Mô tả các nhân tố kinh tế cơ bản được lựa chọn

Nhân

tố Thuật ngữ Cơng thức tính

Tác động kỳ vọng

PROD Chênh lệch năng lực sản

xuất -

TOT Tỷ lệ mậu dịch +/-

GEXP Chi tiêu chính phủ +/-

OPEN Độ mở của nền kinh tế +/-

NFA Tài sản nước ngồi rịng -

Nguồn: Tác giả tổng hợp

Các biến số ghi thường biểu thị lôgarit của các biến tương ứng trong phân tích thực nghiệm, ví dụ reer = ln (REER).

3.2 Phương pháp nghiên cứu

Kỹ thuật thực nghiệm được tiến hành bằng cách sử dụng một thủ tục kiểm định gồm hai bước được đề xuất bởi Granger và Hallman (1991) và Granger (1991).

Tổng quan 2 bước thực hiện bao gồm:

Bước 1: Kiểm định đồng liên kết tuyến tính các biến gốc

 Kiểm định nghiệm đơn vị ADF (Dickey-Fuller tích hợp - Augmented Dickey-

Fuller test) để kiểm định tính dừng các biến gốc (dưới dạng log và được điều chỉnh theo mùa vụ khi cần thiết). Nếu các biến là không dừng chuyển sang Bước 2.

 Kiểm định ARDL Models - Bounds Test (Mơ hình phân bố trễ tự hồi quy – Autoregressive Distributed Lag model) mối quan hệ đồng liên kết tuyến tính các biến gốc. Trước khi thực hiện bước này, phải lựa chọn độ trễ tối ưu cho mơ hình.

 Có đồng liên kết tuyến tính -> kết luận mối quan hệ tỷ giá hối đoái thực và các nhân tố kinh tế cơ bản là tuyến tính.

 Khơng có đồng liên kết tuyến tính -> tiếp tục kiểm định cho đồng liên kết phi tuyến.

Bước 2: Kiểm định đồng liên kết phi tuyến các biến gốc

 Chuyển đổi các biến bằng thuật tốn ACE (Kỳ vọng có điều kiện ln phiên). Việc thực hiện biến đổi ACE được thực hiện nhờ vào gói giải pháp ACEpackages được viết cho phần mềm thống kê R.

 Kiểm định nghiệm đơn vị ADF với các biến chuyển đổi.

 Kiểm định ARDL Models - Bounds Test mối quan hệ đồng liên kết tuyến tính

các biến chuyển đổi. Nếu như các biến chuyển đổi có mối quan hệ đồng liên kết tuyến tính thì tác giả kết luận các biến gốc có mối quan hệ đồng liên kết phi tuyến (ứng dụng của thuật toán ACE). Trước khi kiểm định đồng liên kết tuyến tính giữa các biến chuyển đổi, phải lựa chọn độ trễ tối ưu cho mơ hình.

 Nếu xác định được mối quan hệ đồng liên kết tiếp tục ước lượng mơ hình đồng liên kết dài hạn giữa các biến.

 Bên cạnh đó, tác giả thực hiện các kiểm định giả thuyết mơ hình để đảm bảo sự phù hợp và ổn định của mơ hình như: kiểm đinh hiện tượng tự tương quan, kiểm định sự phù hợp mơ hình, kiểm định sự ổn định của các hệ số trong mơ hình đồng liên kết, kiểm định phương sai sai số thay đổi, kiểm định phân phối chuẩn phần dư.

Nghiên cứu sử dụng phần mềm Eviews 6.0 và phần mềm R3.1.1 hỗ trợ thực hiện.

Sau đây, bài nghiên cứu trình bày cụ thể về quy trình thực hiện các bước nêu trên.

3.2.1 Kiểm định đồng liên kết tuyến tính các biến gốc

3.2.1.1 Kiểm định nghiệm đơn vị ADF các biến gốc

Lý thuyết tính dừng

Theo Gujarati (2003), một chuỗi thời gian là dừng khi giá trị trung bình, phương sai, hiệp phương sai (tại các độ trễ khác nhau) giữ nguyên không đổi cho dù chuỗi được xác định vào thời điểm nào đi nữa. Chuỗi dừng có xu hướng trở về giá trị trung bình và những dao động quanh giá trị trung bình sẽ là như nhau. Nói cách khác, một chuỗi thời gian khơng dừng sẽ có giá trị trung bình thay đổi theo thời gian, hoặc giá trị phương sai thay đổi theo thời gian hoặc cả hai.

