Chương 1 : GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
3.2 Giai đoạn từ năm khủng hoảng tài chính Thế giới 2008 đến năm 2016
4.1.2 Kiểm định đồng liên kết
Khi nghiên cứu các biến trong chuỗi thời gian xuất hiện đồng liên kết cho thấy chúng có mối quan hệ trong dài hạn, nhưng vấn đề được đặt ra là liệu với những chuỗi dữ liệu khơng dừng khi hồi quy dẫn đến mơ hình sẽ bị cho là giả mạo thì có cịn cơ sở điểm kiểm định được đồng liên kết giữa các biến hay không. Vào năm 1987, kiểm định đồng liên kết của Engle-Granger được thực hiện đối với dữ liệu chuỗi thời gian bằng cách đánh giá phần dư của của mơ hình hồi qui của các biến dừng tại sai phân bậc 1 hay I(1). Nếu các biến có mối quan hệ đồng liên kết thì phần dư đó phải dừng hay I(0), ngược lại khơng có đồng liên kết thì phần dư đó sẽ dừng tại bậc 1.
Tiếp theo vào năm 1999, nghiên cứu độc lập của Pedroni và Kao mở rộng ra đối với dữ liệu bảng. Trong cùng năm đó, nghiên cứu của Gujarati kết luận các chuỗi dữ liệu khơng dừng nhưng vẫn có thể tồn tại mối quan hệ trong dài hạn khi phần dư của mơ hình hồi quy của chuỗi dữ liệu không dừng là một chuỗi dừng. Lúc này, sẽ xuất hiện đồng liên kết giữa các biến. Hiện nay, phương pháp kiểm định Jonhasen được sử dụng để kiểm định tồn tại đồng liên kết giữa các biến trong mơ hình. Khi đó, giả thuyết được đặt ra như sau:
H0: Không tồn tại đồng liên kết trong mơ hình H1: Tồn tại đồng liên kết trong mơ hình
Lúc này, bằng cách so sánh kết quả của Trace test hoặc Max Eigen value với giá trị Critical value của phần mềm kinh tế lượng để chấp nhận hoặc bác bỏ một trong hai giả thuyết trên.
Khi giá trị Trace test hoặc Max Eigen value > Critical value: bác bỏ giả thuyết H0, chấp nhận giả thuyết H1.
Khi giá trị Trace test hoặc Max Eigen value < Critical value: chấp nhận giả thuyết H0, bác bỏ giả thuyết H1.
Ngồi mục đích xác định đồng liên kết giữa các biến để xem xét mối quan hệ trong dài hạn thì việc kiểm định đồng liên kết cịn là cơ sở để áp dụng mơ hình VECM
4.1.3 Mơ hình hồi quy véc tơ tự hiệu chỉnh VECM
Nếu như vai trò của mơ hình VAR là để xem xét mối quan hệ giữa các biến trong ngắn hạn thì mơ hình VECM được sử dụng để nghiên cứu tác động về mối quan hệ giữa biến độc lập và biến phụ thuộc cả trong ngắn hạn và dài hạn. Tuy nhiên, khơng chỉ xét đến vai trị nghiên cứu về tác động mối quan hệ trong ngắn hay dài hạn mà mơ hình VAR được sử dụng dựa trên cơ sở giữa biến độc lập và biến phụ thuộc không tồn tại đồng liên kết, cịn đối với mơ hình VECM dựa vào đồng liên kết giữa các biến để xác định tác động mối quan hệ trong dài hạn. Tuy nhiên trong quá trình kiểm định đồng liên kết, chuỗi dữ liệu cần phải dừng, việc lấy sai phân để chuỗi dừng đã vơ tình bỏ qua những tác động trong dài hạn của các biến với nhau.
Xét mơ hình VAR: Yt = A1Yt-1 + A2 Yt-2 +…+ApYt-p + ut (1)
Khi đó:
ΔYt = Yt– Yt-1= ПYt-1 + C1ΔYt-1 + C2 ΔYt-2+…+Cp-1 ΔYt-p + ut (2)
Với П = (- I + A1+..+Ap); C1 = (A2+..+Ap);…; Cp-1 = Ap ПYt-1 là phần hiệu chỉnh sai số của mơ hình.
