Biến ác đo lƣờng Nguồn dữ
liệu
Kỳ vọng
Lãi suất (DR) Logarit tự nhiên của lãi suất tiền gửi IMF – Chỉ số sản xuất công
nghiệp (IPI) Logarit tự nhiên chỉ số IPI Datastream +
Xuất khẩu (EX) Logarit tự nhiên xuất khẩu DOTS +
Nhập khẩu (IM) Logarit tự nhiên nhập khẩu DOTS +/–
Tỷ giá (NEER) Logarit tự nhiên tỷ giá hối đoái
danh nghĩa đa phƣơng Datastream –
Giá dầu (OIL) Logarit tự nhiên giá dầu thô thế giới FRED +/–
(Nguồn : Tổng hợp của tác giả.)
3 2 hƣơng pháp nghiên cứu
Nhƣ đã đề cập phần trƣớc, nghiên cứu sử dụng dữ liệu theo tháng nhằm đánh giá mối quan hệ giữa giá chứng khoán cùng các nhân tố vĩ mô Phƣơng trình h i quy tuyến t nh cơ sở nắm bắt các biến nghiên cứu đƣợc trình bày nhƣ sau:
( )
trong đó, là biến logarit tự nhiên của chỉ số giá chứng khoán VN-Index; là lãi suất; là xuất khẩu; là nhập khẩu; là chỉ số sản xuất công nghiệp; là tỷ giá hối đoái danh nghĩa đa phƣơng; là giá dầu; là phần dƣ; là các tham số dài hạn.
Để thực hiện kiểm tra các yếu tố tác động đến giá chứng khoán tại Việt Nam trong giai đoạn tháng 1/2008 đến tháng 1/2018 nhƣ mục đ ch nghiên cứu của tác giả đã đề ra, bài nghiên cứu sẽ đƣợc thực hiện thông qua các bƣớc sau và cùng với sự hỗ trợ của phần mềm Eviews 10.
3 2 1 hƣơng pháp tự hồi quy phân phối trễ ARDL
Phƣơng pháp tiếp cận tự h i quy phân phối trễ (ARDL), áp dụng trong nghiên cứu này, đƣợc đề xuất bởi Pesaran và Shin (1999) và phát triển bởi Pesaran và cộng sự (2001). Tác giả sử dụng mơ hình ARDL nhằm phân tích mối liên kết ngắn hạn và dài giữa các biến số kinh tế với giá chứng khoán tại Việt Nam. Việc áp dụng mơ hình này vào phân tích thực nghiệm xuất phát từ các lợi thế so với các phƣơng pháp truyền thống trong việc đánh giá quan hệ đ ng liên kết cũng nhƣ các liên kết ngắn hạn và dài hạn.
Thứ nhất, khác với các phƣơng pháp đ ng liên kết truyền thống nhƣ kiểm định của Johansen (Johansen, 1991), kiểm tra nhân quả Granger và Engle (Engle và Granger, 1987) và mơ hình vectơ tự h i quy (VAR), mơ hình ARDL có thể đƣợc sử dụng để kiểm tra mối quan hệ cho các biến số dừng tại bậc gốc, I(0), hay tại sai phân bậc nhất, I(1), cũng nhƣ hỗn hợp I(0) và I(1) (Duasa, 2007; Adom và cộng sự, 2012). Tuy nhiên, cách tiếp cận ARDL không áp dụng đƣợc cho các biến số tích hợp tại sai phân bậc hai, tức I (2). Khả năng kết hợp các biến I(0) hoặc I(1) là một lợi thế lớn vì
chuỗi thời gian tài ch nh thƣờng dừng tại bậc gốc cũng nhƣ sai phân bậc nhất. Lợi thế có thể đƣợc làm rõ hơn bằng cách so sánh ví dụ giữa hai mơ hình VAR với ARDL. Nếu chúng ta tiến hành phƣơng pháp tiếp cận VAR thì dữ liệu cần phải dừng, nếu không dừng, chúng ta phải lấy sai phân bậc nhất của chuỗi và áp dụng VAR sau đó Tuy nhiên, nếu lấy sai phân bậc nhất, quan hệ dài hạn giữa các chuỗi dữ liệu có thể biến mất (Brooks, 2014) Ngƣợc lại, phƣơng pháp ARDL không cần phải điều chỉnh dữ liệu và do đó, các mối quan hệ dài hạn đƣợc nắm bắt đầy đủ.
