biến khác có thể thay đổi. Đây là một đặc tính của mơ hình ARDL, linh hoạt hơn so với phương pháp VAR đồng liên kết khi không cho phép độ trễ khác nhau cho các biến số. Việc cho phép độ trễ tối ưu của các biến số khác nhau giúp cải thiện đáng kể độ phù hợp của mơ hình (Nkoro và Uko, 2016). Pesaran và cộng sự (2001) cho thấy mơ hình ARDL mang lại các ước tính nhất quán (consistency) và tiệm cận phân phối chuẩn (asymptotic normality) cho các hệ số dài hạn. Kết quả này vẫn đúng với các biến hồi quy hoàn toàn là I(0), I(1) hoặc hỗn hợp giữa chúng. Pesaran và Shin (1999) cho thấy các thuộc tính mẫu nhỏ của phương pháp kiểm định đường bao tốt hơn so với phương pháp đồng liên kết truyền thống của Johansen (thường cần cỡ mẫu lớn để kết quả có giá trị). Trên đây là các lý do mà tác giả áp dụng phương pháp ARDL và NARDL, vẫn giữ nguyên các đặc tính của mơ hình tiền nhiệm là ARDL (Shin và cộng sự, 2014) vào nghiên cứu này.
Áp dụng phương pháp ARDL vào phương trình dài hạn (3.1), chúng ta thu được:
∆cpit = λ0+ λ1cpit−1 + λ2nert−1 + λ3m2t−1+ λ4oilt−1
+ φi∆cpit−i p i=1 + πi∆nert−i q i=0 + δi∆m2t−i r i=0 + θi∆oilt−i s i=0 + εt, (3.2)
trong đó, ∆ ký hiệu sai phân hạng tử; p, q, r và s lần lượt là độ trễ của các biến phụ thuộc và độc lập, được lựa chọn dựa theo tiêu chuẩn thông tin AIC. Phương trình (3.2) được ước lượng dựa trên phương pháp OLS, và hệ số dài hạn được xác định như sau: βi = −λi+1/λ1 (với i = 1, 2, 3). Nhằm xác định liệu quan hệ đồng liên kết dài hạn có tồn tại giữa các biến số, tác giả tiến hành kiểm định F-test hiệu chỉnh của Pesaran và cộng sự (2001). Kiểm định này dựa trên kiểm định Wald (thống kê F) phân tích liệu xem các hệ số của các biến trễ một giai đoạn có cùng bằng 0 hay không. Kiểm định đồng liên kết được tiến hành dựa trên kiểm định F với cặp giả thiết tương ứng như sau:
H0: λ1 = λ2 = λ3 = λ4 = 0 (khơng có đồng liên kết); H1: λ1 ≠ λ2 ≠ λ3 ≠ λ4 ≠ 0 (có đồng liên kết).
3.3. Phƣơng pháp NARDL
Mơ hình ARDL trình bày trong phương trình (3.2) giả định hiệu ứng đối xứng trong mối quan hệ giữa lạm phát và các yếu tố xác định. Tuy nhiên, nhiều nghiên cứu gần đây lại phát hiện bằng chứng về mối quan hệ bất đối xứng giữa thay đổi tỷ giá và lạm phát (Delatte và López-Villavicencio, 2012; Yanamandra, 2015; Brun- Aguerre và cộng sự, 2016; Baharumshah và cộng sự, 2017; Kassi và cộng sự, 2018). Điều đó hàm ý rằng, cơ chế ERPT sang giá cả trong nước có thể khơng chỉ đối xứng, mà ngược lại là bất đối xứng. Do đó, tác giả sử dụng phương pháp NARDL của Shin và cộng sự (2014), nắm bắt các hiệu ứng bất đối xứng ngắn hạn và dài hạn trong cơ chế ERPT và được ước lượng trong cùng một phương trình. Để thực hiện mơ hình NARDL, tác giả xuất phát từ phương trình hồi quy dài hạn bất đối xứng sau:
cpit = β0+ β1+nert++ β1−nert−+ β2m2t + β3oilt + εt, (3.3)
trong đó, β1+ và β1− là các hệ số dài hạn liên quan sự mất giá và tăng giá tiền tệ. Biến số nert được phân tách như sau:
nerit = ner0 + nerit++ nerit−,
trong đó, ner0 là giá trị ban đầu, nerit+ và nerit− tương ứng là quy trình tổng từng phần các thay đổi dương và âm trong biến nerit, được xác định như sau:
nert+ = ∆nerj+ t j=1 = max ∆nerj, 0 t j=1 , (3.4) nert− = ∆nerj− t j=1 = min ∆nerj, 0 t j=1 .
