CHƯƠNG 3 : PHƯƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU
3.4 Mơ hình nghiên cứu
3.5.2 Phương pháp hồi quy
Mơ hình nghiên cứu trong bài sử dụng dữ liệu bảng cho 25 quốc gia ở Châu Á - Thái Bình Dương trong thời gian 1997 - 2014 được ước tính theo các phương pháp: OLS, GMM và Driscoll-Kraay standard errors nhằm lựa chọn ra một phương pháp ước lượng hiệu quả nhất để phân tích mối quan hệ giữa phát triển tài chính, khu vực sản xuất và tăng trưởng kinh tế.
Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng rất phổ biến trong lĩnh vực kinh tế lượng; là một phương pháp đơn giản và dễ thực hiện. Ước lượng OLS trên tập dữ liệu thu được của các đối tượng theo thời gian, do vậy nó xem tất cả các hệ số đều không thay đổi giữa các đối tượng khác nhau và không thay đổi theo thời gian. 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, do xem xét các quan sát là như nhau nên kết quả hồi quy của ước lượng OLS cho dữ liệu bảng có thể làm sai lệch sự tác động của các biến giải thích lên biến phụ thuộc và 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 méo, mất tính vững và sẽ là sai lầm nếu sử dụng chúng để phân tích. Một trong những dạng vi phạm giả định phổ biến là hiện tượng nội sinh, một trường hợp khi hệ số ước lượng (hoặc biến) tương quan với phần dư.
Mơ hình hồi quy dữ liệu bảng hiệu ứng tác động cố định (Fixed effect - FEM) và hồi quy dữ liệu bảng hiệu ứng tác động ngẫu nhiên (Random effect - REM) còn được gọi là mơ hình dữ liệu bảng tuyến tính cổ điển; là hai mơ hình rất phổ biến để ước
tính ngoại sinh, tính nội sinh của biến, cũng như các vấn đề liên quan đến tính chất động của mơ hình dữ liệu bảng; khơng kiểm sốt được hiện tượng phương sai thay đổi, tương quan phần dư và đa cộng tuyến. Trong trường hợp phát hiện các hiện tượng không tốt dẫn tới việc ước lượng không cịn chính xác (khuyết tật của mơ hình), nguyên nhân của các khuyết tật thường là: sai dạng hàm hay bỏ xót các biến, tự tương quan, phương sai thay đổi và biến nội sinh trong mơ hình thì FEM và REM sẽ khơng cịn hiệu quả ước lượng nữa. Trong trường hợp sai dạng hàm thì phải thay đổi dạng hàm để cho phù hợp. Trường hợp cịn lại, thì Lars Peter Hansen vào năm 1982 đã phát triển đưa thêm biến cơng cụ phát triển trong mơ hình GMM nhằm loại bỏ các tác động biến nội sinh. Do đó, FEM và REM không được tác giả lựa chọn sử dụng trong bài nghiên cứu này. Tác giả sử dụng mơ hình hồi quy dữ liệu bảng động với cách tiếp cận GMM.
GMM, viết tắt của General Method of Moments, là phương pháp hồi quy để xác định các thơng số của mơ hình thống kê hoặc mơ hình kinh tế lượng.
GMM được sử dụng nhiều cho dữ liệu bảng động nhằm hiệu chỉnh vấn đề nội sinh của các biến độc lập và đưa vào tác động cố định cụ thể mỗi quốc gia, đặc biệt trường hợp khi T nhỏ hơn N nhiều lần hoặc dữ liệu không đồng nhất hoặc phương sai thay đổi; tự tương quan trong phạm vi mỗi cá thể.
Phương pháp GMM được phát triển bởi Lars Peter Hansen năm 1982 từ việc tổng quát hóa phương pháp hồi quy theo moments và được giới thiệu đầu tiên bởi Arellano and Bond (1991) còn được gọi là First - Differenced GMM, phiên bản thứ hai được đề nghị bởi Arellano and Bover (1995) và được phát triển trong Blundell and Bond (1998), System - GMM. Theo kết quả nghiên cứu của Arellano and Bond (1991), phương pháp hồi quy tuyến tính dữ liệu bảng động (Arellano - Bond linear dynamic panel - data estimation) là một giải pháp hữu hiệu để ước lượng hồi quy trong mơ hình trong trường hợp mơ hình vừa có hiện tượng phương sai thay đổi, tự tương quan và nội sinh. Một cách tổng quan, GMM là phương pháp tổng quát của rất nhiều phương pháp
ước lượng phổ biến: OLS, GLS, MLE v.v. Ngay cả trong điều kiện giả thiết nội sinh bị vi phạm, phương pháp GMM cho ra các hệ số ước lượng đúng (consistent) và hiệu quả (efficient).
Khi số lượng mẫu phù hợp giá trị β ước lượng được sẽ vững, khi đó giá trị ước lượng được 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. Ưu điểm của phương pháp GMM cho ước lượng vững và hiệu quả.
Ngoài ra, để đối chiếu kết quả GMM, tác giả sử dụng mơ hình được giới thiệu bởi Daniel Hoechle (2007), trên dữ liệu bảng có phương sai thay đổi, có tự tương quan và tương quan chéo. Ưu điểm của phương pháp theo bằng chứng - Monte Carlo của Daniel Hoechle (2007) cho ước lượng hiệu quả với phương sai nhỏ hơn do sử dụng phương pháp tính độ lệch chuẩn được giới thiệu bởi Driscoll-Kraay (1998). Phương pháp Driscoll-Kraay 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 và khắc phục được hầu hết các khuyết tật của mơ hình.
KẾT LUẬN CHƯƠNG 3
Trong nội dung chương 3, tác giả đã mô tả khái quát các biến nghiên cứu được sử dụng trong mơ hình: định nghĩa, cách đo lường, bằng chứng thực nghiệm chứng minh các biến nghiên cứu được phép sử dụng trong mơ hình và kì vọng dấu của tác giả đối với sự tác động của biến độc lập đối với biến phụ thuộc.
Bằng việc sử dụng dữ liệu bảng với phần mềm thống kê Stata 12, tác giả sẽ khảo sát 25 quốc gia tại khu vực Châu Á - Thái Bình Dương trong giai đoạn năm 1997 - 2014. Tác giả cũng đã đưa ra được lí do lựa chọn mẫu nghiên cứu như thế.
Mơ hình nghiên cứu sử dụng cho đề tài dựa trên mơ hình khái qt của tác giả Ductor, L. and Grechyna, D (2015) để kiểm định mối quan hệ giữa phát triển tài chính và khu vực sản xuất đối với tăng trưởng kinh tế.
Bài nghiên cứu sẽ sử dụng ba phương pháp nghiên cứu: OLS, GMM và Driscoll-Kraay với các kiểm định đa cộng tuyến, kiểm định tự tương quan, kiểm định phương sai thay đổi và kiểm định tương quan chéo nhằm kiểm chứng tính phù hợp của các phương pháp ước lượng.