Mơ hình và dữ liệu nghiên cứu

3. Mô hình và phương pháp nghiên cứu

3.1. Mơ hình và dữ liệu nghiên cứu

Luận văn tiến hành các ước lượng với một mơ hình mà mơ hình này sẽ bổ sung vào phiên bản của mơ hình tân cổ điển của Ram và Zhang (2002) và Ramirez (2000, 2006). Bằng cách làm này, luận văn thêm biến sự tiêu thụ khí gas tự nhiên và chỉ số độ mở thương mại vào khn khổ mơ hình đã có sẵn biến đầu tư trực tiếp nước ngồi và sự hình thành vốn như là những yếu tố quyết định cho kết quả mơ hình (Solarin và Shahbazb, 2015).

Phương trình thực nghiệm được viết theo hình thức sau:

Yt = F (Gt, Ft, Kt, Ot) (3.1)

Với Y là GDP thực bình qn đầu người, G là sự tiêu thụ khí gas tự nhiên bình quân đầu người, K là sự hình thành vốn thực bình quân đầu người (đại diện cho tổng sự hình thành vốn cố định thực), F là đầu tư trực tiếp nước ngồi bình qn đầu người và O là độ mở thương mại thực bình quân đầu người (xuất khẩu hàng hóa và dịch vụ thực cộng với nhập khẩu hàng hóa và dịch vụ thực). Các biến được nêu cụ thể tại bảng 3.1.

Tác giả tập trung vào giai đoạn 1991 – 2014 để nghiên cứu mối quan hệ giữa sự tiêu thụ khí gas tự nhiên và tăng trưởng kinh tế. Đây là giai đoạn tiêu thụ khí gas tự nhiên nhiều và các nước đang chú trọng phát triển thị trường khí gas tự nhiên để thay thế cho năng lượng điện hoặc than đá. Dữ liệu sự tiêu thụ khí gas tự nhiên được lấy từ BP Global hàng năm, dữ liệu đầu tư trực tiếp nước ngoài được lấy từ United Nations Conference on Trade and Development (UNCTAD). Các biến cịn lại: GDP thực bình quân đầu người, hình thành vốn và độ mở thương mại được lấy từ World bank.

Các quốc gia trong mơ hình sẽ được phân thành 2 nhóm: Nhóm quốc gia có thu nhập cao và nhóm quốc gia có thu nhập trung bình. Tiêu chí phân loại dựa vào GDP hàng năm của các quốc gia theo tiêu chí phân loại từ World bank. 7

Phương trình (3.1) được viết lại như sau:

Yit = α0 + αG Git + αF Fit + αK Kit + αO Oit + µit (3.2) Với µit là phần dư, i đại diện cho các quốc gia, t là thời gian.

Bảng 3.1: Mô tả các biến trong mơ hình

Biến Viêt tắt Định nghĩa Nguồn dữ liệu

Gross domestic

product Y

Tăng trưởng kinh tế là sự gia tăng về lượng hoặc sự tăng lên về thu nhập bình quân đầu người của một nước.

World bank

Natural Gas

consumption G

Sự tiêu thụ khí gas tự nhiên là chênh lệch giữa tổng sản lượng khí gas tự nhiên được sản xuất và/hoặc nhập khẩu so với số lượng tiêu thụ và/hoặc xuất khẩu được dùng trong nhiều lĩnh vực công nghiệp, khu dân cư, dịch vụ, sản xuất điện,… được tính trong một năm của mỗi quốc gia.

Foreign direct

investment F

Đầu tư trực tiếp nước ngoài (Foreign Direct Investment FDI), WTO đưa ra định nghĩa như sau: Đầu tư trực tiếp nước ngoài xảy ra khi một nhà đầu tư từ một nước (nước chủ đầu tư) có được một tài sản ở một nước khác (nước thu hút đầu tư) cùng với quyền quản lý tài sản đó. United Nations Conference on Trade and Development (UNCTAD). Capital information K Sự hình thành vốn (Capital formation) là một thuật ngữ dùng để mơ tả sự tích lũy vốn rịng trong một chu kỳ kế tốn. Sự hình thành vốn đề cập đến việc bổ sung vốn rịng như máy móc thiết bị, nhà cửa, cơng trình và các hàng hóa trung gian khác. Một quốc gia sử dụng vốn cổ phần trong việc kết hợp với lực lượng lao động để cung cấp những dịch vụ và sản xuất hàng hóa. Một sự gia tăng trong vốn cổ phần này được gọi là sự hình thành vốn.

