CHƯƠNG 3 : DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp nghiên cứu
3.3.1. Xử lý dữ liệu ban đầu
Đầu tiên, tác giả sử dụng phương pháp thống kê mơ tả, phân tích, so sánh số liệu và giá trị trung bình của các biến đại diện của từng quốc gia bao gồm lạm phát quá khứ, GDP, M2, lãi suất thực, tỷ giá đồng nội tệ/USD, chỉ số giá lương thực trong nước, chỉ số giá lương thực thế giới và giá dầu.
Để đo lường khe hở sản lượng và khe hở cung tiền thực, tác giả sử dụng phương pháp lọc Hodrick-Prescott (HP) (với hệ số làm trơn 1600) để tìm ra xu hướng của dữ liệu (dù rằng có thể sản lượng tiềm năng hơi khác so với thực tế do các yếu tố nhiễu gây ra, có thể khơng thể loại bỏ được bằng phương pháp làm trơn). Phương pháp này đã được các tác giả trước đây sử dụng như Dua (2009), Patra và Ray (2010), Le (2011).
Phương pháp lọc HP phân tích dữ liệu sản lượng thực tế trong một xu hướng dài hạn và các thành phần mang tính chu kỳ và từ đó cung cấp một ước lượng hữu ích về mức tăng trưởng sản lượng tiềm năng.
= +
( − )
+ [( − ) − ( − )]
là tham số làm trơn. Vì dữ liệu nghiên cứu là dữ liệu quý nên khi thực hiện HP ta chọn tham số = 1600 (Nếu dữ liệu là năm thì = 100, dữ liệu là tháng thì = 14400). Và dữ liệu OUTGAP được tìm thấy là dữ liệu dừng nên sẽ không cần thực hiện sai phân để đưa về dừng như các dữ liệu thời gian khác.
Tương tự, khe hở tiền tệ thực cũng được đo lường bằng phương pháp này. Khe hở tiền tệ thực đối với mỗi quốc gia, tác giả sẽ dùng dữ liệu tăng trưởng cung tiền M2 hoặc M3 sau khi điều chỉnh loại bỏ yếu tố lạm phát được dùng để đo lường tổng tiền.
Ảnh hưởng của những thay đổi trong tỷ giá lên lạm phát được đo lường bằng những thay đổi trong tỷ giá hối đoái thực. Tuy nhiêm đối với một số các quốc gia, dữ liệu này bị thiếu nên sẽ được thay thế bằng tỷ giá hối đoái danh nghĩa theo đồng nội tệ/USD sau khi đã điều chỉnh lạm phát, như vậy bất kỳ một sự gia tăng trong tỷ giá hối đoái thể hiện sự giảm giá của đồng nội tệ.
Dữ liệu về chỉ số giá thực phẩm trong nước được lấy từ nguồn tổng cục thống kê và ngân hàng trung ương của mỗi quốc gia.
Khác với các nghiên cứu trước đây là lấy chỉ số giá gạo thế giới làm biến nghiên cứu và quan sát thì trong bài nghiên cứu này, tác giả lấy chỉ số giá thực phẩm thế giới từ tổ chức FAO để quan sát. Về chỉ số giá dầu, tác giả lấy dữ liệu về giá dầu giao ngay Cushing, OK WTI Spot Price FOB
(Dollars per Barrel) trên website Thomson Reuters. Sau đó, đưa dữ liệu về dưới dạng chỉ số.
3.3.2. Kiểm định nghiệm đơn vị ADF và PP trước khi xây dựng mơ hình
Bước tiếp theo sau khi có được đầy đủ dữ liệu các biến ở các quốc gia, tác giả thực hiện kiểm định nghiệm đơn vị qua kiểm định ADF và PP để kiểm tra chuỗi dữ liệu của các biến có phải là dữ liệu dừng hay không. Nếu không dừng sẽ phải thực hiện sai phân bậc 1 hoặc sai phân bậc 2.
Tại sao chuỗi thời gian dừng quan trọng và dấu hiệu nào để biết một chuỗi thời gian là dừng hay không dừng?
