CHƯƠNG 3 : DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Phương pháp nghiên cứu:
Bên cạnh phân tích xu hướng như thường lệ, thì phân tích sự tương quan, phân tích hồi qui, kiểm định tính dừng bằng phương pháp ADF, kiểm định PP
Unit root, được tác giả sử dụng trong kỹ thuật toán kinh tế và thống kê sau đây
3.2.1. Kiểm định nghiệm đơn vị (Unit Roots Test):
Như chúng ta đã biết theo giả thiết của mơ hình hồi quy cổ điển thì các
biến độc lập phải phi ngẫu nhiên và có giá trị xác định. Bên cạnh đó nếu chúng
ta ước lượng mơ hình có các chuỗi thời gian khơng dừng thì giả thiết của phương pháp bình phương bé nhất (OLS) bị vi phạm, dẫn đến hạn chế q trình phân tích
đối với các phương pháp hồi qui. Hơn nữa khi phân tích các chuỗi dữ liệu khơng
dừng trong mơ hình hồi qui dễ cho kết quả hồi qui giả tạo, làm cho kết quả khơng chính xác.
Một cách kiểm định tính dừng được phổ biến gần đây là kiểm định
nghiệm đơn vị và cách dễ dàng nhất để giới thiệu về kiểm định này là xem xét
mơ hình sau:
Yt = Yt-1 + ut
Ở đây ut là số hạng chỉ sai số ngẫu nhiên xuất phát từ các giả định cổ điển
rằng nó có giá trị trung bình bằng 0, phương sai là hằng số và không tự tương quan. Số hạng sai số này còn được biết tới dưới cái tên nhiễu trắng .
Phương trình trên là một hồi qui bậc một, hoặc AR(1), mà ở đó chúng ta hồi qui giá trị của Y tại thời điểm t dựa trên giá trị của nó tại thời điểm (t-1). Và nếu hệ số của Yt-1 trong thực tế bằng 1, thì chúng ta đang phải đối mặt với cái gọi là vấn đề nghiệm đơn vị, tức là tình huống khơng dừng.Do vậy nếu chúng ta thực hiện hồi qui
Yt = β Yt-1 + ut
và nếu tìm ra rằng β = 1, thì chúng ta có thể nói rằng biến ngẫu nhiên Yt có nghiệm đơn vị. Trong kinh tế lượng (về chuỗi thời gian), một chuỗi thời gian có nghiệm đơn vị được gọi là bước ngẫu nhiên (chuỗi thời gian). Và chuỗi có một bước ngẫu nhiên tức là chuỗi thời gian không dừng.
Trong bài nghiên cứu này, tác giả đã sử dụng phương pháp kiểm định
Augmented Dickey- Fuller (ADF) để kiểm tra tính dừng của các chuỗi nghiên cứu để kiểm tra xem có tồn tại nghiệm đơn vị trong chuỗi dữ liệu hay khơng như
đã trình bày ở trên. Kiểm định ADF có các giả thiết sau:
H0: Giả thiết các chuỗi nghiên cứu khơng dừng (Phương trình hồi qui có nghiệm
đơn vị)
H1: Giả thiết các chuỗi nghiên cứu dừng (Phương trình hồi qui khơng có nghiệm
đơn vị)
Nếu giá trị |t(statistic)| của ADF > |t(tới hạn)| thì bác bỏ giả thiết H0, tức là chuỗi có tính dừng, và ngược lại thì chuỗi khơng dừng.
3.2.2. Kiểm định nhân quả Granger ( Granger Causality test):
Để kiểm tra mối quan hệ nhân quả trong ngắn hạn giữa FDI và các yếu tố
kinh tế vĩ mô, kiểm định nhân quả Granger được sử dụng. Kiểm định này phát
biểu rằng những giá trị của 1 biến X trong quá khứ đóng góp 1 cách quan trọng
để dự đoán giá trị của 1 biến Y khác, do vậy X được cho là nguyên nhân Granger
gây nên Y và ngược lại. Nói cách khác một chuỗi theo thời gian của X được cho là nguyên nhân Granger Y nếu giá trị X bao gồm trong quá khứ hoặc có độ trễ trong hồi qui của X đối với những biến khác, cải thiện một cách đáng kể đến
việc dự đoán biến Y.
