PHẦN 3 : MÔ TẢ PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU
3.3- Phương pháp nghiên cứu
Bài luận văn này sử dụng mơ hình véc tơ tự hồi quy (VAR) để điều tra sự tương tác tiềm năng giữa các biến số được chọn và tỷ suất sinh lợi thị trường. Mơ hình VAR là một công cụ hiệu quả mô tả tương tác năng động
McMillin, 1991). Nó đặc biệt hữu ích đối với việc phân tích mối quan hệ mặc nhiên công nhận trong nghiên cứu này bởi vì khơng có hạn chế bị áp đặt lên cấu trúc của hệ thống. Hơn nữa, mơ hình VAR có thể được xem như một phép xấp xỉ linh hoạt đối với việc giản lược mơ hình đúng quy định nhưng chưa rõ cấu trúc kinh tế thực sự (Sims, 1980). Mơ hình VAR là một phương pháp đơn giản, ta không cần phải lo lắng về việc xác định các biến nào là biến nội sinh và biến nào là biến ngoại sinh. Tất cả các biến trong VAR đều là biến nội. Phép ước lượng đơn giản, tức là phương pháp OLS thơng thường có thể được áp dụng cho từng phương trình riêng rẽ.
Việc sử dụng mơ hình VAR cũng cho phép bao gồm cả chiều dài độ trễ thích hợp. Điều này là quan trọng bởi vì sự chậm trễ thời gian trong việc đưa ra thông tin liên quan đến các biến số kinh tế vĩ mô. Đặc biệt, việc truyền tải và kết hợp thông tin vào tỷ suất sinh lợi chứng khốn khơng phải ln ln tức thời. Điều này có thể xảy ra bởi vì chậm trễ báo cáo có thể tạo ra một độ trễ giữa quan sát dữ liệu liên quan đến một biến kinh tế vĩ mô và kết hợp thơng tin đó vào tỷ suất sinh lợi chứng khốn. Vì vậy, một mơ hình đồng thời trong đó tất cả các biến được đo lường tại thời gian t sẽ ngụ ý một giả định của sự kết hợp đồng thời và có thể khơng thích hợp.
Mơ hình VAR được sử dụng trong bài luận văn được diễn tả theo phương trình như sau:
Trong đó, Rt là véc tơ chuỗi tỷ suất sinh lợi chứng khoán. δ0 là thành phần xác định và αs là ma trận hệ số của tỷ giá, lãi suất, năng suất công nghiệp, cung tiền, lạm phát và lợi tức trái phiếu kho bạc 3 tháng của Mỹ.
Chiều dài độ trễ được ký hiệu κ and εt là véc tơ đổi mới và không tương quan của các giá trị R q khứ.
Tuy nhiên, khơng như mơ hình phương trình đồng thời, mơ hình VAR là mơ hình lý thuyết a vì nó sử dụng ít thơng tin tiên nghiệm hơn. Trong các
mơ hình phương trình đồng thời, việc loại trừ hay đưa vào các biến nhất định đóng một vai trị trọng yếu trong việc xác định mơ hình. Do trọng tâm được đặt vào dự báo, mơ hình VAR ít phù hợp cho phân tích chính sách. Thách thức thực nghiệm lớn nhất trong phương pháp xây dựng mơ hình VAR là lựa chọn khoảng trễ thích hợp. Giả sử bạn có mơ hình VAR ba biến và quyết định đưa 8 độ trễ của mỗi biến vào từng phương trình, bạn sẽ có 24 tham số trễ trong mỗi phương trình cộng với số hạng khơng đổi, và như vậy có tất cả 25 tham số. Trừ khi cỡ mẫu lớn, ước lượng nhiều tham số sẽ sử dụng rất nhiều bậc tự do với tất cả các vấn đề khó khăn có liên quan. Trong mơ hình VAR m biến, tất cả m biến phải (cùng) có tính dừng. Nếu điều kiện này không được
thỏa mãn, ta sẽ phải biến đổi dữ liệu một cách thích hợp (ví dụ bằng cách lấy sai phân bậc 1). Và các hệ số đơn lẻ trong mơ hình VAR ước lượng thường khó giải thích.
Để khắc phục các nhược điểm của mơ hình VAR, trước khi ước lượng mơ hình, tính dừng của các biến mơ hình được kiểm tra bởi kiểm định gốc đơn vị ADF (Augmented Dickey-Fuller (ADF) unit root test). Kiểm định gốc đơn vị được sử dụng để phát hiện tính dừng của các biến vĩ mơ. Một chuỗi dữ liệu thời gian được xem là dừng nếu như trung bình và phương sai của q trình khơng thay đổi theo thời gian và giá trị của đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính (Ramanathan, 2002). Cụ thể:
Phương sai: Var (Yt) = σ2 = const (hằng số) Đồng phương sai: Covar (Yt Yt-k) = gk
Tính dừng của chuỗi dữ liệu thời gian là một khái niệm vơ cùng quan trọng, vì thực tế hầu như tất cả những mô hình thống kê đều được thực hiện dưới giả định là chuỗi dữ liệu thời gian phải dừng. Do vậy khi ước lượng các tham số hoặc kiểm định giả thiết của mơ hình, nếu khơng kiểm định thuộc tính dừng của dữ liệu thì các kỹ thuật phân tích thơng thường sẽ khơng chính xác và không hợp lý. Việc kiểm định được thực hiện để tránh khả năng tìm kiếm các mối quan hệ giả mạo. Đồng thời tác giả cũng kiểm định tính ổn định của mơ hình.
Trong phân tích chuỗi dữ liệu theo thời gian, việc lựa chọn khoảng trễ thích hợp là quan trọng. Sử dụng tiêu chuẩn Akaike (AIC) chiều dài độ trễ thích hợp là 8.
Sau khi đánh giá mơ hình VAR, hàm phản ứng đẩy (IRFs) được sử dụng. IRFs phát hiện phản ứng của biến phụ thuộc trong hệ VAR đối với các cú sốc của các số hạng sai số. Mặc dù giá trị sử dụng của phân tích IRFs bị nhiều nhà nghiên cứu nghi ngờ, nó là trọng tâm của phân tích VAR. Ngồi ra để kiểm tra lượng thông tin của mỗi biến trong việc giải thích biến động của tỷ suất sinh lợi chứng khốn, phân tích phân rã phương sai (Variance Decomposition) cũng được sử dụng. Và cuối cùng tác giả kiểm định phản ứng của tỷ suất sinh lợi chứng khoán đối với sự dịch chuyển của các biến kinh tế vĩ mô khi thay đổi trật tự của các biến độc lập trong mơ hình VAR.