Ở bài nghiên cứu này, tác giả dựa trên các cơng trình đo lường về phát triển tài chính trong đó sử dụng tín dụng khu vực tư nhân làm yếu tố đại diện cho phát triển tài chính,
phương pháp sử dụng trong nhiều nghiên cứu trước đây như Levine, Loayza, & Beck, (2000); Aghion, Howitt, & Mayer-Foulkes, (2005), Lorenzo Ductor và Daryna Grechyna (2015). Các nghiên cứu này cho rằng mức tăng trưởng tín dụng khu vực tư nhân đại diện cho mức tăng trưởng của phát triển tài chính.
3.3 Phương pháp nghiên cứu:
Trong bài luận văn nghiên cứu về mối quan hê ̣ giữa phát triển tài chính và các yếu tố vĩ mô này, tác giả sử dụng phương pháp phân tích chuỗi thời gian. Phương pháp phân tích định lượng: mơ hình VECM – (Vector error correction model) được sử dụng và ứng dụng chức năng hàm phản ứng xung IRF (Impulse Response Function), để biểu diễn tác động của phát triển tài chính và các yếu tố vĩ mô. Đồng thời, thông qua chức năng phân rã phương sai (Variance decomposition), tác giả phân tích vai trị của các yếu tố vĩ mô và phát triển ta ̣i chính ta ̣i Viê ̣t Nam trong phạm vi của chuỗi dữ liê ̣u thời gian. Phương pháp này, cùng các bước thực hiện và xữ lý dự liệu sẽ được trình bày cụ thể trong phần này. Với mu ̣c tiêu đo lường phát triển tài chính và các yếu tố vĩ mô, tác giả sử du ̣ng phương pháp phân tích chuỗi thời gian VECM. Được phát triển trên khung phương pháp VAR, véc tơ tự hồi quy (Vector Auto-regressive) được giới thiệu lần đầu tiên vào năm 1980 bởi Chrishtopher H. Sims, người vừa đạt được giải Nobel kinh tế 2011.
Mơ hình VAR
Trong mơ hình VAR, một biến không những chịu ảnh hưởng từ tác động hiện tại của các biến khác mà còn chịu ảnh hưởng bởi độ trễ của chính nó và độ trễ của các biến khác trong quá khứ. Mơ hình VAR về cấu trúc gồm nhiều phương trình (mơ hình hệ phương trình) và có các độ trễ của các biến số. VAR là mơ hình động của một số biến thời gian. Mơ hình VAR tổng qt đối với hai biến số Y1, Y2 và trễ bước có dạng sau đây:
Với Y1t , Y2t là các chuỗi dừng và là biến nội sinh, U1t và U2t là các nhiễu trắng. Vai trò các biến số Y1t , Y2t hoàn toàn tương đương nhau trong mơ hình.
Mơ hình VECM
Trong mơ hình này mỗi biến được biểu diễn dưới dạng hàm tuyến tính của biến với sai phân bâ ̣c 1, khi chuỗi dữ liê ̣u chỉ dừng ở sai phân bâ ̣c 1 và tồn ta ̣i đồng liên kết, biến trễ của chính bản thân biến đó và biến trễ của biến khác trong mơ hình. Mơ hình VECM tởng quát với hai biến và trễ một bước có dạng:
Trong đó ECM là thành phần hiê ̣u chỉnh sai số mô hình. Các chuỗi dữ liê ̣u có tính dừng ở bâ ̣c 1, dùng ở sai phân bâ ̣c 1 và có tồn ta ̣i đồng liên kết giữa các chuỗi dữ liê ̣u.
Thứ tự phân rã Cholesky
Các biến sắp xếp theo một thứ tự giả định, khi đó biến đứng trước được giả định sẽ gây ra tác động cho những biến ở sau nó, trong khi các biến sau không gây ra tác động tới biến đứng trước nó.