Kiểm định nhân quả được dựa trên hai phương trình hồi qui sau đây.
Những phương trình này có thể được dùng để biểu diễn xu hướng của tác động nhân quả trong số những thước đo dòng vốn đầu tư trực tiếp nước ngồi FDI và các nhân tố kinh tế vĩ mơ.
Trong đó :
Yt và Xt là những biến được kiểm định,
e1t và e2t là phần nhiễu trắng (những phần sai số)
t: biểu thị cho thời gian
k: số độ trễ
m: là số độ trễ lớn nhất trong mơ hình Giả thiết H0: γ1 = γ2 = 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định
Wald và cách quyết định như sau: Nếu giá trị thống kê F tính tốn lớn hơn giá
trị thống kê F tới hạn ở một mức ý nghĩa xác định ta bác bỏ giả thiết H0 và ngược lại. Có bốn khả năng như sau:
Nhân quả Granger một chiều từ X sang Y nếu các biến trễ của X có tác
động lên Y, nhưng các biến trễ của Y khơng có tác động lên X.
Nhân quả Granger một chiều từ Y sang X nếu các biến trễ của Y có tác
động lên X, nhưng các biến trễ của X khơng có tác động lên Y.
Nhân quả Granger hai chiều giữa X và Y nếu các biến trễ của X có tác
động lên Y và các biến trễ của Y có tác động lên X.
Khơng có quan hệ nhân quả Granger giữa X và Y nếu các biến trễ của X khơng có tác động lên Y và các biến trễ của Y khơng có tác động lên X.
3.2.3. Mơ hình vectơ tự hồi qui VAR:
Như chúng ta cung biết mơ hình tự hồi qui vecto là một mơ hình rất thường được sử dụng trong phân tích kinh tế.
Để kiểm tra mối quan hệ của các biến trong ngắn hạn tác động qua lại như thế
nào, tác giả sử dụng mơ hình tự hồi qui vecto VAR. Phương trình của mơ hình VAR rút gọn được trình bày như sau:
Trong đó:
- c là 1 vector hằng số, - p là chiều dài độ trễ,
- Ai là ma trận hệ số (7x7) và et là 1 vector sai số.
3.2.4. Phân tích hàm phản ứng đẩy:
Việc tiến hành phân tích hàm phản ứng đẩy là mục đích để xem xét khi có một cú sốc của mỗi biến nào đó trong số các biến kinh tế vĩ mơ mà chúng ta
đang nghiên cứu xảy ra thì dòng vốn đầu tư trực tiếp FDI phản ứng như thế nào
trước cú sốc đó. Và sự phản ứng này xảy ra trong thời gian khoảng bao lâu, để
chúng ta biết tác động dài hạn hay ngắn hạn.
3.2.5. Phân rã phương sai:
Việc tiến hành phân tích phân rã phương sai là để tìm hiểu xem mức độ
đóng góp của các cú sốc của các yếu tố kinh tế vĩ mô đối với dịng vốn đầu tư
trực tiếp nước ngồi FDI trong từng thời điểm diễn ra như thế nào cũng như để
chúng ta có thể khẳng định lại các phân tích kết quả thu được từ các hàm phản
ứng đẩy, ta sử dụng thêm kết quả phân rã phương sai để giải thích. Kết quả phân
rã phương sai sẽ cho chúng ta biết cụ thể là sự đóng góp bao nhiệu phần trăm của từng biến vĩ mơ trong việc tạo nên phản ứng của dịng vốn FDI tại thời điểm có cú sốc xảy ra.