Gujarati (2003) cho rằng nếu một chuỗi thời gian khơng dừng thì chỉ có thể nghiên cứu hành vi của nó trong khoảng thời gian đang được xem xét. Vì thế, mẫu dữ liệu thời gian sẽ mang một kết quả nhất định. Kết quả là khơng thể khái qt hóa cho các giai đoạn khác. Đối với mục đích dự báo, các chuỗi thời gian khơng dừng có thể sẽ khơng có giá trị. Trong dự báo dựa theo chuỗi thời gian, một giả định luôn được đưa ra là xu hướng vận động của dữ liệu quá khứ và hiện tại được duy trì cho các giai đoạn tương lai. Và như vậy việc chuỗi dữ liệu không dừng và ln thay đổi sẽ khơng thể giúp gì cho dự báo. Ngoài ra, khi hồi quy một biến của một chuỗi thời gian đối với một biến của chuỗi thời gian khác, ta thường thu được giá trị R2 rất cao, mặc dù khơng hề có mối liên hệ có ý nghĩa nào giữa chúng. Tình huống này là thí dụ cho vấn đề hồi quy giả mạo. Vấn đề này xuất hiện bởi vì nếu như cả hai chuỗi thời gian được xét đến đều thể hiện các xu hướng mạnh (xu hướng lên hoặc xuống liên tục), thì R2 có giá trị cao là do sự hiện diện của xu hướng loại này, chứ không phải do mối quan hệ trong dài hạn của hai chuỗi thời gian đó. Do đó,
giả. Hơn nữa, khi biết dữ liệu dừng hay không, chúng ta sẽ giới hạn được số mơ hình dự báo phù hợp nhất cho dữ liệu. Vì vậy, kiểm định nghiệm đơn vị ADF và PP được đưa ra để khắc phục tình trạng trên.
Kiểm định Dickey-Fuller được áp dụng đối với các hồi qui được thực hiện ở các dạng sau:
∆Yt = Ώ Yt-1 + ut ∆Yt = β1 + Ώ Yt-1 + ut ∆ Yt = β1 + β2t + Ώ Yt-1 + ut
Ở đây, t là biến xu hướng hoặc biến thời gian. Trong mỗi trường hợp giả thuyết khơng sẽ là Ώ = 0, tức là có nghiệm đơn vị. Nếu số hạng sai số ut là tự tương quan, ta sẽ biến đổi thành:
∆ Yt = β1 + β2t + Ώ ∆Yt-1 + αi ∑ ∆y + ut, mà ở đó ∆Yt-1 = Yt-1 – Yt-2, ∆Yt- 2 = Yt-2 – Yt-3…
Giả thuyết H0 vẫn là Ώ = 0, có nghĩa là Y có nghiệm đơn vị (Y là không dừng) và H1: Ώ < 0, Yt là chuỗi dừng. Khi kiểm định DF được áp dụng cho các mơ hình, nó được gọi là kiểm định gia tăng Dickey-Fuller (ADF).
Kiểm định ADF dựa trên giả định sai số ngẫu nhiên nên khi sử dụng phương pháp này phải chắc chắn rằng sai số đó là khơng có tương quan với nhau và có sự biến đổi cố định. Do đó, trong nghiên cứu thực nghiệm, phương pháp ADF thường được dùng kèm theo kiểm định PP. Trong khi kiểm định ADF hiệu chỉnh tương quan chuỗi bậc cao hơn bằng cách đưa thêm sự sai lệch độ trễ bên vế phải của phương trình kiểm định, thì kiểm định PP hiệu chỉnh
thống kê t của hệ số từ phương trình hồi quy AR(1) để giải thích tương quan chuỗi trong phương trình.
3.3.3. Phương pháp ARIMA để tìm độ trễ của lạm phát trong mơ hình
Trước hết, để tìm độ trễ của biến lạm phát trong quá khứ, tác giả dựa trên nghiên cứu của Patra và Ray (2010) khi xây dựng mơ hình dự báo lạm phát kỳ vọng ở Ấn Độ, sử dụng mơ hình ARIMA – tự hồi quy trung bình trượt cho các nước:
= [ ( ), ( ), ( ), ( )]
Trong đó, p, q, m và n tương ứng là bậc của AR, MA, SAR, SMA. SAR và SMA đại diện cho tính mùa vụ. Đối với biểu thức trung bình động liên quan đến nhân tố làm sai lệch dự báo với trung bình của nó, sự phối hợp tuyến tính giữa sai số hiện tại và sai số quá khứ, vì thời gian chuyển động về phía trước, nên các sai số trong sự phối hợp đó cũng sẽ dịch chuyển về phía trước. Mơ hình ARIMA đưa ra hồi quy đơn biến, đồng thời tính tốn độ lệch của chuỗi dữ liệu với kỳ vọng tốn. Mơ hình ARIMA do George Box và Gwilym Jenkins (1976) nghiên cứu và tên của họ thường được dùng để gọi tên các quá trình ARIMA tổng quát, áp dụng vào việc phân tích và dự báo các chuỗi thời gian. Quá trình nhận dạng của một mơ hình ARIMA khơng có tính mùa hay có tính mùa phụ thuộc vào những công cụ thống kê – đó là hệ số tự tương quan, hệ số riêng phần, và đồ thị tương quan.
