2 TỔNG QUAN CÁC NGHIÊN CỨU TRƢỚC ĐÂY
3.1 Phương pháp nghiên cứu:
3.1.1 Kiểm định nghiệm đơn vị (unit root test):
Một trong các giả thuyết của mơ hình hồi quy cổ điển là các biến độc lập là phi ngẫu nhiên, chúng có giá trị xác định. Nếu như chúng ta ước lượng một mơ hình với chuỗi thời gian trong đó có biến độc lập khơng dừng, khi đó giả thuyết của phương pháp bình phương tối thiểu (OLS- Ordinary Least Square) sẽ bị vi phạm và kết quả phân tích hồi quy tuyến tính cổ điển sẽ khơng có giá trị. Ngồi ra, các dữ liệu kinh tế vĩ mô thường không dừng và nếu sử dụng sữ liệu không dừng trong hồi quy sẽ đưa ra kết quả hồi quy giả, kiểm định t và F sẽ khơng có ý nghĩa. Nếu như mơ hình có ít nhất một biến độc lập không dừng. Biến này thể hiện một xu thế tăng hoặc giảm và biến phụ thuộc cũng có xu thế như vậy thì khi ước lượng mơ hình có thể ta sẽ thu được các hệ số có ý nghĩa thống kê và R2cao, nhưng điều này có thể là kết quả hồi quy giả tạo (Spurious Regressions). R2 cao có thể là do hai biến này có cùng xu thế. Nói một cách khác, phương trình hồi quy sẽ cho kết quả các kiểm định thống kê t và R2 rất tốt, nhưng mơ hình có thể hồn tồn khơng có ý nghĩa.
Tiếp theo, việc xác định chuỗi thời gian không dừng còn mang hàm ý về mối quan hệ dài hạn giữa các chuỗi này. Vì vậy, vấn đề được nghiên cứu đầu tiên trong quy trình là kiểm định tính dừng của các chuỗi dữ liệu. Kỳ vọng của kiểm định nghiệm đơn vị trong bài nghiên cứu là các biến số chuỗi thời gian không dừng ở bậc level và có liên kết ở bậc một (hay nói cách khác là dừng ở sai phân bậc một). Để kiểm định tính dừng cho các biến, tác giả dựa vào kiểm định nghiệm đơn vị ADF (Augmented Dickey – Fuller) và phương pháp PP (Phillips - Perron).
Các thể loại khác nhau của hồi quy kiểm định tính dừng Dickey – Fuller: Mơ hình có thuộc tính stationary AR :
H0 : yt = yt-1 + ut
H1 : yt = yt-1 + ut, <1.
Mơ hình có thuộc tính random walk hay có thuộc tính stationary AR(1) with drift :
H0 : yt = yt-1 + ut
H1 : yt = yt-1 + µ + ut, <1.
Mơ hình có thuộc tính random walk hay có thuộc tính stationary AR(1) with drift and a time trend :
H0 : yt = yt-1 + ut
H1 : yt = yt-1 + µ + t + ut, <1.
Các kiểm định Dickey – Fuller chỉ có giá trị khi ut là “nhiễu trắng” (white noise). Các giá trị ut sẽ tương quan với nhau nếu các giá trị của biến phụ thuộc (∆yt) tương quan với nhau.
Giải pháp cho trường hợp này sẽ sử dụng p lags của biến phụ thuộc. Như vậy mơ hình tổng quát sẽ được viết lại như sau:
Trong đó y là biến cần được kiểm tra tính dừng, t là biến xu thế theo thời gian, ut là sai số ngẫu nhiên tại thời điểm t, p là độ trễ tối ưu, việc lựa chọn độ trễ phải đảm bảo các sai số là nhiễu trắng (white noise).
Đây chính là mơ hình của kiểm định nghiệm đơn vị ADF (Augmented Dickey – Fuller).
Giả thiết kiểm định của ADF :
H0: γ = 0 (phương trình có nghiệm đơn vị, chuỗi dữ liệu đang xem xét là không dừng).
H1: γ < 0 (phương trình khơng có nghiệm, chuỗi dữ liệu đang xem xét là dừng).
Đối với dữ liệu bảng, chúng tôi áp dụng các phương pháp tiếp cận nhóm như phương pháp kiểm định t-bar của Im, Pesaran và Shin (1997, 2003, IPS). Các thử nghiệm IPS cho phép tính khơng đồng nhất của các nhóm trong dữ liệu bảng, vì vậy tốt hơn so với phương pháp ADF (kiểm tra các phương trình đơn) và của Levin và Lin (1993, LL). Kiểm định nghiệm đơn vị trên số liệu dạng bảng của Im, Pesaran và Shin cho phép tiến hành các thủ tục đối với từng nghiệm đơn vị riêng lẻ. Im,
Pesaran và Shin (2003) sử dụng mơ hình đề xuất cách kiểm định nghiệm đơn vị mới linh hoạt hơn và tính tốn đơn giản cho dữ liệu bảng (được gọi là thống kê t-bar ), cho phép kiểm tra đồng thời các chuỗi dừng và không dừng. Các giả thiết kiểm định của IPS: H0: βi = 0 với mọi I và giả thiết H1: βi < 0 với mọi i. Các số liệu thống kê thử nghiệm của t-bar được cho bởi công thức:
̅ = √ ̅̅̅̅̅ ( |
√ ( | => N (0,1).
Với ̅̅̅̅ = ∑ là bình quân của giá trị thống kê t trong kiểm định ADF cho
( | và ( | là giá trị trung bình và phương sai của các giá
trị thống kê ADF riêng biệt được tính tốn trong IPS.