World bank

Trade

Openness O

Độ mở thương mại có nghĩa là sự mở cửa của một quốc gia đới với các quốc gia khác thể hiện trong việc thực hiện hoạt động xuất nhập khẩu hàng hóa

hữu hình, được tính bằng tỷ trọng xuất nhập khẩu bình quân theo đầu người của một quốc gia.

3.2. Phương pháp nghiên cứu

Sau khi tiến hành thống kê mơ tả các biến trong mơ hình, trong luận văn này tác giả sẽ tiến hành kiểm định các vấn đề trong dữ liệu bảng và hồi quy mơ hình theo các bước như sau:

- Kiểm định tương quan chéo (Cross-section independence)

Kiểm định tương quan chéo có thể giải thích được các thuật ngữ của kinh tế lượng, ví dụ như các cá nhân trong bảng có liên quan đến phần sai số trong mơ hình dữ liệu bảng, được cho bởi phương trình (3.3). Trong kinh tế lượng, kiểm định tương quan chéo có thể giải thích được rằng trong trường hợp với một cá nhân trong bảng bị ảnh hưởng bởi một cú sốc, các cá nhân khác trong bảng cũng sẽ bị tác động tương tự như vậy:

yit   i   i xit   it (3.3)

Với cov(  it ,  ij )  0 . - Kiểm định tính dừng

Trong khn khổ luận văn này tác giả ứng dụng hai kiểm định ADF (1984) và kiểm định PP (1988) để kiểm tra tính dừng của dữ liệu. Đây là điều cần thiết để đảm bảo kết quả không bị sai lệch trước khi hồi quy mô hình.

Kiểm định nghiệm đơn vị Augment Dickey Fuller (1984): Chúng ta hãy xem xét quá trình tự hồi quy:

yt  a0  a1 yt 1  a2 yt2  ...  ap2 yt  p2  ap1 yt p1  ap yt  p   t Giả thuyết H0 và giả thuyết H1 của kiểm định t ADF:

H0: y = 0 H1: y < 0

(3.4)

kiểm định t DickeyFuller: t

 yˆ  1

yˆ

Se ( yˆ )

Thống kê này không tuân theo phân phối thông thường của tstudent. 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 PhillipsPerron (1988):

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:

yt   Dt  yt 1  t

(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  0 và ˆ .

Với giả thuyết không của đơn vị gốc cho tất cả N quan sát, sử dụng thuộc tính

N

phụ: P  2loge ( t ) được phân phối bởi

t 1 phối bởi N (0,1).  2 N , và Z  1  N t 1 1 ( ) được phân

- Kiểm định sự tương quan và đa cộng tuyến

Một trong những giả định của mơ hình hồi qui tuyến tính cổ điển là khơng có vấn đề đa cộng tuyến giữa các biến giải thích X. Nói rộng ra là, vấn đề đa cộng tuyến đề cập đến tình huống trong đó tồn tại một mối quan hệ tuyến tính hồn hảo hoặc gần như hồn hảo giữa các biến X. Các hệ quả của đa cộng tuyến là: Nếu tồn tại cộng tuyến hoàn hảo giữa các biến X, thì hệ số hồi qui của chúng là không xác định và các sai số chuẩn của chúng là vô hạn. Nếu cộng tuyến cao nhưng khơng hồn hảo thì việc ước lượng của các hệ số hồi qui là có thể thực hiện được nhưng sai số chuẩn của chúng có khuynh hướng rất lớn. Kết quả là, các giá trị tổng thể của các hệ số không thể được ước lượng một cách chính xác. Tuy nhiên, nếu mục tiêu là ước lượng tổ hợp tuyến tính của các hệ số này, các hàm ước lượng, thì việc này có thể thực hiện được ngay cả với sự hiện diện của đa cộng tuyến hoàn hảo.

- Kiểm định phương sai thay đổi

2

Một giả thiết quan trọng của mơ hình hồi quy tuyến tính cổ điển là các yếu tố nhiễu ui có cùng phương sai,

o 2

. Nếu giả thiết này khơng được thỏa mãn thì có phương sai thay đổi. Phương sai thay đổi không làm mất đi tính chất khơng thiên lệch và nhất quán của các ước lượng OLS. Nhưng các ước lượng này khơng cịn có phương sai nhỏ nhất hay là các ước lượng hiệu quả. Tức là chúng khơng cịn là các ước lượng tuyến tính khơng thiên lệch tốt nhất (BLUE). Khi có phương sai thay đổi, các phương sai của các ước lượng OLS khơng được tính từ các cơng thức OLS thông thường. Nhưng nếu ta vẫn sử dụng các công thức OLS thông thường, các kiểm định t và F dựa vào chúng có thể gây ra những kết luận sai lầm.