Theo Ramanathan (2002), hầu hết các chuỗi thời gian về kinh tế là khơng dừng vì chúng thường có một xu hướng tuyến tính hoặc mũ theo thời gian. Tuy nhiên có thể biến đổi chúng về chuỗi dừng thơng qua q trình sai phân. Nếu sai phân bậc 1 của một chuỗi có tính dừng thì chuỗi ban đầu gọi là liên kết bậc 1, k hiệu là I(1). Tương tự, nếu sai phân bậc d của một chuỗi có tính dừng thì chuỗi ban đầu gọi là

liên kết bậc d, k hiệu là I(d). Nếu chuỗi ban đầu (chưa lấy sai phân) có tính dừng thì gọi là I(0). Khi hồi quy mơ hình với các biến là chuỗi thời gian thì yêu cầu đặt ra là các chuỗi này phải dừng. Trong trường hợp chuỗi chưa dừng thì phải lấy sai phân của chúng cho đến khi có được chuỗi dừng.

Lý do kiểm định tính dừng

Hầu hết các chuỗi dữ liệu thời gian trong kinh tế vĩ mơ là có xu hướng (tức là trung bình tiếp tục tăng theo thời gian), do đó trong hầu hết những trường hợp là chuỗi không dừng. Tuy nhiên những chuỗi này lại khơng có đồng liên kết để mà sai phân của nó có thể dừng theo thời gian. Đây là một trong những lý do chính của việc lấy logarit các dữ liệu trước khi tiến hành phân tích. Hồi quy chuỗi dữ liệu khơng dừng có thể cho kết quả thống kê R2, t, F cao nhưng điều này chẳng qua là thể hiện xu thế cùng nhau (hoặc trái ngược nhau) của hai chuỗi dữ liệu cịn kết quả có thể khơng có nghĩa kinh tế, các biến được sử dụng trong phân tích khơng có giá trị giải thích. Bởi vì các ước lượng của OLS có thể khơng bền vững theo thời gian, do đó các kiểm định thống kê được suy ra từ mơ hình là khơng có giá trị, được gọi là hiện tượng “Hồi quy giả mạo” Granger and Newbold (1974). Và nếu phần dư của mơ hình dừng, thì các biến có mối quan hệ cân bằng trong dài hạn và mơ hình được chấp nhận. Do đó kiểm định tính dừng là bước thực hiện đầu tiên.

Có nhiều phương pháp kiểm tra tính dừng của chuỗi thời gian: kiểm định Dickey– Fuller (DF), kiểm định Phillip–Person (PP) và kiểm định Dickey và Fuller mở rộng (ADF), kiểm tra bằng giản đồ tự tương quan,… Trong khuôn khổ nghiên cứu này,

tác giả lựa chọn phương pháp ADF (Augmented Dickey-Fuller test) để kiểm định

tính dừng của các chuỗi dữ liệu.

Phương pháp kiểm định nghiệm đơn vị ADF (Augmented Dickey–Fuller test)

Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian dừng hay không dừng. Dickey và Fuller (1981) đã đưa ra kiểm định Dickey và Fuller (DF) và kiểm định Dickey và Fuller mở rộng (ADF).

Mơ hình kiểm định nghiệm đơn vị mở rộng ADF có dạng sau: p

Yt Yt1 

i Yti ut

i1

(16)

p

Yt Yt1 

i Yti u t

i1

(17)

p

Yt T Yt1

 i Yti u t

i1

(18)

Ba mơ hình khác nhau ở hệ số chặn α và biến xu hướng γT. Biến xu hướng là một biến có giá trị từ 1 đến n, trong đó 1 đại diện cho quan sát đầu tiên trong dữ liệu và n đại diện cho quan sát cuối cùng trong chuỗi dữ liệu.

