3. Dữ liệu và phương pháp nghiên cứu
3.1. Mơ hình nghiên cứu:
3.2.1. Phương pháp nghiên cứu
Phương trình (1) được tiến hành theo phương pháp ước lượng SGMM (System Generalized Method of Moments) đưa ra bởi Arellano và Bover (1995), Blundell và Bond (1988) để phân tích dữ liệu bảng. Logarit cơ số tự nhiên của GDP bình quân đầu người năm trước: thể hiện đặc tính năng động trong phương trình (1) cho thấy các hiệu ứng cố định do đặc tính quốc gia tương quan với biến trễ của biến phụ thuộc và một vài biến giải thích có thể mang tính nội sinh.
Khi có hiện tượng nội sinh xảy ra trong bộ dữ liệu, phương pháp GMM sẽ được sử dụng nhằm khắc phục hiện tượng này cũng như tự tương quan và phương sai thay đổi. Điều này có thể khiến phương pháp bình phương nhỏ nhất – OLS khơng nhất qn và có thể bị chệch. Ngồi ra, tác giả dùng độ trễ là 2 năm cho các biến ngoại sinh nhằm tạo ra các biến công cụ. Cách tiếp cận này cho phép tác giả loại bỏ vấn đề nội sinh do tương quan nhân quả hai chiều giữa FDI và tăng trưởng. Như nhiều nghiên cứu khác đề cập, các tác động tiềm năng tích cực của FDI đối với tăng trưởng kinh tế, và khả năng FDI bị thu hút bởi một tốc độ tăng trưởng cao hơn là đương nhiên (Mah, 2010). Vì vậy, bỏ qua vấn đề này có thể dẫn đến một ước tính khơng hiệu quả (Ang, 2008; Kose, Prasad, và Terrones, 2009). Hơn nữa, phương pháp này có vẻ thích hợp hơn cho việc ước lượng các mơ hình tăng trưởng so với tiêu chuẩn ước lượng GMM phát triển cho các dữ liệu bảng (Arellano và Bond, 1991).
Phương pháp cơ bản trong trường hợp các biến ở vế phải phương trình tương quan với phần dư là ước lượng một phương trình có dùng các biến công 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, thỏa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) khơng 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.
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 Sargan (Sargan 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 Sargan 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 tuân theo phân phối Chi Bình phương và được trình bày trên bảng kết quả ước lượng của phần mềm STATA cùng với giá trị p-value tương ứng của nó. Phương pháp SGMM có thể khắc phục thêm các tình huống
- Hiệu ứng cố định được phân phối một cách tùy tiện
- Một số hồi quy có thể bị ảnh hưởng bởi độ trễ chưa xác định trong quá khứ - Mẫu số liệu nhỏ và trong thời gian ngắn
Trình tự thực hiện:
Bước 1: Tiến hành thu thập và xử lý số liệu
Bước 2: Dựa trên dữ liệu thu thập được, tiến hành các thông kê mô tả. Bước 3: Kiểm định tương quan
Bước 5: Kiểm định sự phù hợp của các biến trong mơ hình.
Tác giả thực hiện hồi quy trên toàn bộ mẫu (78 quốc gia), sau đó để tìm câu trả lời về mối tương quan FDI và tăng trưởng một cách chắc chắn và tránh gây cái nhìn sai lệch (Blonigen và Wang, 2005), mẫu được chia làm hai phân vị dựa theo tiêu chí thu nhập bình qn đầu người, tác giả cho rằng chỉ tiêu này thích hợp để phân loại các đang phát triển hơn (giàu hơn) là nhóm có GDP/người cao hơn trung vị và kém phát triển hơn (nghèo hơn) là nhóm có GDP/người thấp hơn trung vị. Cách phân chia tương tự đã được thực hiện trong nghiên cứu của Bengoa và Sanchez-Robles (2005) để phân tích tác động của FDI đối với tăng trưởng ở châu Mỹ Latin.