Với thứ tự sắp xếp khác nhau sẽ cho ra kết quả khác nhau. Do đó thơng thường người ta thường vận dụng đến lý thuyết kinh tế để đưa ra các cách sắp xếp lý thuyết phù hợp.
Ưu điểm mơ hình VAR/VECM
VECM là da ̣ng đă ̣c biê ̣t của hê ̣ phương trình VAR với các biến lấy sai phân bâ ̣c 1 và có thêm thành phần hiê ̣u chỉnh sai số. Về bản chất VAR/VECM là sự kết hợp của 2 phương pháp: tự hồi quy đơn chiều (univariate autoregression) và hệ phương trình ngẫu nhiên (simultanous equations - SEs). VAR hay ở chỗ có được ưu điểm của phương pháp tự hồi quy đơn chiều đó là dễ ước lượng bằng phương pháp tối thiểu hóa phần dư (OLS) và ưu điểm của SEs là ước lượng nhiều biến trong cùng một hệ thống. Đồng thời khắc phục nhược điểm của SEs là khơng cần lưu tâm đến tính nội sinh của các biến kinh tế. Tức là các biến kinh tế vĩ mơ thường mang tính nội sinh khi chúng tác động qua lại lẫn nhau, trong bài nghiên cứu là mối quan hê ̣ giữa phát triển tài chính và các ́u tớ vĩ mơ. Thuộc
tính này làm cho phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy nhiều khi bị sai lệch khi ước lượng. Đây là những lý do cơ bản khiến VAR/VECM trở nên phổ biến trong nghiên cứu kinh tế vĩ mơ.
Mơ hình VAR/VECM thường được dùng trong các bài tốn liên quan đến các biến kinh tế vĩ mô như:
Dự báo, đặc biệt là dự báo trung hạn và dài hạn.
Phân tích cơ chế truyền tải sốc, nghĩa là xem xét tác động của một cú sốc trên một biến phụ thuộc lên các biến phụ thuộc khác trong hệ thống qua hàm phản ứng xung (Impulse response)
Các bước thực hiện
B1: Để xác định phương pháp sử dụng phân tích trong chuỗi thời gian, kiểm định tính dừng được sử dụng nhằm đo lường bậc của đồng tích hợp nhằm tránh hồi quy giả mạo. Kiểm định tính dừng bằng các phương pháp ADF, PP vớ i mu ̣c đích so sánh đối chiếu.
B2: Kiểm đi ̣nh đồng liên kết chuỗi dữ liê ̣u Johansen với giả thuyết H0: Chuỗi dữ liê ̣u không dừng.
B3: Chọn độ trễ tối ưu k.
B4: Kiểm đi ̣nh Granger mối quan hê ̣ nhân quả các yếu tố.
B5: Phân tích độ ổn định mơ hình bằng kiểm định tính dừng của sai số.
B5: Ước lượng hê ̣ phương trình đồng thời tự hồi quy có nhiễu điều chỉnh VECM. B6: Phân tích hàm phản ứng đẩy IRF.
CHƯƠNG IV: KẾT QUẢ NGHIÊN CỨU
Chương 3 đã trình bày phương pháp nghiên cứu được sử dụng để xây dựng, đánh giá các khái niệm nghiên cứu và kiểm nghiệm mơ hình lý thuyết. Chương 3 cũng đưa ra cách đo lường các biến trong mơ hình. Chương 4 sẽ trình bày kết quả nghiên cứu thu được từ q trình phân tích số liệu của các biến phát triển tài chính, tăng trưởng kinh tế, lạm phát và cung tiền, trong thời gian từ năm 2000 – 2016 với dữ liệu theo quý.
4.1. Phân tích thống kê mơ tả
Bước đầu tiên trong phân tích chuỗi dữ liệu và lọc dữ liệu, xem xét số lượng quan sát và các đại lượng thống kê của dữ liệu. Dữ liệu sau khi thu thập tính tốn, kết quả trình bày theo bảng thống kê mô tả trong bảng 4.1 dưới đây. Kết quả chỉ ra phạm vi, giá trị trung bình và độ lệch chuẩn của các biến sử dụng trong nghiên cứu này.