Trong phương trình (2), П là ma trận được hợp thành từ ma trận tham số điều chỉnh với ma trận hệ số dài hạn thể hiện tối đa (n-1) đồng liên kết trong mơ hình n biến nội sinh. Phương trình (2) lúc này được coi là phương trình hồi quy của mơ hình VECM. Phương trình VECM được phát triển từ phương trình của mơ hình VAR nhưng bao gồm thêm: các quan hệ ngắn hạn giữa ΔYt với độ trễ của nó là ΔYt-1 thể hiện qua các tham số Ci; và quan hệ dài hạn thể hiện qua thành phần hiệu chỉnh sai số ПYt-1.
4.1.4 Kiểm định nhân quả Granger về mối quan hệ giữa các biến.
Để xem xét nguyên nhân tác động của biến này đến các biến khác trong mơ hình, kiểm định nhân quả Granger được sử dụng để giải quyết vấn đề này. Giả sử cho hai phương trình VECM được biểu diễn như sau:
∆yt = α2[xt-1 + βyt-1] + γ21∆xt-1 + …+ γ2p∆xt-p + η21∆yt-1 +..+ η2p∆yt-p + ɛ2t
Lúc này, nhân quả Granger trong mơ hình VECM được hiểu là x không gây ra y nếu độ trễ của Δx khơng có mặt trong phương trình của Δy, và y khơng phản ứng hiệu chỉnh. Sau khi kiểm định nhân quả Granger, kết quả hồi quy có thể sẽ rơi vào một trong những trưởng hợp sau: khơng có tác động nhân quả, có tác động nhân quả một chiều hay có tác động nhân quả đa chiều.
4.2 Kết quả nghiên cứu thực nghiệm
4.2.1 Mơ tả và phân tích dữ liệu nghiên cứu
4.2.1.1 Thống kê mơ tả và sự tương quan giữa các biến
Những giá trị thống kê mơ tả được trình như bảng sau trong khoảng thời gian từ quý I/2001 đến hết quý IV/2016.
Bảng 4.1: Giá trị thống kê mơ tả của các biến quan sát trong mơ hình định lượng
INFLR PCGDP MARCC TURN TRADS
Mean 4.457665 12.99509 -1.47311 -2.24585 -3.71896 Median 4.502039 12.93118 -0.25556 -2.23552 -2.92679 Maximum 5.027757 13.71225 0.318331 -1.01337 -1.08665 Minimum 3.865258 12.32151 -4.71352 -3.40167 -7.97571 Std. Dev. 0.416455 0.443003 1.920768 0.521836 2.024861 Skewness -0.03161 0.254757 -0.68704 0.182678 -0.64269 Kurtosis 1.439659 1.632498 1.637812 2.663881 1.891857 Jarque-Bera 6.503099 5.679106 9.983056 0.65723 7.680442 Probability 0.038714 0.058452 0.006795 0.71992 0.021489 Sum 285.2905 831.6856 -94.279 -143.735 -238.013 Sum Sq. Dev. 10.9264 12.36386 232.4291 17.15571 258.3039 Observations 64 64 64 64 64
Trong bảng trên, giá trị của hệ số Skewness cho biết độ lệch của phân phối nhằm đánh giá mức độ phân tán của những thành phần khác biệt. Giá trị Skewness của tốc độ lạm phát là -0.0316 < 0 cho thấy lạm phát có phân phối lệch trái. Cũng với giá trị Skewness < 0 nên phân phối của MARCC, TURN và TRADS đều lệch trái. Duy nhất trong 5 biến chỉ có giá trị Skewness của GDP = 0.254757 > 0 nên có phân phối lệch phải.
Ngoài ra, hệ số Jarque-Bera cho biết biến nghiên cứu có thuộc phân phối chuẩn hay khơng khi so với mức ý nghĩa cụ thể. Với mức ý nghĩa α = 5, khi so sánh với giá trị của hệ số Jarque-Bera của INFLR, PCGDP, MARCC, TRADS đều lớn hơn giá trị tới hạn của mức ý nghĩa 5%, do đó các biến này có phân phối chuẩn. Cịn đối với biến TURN thì ngược lại.
