CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU
2.2 XÂY DỰNG GIẢ THIẾT
2.3.1 Kiểm định tính dừng
Tính dừng trong một chuỗi dữ liệu được hiểu là khơng có sự tăng trưởng hay suy thối trong dữ liệu mà dao động gần như tập trung xung quanh một trục nằm ngang theo chiều tăng của thời gian, nói cách khách là dữ liệu biến động xung quanh giá trị trung bình khơng đổi và độ lớn của phương sai thể hiện biến động về cơ bản cũng giữ nguyên theo thời gian. Như vậy, khái niệm dừng của một chuỗi thời gian gồm hai nội dung là dừng theo trung bình và dừng theo phương sai.
Các biến sử dụng trong mơ hình ở dạng dữ liệu bảng (kết hợp dữ liệu chuỗi thời gian và dữ liệu chéo) nên việc kiểm tra tính dừng là rất quan trọng. Một chuỗi không dừng hàm ý rằng trong tương lai chuỗi dữ liệu có thể khơng cịn giữ những đặc điểm cũ, nghĩa là ta chỉ có thể biết được đặc điểm của chuỗi này trong giai đoạn đang được nghiên cứu chứ không thể khái quát những đặc điểm này cho các giai đoạn sau đó để phục vụ cho công tác dự báo. Bản chất của dự báo trong kinh tế lượng giả định rằng những gì đã xảy ra trong quá khứ sẽ tiếp tục được duy trì trong tương lai nên không thể dự báo hiệu quả nếu bản thân chuỗi dữ liệu luôn luôn thay đổi. Việc hồi quy các biến chuỗi thời gian khơng dừng có thể phóng đại hoặc khơng phản ánh đúng mối quan hệ giữa biến độc lập và biến phụ thuộc. Nếu có thực hiện phân tích hồi quy đối với từ hai chuỗi khơng dừng trở lên rất có thể gặp phải hiện tượng hồi quy giả mạo (spurious hoặc nonsense regression).
Nếu kiểm định bị vi phạm, cần loại bỏ tính khơng dừng của chuỗi dữ liệu bằng phương pháp sai phân trước khi tiến hành các phân tích kế tiếp. Định nghĩa sai phân bậc 1 qua công thức: Y’t = Yt – Yt-1
Trong đó:
Yt và Yt-1 là giá trị của chuỗi tại thời đoạn (t) hoặc (t-1)
Y’t là sai phân bậc 1 tại thời đoạn (t)
Chuỗi sai phân Y’t sẽ dừng nếu xu hướng của chuỗi gốc là tuyến tính và nó chỉ
lấy sai phân bậc một mà các kiểm tra vẫn cho thấy dữ liệu chưa dừng thì phải lấy tiếp sai phân bậc hai, chuỗi sai phân lúc này có (n-2) quan sát.
Theo Ramanathan (2002) hầu hết các chuỗi thời gian về kinh tế là khơng dừng vì chúng thường có một xu hướng tuyến tính hoặc mũ theo thời gian. Tuy nhiên có thể biến đổi chúng về chuỗi dừng thơng qua q trình sai phân. Nếu sai phân bậc 1 của một chuỗi có tính dừng thì chuỗi ban đầu gọi là tích hợp bậc 1, ký hiệu là I(1). Tương tự, nếu sai phân bậc d của một chuỗi có tính dừng thì chuỗi ban đầu gọi là tích hợp bậc d, ký hiệu là I(d). Nếu chuỗi ban đầu (chưa lấy sai phân) có tính dừng thì gọi là I(0).
Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian là dừng hay không dừng. Bài nghiên cứu sử dụng kiểm định Im – Perasan – Shin (IPS) vì những lợi thế của nó so với các kiểm định nghiệm đơn vị khác. Kiểm định IPS cho phép tiến hành các thủ tục đối với từng nghiệm đơn vị riêng lẻ. Kiểm định W-Statistics dùng để kiểm tra chuỗi dữ liệu của bảng dựa trên các kiểm định từng nghiệm đơn vị riêng lẻ, trong đó W được giả định rằng có phân phối chuẩn.
Sau khi kiểm định tính dừng, nghiên cứu thực hiện thống kê mô tả dữ liệu nhằm thông tin chi tiết về các biến sử dụng trong mơ hình và sử dụng ma trận tương quan Pearson nhằm tìm hiểu mối quan hệ chéo giữa các biến độc lập với nhau hay giữa biến phụ thuộc và từng biến độc lập.
Sau khi phân tích mơ tả số liệu, tiến hành hồi quy đơn thuần theo mơ hình POOLED và mơ hình POOLED có sử dụng biến giả. Nói về hạn chế của hai mơ hình này, mơ hình POOLED thường dẫn đến hiện tượng tự tương quan trong dữ liệu hay ràng buộc phần dư làm cho giá trị Durbi-Watson thấp. Bên cạnh đó, ràng buộc của các giả định mạnh trong trường hợp này rất cao, dẫn đến tính phi thực tế của mơ hình. Cụ thể, các giả định có nghĩa là giá trị tung độ gốc của các doanh nghiệp là như nhau cũng như hệ số dộ dốc của các biến giải thích đồng nhất cho tất cả các doanh nghiệp trong mẫu. Trong khi đó, mơ hình POOLED có sử dụng biến giả lại làm giảm bậc tự do của mơ hình, đặc biệt là khi số biến giả lớn (số lượng doanh
nghiệp trong mẫu lớn, dữ liệu bảng rộng).
Sử dụng kiểm định F cho hai mơ hình sẽ đi đến kết luận mơ hình POOLED với đầy đủ biến giả hiệu quả hơn.
Thực chất, mơ hình POOLED có sử dụng biến giả chính là mơ hình FEM. Với giả định mỗi thực thể (doanh nghiệp) đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, phương pháp FEM cho phép có các hệ số chặn khác nhau cho mỗi thực thể nhằm tách ảnh hưởng của các đặc điểm riêng biệt ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực của biến giải thích lên biến phụ thuộc.