CHƢƠNG 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.4. Phƣơng pháp kiểm định mơ hình
3.4.1. Kiểm định tính dừng
Trong các nghiên cứu thực nghiệm khi sử dụng dữ liệu theo chuỗi thời gian, đặc biệt là sử dụng mơ hình VAR đệ quy thì để kết quả được chính xác địi hỏi chuỗi dữ liệu phải dừng, nếu chuỗi dữ liệu không dừng sẽ cho ra kết quả sai
Một chuỗi dữ liệu thời gian được xem là dừng nếu trung bình và phương sai không thay đổi theo thời gian và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian chứ không phụ thuộc vào thời điểm đang xét.
Để kiểm tra tình dừng đề tài sẽ sử dụng kiểm định Augmented Dickey Fuller (ADF) là công cụ phổ biến, được áp dụng rộng rãi trong kiểm định tính dừng của chuỗi thời gian. Trong đó, các độ trễ thời gian sẽ được lựa chọn theo tiêu chuẩn AIC (Akaike Information Criteria). Đồng thời đề tài còn sử dụng phương pháp Phillips–Perron theo tiêu chuẩn Newey-West Bandwidth để nhằm kiểm định chính xác hơn tính dừng của dữ liệu. Nếu chuỗi dữ liệu không dừng đề tài sẽ sử dụng kỹ thuật lấy sai phân để đưa chuỗi dữ liệu về dạng dừng.
3.4.2. Xác định độ trễ tối ƣu của mơ hình
Tất cả các biến trong mơ hình VAR đều là biến nội sinh, biến nghiên cứu phụ thuộc vào độ trễ của nó. Do đó, có quá nhiều tham số phải ước lượng (2n2
-n hệ số) nên việc thực hiện kiểm định để lựa chọn độ trễ tối ưu của mơ hình VAR là quan trọng. Các nhà kinh tế thường dựa vào một số tiêu chuẩn sau đây để xác định độ trễ tối ưu của mơ hình: phương pháp tiêu chuẩn FPE và AIC của Akaike (1790, 1974); phương pháp tiêu chuẩn HQ của Hannam và Quinn (1979); phương pháp tiêu chuẩn LR của Sims (1980); phương pháp tiêu chuẩn khác như Schwarz (1978), Shibata (1981) và Rice (1984), mỗi phương pháp đều có các tính chất tối ưu riêng biệt.
3.4.3. Kiểm định nhân quả Granger
Đề tài thực hiện kiểm định nhân quả Granger nhằm xem xét với một độ trễ đã chọn thì các biến trong mơ hình có quan hệ nhân quả với nhau về mặt thống kê khơng. Mơ hình kiểm định Granger chỉ đơn giản được dùng để trả lời cho câu hỏi có hay khơng sự thay đổi của biến X gây ra sự thay đổi của biến Y và ngược lại. Phương trình hồi quy trong kiểm định Granger mô tả như sau:
Ta có các trường hợp sau:
Nếu khác khơng và có ý nghĩa thống kê, nhưng khơng có ý nghĩa thống kê thì sự biến động của biến X là nguyên nhân gây ra sự biến động của biến Y.
Nếu khơng có ý nghĩa thống kê, nhưng khác khơng và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y.
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau. Nếu và đều khơng có ý nghĩa thống kê thì X và Y độc lập với nhau.
3.4.4. Kiểm tra tính ổn định của mơ hình
Việc kiểm tra tính ổn định của mơ hình nhằm xem xét mơ hình mà đề tài sử dụng có ổn định khơng, nếu mơ hình khơng ổn định thì kết quả của việc ước lượng đặc biệt là kết quả thu được (sai số chuẩn) của hàm phản ứng thúc đẩy IRF sẽ khơng có giá trị. Để kiểm tra tính ổn định của mơ hình VAR đề tài sử dụng kiểm định AR Roots Graph và AR Roots Table theo đó nếu tất cả các nghiệm đều có modulus < 1 và khơng có nghiệm nào nằm ngồi vịng trịn nghiệm đơn vị thì mơ hình được xem như là ổn định, ngược lại nếu có một dấu chấm nằm ngồi vịng trịn nghiệm đơn vị thì xem như là mơ hình khơng ổn định.
3.4.5. Hàm phản ứng thúc đẩy (IRF)
Hàm phản ứng thúc đẩy là một chức năng quan trọng phát sinh từ mơ hình VAR. Nó cho phép xác định hiệu ứng cú sốc của một biến nội sinh nào đó đối với các biến khác trong mơ hình theo thời gian.
3.4.6. Phân rã phƣơng sai (Variance decomposition)
Phần phân tích hàm phản ứng thúc đẩy đã cho biết có hay khơng sự ảnh hưởng của cú sốc đến các biến còn lại nhưng như thế là chưa đủ vì có thể tác động truyền dẫn của các cú sốc từ các biến khác nhau sẽ có mức độ ảnh hưởng đến từng biến trong mơ hình là khác nhau. Do vậy, trong phân tích các nhà kinh tế thường sử dụng kèm theo kỹ thuật phân rã phương sai để xác định xem mức độ ảnh hưởng của một biến đến biến số nghiên cứu là bao nhiêu.