BIẾN TIẾNG ANH VIẾT TẮT NGUỒN
Đầu tư trực tiếp nước ngoài
Foreign direct
investment (% GDP) FDI
World Bank
Độ biến động FDI Volatility VFDI World Bank
Biến quản trị - GOV
GOVERNANCE GOV
World Bank
Thương mại Trade (% GDP) TRADE World Bank
Đầu tư trong nước Domestic investment or Gross capital formation (% GDP) Domestic Inv World Bank Tăng trưởng GDP bình quân đầu người GDP per capita growth (%) GDPPCG World Bank Lạm phát INFLATION, GDP deflator (%) INFL World Bank
Kỳ vọng giả thuyết nghiên cứu
Giả thuyết H1: Chất lượng thể chế tăng lên làm tăng vốn đầu tư trực tiếp nước ngoài.
Giả thuyết H2: Chất lượng thể chế tăng lên làm giảm biến động vốn đầu tư trực tiếp nước ngoài.
3.3 Dữ liệu nghiên cứu
Bài nghiên cứu sử dụng dữ liệu bảng (panel data) và dữ liệu nghiên cứu được lấy từ các nước thuộc khu vực Châu Á Thái Bình Dươngtrong giai đoạn từ
năm 1996 - 2014 từ cơ sở dữ liệu World Development Indicators (WDI đã cập nhật đến năm 2015) và Worldwide Governance Indicators (WGI) của Ngân Hàng Thế Giới. Trong tập hợp các nước khu vực này, tác giả lựa chọn các quốc gia có dữ liệu đầy đủ theo yêu cầu nghiên cứu. Theo đó, 21 quốc gia được lựa chọn bao gồm: Australia, Brunei Darussalam, Cambodia, China, Fiji, Hong Kong SAR, Indonesia, Japan, Korea Rep, Macao SAR, Malaysia, Mongolia, New Zealand, Papua New Guinea, Philippines, Singapore, Solomon Islands, Thailand, Tonga, Vanuatu, Vietnam.
3.4 Các phương pháp kiểm định hồi quy 3.4.1 Hiện tượng đa cộng tuyến 3.4.1 Hiện tượng đa cộng tuyến
Hiện tượng đa cộng tuyến là hiện tượng tương quan giữa các biến độc lập (các biến giải thích) với nhau. Hiện tượng đa cộng tuyến có thể phân ra hai loại: đa cộng tuyến hoàn hảo và đa cộng tuyến khơng hồn hảo.
Trong q trình hồi quy, kết quả hồi quy có hệ số xác định R2 cao nhưng tỷ số t thấp, tương quan cặp giữa các biến giải thích cao, xét tương quan riêng, hồi quy phụ thấy có tồn tại hiện tượng tương quan giữa các biến độc lập thì mơ hình đã vi phạm giả thiết hồi quy - hiện tượng đa cộng tuyến.
Hiện tượng đa cộng tuyến sẽ dẫn đến một số hậu quả như: phương sai và hiệp phương sai của các ước lượng OLS lớn, khoảng tin cậy rộng lớn,hệ số xác định cao nhưng tỷ số t mất ý nghĩa, các ước lượng OLS và sai số chuẩn trở nên rất nhạy với những thay đổi trong số liệu,dấu của các ước lượng của các hệ số hồi quy có thể sai lệch, thêm vào hay bớt đi các biến cộng tuyến với các biến khác thì hệ số của các biến cịn lại có thể thay đổi rất lớn và thay đổi cả dấu của chúng.
phương sai để kiểm định đa cộng tuyến. Theo Baltagi (2008), hệ số tương quan lớn hơn 0.8, nhân tử phóng đại phương sai lớn hơn 10 thì tồn tại đa cộng tuyến nghiêm trọng.
3.4.2. Hiện tượng phương sai thay đổi
Hiện tượng phương sai thay đổi là hiện tượng các yếu tố nhiễu ui xuất hiện trong hàm hồi quy có phương sai thay đổi (homoscedasticity, cịn gọi là phương sai có điều kiện thay đổi); tức là các yếu tố nhiễu ui khơng đồng nhất phương sai.
