MƠ HÌNH NGHIÊN CỨU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.2.3 Phƣơn pháp ƣớc lƣợng sai phân dữ liệu bảng Arellano-Bond
Có nhiều vấn Ďề nghiêm trọng về kinh tế lượng từ việc ước lượng các phương trình thực nghiệm (3.11), (3.12), (3.13) như sau:
(1) Theo các lý thuyết về tăng trưởng, Ďầu tư tư nhân và lực lượng lao Ďộng là các biến nội sinh. Vì thế, các biến nội sinh này có thể tương quan với Ďại lượng sai số, Ďưa Ďến hiện tượng nội sinh.
(2) Các Ďặc tính quốc gia, bất biến theo thời gian (các tác Ďộng cố Ďịnh) như là Ďịa lý và nhân chủng học, có thể tương quan với các biến giải thích. Các tác Ďộng cố Ďịnh này hiện diện trong Ďại lượng sai số ηi của các phương trình thực nghiệm. (3) Sự hiện diện của biến trễ của biến phụ thuộc Yit-1 Ďưa Ďến khả năng tự tương quan cao.
(4) Dữ liệu bảng có thời gian quan sát ngắn (T = 15.7) và số lượng các Ďơn vị bảng (các quốc gia) lớn (N = 60).
Tất cả 4 vấn Ďề trên có thể khiến hồi qui OLS không nhất quán và ước lượng bị chệch. Theo Ďó, các phương pháp ước lượng fixed effects và random effects không xử lí Ďược vấn Ďề nội sinh và tự tương quan chuỗi, Ďặc biệt là phương sai sai số Ďồng nhất (xem phần phục lục D trang 147) trong khi Ďó phương pháp ARDL (Autoregressive distributed lags) cho dữ liệu bảng với Ďại diện là PMG (Pool Mean Group) và MG (Mean Group) Ďòi hỏi thời gian của bộ dữ liệu phải tương Ďối dài Ďể có thể Ďánh giá các tác Ďộng của các biến giải thích cả trong ngắn hạn lẫn dài hạn. Ngoài ra, phương pháp ước lượng hai giai Ďoạn (IV-2SLS, có khả năng xử lí nội sinh) khơng thể dùng Ďược trong trường hợp này vì Ďịi hỏi phải tìm Ďược một số
biến cơng cụ phù hợp (nằm ngồi các biến kiểm sốt của mơ hình). Đặc biệt, thơng qua cách tiếp cận Monte Carlo, Judson & Owen (1999) so sánh về mức Ďộ bị chệch giữa các phương pháp ước lượng như OLS, LSDV (least squares dummy variable), LSDV hiệu chỉnh, ước lượng Anderson–Hsiao, ước lượng GMM Arellano-Bond one-step và two-step cho bộ dữ liệu bảng cân bằng và không cân bằng. Trong phần kết luận, Judson & Owen (1999) Ďề nghị tốt nhất nên sử dụng phương pháp ước lượng GMM Arellano-Bond one-step cho cho bộ dữ liệu bảng không cân bằng với khoảng thời gian T = 20. Vì thế, Ďề tài quyết Ďịnh sử dụng phương pháp ước lượng này (GMM sai phân Arellano-Bond, 1991) Ďược Ďề xuất Ďầu tiên bởi Holtz-Eakin et al. (1988). ớc lượng GMM Arellano – Bond one-step Ďược thiết kế cho các bảng Ďộng có “T nhỏ và N lớn” (Judson & Owen, 1999, Roodman, 2006). Trong thủ tục GMM, cần phải phân biệt Ďược các biến Ďược công cụ và công cụ. Các biến nội sinh Ďược Ďưa vào nhóm các biến Ďược cơng cụ bằng Ďộ trễ của các biến này (Judson & Owen, 1999). Các biến ngoại sinh cũng như các biến phụ Ďược Ďưa vào nhóm các biến cơng cụ và hiện diện ở thủ tục IV. Với các biến ngoại sinh, biến gốc và biến trễ của chúng là những biến công cụ phù hợp (Judson & Owen, 1999).
Tính phù hợp của các biến cơng cụ trong ước lượng GMM Ďược Ďánh giá thông qua thống kê Sargan và thống kê Arellano-Bond. Kiểm Ďịnh Sargan với giả thuyết null H0: biến công cụ ngoại sinh, Ďiều này có nghĩa nó là khơng tương quan với các sai số. Vì thế, p-value của thống kê Sargan càng lớn càng tốt. Kiểm Ďịnh Arellano- Bond Ďược dùng Ďể phát hiện tính tự tương quan của các sai số ở sai phân bậc nhất. Vì thế, kết quả kiểm Ďịnh sai phân bậc nhất của các sai số AR(1) Ďược bỏ qua trong khi tính tự tương quan bậc hai AR(2) Ďược kiểm Ďịnh dựa trên các chuỗi sai phân bậc nhất của sai số Ďể phát hiện hiện tượng tự tương quan bậc nhất của các sai số AR(1).