CHƯƠNG 2 MƠ HÌNH, DỮ LIỆU, PHƯƠNG PHÁP NGHIÊN CỨU
2.3. Phương pháp nghiên cứu
Bài nghiên cứu sử dụng dữ liệu bảng để tìm hiểu tác động của nợ công đến tăng trưởng kinh tế ở các quốc gia Đông Nam Á. Việc sử dụng dữ liệu bảng cung cấp nhiều thơng tin hơn, tính biến thiên nhiều hơn, nâng cao được số quan sát của mẫu, phần nào khắc phục được hiện tượng đa cộng tuyến. Dữ liệu bảng cho phép kiểm sốt sự khác biệt khơng quan sát được giữa các quốc gia như điều kiện chính trị, văn hóa, xã hội… và kiểm sốt các biến không quan sát được nhưng thay đổi theo thời gian như chính sách quốc gia, thỏa thuận quốc tế…
Tác giả lần lượt xem xét các phương pháp Pooled OLS, hiệu ứng tác động ngẫu nhiên (RE), hiệu ứng hồi quy cố định (FE), và GMM hệ thống (SGMM) cho bảng hồi quy động. Mỗi ước tính có những ưu nhược điểm riêng. Các ước lượng có thể giải quyết một vấn đề kinh tế cụ thể nhưng lại tạo ra một loại ước lượng chệch khác. Ví dụ, khi một biến chệch bị bỏ qua cùng tồn tại với phép đo sai số có khả năng tồn tại trong dữ liệu các quốc gia, đối phó với vấn đề đầu tiên có thể làm trầm trọng thêm lần thứ hai. Như vậy, để đối phó với các các vấn đề kinh tế khác nhau và đảm bảo kết quả ước lượng phù hợp, các phương pháp ước lượng sau đây được sử dụng: Pooled OLS, FEM, REM, và SGMM.
Mơ hình Pooled OLS – Hồi quy kết hợp tất cả các quan sát: Với mỗi đơn vị chéo, εi là yếu tố không quan sát được và không thay đổi theo thời gian, nó đặc trưng cho mỗi đơn vị chéo. Nếu εi tương quan với bất kỳ biến Xt nào thì ước lượng hồi quy từ hồi quy Y theo Xt sẽ bị ảnh hưởng chéo bởi những nhân tố khơng đồng nhất khơng quan sát được. Thậm chí, nếu εi khơng tương quan với bất kỳ một biến giải thích nào thì sự có mặt của nó cũng làm cho cho các ước lượng OLS không hiệu quả và sai số tiêu chuẩn khơng có hiệu lực. Mơ hình này có những nhược điểm sau: nhận dạng sai thể hiện ở DW (Durbin Wason); ràng buộc quá chặt về các đơn vị chéo, điều này khó xảy ra trong thực tế. Vì vậy, để khắc phúc các nhược điểm gặp phải ở mơ hình Pure Pooled OLS, mơ hình FEM và REM được sử dụng.
Mơ hình FEM – Mơ hình tác động cố định: Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi đơn vị với các biến giải thích qua đó kiểm sốt và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Mơ hình REM – Mơ hình tác động ngẫu nhiên: Điểm khác biệt giữa mơ hình ảnh hưởng ngẫu nhiên và mơ hình ảnh hưởng cố định được thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tương quan đến biến độc lập – biến giải thích trong mơ hình ảnh hưởng cố định thì trong mơ hình ảnh hưởng ngẫu nhiên sự biến động giữa các đơn vị được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích.
Mỗi mơ hình được sử dụng cho những trường hợp khác nhau phù hợp với từng bối cảnh cụ thể. Để chọn ra mơ hình phù hợp với đề tài nghiên cứu, đảm bảo cho vấn đề xử lý dữ liệu chắc chắn hơn, có ý nghĩa thống kê, tác giả lần lượt thực hiện so sánh mơ hình Pooled OLS với FEM, FEM với REM và REM với Pooled OLS.
