3. DỮ LIỆU NGHIÊN CỨU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.1 Mơ hình nghiên cứu
Ở bài nghiên cứu này, tác giả xem xét tác động của các nhân tố vĩ mơ đến chính sách tài khố và tiền tệ các nước khu vực Asean trong khoảng thời gian từ năm 2001 đến năm 2015, dựa theo mơ hình nghiên cứu của các cơng trình trước đây, đặc biệt là nghiên cứu của tác giả Fredj Jawadi , Sushanta K. Mallick , Ricardo M. Sousa năm 2015. Mơ hình nghiên cứu được thực hiện là mơ hình Panel Vector Autor Regressive (PVAR).
VAR là sự kết hợp của 2 phương pháp: Tự hồi quy đơn chiều (univariate autoregression – AR) và hệ phương trình ngẫu nhiên (simultaneous equatinons – Sec). VAR tổng hợp được những ưu điểm của 2 phương pháp trên: Dễ ước lượng bằng phương pháp tối thiểu hoá phần dư (OLS) và ước lượng nhiều biến trong cùng hệ thống. Đồng thời nó khắc phục được nhược điểm của Sec là khơng quan tâm đến tính nội sinh của các biến kinh tế (endogeneity). Tức là các biến kinh tế vĩ mô thường mang tính nội sinh khi chúng tác động qua lại lẫn nhau. Thuộc tính này làm cho phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy nhiều khi bị sai lệch khi ước lượng. Do vậy, VAR rất thích hợp trong việc đo lường tương tác giữa các biến vĩ mô theo số liệu chuỗi thời gian. Bởi vì dữ liệu chuỗi vĩ mơ theo thời gian có những đặc điểm sau đây:
- Các yếu tố vĩ mơ thường có tính tự tương quan do đó giá trị của kỳ trước thường
có ảnh hưởng đến kỳ này. Tính tự tương quan khiến cho các biến vĩ mơ thường biến động có xu hướng và có độ trễ.
- Các biến vĩ mơ thường tương tác với nhau theo mơ hình mạng, có nghĩa là tất cả
các biến đều có tương tác với nhau theo dạng mạng. Do đó bất kỳ biến vĩ mô nào cũng có thể bị tác động bởi các biến vĩ mơ khác và ngược lại.
Bên cạnh những ưu điểm của mơ hình VAR thì mơ hình cịn vướng một số hạn chế như sau:
- Do trọng tâm mơ hình được đặt vào dự báo nên VAR ít phù hợp cho phân tích
chính sách.
- Khi xét đến mơ hình VAR phải xét đến tính dừng các biến trong mơ hình. u
cầu đặt ra khi ước lượng mơ hình VAR là tất cả các biến phải dừng, nếu trong trường hợp các biến này chưa dừng thì ta phải lấy sai phân để đảm bảo chỗi dừng. Càng khó khăn hơn nữa nếu một hỗn hợp chứa các biến có tính dừng và các biến khơng có tính dừng thì việc biến đổi dữ liệu khơng phải là việc dễ dàng.
- Khó khăn trong việc lựa chọn khoảng trễ thích hợp. Nếu tăng số biến và số trễ đưa vào mỗi phương trình thì số hệ số phải ước lượng khá lớn.
Mơ hình Panel Vector Auto Regression (PVAR) tiếp cận theo phương pháp VAR truyền thống là xử lý các biến trong mơ hình như biến nội sinh, xác định các hạn chế dựa trên mơ hình lý thuyết hoặc thủ tục thống kê có thể được áp dụng để phân biệt được những tác động của các cú sốc ngoại sinh vào hệ thống, thêm vào đó sử dụng cấu trúc bảng dữ liệu của các quốc gia để kiểm sốt tính đồng nhất của từng quốc gia riêng lẻ. Dữ liệu bảng giúp cho mơ hình nghiên cứu tăng tính hiệu quả tránh được các sai lệch do số lượng mẫu nghiên cứu nhỏ ở cấp độ VAR. Do vậy, mơ hình PVAR ngày càng được sử dụng trong nghiên cứu ứng dụng.
Sự tương quan giữa các tác động cố định và các biến hồi quy, tiêu chuẩn trung bình khác biệt dữ liệu dẫn đến hệ số chịu ảnh hưởng (Holtz – Eakin et al,1988). Ước tính mơ hình PVAR bằng cách lập một mơ hình hồi quy đa biến của từng biến số phụ thuộc vào trễ của chính nó, tất cả các biến phụ thuộc khác và các biến ngoại sinh nếu có. Trong đó được thực hiện theo hai bước sau:
Chuyển trung bình khác biệt và do đó loại bỏ chỉ số trung bình của tất cả các quan sát trong tương lai có sẵn cho mỗi quốc gia theo năm (Arellano and Bover, 1995).
Ước tính hệ thống bằng cách sử dụng độ trễ GMM của các biến hồi quy như các
công cụ (Blundell and Bond, 1998).
Khi có cú sốc về chính sách tài khố tác động đến chi tiêu chính phủ và cú sốc về chính sách tiền tệ tác động đến lãi suất thị trường, sau đó tác động đến các biến khác trong nền kinh tế. Tuy nhiên phản ứng của các yếu tố đến các cú sốc trong chính sách tài khố và chính sách tiền tệ sẽ khác nhau, cần làm rõ mức độ phản ứng cũng như độ dài phản ứng. Đồng thời cần dự báo phương sai trong tương lai của các biến nghiên cứu để làm rõ ảnh hưởng của các cú sốc đến phương sai dự báo của biến trong tương lai. Mơ
hình PVAR cung cấp hai cơng cụ giải quyết vấn đề trên. Công cụ hàm phản ứng xung (IRF – Impulse Response Function) giúp đo lường mức độ phản ứng cũng như độ trễ trong phản ứng của biến nghiên cứu đến các cú sốc trong các biến khác. Công cụ phân rã phương sai (Variance Decomposition) phân tích mức độ đóng góp của các yếu tố vào dự báo độ biến động phương sai của biến nghiên cứu trong tương lai.
Mơ hình PVAR với độ trễ (p) có dạng như sau:
Yit = β1Yt-1 + β2Yit-2 + β3Yit-3 +….+ βpYit-p + BXit + uit + εit
i(1,2,…, N), t(1,2,….,Ti)
Trong đó: Yit là ma trận cột m chiều các biến phụ thuộc, Xit là ma trận cột cấp q của các biến ngoại sinh, p là độ trễ của Yit, βi là các ma trận vuông cấp m, B là ma trận tham số cấp mxq, uit là vector phần dư, εt là vector của sai số.