Kết quả của kiểm định ADF thường rất nhạy cảm với sự lựa chọn chiều dài độ trễ nên tiêu chuẩn thông tin AIC (Akaike’s Information Criterion) của Akaike (1973) được sử dụng để chọn lựa k tối ưu cho mơ hình ADF. Cụ thể, độ trễ được lựa chọn sao cho AIC nhỏ nhất. Giá trị này sẽ được tìm một cách tự động khi dùng phần mềm Eviews.

Giả thuyết kiểm định:

H0: β = 0 (Yt là chuỗi dữ liệu khơng dừng tương đương với chuỗi có nghiệm đơn vị) H1: β < 0 (Yt là chuỗi dữ liệu dừng)

Trong kiểm định ADF, giá trị kiểm định ADF không theo phân phối chuẩn. Theo Dickey và Fuller (1981), giá trị t ước lượng của các hệ số trong các mơ hình sẽ theo phân phối xác suất τ (tau statistic, τ = giá trị hệ số ước lượng/ sai số của hệ số ước lượng). Giá trị tới hạn τ được xác định dựa trên bảng giá trị tính sẵn của Mackinnon (1996). Giá trị tới hạn này được tính sẵn khi kiểm định ADF bằng phần mềm Eviews.

Để kiểm định giả thuyết H0 nghiên cứu so sánh giá trị kiểm định τ tính tốn với giá trị τ tới hạn của Mackinnon và kết luận về tính dừng của các chuỗi quan sát. Cụ thể, nếu trị tuyệt đối của giá trị tính tốn lớn hơn trị tuyệt đối giá trị tới hạn thì giả

thuyết H0 sẽ bị bác bỏ, tức chuỗi dữ liệu có tính dừng và ngược lại chấp nhận giả thuyết H0, tức chuỗi dữ liệu khơng có tính dừng.

Quy trình kiểm định nghiệm đơn vị ADF bằng Eviews 6.0:

Bước 1: Xác định bậc để kiểm đinh ví dụ chuỗi dữ liệu gốc “mức level”, sai phân bậc 1, hoặc sai phân bậc 2.

Bước 2: Xác định 1 trong 3 mơ hình DF sử dụng: phương trình (16) bấm vào “none” là mơ hình khơng có hệ số chặn và xu hướng, cho mơ hình được đưa ra bởi phương trình (17) click vào “chặn”, và cho các mơ hình được đưa ra bởi phương trình (18) bấm vào “chặn và xu hướng”.

Bước 3: Chọn tiêu chuẩn độ trễ AIC tự động.

Bước 4: Sau khi xác định các tùy chọn, nhấn <OK> để thực hiện kiểm đinh.

Bước 5: So sánh kết quả kiểm định ADF và giá trị tới hạn ở mức nghĩa 5% (lấy trị tuyệt đối). Nếu lớn hơn thì kết luận biến dừng và ngược lại.

3.2.1.2 Kiểm định đồng liên kết tuyến tính các biến gốc

Trước khi kiểm định đồng liên kết tuyến tính giữa các biến gốc bằng kiểm định ARDL Models - Bounds Test, phải lựa chọn độ trễ tối ưu cho mô hình. Độ trễ là một nhân tố quan trọng trong việc lập và lựa chọn mơ hình. Nếu chọn độ trễ q ngắn có thể sẽ bị bỏ sót ảnh hưởng của các biến trong các kỳ trước đó, nếu chọn độ trễ quá dài sẽ dẫn đến làm giảm bậc tự do và ảnh hưởng đến chất lượng của dự báo. Một vài kiểm định để lựa chọn độ trễ như Sequential modified LR test statistic (LR), Final prediction error (FPE), Akaike information criterion (AIC), Schwarz information criterion (SC), Hannan-Quinn information criterion (HQ). Kiểm định AIC (Akaike information criterion) được lựa chọn để kiểm định độ trễ trong mơ hình này vì tiêu chuẩn AIC là tiêu chuẩn thường được ưu tiên sử dụng nhiều nhất trong xác định độ trễ của chuỗi thời gian.

