Định nghĩa các biến nghiên cứu.
Biến số Cách tính Kỳ vọng Nguồn dữ liệu
gdpt Logarite tự nhiên của GDP thực bình quân
đầu người
Ngân hàng thế giới (WB)
fdit Logarite tự nhiên của dòng vốn FDI ròng +/–
imt Logarite tự nhiên của nhập khẩu +
popt Logarite tự nhiên của tổng dân số +
Nguồn: Tổng hợp của tác giả.
3.1.2. Dữ liệu nghiên cứu
Nghiên cứu sử dụng dữ liệu hàng năm trong giai đoạn 1986–2018, gồm các biến: GDP thực bình quân đầu người nhằm đo lường tăng trưởng kinh tế, dòng vốn FDI ròng, nhập khẩu và tổng dân số Việt Nam. Toàn bộ tất cả các biến được thu thập từ nguồn Ngân hàng Thế giới (WB). Lý do tác giả bắt đầu giai đoạn nghiên cứu tại thời điểm 1986, vì trước đó, năm 1985, dịng vốn FDI ròng chảy vào Việt Nam mang dấu âm, không thể lấy logarite tự nhiên cho mục đích phân tích thực nghiệm. Ngồi ra, dữ liệu vĩ mô sớm nhất của Việt Nam mà Ngân hàng Thế giới cung cấp chỉ dừng lại ở năm 2018. Sau khi xử lý, mẫu dữ liệu của bài nghiên cứu gồm 33 quan sát từ năm 1986 đến năm 2018.
3.2. Phương pháp nghiên cứu 3.2.1. Phương pháp ARDL 3.2.1. Phương pháp ARDL
Mặc dù đồng liên kết (cointegration) về cơ bản là một phương pháp được phát triển để kiểm tra mối tương quan giữa các chuỗi thời gian với các nghiệm đơn vị
(unit root), nhưng đồng liên kết cũng cho phép hiểu được mối quan hệ dài hạn giữa các chuỗi thời gian. Theo lý thuyết, trở về trạng thái cân bằng khi có sự sai lệch (tạm thời) so với trạng thái cân bằng chỉ có thể xảy ra trong trường hợp mối quan hệ đồng liên kết. Đồng liên kết ngụ ý rằng nếu chuỗi thời gian không dừng (nonstationary) riêng lẻ được hợp nhất, “thì sự kết hợp tuyến tính của hai (hoặc nhiều) chuỗi thời gian có thể dừng (stationary)”. Đồng liên kết của hai chuỗi thời gian (hoặc nhiều hơn) khẳng định rằng tồn tại mối quan hệ dài hạn hoặc cân bằng giữa chúng (Gujarati, 2004). Để phân tích đồng liên kết dài hạn giữa các chuỗi thời gian, phương pháp Engle và Granger (1987) và kiểm định đồng liên kết Johansen (1988) có thể được áp dụng. Theo cách tiếp cận đồng liên kết được phát triển bởi Engle và Granger (1987), nếu chuỗi thời gian được tích hợp tại bậc nhất, chúng ta có thể mơ hình hóa các chuỗi này ở bậc gốc (level). Tuy nhiên, phương pháp này chỉ áp dụng được cho phương pháp đồng liên kết đơn biến. Nếu có nhiều hơn một mối quan hệ đồng liên kết (đồng liên kết đa biến), phương pháp Engle và Granger (1987) không thể được sử dụng. Thay vào đó, các phương pháp của Johansen (1988) và Johansen và Juselius (1990) có thể được sử dụng để xác định có bao nhiêu vectơ đồng liên kết trong số các biến.