Trong q trình hồi quy, tác giả sẽ tập trung xem xét lại bản chất của vấn đề nghiên cứu, đồ thị phần dư và dùng một số kiểm định Goldfeld-Quandt, Breusch- Pagan, White, Park trên OLS và phương pháp Greene (2000) trên dữ liệu bảng để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng phương sai thay đổi.
Hiện tượng phương sai thay đổi sẽ dẫn đến một số hậu quả như: các ước lượng OLS vẫn là không chệch nhưng khơng cịn hiệu quả nữa, ước lượng của các phương sai sẽ bị chệch, như vậy sẽ làm mất hiệu lực của kiểm định hệ số hồi quy.
3.4.3 Hiện tượng tự tương quan
Tự tương quan có thể hiểu là sự tương quan giữa các thành phần của chuỗi quan sát được sắp xếp theo thứ tự thời gian hoặc không gian.
Để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng tự tương quan. Trong quá trình hồi quy, tác giả sẽ dùng phương pháp đồ thị và kiểm định d (Durbin-Watson) để phát hiện tượng tự tương quan trong mơ hình hồi quy OLS (pooled regression).Ở khía cạnh kiểm tra phương sai thay đổi dữ liệu bảng, tác giả sử dụng kiểm định được đề xuất bởi Wooldrige (2002) và Drukker (2003).
Hiện tượng tự tương quan sẽ dẫn đến một số hậu quả như: uớc lượng OLS vẫn là ước lượng tuyến tính khơng chệch, nhưng không là ước lượng hiệu quả nữa; phương sai các ước lượng OLS là bị chệch, đôi khi quá thấp so với phương sai thực và sai số tiêu chuẩn, dẫn đến phóng đại tỷ số t; các kiểm định t và F không đáng tin cậy; công thức thơng thường để tính phương sai của sai số là ước lượng chệch của phương sai thực và trong một số trường hợp dường như ước lượng thấp của phương sai thực; có thể hệ số xác định khơng đáng tin cậy và dường như là nhận giá trị ước lượng cao; các phương sai và số tiêu chuẩn của dự đốn khơng có hiệu quả.
3.4.4 Hiện tượng nội sinh
Hiện tượng nội sinh xảy ra khi giả thiết về sự không tương quan giữa biến độc lập và sai số bị vi phạm. Biến độc lập trong mơ hình vừa đóng vai trị là biến ngoại sinh (do tác động đến Y) vừa là biến nội sinh (do bị sai số tác động).
Để phát hiện vi phạm giả thiết hồi quy - hiện tượng nội sinh, tác giả sẽ sử dùng kiểm định phương pháp Hansen, Sargan để kiểm tra sự phù hợp của việc thay thế biến nội sinh bởi biến công cụ.
3.4.5 Phương pháp hồi quy GMM
3.4.5.1 Các phương pháp hồi quy phù hợp
Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng rất phổ biến trong lĩnh vực kinh tế lượng. Ưu điểm của phương pháp này không quá phức tạp nhưng hiệu quả. Với một số giả thiết ban đầu, phương pháp này sẽ dễ dàng xác định các giá trị ước lượng hiệu quả, không chệch và vững.
Tuy nhiên, khi nghiên cứu về chuỗi dữ liệu thời gian, có nhiều chuỗi vi phạm một hoặc một số giả định của OLS. Khi đó, các ước lượng thu được sẽ bị bóp
những dạng vi phạm giả định phổ biến là hiện tượng nội sinh, một trường hợp khác là khi hệ số ước lượng (hoặc biến) tương quan với phần dư.
Phương pháp cơ bản trong trường hợp các biến độc lập tương quan với phần dư là ước lượng một phương trình có dùng các biến cơng cụ (Instrumental Variables – hồi quy IV). Ý tưởng của phương pháp hồi quy này là tìm một bộ biến, được gọi là biến công cụ, thõa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) không tương quan với phần dư. Những biến công cụ như vậy được dùng để loại vỏ sự tương quan giữa các biến giải thích và phần dư.