Đồng liên kết có hai trường hợp: đồng liên kết tuyến tính và đồng liên kết phi tuyến. Tác giả sử dụng phương pháp kiểm định ARDL Models - Bounds Test để kiểm định mối quan hệ đồng liên kết. Tại thời điểm này, sau khi thực hiện kiểm định ARDL nếu kết quả cho thấy khơng có mối quan hệ đồng liên kết tuyến tính nào giữa các biến gốc. Tiếp tục thực hiện kiểm định đồng liên kết phi tuyến các biến gốc. (Lý thuyết về kiểm định đồng liên kết bằng phương pháp ARDL Models - Bounds Test sẽ được trình bày Phần 3.2.2.2 Kiểm định đồng liên kết tuyến tính các biến chuyển đổi)

3.2.2 Kiểm định đồng liên kết phi tuyến các biến gốc

3.2.2.1 Thuật tốn ACE - Kỳ vọng có điều kiện luân phiên

Thuật toán ACE được sử dụng trước tiên để chuyển mối quan hệ phi tuyến sang dạng tuyến tính, sau đó thực hiện kiểm định đồng liên kết giữa các biến chuyển đổi. Theo Granger và Hallman (1991) và Granger (1991), các biến ban đầu của yt và xit (i = 1,2, ..., k) được cho là đồng liên kết phi tuyến nếu có hàm phi tuyến gi (i = 1,2, ..., k) , f sao cho gi (xit) (i = 1,2, ..., k) và f(y) là các chuỗi I(1) hay có liên kết bậc 1 và một sự kết hợp tuyến tính giữa gi (xit) (i = 1,2, ..., k) , f(y) và I(0). Như vậy, mối

quan hệ đồng liên kết tuyến tính giữa các biến chuyển đổi có thể được coi là mối quan hệ đồng liên kết phi tuyến giữa các biến gốc. Đây chính là ứng dụng vơ cùng quan trọng của thuật tốn ACE.

Một khó khăn thực tế phải đối mặt là trái với các mơ hình tuyến tính có dạng hàm xác định thì dạng hàm chính xác của mơ hình phi tuyến và các tham số của nó là khơng xác định được và có thể có nhiều dạng hàm phi tuyến phù hợp với yêu cầu. Để giải quyết khó khăn này, tác giả sử dụng thuật tốn ACE - Kỳ vọng có điều kiện ln phiên để khám phá mối quan hệ phi tuyến giữa tỷ giá hối đoái thực và các nhân tố kinh tế cơ bản.

Thuật toán ACE được giới thiệu bởi Wang và Murphy (2004), tiến hành một phép chuyển đổi phi tuyến, chuyển đổi tham số sang phi tham số với mỗi biến và làm cho nó phù hợp với phân tích hồi quy tuyến tính. Lợi ích của ACE là khả năng phát hiện

chính xác mối quan hệ phi tuyến nếu nó tồn tại giữa các biến đang xem xét và khả năng cải thiện mơ hình phù hợp chặt chẽ hơn mơ hình tuyến tính thơng thường. Thuật tốn ACE được phát triển bởi Breiman và Friedman (1985), là phương pháp để ước lượng các biến chuyển đổi tối ưu cho mơ hình hồi quy bội nhằm tối đa hoá hệ số tương quan bội, R2. Bởi vì các phép chuyển đổi tối ưu được tạo ra bằng các thuật tốn ACE thường là phi tuyến nên có thể phát hiện ra sự hiện diện phi tuyến trong quá trình tạo dữ liệu.

Đáng chú trong kết quả của thuật tốn ACE là nó có thể tạo ra một chuỗi thời gian liên kết bậc 1 (có nghĩa là chuỗi I(1)) trở thành I(0) sau quá trình chuyển đổi). Vì vậy, ngay cả khi những chuỗi gốc này đều là I(1), có thể có một tập hợp của I(1) và chuỗi I(0) sau khi chuyển đổi. Trong trường hợp này, phương pháp kiểm định giới hạn ARDL được đề xuất bởi Pesaran và Shin (1999) và Pesaran và cộng sự (2001) có ưu điểm hơn phương pháp của Engle và Granger (1987) và của Johansen (1995) vì hầu hết thường yêu cầu các chuỗi là liên kết bậc 1.