Thay đẳng thức (3.4) vào mô hình ARDL (phương trình 3.2), tác giả thu được mơ hình NARDL bất đối xứng trong cả ngắn hạn lẫn dài hạn.
∆cpit = λ0+ λ1cpit−1+λ2+nert−1+ + λ2−nert−1− + λ3m2t−1+ λ4oilt−1+
φi∆cpit−i
p
i=1
+ πi+∆nert−i+ + πi−∆nert−i−
q i=0 + δi∆m2t−i r i=0 + θi∆oilt−i s i=0 + εt, (3.5)
Theo Shin và cộng sự (2014), các bước tiến hành ước lượng mơ hình NARDL hồn tồn tương tự mơ hình ARDL truyền thống. Do vậy, tương tự mơ hình tuyến tính, tác giả sử dụng kiểm định thống kê F nhằm xác định mối quan hệ đồng liên kết bất đối xứng dựa trên cặp giả thuyết sau:
H0: λ1 = λ2+ = λ2− = λ3 = λ4 = 0 (khơng có đồng liên kết); H1: λ1 ≠ λ2+ ≠ λ2− ≠ λ3 ≠ λ4 ≠ 0 (có đồng liên kết).
Cuối cùng, chúng ta có thể sử dụng mơ hình NARDL để suy ra tác động số nhân động tích lũy bất đối xứng của thay đổi một đơn vị của nertlên cpit, dựa theo công thức (3.6):
ωk+ = ∂cpit+i ∂nert+ k i=0 , ωk− = ∂cpit+i ∂nert− k i=0 . (3.6)
Khi k → ∞, ωk+ → βk+ và ωk− → βk−, trong đó βk+ và βk− là các hệ số dài hạn bất đối xứng, tính bởi βk+ = −λ2+/λ1 và βk− = −λ2−/λ1, như đã nói bên trên. Các hệ số này cũng trình bày tốc độ điều chỉnh. Nếu hệ số tốc độ điều chỉnh tăng lớn hơn tốc độ điều chỉnh giảm (βk+ > βk−), ta nói đây là hiện tượng cứng nhắc hướng xuống (downward rigidity). Ngược lại, nếu hệ số tốc độ điều chỉnh tăng thấp hơn hệ số tốc độ điều chỉnh giảm (βk+ < βk−), ta nói đây là hiện tượng cứng nhắc hướng lên
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU 4.1. Kiểm định tính dừng 4.1. Kiểm định tính dừng
Kiểm định đường bao (kiểm định đồng liên kết) trong phương pháp ARDL/NARDL được thực hiện dựa trên một giả định quan trọng là khơng có bất kỳ biến số nào I(2). Điều này là do giá trị tới hạn được xây dựng dựa trên toàn bộ các biến là I(0) (giá trị tới hạn dưới) và toàn bộ các biến là I(1) (giá trị tới hạn trên). Do đó, thống kê F sẽ trở nên vơ nghĩa khi có sự hiện diện của biến số I(2). Để kiểm tra đặc tính dừng của các biến nghiên cứu, và đảm bảo không biến số nào I(2), tác giả thực hiện 2 kiểm định tính dừng truyền thống là ADF và PP. Các kết quả được trình