Tuy nhiên, việc thực hiện mơ hình này có những hạn chế và khó khăn nhất định. Đó là việc sử dụng mơ hình vẫn chưa được ghi nhận trong bất kỳ lý thuyết hay cơng thức nào trước đó (Patra và Ray, 2009). Ngoài ra, ARIMA cịn có hạn chế khác là có thể dự báo thiếu chính xác tại các điểm ngoặt. Dù
vậy, mơ hình ARIMA vẫn cho thấy có thể dùng để dự báo lạm phát trong ngắn hạn khá tốt, tốt hơn so với các mơ hình cấu trúc phức tạp (Stockton và Glassman, 1987; Litterman, 1986; Meylar và cộng sự, 1998).
Các bước xây dựng mơ hình:
Trong giai đoạn nhận diện mơ hình cần làm rõ chuỗi dữ liệu có phải là chuỗi dừng hay khơng. Thường thì chuỗi khơng dừng có thể biến đổi thành chuỗi dừng bằng cách lấy sai phân. Trong trường hợp này mơ hình ARIMA được xác định cho chuỗi sai phân.
Sau khi có được chuỗi dừng, cần phải xác định đặc điểm chung của mơ hình. Việc chọn mơ hình phụ thuộc vào việc so sánh các kiểu chuyển vận của hệ số tự tương quan và tự tương quan từng phần.
- Nếu hàm tự tương quan mẫu giảm mạnh tại một vài điểm, còn tự tương quan từng phần giảm đều về 0, ví dụ tại q giá trị, khi đó mơ hình phù hợp là MA(q).
- Nếu hàm tự tương quan mẫu giảm đều theo dạng hàm mũ, còn tự tương quan từng phần giảm mạnh tại một vài điểm, ví dụ sau p giá trị, mơ hình phù hợp là AR(p).
- Nếu cá 2 hàm tự tương quan và tự tương quan từng phần không giảm mạnh mà dần tiến về 0, khi đó chọn mơ hình ARIMA(p,q).
Bảng 2: Tóm tắt hành vi của các hệ số AC và PAC trong mơ hình MA, AR và ARMA
Mơ hình AC PAC
AR(p) Tắt dần Ngừng đột ngột ở bước p
ARMA(p,q) Tắt dần Tắt dần
Tính sau số phần dư bình phương trun bình s2 và ước lượng sự thay đổi sai số. Sai số phần dư bình phương trung bình dùng để so sánh và đánh giá các mơ hình khác nhau. Ngồi ra, nó cịn được sử dụng để xác định giới hạn sai số của dự báo.
Kiểm định mơ hình: phần lớn các đồ thị phần dư, áp dụng trong phân tích hồi quy, có thể sử dụng để phân tích phần dư trong mơ hình ARIMA. Biểu đồ tần suất phần dư và độ thị phân phối chuẩn của chúng đặc biệt hữu ích (để kiểm định tính chuẩn), cũng như đồ thị trình tự của chúng theo thời gian (để kiểm định độ phân tán của các giá trị). Các hệ số tự tương quan phần dư riêng lẻ rk(e) phải nhỏ và phải nằm trong lân cận 0 bên trong khoảng ±2/√ . Tự tương quan phần dư lớn đáng kể ở các thời đoạn trễ nhỏ hoặc có tính mùa vụ, nghĩa là mơ hình lựa chọn không phù hợp và cần phải chọn mơ hình khác hoặc thay đổi mơ hình hiện tại. Kiể định chung tính phù hợp của mơ hình được thực hiện nhờ kiểm định Chi bình phương. Các tiêu chí lựa chọn mơ hình: Nếu như các mơ hình có chứa cùng một lượng tham số như nhau, thì thường sẽ ưu tiên chọn mơ hình có sai số bình phương trung bình (s2) nhỏ nhất. Tuy nhiên, cá mơ hình có số lượng tham số nhiều hơn có thể có sai số bình phương trung bình nhỏ. Mơ hình được lựa chọn là mơ hình có AIC hoặc BIC tối thiểu.
Tiêu chuẩn thơng tin Akaike (AIC)
Trong đó, là tổng bình phương phần dư, chia cho tổng số quan sát.