Bảng 4.1: Thống kê mô tả giữa các biến trong mơ hình
GDP CPI M2 FD Mean 9.605253 4.441877 14.09832 22.61504 Median 9.601889 4.495748 14.17187 22.80198 Maximum 9.907953 5.063509 16.61503 24.70137 Minimum 9.445286 3.862728 12.09836 20.75880 Std. Dev. 0.105505 0.425502 1.193498 1.114984 Số lượng quan sát 66 66 66 66
Nguồn: Kết quả tổng hợp từ Phần mềm Eviews trên số liệu tác giả thu thập (Phụ lục 1)
Phân tích thống kê mô tả giữa các biến trong mơ hình theo bảng 4.1 cho thấy, trong mơ hình các biến có độ lệch chuẩn khơng q lớn so với trung bình. Dữ liệu tương đối đồng đều ở các biến. Cỡ mẫu nghiên cứu gồm 66 quan sát, là cỡ mẫu lớn trong thống
4.2 Ma trân tương quan
Tác giả phân tích ma trâ ̣n tương quan với hê ̣ số tương quan, nhâ ̣n giá tri ̣ từ -1 đến 1, càng gần 1 thì tương quan cùng chiều, càng gần 0 thì không tồn ta ̣i tương quan, càng gần -1 tương ứng tương quan ngược chiều.
Bảng 4.2: Kết quả ma trâ ̣n tương quan như sau:
GDP CPI M2 FD
GDP 1.000 0.866 0.931 0.926
CPI 0.866 1.000 0.980 0.971
M2 0.931 0.980 1.000 0.994
FD 0.926 0.971 0.994 1.000
Kết quả hê ̣ số tương quan cho thấy các biến tương quan cùng chiều, mức đô ̣ tương quan giữa các chuỗi dữ liê ̣u vĩ mô cho thấy các nhân tố tồn ta ̣i tương quan că ̣p ma ̣nh. Hê ̣ số tương quan thấp nhất giữa CPI và GDP, trong khi tương quan ma ̣nh nhất giữa FD và M2.
4.3 Kiểm định tính dừng
Kiểm định nghiệm đơn vị Augment Dickey Fuller (1984):
Xem xét quá trình tự hồi quy:
- Giả thuyết H0 và giả thuyết H1 của kiểm định t ADF:
H0: y = 0 H1: y < 0
Chúng ta có thể kiểm tra sự tồn tại của một đơn vị gốc bằng cách sử dụng kiểm định t Dickey-Fuller: ) ˆ ( 1 ˆ ˆ y Se y ty
Thống kê này không tuân theo phân phối thông thường của t-student. Các giá trị quan trọng được tính tốn bởi Dickey và Fuller phụ thuộc vào hệ số chặn, xu hướng.
Kiểm định nghiệm đơn vị Phillips-Perron (1988):
t p t p p t p p t p t t t a a y a y a y a y a y y 0 1 1 2 2 ... 2 2 1 1
Phillips và Perron (1988) (sau đây gọi là PP) đã đề xuất chuyển đổi tham số của thống kê t từ hồi quy gốc DF dưới dạng the unit root giả thuyết H0, thống kê được chuyển đổi (thống kê Z) có phân phối DF.
Kiểm định hồi quy cho kiểm định PP là:
t t t t D y y 1 (3.5)
Với t là I(0) có thể bị phương sai sai số thay đổi. Kiểm định PP đúng cho bất kỳ chuỗi tương quan nào và phương sai sai số thay đổi trong sai số ut của kiểm định hồi quy bằng cách điều chỉnh trực tiếp thống kê t 0và ˆ.