Để thực hiện các phương pháp đồng liên kết đã nói ở trên, trước tiên phải xác định bậc tích hợp của từng biến. Nếu các bậc tích hợp của chuỗi thời gian là khác nhau, phương pháp đồng liên kết Engle và Granger (1987), Johansen (1988), Johansen và Juselius (1990) không thể áp dụng được. Nói cách khác, chuỗi thời gian phải là I(1) để thực hiện các phương pháp Engle và Granger (1987), Johansen (1988) và Johansen và Juselius (1990). Vấn đề phát sinh khi mức độ tích hợp của các biến khơng cùng một bậc. Do đó, Pesaran và Shin (1999) và Pesaran và cộng sự (2001) giải quyết vấn đề này bằng cách đề xuất phương pháp ARDL để kiểm tra mối quan hệ đồng liên kết giữa các biến với bậc tích hợp khác nhau (như I(0) hoặc I(1)). Kiểm định đường bao còn được gọi là phương pháp đồng liên kết của Pesaran và cộng sự (2001), có một số ưu thế kinh tế lượng so với phương pháp đồng liên kết
tiêu chuẩn khác. Thứ nhất, đặc điểm quan trọng nhất của phương pháp ARDL là cách tiếp cận này kiểm chứng sự hiện diện của mối quan hệ dài hạn giữa các biến hồi quy, bất kể các biến cơ sở có hồn tồn I(0), hồn tồn là I(1), hoặc hợp nhất giữa chúng (kết hợp các biến I(0) và I(1)). Thứ hai, không giống như phương pháp đồng liên kết thơng thường, phương pháp ARDL khơng ước tính mối quan hệ dài hạn trong một hệ thống phương trình, mà chỉ dự đốn một phương trình duy nhất. Thứ ba, các biến hồi quy khác nhau có thể có số độ trễ tối ưu khác nhau, điều này là không thể đối với các phương pháp kiểm định đồng liên kết khác. Thứ tư, phương pháp ARDL thể hiện tốt hơn đối với mẫu dữ liệu có kích cỡ nhỏ (Narayan và Narayan, 2004). Cuối cùng, cả động lực ngắn hạn và các tham số dài hạn của mơ hình có thể được dự đốn cùng lúc. Kiểm định đường bao trong khuôn khổ ARDL bao gồm kiểm định đồng liên kết trước tiên, và sau đó, rút ra các mối quan hệ trong dài hạn và ECM trong ngắn hạn. Từ phương trình (3.1), phiên bản sai số hiệu chỉnh khơng ràng buộc (UEC) của mơ hình ARDL được ước tính để xác định sự hiện diện của trạng thái cân bằng trong mối quan hệ dài hạn và ngắn hạn, mà khơng làm thất thốt thông tin dài hạn.
∆gdpit = α + ∑ θj∆gdpt−j m j=1 + ∑ πj∆fdit−j n j=0 + ∑ ϑj∆imt−j k j=0 + ∑ γj∆popt−j l j=0 +λ1gdpt−1+ λ2fdit−1+ λ3imt−1+ λ4popt−1+ εt (3.4) trong đó, m, n, k, l tương ứng là độ trễ tối ưu cho từng chuỗi liên kết; các hệ số θj,
πj, ϑj và γj trình bày các hiệu ứng ngắn hạn; trong khi đó, λ2 đến λ4 chuẩn hóa trên
λ1 cung cấp các hiệu ứng dài hạn; εt là số hạng sai số; ∆ ký hiệu sai phân hạng tử. Trong khuôn khổ (3.4), độ trễ tối ưu phải được xác định trước khi thực hiện kiểm định đường bao. Độ trễ tối ưu được xác định thông qua tiêu chuẩn thông tin Akaike (AIC) và tiêu chuẩn thông tin Schwarz (SIC). Sau khi thiết lập độ dài độ trễ tối ưu, sự tồn tại của mối quan hệ dài hạn được tiến hành. Giả thuyết không cho sự vắng mặt của quan hệ đồng liên kết giữa các biến là H0: λ1 = λ2 = λ3 = λ4 = 0 được
số dài hạn và các sai số chuẩn tiệm cận của chúng được ước tính cho mơ hình ARDL được chọn. Phân phối phi chuẩn hóa của thống kê F thu được từ kiểm định đường bao không phù hợp phân phối F tiêu chuẩn. Điều này là do, kiểm định F sử dụng cho kiểm định đường bao có phân phối khơng chuẩn. Do đó, kiểm định F (Wald) tính tốn ra, được so sánh với các giá trị tới hạn khơng chuẩn hóa được tính tốn bởi Pesaran và cộng sự (2001). Kiểm định F có phân phối không chuẩn, dựa trên; (i) liệu các biến trong mơ hình ARDL là I(0) hay I(1), (ii) số lượng biến hồi quy và (iii) liệu mơ hình ARDL có bao gồm hệ số chặn và (hoặc) xu hướng hay khơng. Do đó, 2 bộ giá trị tới hạn được lập bảng cho một mức ý nghĩa nhất định bởi Pesaran và cộng sự (2001). Giá trị tới hạn dưới được tạo ra bằng giả định rằng tất cả các biến hồi quy được tích hợp theo bậc 0, tức I(0); trong khi giá trị tới hạn trên được tạo ra từ giả định rằng tất cả các biến hồi quy được tích hợp tại bậc nhất, tức I(1). Nếu thống kê F được tính tốn cao hơn giá trị tới hạn trên, giả thuyết H0 bị bác bỏ, điều này cho thấy có đồng liên kết giữa các biến hồi quy. Tuy nhiên, nếu thống kê F ước tính nhỏ hơn giá trị tới hạn dưới, thì giả thuyết H0khơng thể bị bác bỏ và điều đó ngụ ý rằng khơng có đồng liên kết giữa các biến hồi quy. Cuối cùng, nếu thống kê F rơi vào giữa hai giá trị tới hạn trên và dưới, thì kết quả kiểm định sẽ không đi đến kết luận cụ thể nào.