Việc thực hiện chuyển đổi ACE được thực hiện nhờ vào gói giải pháp ACEpackages viết cho phần mềm thống kê R.

Giả sử, một mơ hình hồi quy tuyến tính cho một biến phụ thuộc, y và k biến độc lập, x1, x2, ..., xk, có các dạng như sau:

βi (i = 1,2, ..., k) là các hệ số hồi quy được ước lượng và t là sai số. Một mơ hình hồi quy ACE dựa trên phương trình (19) có thể được viết là :

(19)

(20)

f là hàm của biến phụ thuộc y và gi là hàm của các biến độc lập xi (i = 1,2, ..., k). Thuật toán ACE bắt đầu bằng cách xác định các phép chuyển đổi f(yt) và gi (xit) (i = 1,2, ..., k). Để có phép chuyển đổi tối ưu, cần tìm cực đại R2 từ một hồi quy trong

phương trình (20). Dưới ràng buộc chuẩn hóa E [f (yt)] 2 = 1, điều này tương đương với việc tối thiểu hóa sai số bình phương trung bình kỳ vọng của phép hồi quy sau:

(21)

Việc tối thiểu hóa e2 đối với gi (xi) (i = 1,2, ..., k) và f(y) được thực hiện thông qua một loạt các đơn hàm cực tiểu, kết quả được tình bằng các phương trình sau đây:

(22)

(23)

Với

Thuật toán bao hàm hai phép tốn cơ bản: kỳ vọng có điều kiện và cực tiểu hố lặp lại; do đó gọi là Kỳ vọng có điều kiện ln phiên. Trong phương trình (22), chuyển đổi một biến và cố định các biến số còn lại, phép chuyển đổi cho biến số liên quan được ước lượng với kỹ thuật “san bằng dữ liệu” phi tham số. Sau đó, thuật tốn sẽ được tiến hành cho các biến tiếp theo. Sau khi gi (xit) (i = 1,2, ..., k) , f(y) được ước lượng có điều kiện dựa trên các ước lượng theo phương trình (23). Luân phiên phương trình (22) và (23) và lặp lại cho đến khi phương trình (21) đạt được cực tiểu. Các phép chuyển đổi gi* (xit) (i = 1,2, ..., k) , f*(y) đạt cực tiểu là phép chuyển đổi tối ưu.

Trong phạm vi phép chuyển đổi tối ưu, các biến số có quan hệ như sau:

(24) là sai số không được xác định bằng việc sử dụng phép chuyển đổi ACE và được

3.2.2.2 Kiểm định nghiệm đơn vị ADF các biến chuyển đổi

Tương tự như đối với các biến gốc.

3.2.2.3 Kiểm định đồng liên kết tuyến tính các biến chuyển đổi

Kiểm định đồng liên kết là một phương pháp xác định mối quan hệ trong dài hạn giữa các chuỗi dữ liệu thời gian. Là mối quan hệ tương tác của các biến số kinh tế không chỉ trong từng thời kì mà cịn chịu sự tương tác của các thời kì trước đó. Để có thể liên hệ với nhau trong một khoảng thời gian dài, thì các biến phải có cùng trật tự liên kết. Mục đích của kiểm định đồng liên kết là xác định các chuỗi khơng dừng có đồng liên kết hay khơng.

Có 3 phương pháp kiểm định đồng liên kết:

(1) Phương pháp kiểm định nhân quả Eagle-Granger (1987) (2) Phương pháp VAR của Johasen (1995)

(3) Phương pháp kiểm định ARDL Models - Bounds Test của Pesaran và Shin (1999, 2001)

Bài nghiên cứu sử dụng phương pháp kiểm định ARDL Models-Bounds Test (Mơ

hình phân bố trễ tự hồi quy - Autoregressive Distributed Lag) được đề xuất bởi

Pesaran và Shin (1999) và được phát triển bởi Pesaran và cộng sự (2001) để kiểm định đồng liên kết. Đây là mơ hình kinh tế được sử dụng để nắm bắt sự tác động và

sự phụ thuộc lẫn nhau giữa nhiều chuỗi dữ liệu thời gian. Mơ hình là sự kết hợp