CHƯƠNG 3 : DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Khung phân tích kinh tế lượng
3.2.2. Phương pháp hồi quy
Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng
rất phổ biến trong lĩnh vực kinh tế lượng. 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, 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
Mơ hình hồi quy phổ biến trên dữ liệu bảng là hiệu ứng tác động cố định (Fixed effect – FEM), hồi quy dữ liệu bảng hiệu ứng tác động ngẫu nhiên (Random effect –
REM). Tuy nhiên FEM và REM không kiểm soát được hiện tượng phương sai thay
đổi, tự tương quan, cũng như các vấn đề liên quan đến tính chất động của mơ hình dữ
liệu bảng, dẫn tới việc sử dụng mơ hình FGLS (Feasible Generalized Least Squares).
Phương pháp FGLS theo Beck and Katz (1995) là ước lượng không chệch phù hợp trên
cỡ mẫu với T > N, trường hợp cỡ mẫu bài nghiên cứu. Theo Damodar N. Gujarati, phép biến đổi các biến gốc để các biến đã biến đổi thỏa mãn các giả thiết của mơ hình cổ điển và sau đó áp dụng phương pháp OLS đối với chúng được gọi là phương pháp
bình phương tối thiểu tổng qt. Nói ngắn gọn, GLS là OLS đối với các biến đã biến đổi để thỏa mãn các giả thiết bình phương tối thiểu tiêu chuẩn. Các ước lượng tính được như vậy được gọi là các ước lượng GLS. Sử dụng GLS có thể kiểm sốt được các
hiện tượng phương sai thay đổi và tự tương quan ( Damodar N. Gujarati- Basic
Econometrics).
Việc nghi ngờ các biến có tác động ngược đến kết quả nghiên cứu gây ra hiện
tượng nội sinh. Theo kết quả nghiên cứu của Arellano và Bond, phương pháp hồi quy
tuyến tính dữ liệu bảng động 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. Phù hợp với điểm mạnh của phương pháp GMM như:
Dữ liệu bảng có T nhỏ, N lớn (rất nhiều quan sát với ít mốc thời gian) Tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc với các biến giải thích Mơ hình động với một hoặc hai vế của phương trình có chứa biến trễ
Các biến độc lập khơng phải là một biến ngoại sinh ngặt (strictly exogenous),
nghĩa là chúng có thể tương quan với các phần dư (hiện tại hoặc trước đó) hoặc tồn tại
Tồn tại vấn đề phương sai thay đổi hoặc tự tương quan ở các sai số đo lường
(idiosyncratic disturbances)
Tồn tại các tác động cố định riêng rẽ (fixed individual effects)
Tồn tại phương sai thay đổi và tự tương quan trong mỗi đối tượng (nhưng không tồn tại giữa các đối tượng)
Chính vì vậy, GMM là phương pháp hiệu quả hơn cả nhưng cũng khá phức tạp.
GMM được Lars Peter Hansen - giáo sư kinh tế ĐH Chicago – người vừa đoạt
giải Nobel kinh tế năm 2013, trình bày lần đầu tiên vào năm 1982 trong bài viết “Large
Sample Properties of Generalized Methods of Moments Estimators” (Econometrica,
Vol. 50, page 1029-1054)
Phương pháp GMM là 1 phương pháp thống kê cho phép kết hợp các dữ liệu
kinh tế quan sát được trong các điều kiện moment tổng thể (population moment conditions) để ước lượng các tham số chưa biết của các mơ hình kinh tế.
Tính chất của phương pháp ước lượng GMM.
Khi số lượng mẫu phù hợp giá trị của các hệ số ước lượng được sẽ vững, khi đó giá trị ước lượng được sẽ 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. Phương pháp GMM 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.