Mơ hình ECM từ khn khổ ARDL, nhằm đánh giá các mối quan hệ ngắn hạn giữa các biến được thiết lập trong phương trình (3.5):
∆gdpit = α + ∑ θj∆gdpt−j m j=1 + ∑ πj∆fdit−j n j=0 + ∑ ϑj∆imt−j k j=0 + ∑ γj∆popt−j l j=0 +ωECMt−1+ εt (3.5) số hạng sai số hiệu chỉnh (trễ 1 giai đoạn) (ECMt−1) trong phương trình (3.5) là phần dư thu được từ tính tốn mơ hình dài hạn. Hệ số ω là tốc độ điều chỉnh của
tham số, cho thấy mức độ mất cân bằng trong ngắn hạn sẽ được loại bỏ trong giai đoạn tiếp theo. Nói cách khác, nó cho thấy động lực ngắn hạn của sự hội tụ đến
trạng thái cân bằng. Để quan hệ dài hạn tồn tại, hệ số của số hạng sai số hiệu chỉnh phải mang giá trị âm và có ý nghĩa thống kê. Hệ số ω phải nằm trong khoảng –1
đến 0. Giá trị 0 hàm ý khơng có sự điều chỉnh nào, trong khi giá trị –1 cho thấy có sự điều chỉnh đầy đủ.
3.2.2. Kiểm định nhân quả Toda-Yamamoto (TY)
Trong nghiên cứu nhằm mở rộng kiểm định nhân quả Granger (1961), Toda và Yamamoto (1995) phát triển phương pháp dựa trên các ước tính từ mơ hình VAR (k + dmax) tăng cường, trong đó k là độ trễ thời gian tối ưu và dmax là bậc tích hợp tối đa của các biến trong hệ thống (mơ hình VAR). Phương pháp Toda-Yamamoto (gọi tắt là TY) tuân theo các bước dưới đây:
(1) Xác định bậc tích hợp cho từng chuỗi thời gian (kiểm định tính dừng). Nếu bậc tích hợp khác nhau, tác giả sẽ chọn bậc tích hợp cao nhất (dmax).
(2) Thiết lập mơ hình VAR ở chuỗi thời gian gốc, bất kể bậc tích hợp giữa các biến số khác nhau.
(3) Xác định bậc của mơ hình VAR (k), dựa vào độ dài độ trễ thu được từ các tiêu chí AIC, SC, HQ.
(4) Kiểm tra xem liệu mơ hình VAR (k + dmax) (mơ hình VAR hiệu chỉnh) có được xác định chính xác khơng.
(5) Áp dụng kiểm định quan hệ nhân quả Granger dựa vào kiểm định Wald hiệu chỉnh (MWald); kiểm định MWald tuân theo phân phối tiệm cận Chi bình phương (χ2) và bậc tự do bằng với số độ trễ thời gian (k + dmax).
yt = c0+ (∑ α1iyt−i k i=1 + ∑ α2jyt−j dmax j=k+1 ) + (∑ β1ixt−i k i=1 + ∑ β2jxt−j dmax i=k+1 ) + ε1t (3.6) xt = d0+ (∑ ϑ1ixt−i k i=1 + ∑ ϑ2jxt−j dmax j=k+1 ) + (∑ τ1iyt−i k i=1 + ∑ τ2jyt−j dmax i=k+1 ) + ε2t (3.7)
trong đó, k là độ trễ thời gian tối ưu trong mơ hình VAR ban đầu, được lựa chọn dựa vào các tiêu chí thơng tin AIC, SC, HQ; dmax là bậc tích hợp tối đa của các biến số trong hệ thống mơ hình VAR. Xét phương trình (3.6), xt tác động nhân quả Granger lên yt (xt → yt) nếu β1i ≠ 0 ∀i; tương tự, xét phương trình (3.7), yt tác động nhân quả Granger lên xt (yt → xt) nếu τ1i ≠ 0 ∀i. Phương pháp kiểm định
Toda-Yamamoto có thể được thực hiện bất kể các biến số có dừng tại bậc gốc, sai phân bậc một hay bậc hai, đồng liên kết hay không đồng liên kết.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Thống kê mô tả
Thống kê mô tả và xu hướng của các biến trong bài nghiên cứu được trình bày