3.3.1.Kiểm định tính dừng
Trong nghiên cứu thực nghiệm khi sử dụng dữ liệu là chuỗi thời gian và đặc biệt là sử dụng mơ hình VAR thì tất cả các biến trong mơ hình phải dừng (Stationary). Một chuỗi dữ liệu thời gian được xem là dừng nếu trung bình và phương sai không thay đổi theo thời gian và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian chứ không phụ thuộc vào thời điểm đang xét. Cụ thể:
Trung bình: E Y t const
Phương sai: 2
t
Var Y const
Hiệp phương sai: CovarY Yt, t k gk
Tính dừng là một khái niệm vô cùng quan trọng. Trong hầu hết các mơ hình thống kê đều u cầu chuỗi dữ liệu phải là chuỗi dừng. Do vậy khi ước lượng các tham số hoặc kiểm định giả thuyết của mơ hình, nếu khơng kiểm định tính dừng của dữ liệu thì các kỹ thuật phân tích thơng thường chẳng hạn phương pháp bình phương bé nhất (OLS) sẽ khơng chính xác và hợp lý. Theo
Granger và Newbold (1977) các kết quả phân tích từ chuỗi dữ liệu không dừng đều là giả mạo. Cụ thể nếu mơ hình tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, khi đó kết quả ước lượng mơ hình ta có thể thu được các hệ số có ý nghĩa thống kê và hệ số R2
rất cao. Nhưng đều này được tạo ra bởi tính xu thế của hai biến chứ chúng khơng có mối tương quan chặt chẽ với nhau.
Để kiểm tra tính dừng trong bài, đề tài sẽ sử dụng kiểm định Augmented Dickey Fuller (ADF), một trong những cơng cụ phổ biến trong kiểm định tính dừng của chuỗi thời gian theo Gujarati (2003). Theo đó các độ trễ thời gian sẽ được lựa chọn theo tiêu chuẩn AIC (Akaike Information Criteria) (Xem thêm phụ lục 1). Nếu chuỗi dữ liệu không dừng đề tài sẽ sử dụng kỹ thuật lấy sai
phân để đưa chuỗi dữ liệu về dạng dừng.
3.3.2. Lựa chọn độ trễ tối ƣu cho mơ hình
Do tất cả các biến trong mơ hình VAR đều là biến nội sinh, biến nghiên cứu phụ thuộc vào độ trễ của nó. Do đó có quá nhiều tham số phải ước lượng (2n2-n hệ số) nên việc thực hiện kiểm định để lựa chọn độ trễ tối đa và độ trễ cần loại bỏ trong mơ hình VAR là quan trọng.
Để lựa chọn độ trễ tối đa cho mơ hình đề tài sử dụng kiểm định Lag length criteria dựa trên các tiêu chuẩn LR, FPE, AIC, HC, SQ. Mỗi một tiêu chuẩn đều có những giả thiết nhất định.
3.3.3.Kiểm định nhân quả Granger
Trong phần này đề tài sẽ thực hiện kiểm định nhân quả Granger nhằm xem xét với độ trễ được lựa chọn thì các biến trong mơ hình có quan hệ nhân quả với nhau về mặt thống kê hay khơng. Mơ hình kiểm định Granger chỉ đơn giản được dùng để trả lời cho câu hỏi có hay khơng sự thay đổi của biến X
gây ra sự thay đổi của biến Y và ngược lại. Phương trình hồi quy trong kiểm định Granger mơ tả như sau:
∑ ∑ ∑ ∑ Ta có các trường hợp sau:
Nếu khác khơng và có ý nghĩa thống kê, nhưng khơng có ý nghĩa thống kê thì sự biến động của biến X là nguyên nhân gây ra sự biến động của biến Y.
Nếu khơng có ý nghĩa thống kê, nhưng khác khơng và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y.
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau. Nếu và đều khơng có ý nghĩa thống kê thì X và Y độc lập với nhau. Trong đề tài thì biến Y là lạm phát, và X đại diện cho các biến còn lại trong mơ hình.
Tuy nhiên, nếu việc ước lượng kiểm định nhân quả Granger mà khơng tìm thấy tác động nhân quả đề tài sẽ tiến hành kiểm định đồng liên kết, nếu có đồng liên kết thì đề tài sẽ thực hiện chạy mơ hình VECM thay vì chạy mơ hình SVAR.
3.3.4. Xác định mơ hình VAR rút gọn
Sau khi lựa chọn được độ trễ tối ưu cho mơ hình và kiểm định nhân quả Granger, với sự hỗ trợ từ phần mềm Eviews 6.0 đề tài tiến hành ước lượng để xác định được dạng mơ hình VAR rút gọn. Từ đó xác định được ma trận A0, B cho mơ hình SVAR.
Đồng thời kiểm định sự phù hợp của mơ hình thơng qua các kiểm định Portmantaeu để kiểm định tự tương quan ở phần dư, kiểm định phương sai thay đổi thông qua kiểm định White.
3.3.5. Kiểm tra tính ổn định của mơ hình
Việc kiểm tra tính ổn định của mơ hình nhằm xem xét mơ hình hiện tại có ổn định khơng. Nếu mơ hình là khơng ổn định thì kết quả của việc ước lượng đặc biệt là kết quả thu được (sai số chuẩn) của hàm phản ứng thúc đẩy IRF sẽ khơng có giá trị. Để kiểm tra tính ổn định của mơ hình VAR đề tài sử dụng kiểm định AR Roots Graph, theo đó nếu tất cả các nghiệm đều có modulus<1 và khơng có nghiệm nào nằm ngồi vịng trịn nghiệm đơn vị thì mơ hình được xem như là ổn định, ngược lại nếu có một dấu chấm nằm ngồi vịng trịn nghiệm đơn vị thì xem như là mơ hình khơng ổn định.
3.3.6. Hàm phản ứng đẩy (Impulse response funtion-IRF) và phân rã phƣơng sai (Variance decomposition)
Hàm phản ứng thúc đẩy (IRF):
Hàm phản ứng thúc đẩy là một chức năng quan trọng phát sinh từ mơ hình VAR. Nó cho phép xác định hiệu ứng theo thời gian của cú sốc của một biến nội sinh nào đó đối với các biến khác trong mơ hình. (Xem thêm phụ lục 2)
Phân rã phƣơng sai:
Mặc dù hàm phản ứng thúc đẩy đã cho biết có hay khơng sự ảnh hưởng của cú sốc đến các biến còn lại nhưng như thế là chưa đủ vì có thể tác động truyền dẫn của một cú sốc từ một biến đến biến còn lại rất nhỏ trong khi biến khác lại ảnh hưởng lớn hơn. Nên trong phân tích các nhà kinh tế sử dụng kèm theo kỹ thuật phân rã phương sai (Xem thêm phụ lục 3) để xác định xem mức độ ảnh hưởng của một biến đến biến số nghiên cứu là bao nhiêu. Kỹ thuật này
được đề tài sử dụng để xem xét yếu tố nào giải thích mạnh cho sự biến động của lạm phát ở các nước nghiên cứu.