Với giả thuyết không của đơn vị gốc cho tất cả N quan sát, sử dụng thuộc tính
phụ: N t t e P 1 ) ( log
2 được phân phối bởi 2
2N , và N t t N Z 1 1 ) (
1 được phân phối bởi
N (0,1).
Hồi quy dữ liệu chuỗi thời gian, nếu dữ liệu khơng dừng thì sẽ vi phạm độ tin cậy của hồi quy, đó là hiện tượng hồi quy giả mạo được giải thích đầu tiên bởi Phillips (1986). Nếu chuỗi dữ nghiên cứu dừng tại bậc gốc, có thể cho phép thực hiện hồi quy tránh được hồi quy giả mạo. Bài nghiên cứu thực hiện kiểm định tính dừng Augment Dickey Fuller và đối chiếu lại với kết quả kiểm định tính dừng của Phillips và Perron.
Bảng 4.3: Kiểm định tính dừng bậc gốc dữ liệu
Biến
Bậc gốc dữ liệu Sai phân bậc 1
ADF PP ADF PP
GDP 1.915499 1.969127 -7.081293*** -7.162686***
CPI -0.123035 0.032695 -4.764027*** -3.787332***
M2 0.905180 1.320945 -5.026932*** -3.395106***
Nguồn: Kết quả tổng hợp từ Phần mềm Eviews trên số liệu tác giả thu thập (Phụ lục 2)
Kết quả kiểm định tính dừng cho thấy tất cả các biến chỉ dừng ở sai phân bậc 1, với cả kiểm định Augment Dickey Fuller và Phillips Perron. Kết quả này cho phép thực hiện phân tích hồi quy, tránh trường hợp hồi quy giả mạo tác giả tiếp tục kiểm định đồng liên kết.
4.4 Kiểm định đồng liên kết:
Kết quả kiểm định tính dừng cho thấy các chuỗi khơng cùng dừng ở bậc gốc và dừng tồn bộ ở bậc 1, tác giả tiếp tục kiểm tra hiện tượng đồng liên kết, nếu tồn tại đồng liên kết thì phương pháp VECM là phù hợp. Trong trường hợp không tồn tại đồng liên kết, phương pháp tự hồi quy có phân phối trễ ARDL sẽ được chọn để phân tích mối quan hệ giữa các biến.
Tác giả sử dụng kiểm định Johansen trên phân tích đồng liên kết trên dữ liệu chuỗi thời gian:
Giả thuyết H0: Không tồn tại hiện tượng đồng liên kết
Bảng 4.4: Kết quả kiểm định đồng liên kết mơ hình
Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05 No. of CE(s) Eigenvalue Statistic
Critical Value Prob.** None * 0.328970 58.39476 47.85613 0.0038 At most 1 * 0.248806 33.66041 29.79707 0.0171 At most 2 * 0.153151 15.92273 15.49471 0.0431 At most 3 * 0.086603 5.616263 3.841466 0.0178 Trace test indicates 4 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **p-values, MacKinnon-Haug-Michelis (1999).
Nguồn: Kết quả tổng hợp từ Phần mềm Eviews trên số liệu tác giả thu thập (Phụ lục 3)
Điều này đảm bảo mơ hình tránh hiện tượng hồi quy giả mạo (spurious regression) trong hồi quy và cho phép lựa chọn mơ hình VECM trong tiếp cận trả lời câu hỏi về phát triển tài chính và các yếu tố vĩ mô.
4.5 Độ trễ tối đa cho mô hình
Để tránh hiện tượng bỏ sót độ trễ trong tác động biến độc lập đến biến phụ thuộc của mơ hình, tác giả sử dụng kiểm định chọn được độ trễ tối ưu cho mơ hình, ta dùng cơng cụ Lag Structure trong Eview. Kết quả lựa chọn độ trễ với các tiêu chuẩn lựa chọn khác nhau. Từ bảng kết quả dưới đây, ta thấy độ trễ 2 phù hợp với các tiêu chuẩn LR, AIC, FPE SC và HQ.