Tiếp theo, tác giả sẽ sử dụng ma trận tương quan để làm rõ mối tương quan giữa các biến này với nhau.
Bảng 4.2: Ma trận tự tương quan của các biến trong mơ hình
INFLR PCGDP MARCC TURN TRADS
INFLR 1 0.983222 0.866208 -0.20215 0.769582
PCGDP 0.983222 1 0.807328 -0.25554 0.69997
MARCC 0.866208 0.807328 1 0.069038 0.966385
TURN -0.20215 -0.25554 0.069038 1 0.323204
TRADS 0.769582 0.69997 0.966385 0.323204 1
Nguồn: theo kết quả tính tốn từ Eview 9
Trong kết quả được trình bày, hệ số tương quan giữa INFLR và PCGDP đạt giá trị lớn nhất bằng 0,98322 cho thấy trong giai đoạn nghiên cứu hai biến này có mối tương quan rất lớn. Khi lạm phát tăng 1% thì kéo theo tăng trưởng kinh tế cũng tăng theo 0,98322%. Bên cạnh đó, ngồi sự tương quan đồng biến trong 5 biến nghiên cứu cũng tồn tại tương quan nghịch biến như cặp biến INFLR với TURN (-0,20215), và
cặp PCGDP với TURN (-0,25554). Tức có nghĩa khi lạm phát gia tăng thêm 1% sẽ làm cho doanh số giao dịch chứng khoán giảm đi 0,20215% trong điều kiện các yếu tố khác không thay đổi, áp dụng tương tự khi tăng trưởng kinh tế tăng 1% dẫn đến doanh số giao dịch giảm đi 0,25554%.
Cũng từ kết quả tương quan giữa các biến, khi bình phương hệ số tương quan thì ta sẽ được R2 để giải thích độ biến động của nhân tố này so với nhân tố khác. Như giá trị tương quan giữa INFLR và PCGDP là 0,983222 = 0,96672 = R2. Với giá trị này cho biết lạm phát có thể giải thích được tốc độ tăng trưởng ở mức 96,67%.
4.2.1.2 Kiểm định tính dừng của chuỗi dữ liệu
Đây là bước đầu tiên trong q trình thực hiện mơ hình hồi quy định lượng của luận văn. Theo Baltagi (2008) thì ta khơng thể áp dụng các tính chất liên quan tới phân phối chuẩn cho các biến khơng dừng, hay nói cách khác các giá trị thống kê t, F – statictis từ phương trình hồi quy của những biến khơng dừng sẽ khơng có phân phối chuẩn.
Bằng việc đồng sử dụng phương pháp Augmented Dickey Fuller (ADF) và phương pháp Phillips–Perron, tác giả kiểm định tính dừng cho 5 biến của mơ hình. Chiều dài của độ trễ lựa chọn theo tiêu chuẩn Schwarz Info Criterion kèm theo độ trễ tối đa là 10 để kiểm định. Thực hiện theo giả thuyết được đưa ra như dưới đây:
H0: Chuỗi dữ liệu của biến độc lập không dừng H1: Chuỗi dữ liệu của biến độc lập có tính dừng
Sau khi dùng phần mềm Eview 9 để kiểm định, kết quả được trình bày ở bảng dưới:
Bảng 4.3: Kết quả kiểm định tính dừng của chuỗi dữ liệu
Biến
Phương pháp ADF Phương pháp
Phillips–Perron Giá Trị Tới Hạn
Bậc gốc Sai phân bậc 1 Bậc gốc Sai phân bậc 1 1% 5% 10% INFLR -0.66 (0.8490) -4.75*** (0.0002) -0.33 (0.9126) -3.87*** (0.0038) -3.54 -2.90 -2.59 PCGDP 0.12 (0.9653) -8.44*** (0.0000) -0.03 (0.9515) -12.90*** (0.0000) -3.53 -2.90 -2.59 MARCC -1.56 (0.4932) -3.28** (0.0199) -1.26 (0.6426) -8.78*** (0.0000) -3.54 -2.91 -2.59 TURNN -1.99 (0. 2635) -8.98*** (0.0000) -2.07 (0.3421) -10.23*** (0.0000) -3.54 -2.91 -2.59 TRADS -1.60 (0.4760) -8.59*** (0.0000) -1.26 (0.6426) -8.69*** (0.0000) -3.53 -2.90 -2.59
Nguồn: theo kết quả tính tốn từ Eview 9 Ghi chú: giá trị trong dấu () là p-value
các dấu *, **, *** cho biết ý nghĩa thống kê ở các mức 10%, 5%, và 1%.