Trong luận văn này tác giả ứng dụng kiểm định Greene (2000) để kiểm định phương sai thay đổi.

- Kiểm định tự tương quan phần dư-Wooldridge (2002) và Drukker (2003)

Nếu giả định của mơ hình hồi qui tuyến tính cổ điển cho rằng các sai số hoặc các nhiễu ut được đưa vào mơ hình hồi qui tổng thể là ngẫu nhiên hoặc khơng có tương quan bị vi phạm, thì vấn đề tự tương quan hoặc tương quan chuỗi xuất hiện. Tự tương quan có thể xuất hiện do nhiều nguyên nhân, như là sự trì trệ hoặc chậm chạp của các chuỗi thời gian kinh tế, các thiên lệch của đặc trưng do không đưa các biến quan trọng vào mơ hình hoặc do sử dụng dạng hàm khơng chính xác, hiện tượng Cobweb, nhào nặn dữ liệu, v.v...

Mặc dù các hàm ước lượng vẫn không thiên lệch và nhất quán khi có tự tương quan, chúng khơng cịn hiệu quả nữa. Kết quả là, các kiểm định thông thường t và F về mức ý nghĩa không thể được áp dụng một cách hợp lệ. Do đó, ta cần phải có một số các biện pháp khắc phục. Để kiểm tra hiện tượng tự tương quan, tác giả ứng dụng phương pháp của Wooldridge (2002) và Drukker (2003).

- Kiểm định đồng liên kết

Trong bài nghiên cứu của Kao (1999) mô tả 2 kiểm định với giả thuyết khơng là khơng có đồng liên kết cho dữ liệu bảng. Một là kiểm định loại DickeyFuller và hai là kiểm định loại Augmented DickeyFuller. Đối với loại kiểm định Dickey Fuller, Kao trình bày 2 phần cụ thể.

Trong trường hợp 2 biến, Kao xem xét mơ hình sau:

yit  i  xit  eit ,

Với y

it  yit 1  uit , xit  xit 1   it

 i là tác động cố định khác nhau trong các quan sát chéo,  là hệ số chặn, yit

và xit là các bước ngẫu nhiên độc lập cho tất cả quan sát i.

Bây giờ giả thuyết H0 và giả thuyết H1 được viết lại như sau: H0:   1

H1:  < 1

Với giả thuyết khơng là khơng có đồng liên kết, kiểm định ADF có dạng: (ˆ  1) N (eQ e )1 / 2

i1

t i i i

ADF

v

Chi tiết của kiểm định đồng liên kết Kao (1999) có thể được tìm thấy trong bài nghiên cứu gốc của ông.

Kiểm định riêng lẻ kết hợp (Fisher/Johansen)

Kiểm định đồng liên kết Johansen: Johansen (1988) đề xuất 2 phương pháp khác nhau, một trong số đó là thống kê the likelihood ratio trace và một phương pháp khác là thống kê giá trị riêng lớn nhất, để kiểm tra sự tồn tại của các vector đồng liên kết trong dữ liệu chuỗi thời gian không dừng. Thống kê trace và thống kê giá trị riêng lớn nhất sẽ được trình bày trong phương trình (3.6) và (3.7):

n ˆ trace (r)  T ln(1  i ) ir 1 (3.6) max (r , r  1)  T ln(1  ˆ r 1 ) (3.7)

Sử dụng kiểm định đồng liên kết Johansens (1988), Maddala và Wu (1999) xem xét đề xuất của Fisher (1932) để kết hợp các kiểm định riêng lẻ, để sử dụng giả thuyết thay thế cho hai kiểm định trước, để kiểm tra tính đồng liên kết trong dữ liệu bảng bằng cách kết hợp các kiểm định chéo riêng lẻ cho tính đồng liên kết.

Nếu  i là giá trị pvalue cho mỗi kiểm định đồng liên kết riêng lẻ cho dữ liệu chéo I, thì dưới giả thuyết khơng cho tồn bộ bảng,

N

 2log e ( i ) được phân phối

i1

bởi 2

. Phần mềm Eviews báo cáo kết quả  2 value dựa trên pvalue của MackinnonHaugMichelis (1999) cho kiểm định đồng liên kết trace và giá trị riêng lớn nhất của Johansen.