Tiêu chuẩn thông tin Bayes (BIC)
= + ln
Đại lượng này là “nhân tố phạt”, tính khi đưa vào tham số bổ sung vào mơ hình. Tiêu chuẩn BIC đặt lên hạn chế lớn số lượng các tham số so với tiêu chuẩn AIC. Như vậy tối thiểu hóa tiêu chuẩn BIC khi lựa chọn mơ hình bao giờ cũng cho số lượng tham số, không lớn hơn số lượng tham số thiết lập theo tiêu chuẩn AIC. Thưởng thì cả 2 tiêu chuẩn này đều cho cùng một kết quả
3.3.4. Phương pháp OLS để xây dựng mơ hình cuối cùng
Sau khi thực hiện ARIMA, tác giả tiến hành tìm độ trễ cho các biến còn lại bằng phương pháp của Hendry như Patra và Ray (2010) đã từng thực hiện cho việc xây dựng phương trình dự báo lạm phát kỳ vọng ở Ấn Độ. Phương pháp này bắt chước thuyết rút gọn để có được mơ hình kinh tế lượng cuối cùng. Phương pháp này là nền tảng của phương pháp LSE cung cấp các bước thực hiện mang tính thực nghiệm cao thực hiện kết hợp giữa các mơ hình kinh tế lượng và các hiện tượng thực tế để đo lường (Chao, 2001; Campos và cộng sự, 2004). Đối với mỗi quốc gia, bước đầu tiên, tác giả bắt đầu từ một mơ hình tổng quát bằng cách chạy theo OLS, sau đó thực hiện các bước thử nghiệm thống kê cơ bản để giảm tính phức tạp bằng cách loại trừ các biến khơng có ý nghĩa thống kê và kiểm tra tính giá trị của việc rút gọn để đảm bảo tính phù hợp của mơ hình. Q trình rút gọn này được lặp lại cho đến khi tìm ra được các kết quả mơ tả cuối cùng. Trong q trình thực hiện bước này, các
kiểm định biến được thực hiện liên tục để xem xét việc giữ lại biến nào, loại bỏ biến nào cho mơ hình.
Sau khi có được mơ hình cuối cùng, tác giả thực hiện kiểm định đồng tích hợp để biết được giữa biến phụ thuộc và các biến giải thích có thật sự tồn tại mối quan hệ cân bằng dài hạn hay khơng. Đó là lý do tại sao tác giả phải tiến hành kiểm định nghiệm đơn vị trước khi tiến hành hồi quy. Nhưng nếu kiểm định nghiệm đơn vị lại không bác bỏ được giả thuyết chuỗi có nghiệm đơn vị, tức là chuỗi số liệu khơng dừng thì ta có thể dùng sai phân để có được các chuỗi trước khi sử dụng cho hồi quy. Việc dùng sai phân dễ dẫn tới mất thông tin về mối quan hệ dài hạn giữa các biến, nên tác giả thực hiện hồi quy giữa hai biến ở các mức ban đầu, ngay cả khi cả hai biến đều có nghiệm đơn vị, khi tổ hợp tuyến tính giữa các biến là một chuỗi dừng. Ta có thể ước lượng tham số đồng tích hợp bằng cách tiến hành hồi quy OLS của chuỗi biến độc lập lên biến phụ thuộc. Phần dư của hồi quy này có thể dùng để kiểm định xem liệu giữa các biến độc lập và biến phụ thuộc có thực sự tồn tại mối quan hệ dài hạn hay có đồng tích hợp hay khơng? Nếu khơng có đồng tích hợp thì tổ hợp tuyến tính của chúng là khơng dừng và do đó phần dư sẽ không dừng.
Kiểm định đồng tích hợp hay kiểm định nhân quả Granger (Granger, 1969) được sử dụng phổ biến trong nghiên cứu để trả lời cho câu hỏi là có hay khơng có sự thay đổi của X gây ra sự thay đổi của Y và ngược lại (X và Y phải có sự tương quan). Do đó, để kiểm định mối quan hệ tác động này, tác giả sử dụng kiểm định Enger-Granger. Thực hiện kiểm định giả thuyết H0: et là không dừng, tức khơng có mối quan hệ đồng tích hợp. Ta có thể tiến hành kiểm này bằng hai cách:
Cách thứ nhất có thể tiến hành kiểm định Dickey và Fuller cho chuỗi phần dư et.
Cách thứ hai đơn giản chỉ việc lấy thống kê Durbin-Watson trong hồi qui đồng tích hợp:
= ∑( − )
∑( )
Nếu et là khơng dừng thì giá trị et- et-1 sẽ rất gần 0, và như vậy giá trị thống kê DW sẽ rất gần 0. Do đó, ta có thể chỉ việc kiểm định giả thuyết DW = 0. R.F.Engle và C.W. Granger đã xây dựng bảng các giá trị cho kiểm định DW = 0 như Bảng 3. Trong nghiên cứu này tác giả sử dụng cả hai cách để kiểm định đồng tích hợp.
Bảng 3: Các giá trị đặc trưng cho kiểm định DW = 0 Mức ý nghiã % Giá trị đặc trưng của DW
1 0,511
5 0,386
10 0,322
CHƯƠNG 4: NỘI DUNG VÀ CÁC KẾT QUẢ NGHIÊN CỨU 4.1. Kết quả ước lượng của Việt Nam 4.1. Kết quả ước lượng của Việt Nam
Trước hết, tác giả thực hiện phương pháp lọc HP để tìm khe hở sản lượng –