Dựa vào kết quả của bảng trên ta thấy được, giá trị p-value của tất cả 5 biến sau khi lấy sai phân bậc 1 đều nhỏ hơn giá trị tới hạn, chủ yếu nhỏ hơn 1%, chỉ có giá trị MARCC sử dụng phương pháp ADF thì nhỏ hơn 5%. Kết hợp giá trị p-value < α ( với α là các giá trị tới hạn 1%, 5% và 10%) ta chấp nhận giả thuyết H0 và bác bỏ giả thuyết H1.
Khi các chuỗi thời gian dừng, giá trị của chuỗi sẽ xoay quanh giá trị trung bình bởi đã loại bỏ đi tính mùa vụ trong bản thân dữ liệu. Minh họa bằng đồ thị dưới đây sẽ
cho thấy trong dài hạn, các chuỗi dữ liệu không cịn mang tính biến động theo xu hướng về sau.
Hình 4.1: Giá trị chuỗi dữ liệu sau khi lấy sai phân bậc 1
Nguồn: theo kết quả tính tốn từ Eview 9
Bên cạnh đó có thể nhận thấy kết quả từ bảng kiểm định tính dừng, các chuỗi dữ liệu nghiên cứu đều không dừng mà chỉ dừng sau khi thực hiện lấy sai phân bậc 1. Kết quả này là cơ sở quan trọng để có thể tiếp tục thực hiện tìm các đồng liên kết giữa các biến ở bước sau.
4.2.1.3 Kiểm định đồng liên kết bằng phương pháp Jonhasen.
Xác định bậc trễ tối ưu của các chuỗi dữ liệu.
Trong bài nghiên cứu gốc, nhóm tác giả đã phân tách 5 biến INFLR, PCGDP, MARCC, TURNN, TRADS thành 5 nhóm nhỏ để làm rõ tác động của các biến với nhau, gồm có:
- Nhóm 3: INFLR, PCGDP, TRADS
- Nhóm 4: INFLR, PCGDP, MARCC, TURNR - Nhóm 5: INFLR, PCGDP, MARCC, TRADS
Do đó, từ phần này trở về sau, tác giả sẽ lựa chọn nhóm 1 để thực hiện các bước hồi quy cịn lại theo mơ hình. Phương pháp định lượng của 4 nhóm cịn lại sẽ được thực hiện tương tự và kết quả sẽ được trình bày ở phần phụ lục.
Với độ trễ lựa chọn từ bậc 1 đến bậc 5 đồng thời các tiêu chuẩn định lượng được căn cứ vào các giá trị của các thông số LR, FPE, AIC, SC và HQ như bảng kết quả dưới đây. Tuy nhiên, chúng ta chỉ căn cứ vào giá trị của AIC để lựa chọn bậc trễ tối ưu.
Bảng 4.4 Giá trị bậc trễ của mơ hình
Nguồn: theo kết quả tính tốn từ Eview 9 Ghi chú: dấu * là bậc trễ được lựa chọn theo tiêu chuẩn.
Trong bảng kết quả trên, tại các bậc 1, 4 và 5 đạt các giá trị có ý nghĩa thống kê. Tiếp tục thực hiện kiểm định để có thể lựa chọn được bậc trễ tối ưu nhất cho nhóm gồm ba chuỗi dữ liệu.