Có nhiều phương pháp hồi quy dựa trên nền tảng của hồi quy IV như phương pháp Bình phương bé nhất hai giai đoạn (2SLS), phương pháp Maximum Likelihood trong điều kiện giới hạn thông tin (LIML), phương pháp ước lượng Moment tổng quát (GMM).
Làm thế nào để một hồi quy IV ước lượng ra hệ số với sự tham gia của biến cơng cụ? Xem xét mơ hình đơn giản sau:
𝑦𝑖 = 𝛽𝑥𝑖 + €𝑖
Trong đó: i là quan sát thứ i, yi là biến phụ thuộc, xi là biến độc lập, €𝑖là phầndư của mơ hình. Khi đó hệ số ước lượng 𝛽 sẽ được xác định như sau:
𝛽𝑂𝐿𝑆 = 𝑥′𝑦 𝑥′𝑥 =
𝑥′(𝛽𝑥 + €) 𝑥′𝑥
Vớix, y, €là các ma trận cột 𝑛× 1. Nếu x và €khơng tương quan với nhau thì 𝛽̂ ước lượng được là vững và không chệch. Tuy nhiên nếu điều ngược lại xảy ra, hệ số ước lượng sẽ bị chệch và khơng vững, mơ hình khơng cịn hiệu quả, tác động của biến x lên biến y không đáng tin cậy.
Một biến công cụ z, tương quan với biến giải thích x nhưng khơng tương
quan với phần dư €sẽ được đưa vào mơ hình, phương pháp hồi quy IV sử dụng biến giả đó để xác định hệ số ước lượng như sau.
𝛽𝐼𝑉 = 𝑧′𝑦 𝑧′𝑥 =
𝑧′(𝛽𝑥 + €) 𝑧′𝑥
Vì biến z khơng tương quan với € nên hệ số ước lượng là vững và khơng chệch.Phương pháp này có thể tổng qt lên với một mơ hình nhiều biến. Ta gọi X là ma trận 𝑛×K các biến giải thích,Zlà ma trận 𝑛×L các biến công cụ với K là số lượng biến giải thích, L là số lượng biến công cụ và n là số quan sát của mỗi biến. Khi đó phương pháp IV có thể được dùng để ước lượng mơ hình và hệ số ước lượng sẽ được xác định như sau:
𝛽̂ = (𝑍𝐼𝑉 ′𝑋)−1𝑍′𝑌
Điều kiện để xác định được giá trị ước lượng là L ≥ K
Tuy nhiên, theo Buchanan và cộng sự (2012) đã nhận ra một sai lệch tiềm ẩn trong kết quả hồi quy OLS so với các nghiên cứu trước đây (Benassy-Quere et al, 2007, Daude và Stein, 2007; Hall và Jones, 1999; Mauro, 1995). Họ cho rằng yếu tố quản trị được xác định nội sinh tùy thuộc vào nguồn gốc pháp lý, các loại pháp luật mà điều chỉnh đất nước, và trình độ phát triển kinh tế.
Mặt khác Wooldrige (2000, p.472), IV là phương pháp được dùng để cung cấp các ước tính tốt hơn của mơ hình.Mauro (1995), Hall và Jones (1999). Daude và Stein (2007), và Benassy-Quere et al. (2007) cũng đều sử dụng các biến cơng cụ trong phân tích của mình.Phần trên đã cố gắng trình bày một cách đơn giản, có thể hiểu được vai trị của biến cơng cụ trong hồi quy IV. Tuy nhiên, cách thực hiện tính toán của các phương pháp hồi quy IV là rất phức tạp, GMM là phương pháp hiệu
1982 trong bài viết “Large Sample Properties of Generalized Methods of Moments Estimators”Econometrica, Vol. 50, page 1029-1054.
