3. Phương pháp nghiên cứu
3.1 Giới thiệu thuyết về mh nh ử dụng
Trong bài luận văn, tác giả đo lường mức độ truyền dẫn tỷ giá hối đoái vào chỉ số giá tiêu dùng Việt Nam trong giai đoạn quý 1 năm 2 1 đến quý 2 năm 2013 thơng qua hai mơ hình: véc tơ tự hồi qui (VAR) và véc tơ hiệu chỉnh sai số (VECM), nhằm đánh giá mức độ khác nhau trong kết quả ước lượng từ hai mơ hình Trước khi đo lường, tác giả giới thiệu sơ lược về hai mơ hình trên.
Giới thiệ ì é ự hồi qui (VAR)
Mơ hình VAR xem xét mối quan hệ giữa những chuỗi thời gian khác nhau. Đây được xem là một trong những mơ hình phổ biến nhất trong nghiên cứ định lượng về các chính sách tiền tệ. Mối quan hệ giữa các biến số kinh tế hông đơn th ần chỉ theo một chiều, biến độc lập ảnh hư ng lên biến phụ thuộc mà trong nhiề trường hợp nó cịn có ảnh hư ng ngược lại o đ ta hải xét ảnh hư ng qua lại giữa các biến này cùng một lúc. Do đ mơ hình kinh tế lượng này không phải là mơ hình một phương trình mà là mơ hình nhiều phương trình. Mơ hình VAR là mơ hình khá linh động và dễ dàng sử dụng trong phân tích với chuỗi thời gian đa biến, được m rộng từ mơ hình tự hồi qui đơn biến.
VAR là mơ hình hệ phương trình tự hồi q i đặc thù. Tính đặc thù thể hiện chỗ: Tất cả các biến trong mơ hình đều là biến nội sinh.
Những phương trình trong hệ sử dụng các biến độc lập giống nhau. Biến độc lập là biến nội sinh các thời kỳ trễ.
Mơ hình VAR về cấu trúc gồm nhiề hương trình vector) và các trễ của các biến số. Ta xét hai chuỗi thời gian X và Y với một ước trễ, mơ hình VAR có dạng như sau:
Xt = α1 + α2 Xt-1 + α3Yt-1 + ut Yt = β1 + β2 Xt-1 + β3Yt-1 + vt
Trong mơ hình trên với hai biến và một ước trễ, ta có 6 hệ số cần phải ước lượng. Do đ trong trường hợp tổng quát, với m biến và ước trễ thì số hệ số cần phải ước lượng là m+m2p tăng lên đáng kể, trong đ c m hệ ố chặn và m2 hệ ố g c
Bên cạnh những ư điểm nổi trội của mơ hình VAR là khơng cần xác định biến nào là biến nội sinh và biến nào là biến ngoại sinh, tất cả các biến trong mơ hình đều là biến nội sinh; thì mơ hình VAR cịn vướng phải một số hạn chế:
Do trọng tâm của mơ hình được đặt vào dự báo nên VAR ít phù hợp cho phân tích chính sách.
Khi xét đến mơ hình VAR ta phải xét đến tính dừng của các biến trong mơ hình. u cầ đặt ra là tất cả các biến phải dừng hi ta ước lượng mơ hình VAR, nế trong trường hợp các biến này chưa dừng thì ta phải lấy ai hân để đảm bảo chuỗi dừng.
Kh hăn trong việc lựa chọn khoảng trễ thích hợp. Theo như bên trên đã phân tích, nế ta tăng ố biến và số trễ đưa vào mỗi hương trình thì ố hệ số mà ta phải ước lượng s khá lớn.
Khi sử dụng mơ hình VAR, cần theo các ước sau:
Xét tính dừng của các biến trong mơ hình. Nế chưa dừng thì sử dụng k thuật lấy ai hân để đưa về các chuỗi dừng.
Lựa chọn khoảng trễ phù hợp. Xem xét tính ổn định của mơ hình.
So sánh các mơ hình phù hợp và lựa chọn mơ hình phù hợp nhất.
2 ứng dụng q an trọng trong mơ hình là việc hân t ch cơ chế tr yền tải ốc thông q a hàm hản ứng x ng im l e re on e nhằm cho iết hản ứng của các iến hi xảy ra c ốc đối với một iến trong mơ hình và chức năng hân rã phương ai variance decom o ition nhằm hân t ch mức độ đ ng g của các iến trong mơ hình đến ự iến động của một iến cụ thể trong mơ hình.
Giới thiệ ì é hiệu chỉnh sai s (VECM)
Tất cả các biến đưa vào mơ hình VECM phải là chuỗi gốc chưa lấy sai phân. Tuy nhiên, việc hồi quy các chuỗi thời gian không dừng thường dẫn đến kết quả hồi quy giả mạo mặc dù kết quả hồi quy có giá trị R-squared khá cao. Tuy nhiên, Engle và Granger (1987) cho rằng nếu kết hợp tuyến tính của các chuỗi thời gian khơng dừng có thể là một chuỗi dừng và các chuỗi thời gian không dừng đ được cho là đồng liên kết. Kết hợp tuyến tính dừng được gọi là hương trình đồng liên kết và có thể được giải th ch như mối quan hệ cân bằng dài hạn giữa các biến. Và nế như mơ hình là đồng liên kết thì s khơng xảy ra trường hợp hồi quy giả mạo. Có nhiều phương pháp kiểm định mối quan hệ đồng liên kết và tác giả chọn kiểm định Johansen trong nghiên cứu này.
Phương há tiếp cận đồng liên kết cung cấp một hương tiện để giải quyết tính khơng dừng vốn có của các biến sử dụng trong mô hình Ngồi ra, n cho hé lư giữ các thông tin quan trọng chứa trong biến 'gốc' - biến chưa lấy sai phân.
Mơ hình VECM là một dạng của mơ hình VAR tổng q át, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa đựng mối quan hệ đồng liên kết.