Lần lượt kiểm định độ trễ 1,4 và 5 bằng việc thể hiện đồ thị và giá trị của hệ số AIC kết quả lần lượt như dưới đây:
Hình 4.2: Đồ thị biểu diễn tính ổn định động của độ trễ 1,4 và 5
Lag specification = 1 Lag specification = 4 Lag specification = 5
Nguồn: theo kết quả tính tốn từ Eview 9
Ba đồ thị trên biểu diễn tính ổn định động (dynamically stable) của mơ hình được thể hiện qua các giá trị nghiệm của phương trình đặc trưng hay cịn gọi là vị trí riêng của ma trận đặc trưng nằm trong vòng tròn đơn vị. Cả ba đồ thị đều cho thấy được các giá trị nghiệm của phương trình đều thỏa mãn điều kiện nằm trong vòng tròn đơn vị nên tác giả tiếp tục sử dụng giá trị AIC của từng bậc trễ theo tiêu chuẩn giá trị AIC của bậc trễ nào có giá trị nhỏ nhất sẽ được lựa chọn.
Với lag specification = 1, AIC = -7.374
Bảng 4.5 Giá trị AIC của độ trễ bằng 1
Nguồn: theo kết quả tính tốn từ Eview 9
Bảng 4.6 Giá trị AIC của độ trễ bằng 4
Nguồn: theo kết quả tính tốn từ Eview 9
Với lag specification = 5, AIC = -7.464
Bảng 4.7 Giá trị AIC của độ trễ bằng 5
Nguồn: theo kết quả tính tốn từ Eview 9
Từ các giá trị AIC sau khi kiểm định bằng Eview, thứ tự các giá trị AIC của mỗi bậc được sắp xếp như sau: AIC1 = -7.374 > AIC4 = -7.454 > AIC5 = -7.464
Do đó, trong nhóm 1 gồm ba biến INFLR, PCGDP, MARCC có bậc trễ tối ưu lag = 5. Giá trị độ trễ bằng 5 giải thích cho giá trị của biến hiện tại chịu ảnh hưởng của các biến trễ tính theo quý bắt đầu từ 5 quý trước đó.
Kiểm định đồng liên kết bằng phương pháp Jonhasen
Thông qua phương pháp kiểm định Jonhasen để xác định số đồng liên kết của mơ hình để từ đó xác định được trong mơ hình các biến có mối quan hệ dài hạn hay không. Giả thiết được đặt ra:
Trong phương pháp kiểm định đồng liên kết Jonhasen bao gồm hai cách kiểm định là Trace test và Max-eigenvalue test. Cheung và cộng sự (1993) khi sử dụng cách kiểm định Trace test đã thu được kết quả cho thấy độ tập trung cao và tính bất đối xứng ổn định hơn so với khi sử dụng Max-eigenvalue test. Do đó, tác giả cũng tập trung vào kết quả của Trace test để đưa ra số đồng liên kết nếu có của mơ hình kèm kết quả của Max-eigenvalue test để tham khảo.
Bảng 4.8 Giá trị kiểm định đồng liên kết bằng phương pháp Jonhasen
Trace Statistic Critical Value Giá trị p value Theo phương pháp
Trace test 34.09849 24.27596 0.0021
Max-eigen Statistic Critical Value Giá trị p value Theo phương pháp
Max-eigen test 25.70609 17.79730 0.0026
Nguồn: theo kết quả tính tốn từ Eview 9
Thực hiện kiểm định đồng liên kết Jonhasen với bậc trễ tối ưu của mơ hình, kết quả đạt được là giá trị Trace Statistic = 34.09849 > giá trị Critical Value = 24.27596 hay giá trị p-value = 0.0021 < α = 0.05. Tham khảo thêm giá trị của Max-eigen test, tác giả so sánh giá trị của Max-eigen Statistic = 25.70609 > giá trị Critical Value = 17.79730 và giá trị p-value = 0.0026 < α = 0.05
Từ những kết quả đạt được đủ cơ sở để bác bỏ giả thuyết H0 và chấp nhận giả