Tác giả so sánh mơ hình Pooled OLS với FEM thơng qua kiểm định F với giả thiết H0: α1 = α2 = … = αN-1. Nếu giả thiết H0 bị bác bỏ thì sử đụng mơ hình FEM tốt hơn. Sau đó, tác giả tiếp tục so sánh mơ hình REM và Pooled OLS thơng qua kiểm định Breuch-Pagan với giả thiết H0 : Var(αi) = 0. Nếu giả thiết H0 bị bác bỏ thì sử dụng mơ hình REM tốt hơn. Để so sánh mơ hình FEM và REM, tác giả dùng kiểm định Hausman được đề xuất năm 1978 với giả thiết H0 : βFE = βRE. Nếu H0 bị bác bỏ thì nên sử dụng mơ hình FEM.
Phương pháp SGMM được sử dụng trong các mơ hình dữ liệu bảng động tuyến tính, khi t nhỏ thì các phương pháp ước lượng tác động cố định FE hoặc phương pháp sai phân bậc một là không phù hợp (Nickell, 1981). Phương pháp hồi quy GMM thường được áp dụng cho dữ liệu dạng bảng như kiểu dữ liệu của bài nghiên
cứu này (Durlauf, Johnson và Temple, 2005) do những đặc tính ưu việt của nó so với các phương pháp khác. Theo Baum, C. (2009) cho rằng có ba trường hợp giả định thứ 5 bị vi phạm trong nghiên cứu kinh tế đó là: nội sinh, bỏ sót biến và sai số đo lường trong hồi quy. Vì vậy, nếu sử dụng phương pháp OLS để ước lượng mơ hình sẽ dẫn đến kết quả bị sai lệch do nội sinh. Và phương pháp biến công cụ là một giải pháp phù hợp cho các nhân tố hồi quy nội sinh. Trong đó, phương pháp GMM có ưu điểm hơn so với các phương pháp sử dụng biến công cụ khác, đặc biệt là khi có phương sai thay đổi. Phương pháp này có tính tổng qt hơn so với các phương pháp như FEM, REM, LSDV hay 2SLS… trong việc giải quyết vấn đề nội sinh của mơ hình. Bond và các cộng sự (2010) cung cấp một cái nhìn sâu sắc rất hữu ích về ước lượng GMM, lập luận rằng nên sử dụng SGMM và kết quả ước lượng của nó nằm giữa khoảng OLS và LSDV vì nó có xu hướng làm giảm sai lệch. Kết luận này được hỗ trợ bởi thực nghiệm với mơ hình tăng trưởng Solow (theo Hoefler, 2002 và Nkurunziza và Bates, 2002). Presbitero (2005a) đã ước lượng một mơ hình tương tự và cho thấy GMM hệ thống là một phương pháp ước lượng tốt, trong đó có bằng chứng cho thấy sử dụng kết quả thu được từ SGMM xác nhận rằng: Kết quả ước lượng SGMM nằm giữa khoảng kết quả ước lượng của OLS và LSDV; Hiệu quả ước lượng tăng lên; Bộ cơng cụ có ý nghĩa. Vì vậy, tơi sử dụng phương pháp ước lượng GMM nhằm khắc phục vấn đề nội sinh và nhân quả ngược. Mặc dù SGMM hai bước đã được chứng minh là có hiệu quả hơn so với ước lượng GMM một bước (Roodman, 2009a) và thực hiện tốt hơn so với GMM sai phân (Hauk và Wacziarg, 2009). Tuy nhiên do số quan sát trong mẫu nghiên cứu nhỏ trong khi phương pháp GMM thường phát huy ưu điểm khi phân tích với bộ cơ só dữ liệu lớn nên các kiểm định về tương quan chuỗi như AR1 và AR2 có thể bị vi phạm.
Sau khi lựa chọn mơ hình phù hợp, tác giả thực hiện kiểm tra các vấn đề của mơ hình như: phương sai sai số thay đổi, tự tương quan, đa cộng tuyến.