S

 2

- Phương pháp GMM

Các mơ hình hồi quy dữ liệu bảng fixed effect và random effect không khắc phục được một số nhược điểm của mơ hình, dẫn đến kết quả mơ hình bị sai lệch. Hơn nữa, trong mơ hình tác giả có hai biến nghi ngờ bị hiện tượng nội sinh nên luận văn sẽ sử dụng phương pháp GMM để khắc phục hiện tượng nội sinh.

Đầu tiên ta xem lại phương pháp Generalized Least Squarees (GLS). Xem xét mơ hình đa biến cơ bản sau:

Y  X  

Với Y là N x 1, X là N x K, và  là N x 1.

Giả định phần sai số là  ~ N (0,  2 I ) với I là một ma trận đồng nhất N x

N. Ước lượng OLS là: ˆ  ( X X ) 1

X Y

Giả định rằng  ~ N (0,  ) – các yếu tố chéo khơng cân bằng có nghĩa rằng chúng có phương sai sai số thay đổi và các yếu tố chéo nonzero off có nghĩa rằng chúng khơng có tự tương quan.

Với những điều kiện này, OLS là vẫn không chệch nhưng sai số chuẩn bị sai. Ma trận hiệp phương sai đúng là: Cov ( ˆ )  ( X X ) 1 X X ( X X ) .

Có thể xấp xỉ ma trận hiệp phương sai bằng cách sử dụng các tùy chọn mạnh mẽ trong Stata cho phương sai thay đổi hoặc tùy chọn NewyWest cho tự tương quan và phương sai thay đổi.

Một ước lượng được chứng minh là ước lượng GLS: ˆ  ( X  1 X ) 1 X  1Y .

Ước lượng này hiệu quả hơn OLS vì nó sử dụng nhiều thơng tin hơn. Ví dụ về phương sai thay đổi: Yi  X i    i

Với tất cả vô hướng:

N  X iYi N  X i Yi /  i OLS: ˆ  i1 N  X i 1 GLS: ˆ  i 1 N  X i 1 /  2

Các quan sát với phương sai sai số cao sẽ giảm xuống theo trọng số liên quan tới các quan sát với phương sai sai số thấp.

Phương pháp GMM

Ta có mơ hình đơn giản như sau:

2 2 i 2 i i

Yi  X i   i với giả định E (Xi i ) = 0

Phương pháp ước lượng moments thiết lập mẫu tương ứng của điều kiện này

1 N ˆ

ˆ  XiYi

là bằng 0: i1 X i (Yi  X i  )  0 sẽ dẫn đến  

 X 2

là ước lượng OLS. Bây giờ giả sử E( X

i  i )  0

nhưng

E(Zi  i )  0 với Z là một biến khác. Nếu

chúng ta đặt mẫu tương ứng của điều kiện moment này bằng 0 thì chúng ta sẽ có:

ˆ   ZiYi được xem như là ước lượng của các biến công cụ.

IV

Zi X i

Lưu ý rằng nếu các biến được tiêu chuẩn hóa thì mẫu số là tương quan giữa X và Z – vì vậy ước lượng khơng được xác định nếu tương quan bằng 0.

Hai điều kiện của một biến công cụ:

- Có tương quan với biến cần được instrumented. - Khơng tương quan với phần dư.

Bây giờ giả định rằng X là N x K và Z là N x L và L > K – Chúng ta có nhiều biến cơng cụ hơn biến hồi quy – over identification.

Mơ hình trong dạng ma trận này là: Y  X   với E( X  )  0

Điều kiện moment là: E (Z  )  0

Vì ta có nhiều điều kiện moment hơn các tham số nên ta có thể bỏ bớt các điều kiện moment nhưng điều này không dẫn đến một ước lượng ˆ duy nhất.

Vì vậy những gì được thực hiện là thay vì tìm  nhỏ nhất: min(Z ) 

với W là ma trận trọng số L x L.

W(Z )

Nếu thế  vào: min(Z(Y  X )) W(Z(Y  X )). Giải pháp cho tối ưu  là:

ˆ  ( X ZW Z X ) 1 X ZW Z Y

- Hồi quy CCEMG và AMG

Ước lượng Common Correlated Effects Mean Group (CCEMG) của Pesaran (2006) cho phép để thiết lập phương trình thực nghiệm, bao gồm tương quan chéo, quan sát timevariant không đổi theo thời gian với phương sai thay đổi của các đại

lượng không gian giữa các thành phần và các vấn đề của sự đồng nhất (bi là không xác định nếu hồi quy bao gồm ft). Thứ hai là so sánh với các vấn đề bị chệch trong

mơ hình hàm sản xuất vi mơ, với đầu vào Xit có tương quan với những cú sốc không