Khi số lượng mẫu phù hợp giá trị β ước lượng được sẽ vững, khi đó giá trị ước lượng được sẽ càng gần với giá trị thực của nó. Ước lượng GMM sẽ cho ra các giá trị ước lượng tuân theo phân phối chuẩn, đây là thuộc tính rất quan trọng vì đó là cơ sở để chúng ta xây dựng giá trị dự đoán ở các độ tin cậy (confidence bands) và thực hiện các kiểm định khác. Phương pháp GMM cũng cho ra kết quả là các giá trị ước lượng hiệu quả, nghĩa là giá trị phương sai trong mơ hình ước lượng là nhỏ nhất.
3.3.5.2Các bước ước lượng GMM và kiểm định cơ bản
Như đã đề cập ở phần trên, để ước lượng được hệ số β, chúng ta cần một bộ L vector các biến công cụ (trong ước lượng GMM còn được gọilàcác điều kiện moment) và số lượng biến cơng cụ phải khơng ít hơn số biến giải thích trong mơ hình (L ≥ K).
Điều kiện để một biến được chọn là biến công cụ là nó khơng được tương quan với phần dư, điều này có nghĩa là:
𝐸(𝑍𝑡𝑢𝑡(𝛽)) = 0
Ý tưởng chủ đạo của phương pháp GMM là thay thế giá trị các biến cơng cụ bằng giá trị trung bình của mẫu:
𝐸(𝑍𝑡𝑢𝑡(𝛽)) = 1
𝑇∑ 𝑍𝑡𝑢𝑡(𝛽) =1
𝑇𝑍′𝑢𝑡(𝛽) = 0 𝑡
và đi tìm Vector β thõa mãn phương trình trên.
Khi số lượng điều kiện moment lớn hơn số biến trong mơ hình (L > K) thì phương trình khơng thể xác định một nghiệm chính xác duy nhất (có nhiều nghiệm có thể thõa mãn phương trình). Khi đó mơ hình được gọi là overidentified. Trong trường hợp đó, chúng ta phải thực hiện tính tốn lại nhằm xác định giá trị β làm cho điều kiện moment 𝐸(𝑍𝑡𝑢𝑡(𝛽))“gần” bằng 0 nhất có thể, khái niệm “gần” được hiểu là khoảng cách với giá trị 0 là nhỏ nhất, khoảng cách đó được xác định như sau:
𝐽(𝛽, 𝑊̂ ) =𝑡 1
𝑇𝑢(𝛽)′𝑍. 𝑊𝑡−1𝑍′𝑢(𝛽)
Ma trận ngẫu nhiên, cân xứng và khơng âm 𝑊̂𝑡 (kích thước L x L) được gọi là ma trận trọng số vì nó thể hiện mức đóng góp của các điều kiện moment khác nhau vào khoảng cách J. Phương pháp ước lượng GMM sẽ xác định giá trị ước lượng β để khoảng cách J là nhỏ nhất.
Kiểm định quan trọng nhất của phương pháp ước lượng GMM là kiểm định Overidentifying Restrictions (Overidentifying Restrictions Test) hay còn gọi là kiểm định Sargent (Sargent Test) hoặc kiểm định J (J – Test). Đây là kiểm định cần thiết trong trường hợp số biến công cụ nhiều hơn số biến trong mơ hình.Ý tưởng của kiểm định là xem xét biến cơng cụ có tương quan với phần dư của mơ hình khơng.Nếu câu trả lời là khơng, khi đó biến cơng cụ là nội sinh, thì biến cơng cụ được chọn là phù hợp và mơ hình sử dụng biến đó để ước lượng cũng phù hợp.Kiểm định Sargent sử dụng thống kê J (J – statistic) nhằm kiểm định giả thiết H0- biến công cụ là nội sinh, mơ hình phù hợp. Thống kê J tn theo phân phối Chi Bình phương và được trình bày trên bảng kết quả ước lượngcủa phần mềm thống kê cùng với giá trị P – value tương ứng của nó.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU
Chương 3 đã trình bày phương pháp nghiên cứu được sử dung để xây dựng, đánh giá các khái niệm nghiên cứu và kiểm định mơ hình lý thuyết. Tác giả cũng đã đưa ra cách đo lường các biến trong mơ hình. Chương 4 sẽ trình bày kết quả nghiên cứu thu được từ q trình phân tích số liệu của 21quốc gia trong thời gian từ năm 1996-2014.