Thứ hai, phƣơng pháp ARDL t ch hợp tác động ngắn hạn của các biến cho trƣớc với trạng thái cân bằng dài hạn, sử dụng số hạng sai số hiệu chỉnh (ECM) mà không làm mất thông tin dài hạn. Từ đó, chúng ta có thể đánh giá mối quan hệ ngắn hạn và dài hạn giữa các biến đã cho cùng một lúc.
Thứ ba, không giống nhƣ các kiểm định đ ng liên kết truyền thống, mơ hình ARDL có thể xác định độ trễ tối ƣu khác nhau cho mỗi biến trong mơ hình và do đó, làm mơ hình phù hợp hơn
Cuối cùng, hầu hết các kỹ thuật đ ng liên kết đều nhạy cảm với k ch thƣớc mẫu trong khi phƣơng pháp ARDL cung cấp kết quả mạnh mẽ và nhất quán cho cỡ mẫu nhỏ (Adom và cộng sự, 2012). Tóm lại, để điều tra mối quan hệ nhân quả giữa các biến kinh tế đƣợc chọn và giá chứng khoán tại Việt Nam, phƣơng pháp ARDL đƣợc sử dụng và đƣợc trình bày nhƣ sau:
∑ ∑ ∑ ∑ ∑ ∑ ∑ ( )
trong đó, là sai phân hạng tử, là hằng số, là số hạng nhiễu trắng Phƣơng trình (2) có thể chia làm hai phần, phần đầu tiên trình bày động năng sai số hiệu chỉnh với các hệ số và ; phần thứ hai với các hệ số từ đến trình bày quan hệ dài hạn của mơ hình.
Nhằm kiểm chứng sự t n tại của mối quan hệ dài hạn giữa biến phụ thuộc LnSP với các biến số giải thích cịn lại, thống kê F đƣợc xây dựng thông qua áp đặt các ràng buộc lên các hệ số ƣớc lƣợng dài hạn của các biến số. Giả thiết không và giả thiết đối lập cho kiểm định đ ng liên kết cho các biến số trong phƣơng trình (2) nhƣ sau:
H0: (khơng có quan hệ dài hạn) và H1: (có quan hệ dài hạn)
Việc bác bỏ giả thiết không đ ng nghĩa sự t n tại mối quan hệ dài hạn hoặc đ ng liên kết giữa các biến số. Pesaran và cộng sự (2001) đề xuất các giá trị tới hạn dƣới và trên cho kiểm định thống kê F, với giả định rằng tất cả các biến là I(0) cho đƣờng bao dƣới (lower bound) và tất cả các biến là I(1) cho đƣờng bao trên (upper bound). Nếu giá trị thống kê F t nh đƣợc vƣợt qua giá trị tới hạn trên, khi đó ta kết luận về sự hiện diện của quan hệ đ ng liên kết dài hạn giữa các biến số bất kể bậc liên kết giữa chúng. Ngƣợc lại, nếu giá trị thống kê t nh đƣợc thấp hơn đƣờng bao dƣới, giả thiết khơng có quan hệ dài hạn không thể bác bỏ. Tuy nhiên, nếu giá trị thống kê F nằm giữa hai
đƣờng bao, chúng ta chƣa thể đƣa ra kết luận cụ thể liệu có hay khơng quan hệ dài hạn. Quan hệ động ngắn hạn đƣợc ƣớc lƣợng thơng qua mơ hình sai số hiệu chỉnh sau:
∑ ∑ ∑ ∑ ∑ ∑ ∑ ( )
trong đó, là số hạng sai số hiệu chỉnh thu đƣợc từ mơ hình đ ng liên kết. Hệ số sai số chỉ ra tốc độ mà tại đó mơ hình đ ng liên kết điều chỉnh để trở về trạng thái cân bằng dài hạn. Hệ số của mang dấu âm và có ý nghĩa thống kê hàm ý rằng bƣớc đi ngắn hạn giữa biến phụ thuộc và biến giải thích sẽ hội tụ trở về mối quan hệ dài hạn.