Bảng 4.5: Độ trễ tối đa cho mơ hình
VAR Lag Order Selection Criteria Endogenous variables: GDP CPI M2 FD Exogenous variables:
Date: 08/14/17 Time: 09:26 Sample: 2000Q3 2016Q4 Incl.Obs: 64
Lag LogL LR FPE AIC SC HQ
1 539.9386 NA 9.11e-13 -16.37308 -15.83336 -16.16046 2 603.1105 110.5508* 2.10e-13* -17.84720* -16.76776* -17.42196* * indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error
AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
Nguồn : Kết quả từ phần mềm Eviews 8.0
Kiểm định lựa chọn độ trễ và kiểm định VAR cho thấy độ trễ tối đa của mơ hình là 2, tương ứng với các tiêu chuẩn LR, FPE, AIC, HQ.
4.6 Kiểm định nhân quả GRANGER
Mơ hình hệ phương trình đồng thời tự hồi quy có sai số kiểm sốt VECM được sử dụng khi các biến có quan hệ hai chiều. Kiểm định nhân quả GRANGER nhằm kiểm tra mối quan hệ nhân quả giữa các biến trong mơ hình trong tương quan hai chiều. Tồn tại mối quan hệ nhận quả hai chiều khẳng định việc sử dụng hệ phương trình VECM phân tích là phù hợp. Nếu không tồn tại tương quan nhân quả giữa các biến, lúc đó mơ hình hồi quy đơn giản được sử dụng là phù hợp. Kiểm định loại mối quan hệ nhân quả Granger cho kết quả với p-value nhỏ hơn 0.05 trong mơ hình GDP, M2, FD cho thấy tồn tại mối quan hệ hai chiều giữa các biến.
Bảng 4.6: Kiểm định nhân quả GRANGER test
VEC Granger Causality/Block Exogeneity Wald Tests
Sample: 2000Q3 2016Q4 Incl.Obs: 63
Dependent Var: D(GDP)
Excluded Chi-sq df Prob.
D(CPI) 10.33392 2 0.0057
D(M2) 10.90697 2 0.0043
D(FD) 7.860044 2 0.0196
All 30.61519 6 0.0000
Dependent Var: D(CPI)
Excluded Chi-sq df Prob.
D(GDP) 3.409490 2 0.1818
D(M2) 2.763018 2 0.2512
D(FD) 0.286909 2 0.8664
Dependent Var: D(M2)
Excluded Chi-sq df Prob.
D(GDP) 30.86453 2 0.0000
D(CPI) 1.881734 2 0.3903
D(FD) 7.863370 2 0.0196
All 66.52658 6 0.0000
Dependent Var: D(FD)
Excluded Chi-sq df Prob.
D(GDP) 72.93359 2 0.0000
D(CPI) 6.541254 2 0.0380
D(M2) 16.67708 2 0.0002
All 86.21774 6 0.0000
Nguồn : Kết quả từ phần mềm Eviews 8.0
Bằng chứng tồn tại mối quan hệ nhân quả hai chiều giữa các biến phân tích nhằm củng cố việc lựa chọn các dạng mơ hình VECM trong phần tích quan hệ giữa các nhân tố nghiên cứu. Hệ phương trình đồng thời VECM là phù hợp với mẫu dữ liệu nghiên cứu.
4.7 Kiểm định tính ổn định mơ hình
Kiểm định độ ổn định của mơ hình VECM dựa trên kiểm định tính dừng của chuỗi dữ liệu sai số trong mơ hình VECM. Các sai số dừng hàm ý rằng các chuỗi sai số là nhiễu trắng, hay những yếu tố chưa đưa vào mơ hình được kiểm sốt, mơ hình VECM ổn định trong phân tích.
Bảng 4.7: Kiểm định tính ổn định mơ hình -1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5