So với dữ liệu theo chuỗi thời gian và không gian, theo Baltagi (2008) dữ liệu bảng có ưu điểm hơn vì dữ liệu bảng liên quan đến các doanh nghiệp, quốc gia, .v.v. theo thời gian, nên nhất định phải có tính dị biệt (khơng đồng nhất) trong các đơn vị này. Kỹ thuật ước lượng dữ liệu bảng có thể xem xét đến tính dị biệt đó bằng cách xem xét tính đặc thù của các biến số theo từng cá nhân, được trình bày ngay sau đây. Ta sử dụng thuật ngữ cá nhân theo ý nghĩa chung bao gồm các đơn vị như, cá nhân, các doanh nghiệp, các quốc gia... Thông qua kết hợp các chuỗi theo thời gian của các quan sát theo không gian, dữ liệu bảng cung cấp “những dữ liệu có nhiều thơng tin hơn, đa dạng hơn, ít cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn.
Việc nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của thay đổi.Dữ liệu bảng có thể phát hiện và đo lường tốt hơn những ảnh hưởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy. Dữ liệu bảng giúp ta nghiên cứu những mơ hình hành vi phức tạp hơn. Bằng cách thu thập những số liệu có sẵn cho vài nghìn đơn vị, dữ liệu bảng có thể tối thiểu hóa sự thiên lệch có thể xảy ra nếu ta tổng hợp các cá nhân thành số liệu tổng. Nói vắn tắt, dữ liệu bảng có thể giúp chúng ta phân tích thực nghiệm theo những cách thức mà khơng chắc có thể đạt được nếu ta chỉ sử dụng các dữ liệu theo chuỗi thời gian hay khơng gian thuần túy.
4.1 Phân tích thơng kê mơ tả các biến trong mơ hình
Bước đầu tiên tác giả thống kê mơ tả giúp tác giả có cái nhìn tổng quan về dữ liệu, phát hiện những quan sát sai biệt trong cỡ mẫu, kết quả trình bày theo bảng thống kê mô tả trong bảng 4.1 dưới đây. Kết quả chỉ ra phạm vi, giá trị trung bình và độ lệch chuẩn của các biến sử dụng trong nghiên cứu này.
Bảng 4.1: Thống kê mô tả giữa các biến trong mơ hình
Variable Obs Mean Min Max Std. Dev.
FDI 399 19.65095 0 26.39634 5.726766 VFDI 336 18.34637 0 197.352 46.88749 Governance 399 2.68e-10 -3.741907 4.223461 2.140517 Trade 399 4.588529 2.931534 6.120905 .6427115 DomesticInv 399 3.160387 1.645301 4.063038 .3525084 GDPPCG 399 2.811175 -16.55813 24.71693 4.419309 M2growth 378 .0869125 -.1989822 3.41764 .2067131 Inflation 399 4.698652 -22.09142 75.27129 6.664259 Voice 399 0.0418863 0.8138831 -1.681624 1.76466 Polstab 399 0.2922815 0.8344654 -2.118068 1.493102 Goveff 399 0.3573985 0.9798751 -2.247729 2.429651 Regqual 399 0.3015504 0.9858786 -2.675443 2.247353 Rule 399 0.2715505 0.9079896 -1.398239 2.017115 Ccorr 399 0.2284993 1.070004 -1.349429 2.462202
“Nguồn: Tổng hợp từ Phần mềm Stata trên số liệu tác giả thu thập (Phụ lục 1)”
Bảng 4.1 đã cho chúng ta cái nhìn tồn diện về giá trị các biến trong các mơ hình nghiên cứu. Nhìn chung,các biến có độ lệch chuẩn khơng q lớn so với giá trị trung bình.Dữ liệu tương đối đồng đều ở các biến. Các giá trị của biến Governance
giao động từ -3.741907 đến 4.223461 với giá trị trung bình là gần bằng 0 và độ lệch chuẩn nhỏ, bằng 2.140517. Cỡ mẫu nghiên cứu gồm 378 quan sát đối với mơ hình