3.2.2. Tính ổn định, tính dừng cùng kiểm định chẩn đốn
Sự hiện diện của tƣơng quan chuỗi và phƣơng sai thay đổi (heteroskedasticity) trong phần dƣ của mơ hình cũng đƣợc kiểm tra; ngoài ra, nghiên cứu còn xem xét xem liệu mơ hình xác định có phù hợp và các sai số có phân phối chuẩn hay không. Cuối cùng, tác giả cũng kiểm tra tính ổn định của các tham số h i quy thông qua hai kiểm định, g m t ch lũy phần dƣ (CUSUM) và tổng t ch lũy hiệu chỉnh của phần dƣ (CUSUMSQ), đề xuất bởi Brown và cộng sự (1975).
Trong phân tích h i quy của chuỗi thời gian, nắm rõ thuộc tính của dữ liệu có ý nghĩa rất quan trọng. Nói chung, các dữ liệu thời gian thƣờng chứa nghiệm đơn vị và có xu hƣớng khơng dừng. Gujarati và Porter (2009) lập luận rằng để tránh bất kỳ mâu thuẫn nào trong ƣớc lƣợng hệ số, chuỗi dữ liệu cần phải dừng. Do vậy, nghiên cứu cũng tiến hành đánh giá thuộc tính dừng và xác định bậc liên kết của từng chuỗi dữ liệu
thông qua hai kiểm định nghiệm đơn vị phổ biến, đó là kiểm định ADF (Augmented Dicky-Fuller) và kiểm định PP (Philips Perron).
3.2.3. Kiểm định nhân quả Granger
Cuối cùng, sau khi xác nhận mối quan hệ đ ng liên kết dài hạn giữa các giá chứng khoán cùng các biến kinh tế khác, tác giả tiến hành kiểm định nhân quả Granger thông thƣờng, nhằm tìm kiếm mối quan hệ nhân quả giữa các biến số. Nhằm đơn giản hóa trong việc trình bày, tác giả trình bày khn khổ mơ hình VAR hai biến số nhằm trình bày các thao tác kiểm định nhân quả Granger:
∑ ∑ ( ) ∑ ∑ ( )
Dựa theo các hệ số ƣớc lƣợng OLS của phƣơng trình (4) và (5), bốn giả thiết về mối quan hệ nhân quả giữa x và y đƣợc xác định nhƣ sau:
1) Quan hệ nhân quả một chiều từ x đến y, nhƣng khơng có quan hệ nhân quả chiều ngƣợc lại, khi đó: ∑ và ∑ .
2) Quan hệ nhân quả một chiều chạy từ y đến x, nhƣng khơng có quan hệ nhân quả chiều ngƣợc lại, khi đó: ∑ và ∑ .
3) Quan hệ nhân quả hai chiều (phản h i) giữa x và y, khi đó: ∑ và ∑ .
ƢƠ 4: K T QUẢ
4.1. Kiểm định tính dừng
Bƣớc đầu tiên trong Phần 4, tác giả tiến hành kiểm định nghiệm đơn vị của chuỗi dữ liệu thông qua phƣơng pháp kiểm định tính dừng ADF và PP. Mặc dù, phƣơng pháp tự h i quy phân phối trễ ARDL khơng địi hỏi phải kiểm tra vấn đề nghiệm đơn vị, tuy nhiên, trong phân tích thực nghiệm, đặc biệt khi kiểm định đƣờng bao (F-bound test) trong việc xác định quan hệ dài hạn, chúng ta phải đảm bảo bậc liên kết của chuỗi dữ liệu không lớn hơn 1 Vì nếu vi phạm giả định này, kiểm định đƣờng bao trở nên vô nghĩa (Nkoro và Uko, 2016).