CHƯƠNG 2 : TỔNG QUAN NGHIÊN CỨU TRƯỚC ĐÂY
3.2 Các biến trong mơ hình
3.1.1 Biến phụ thuộc
Bảng 3.2: Biến phụ thuộc trong mơ hình
STT Tên biến Định nghĩa
1 Tỷ suất sinh lợi của chỉ số VNINDEX hàng tháng
Rt viết tắt là VR
Trong đó:
VNINEXt: chỉ số giá chứng khoán cuối tháng t VNINDEX(t-1): chỉ số giá chứng khốn cuối tháng t-1
Nguồn: Tác giả tính tốn
3.1.2 Biến độc lập
Bảng 3.3: Biến độc lập trong mơ hình
STT Tên biến Định nghĩa
1 ΔCPIt = log[CPIt/CPIt-1] Những thay đổi trong lạm phát
CPIt: chỉ số giá tiêu dùng tháng t CPI(t-1): chỉ số giá tiêu dùng tháng t-1 2 ΔEX= log[EXt/EXt-1] Những thay đổi trong tỷ giá hối đoái
3 ΔIR = log[IRt/IRt-1] Những thay đổi trong lãi suất liên ngân hàng 4 ΔM= log[Mt/Mt-1] Những thay đổi trong cung tiền
5 ΔIP= log[Mt/Mt-1] Những thay đổi trong chỉ số sản xuất công nghiệp
Nguồn: Tác giả tính tốn
3.2Phương pháp nghiên cứu3.2.1 Thống kê mơ tả 3.2.1 Thống kê mô tả
Để thực hiện nghiên cứu tác giả đã thu thập được bộ dữ liệu từ nguồn thông tin thứ cấp đáng tin cậy là chuỗi dữ liệu hàng tháng đối với từng biến vĩ mô và chỉ số giá chứng khoán trên thị trường tập trung HOSE. Tuy nhiên để hình dung hình dạng và xu hướng của dữ liệu nghiên cứu tác giả sử dụng thống kê mô tả để chiết xuất nhanh giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình, trung vị, độ lệch, độ nghiêng và độ tập trung của từng nhân tố vĩ mơ, thơng qua q trình khảo sát hàm số này giúp hình dung rõ nét hơn con đường đi và các điểm cần lưu ý của chuỗi dữ liệu cũng như những cú sốc trong từng chuỗi dữ liệu tương ứng với thời gian trong q khứ của chính nó và từ đây các mối quan hệ kinh tế bắt đầu nảy sinh, tác động qua lại với nhau giữa các biến số kinh tế.
Kết quả thống kê mô tả được tác giả trình bày trong bảng 3.1 dưới đây. Mục đích thống kê mô tả là xem xét đánh giá khái quát dữ liệu và phân tích thống kê các biến trên các tiêu chí thống kê.
Bảng 3.4: Thống kê mơ tả các biến
Nguồn: Tác giả tính tốn dữ liệu sử dụng phần mềm Eviews 8
CPI CUNGTIEN LAISUAT LIENNH SANXUATCN HOIDOAI VNINDEXTYGIA
Mean 84.80109 1583399. 7.283621 90.53105 17114.67 419.3393 Median 70.90500 1132740. 6.500000 74.15249 16050.00 421.0900 Maximum 144.8600 5022639. 15.00000 266.0201 21120.00 1137.690 Minimum 47.55000 179577.0 4.800000 0.000155 14041.00 101.5500 Std. Dev. 33.65022 1374031. 2.918959 90.44126 2314.177 218.6315 Skewness 0.514231 0.850899 1.489257 0.339330 0.698411 1.190320 Kurtosis 1.776885 2.543434 4.226091 1.596961 1.982850 4.618817 Jarque-Bera 18.51463 22.50815 75.21761 17.61096 21.64639 60.08813 Probability 0.000095 0.000013 0.000000 0.000150 0.000020 0.000000 Sum 14755.39 2.76E+08 1267.350 15752.40 2977953. 72965.03
Sum Sq. Dev. 195894.4 3.27E+14 1474.016 1415074. 9.26E+08 8269352.
Observations 174 174 174 174 174 174
Nhận xét
Về mặt lý thuyết giá trị skewness và Kurtosis giúp chúng ta hình dung hình dạng của phân phối, xu hướng vận động của chuỗi dữ liệu với các trường hợp sau đây:
Skewness > 0: phân phối lệch phải
Skewness = 0: phân phối đối xứng, phân phối chuẩn Skewness < 0: phân phối lệch trái.
Kurtosis > 3: phân phối tập trung hơn mức độ bình thường, hình dáng của đa giác tần số sẽ khá cao và nhọn với hai đuôi thấp.
Kurtosis = 3: phân phối tâp trung ở mức bình thường
Kurtosis < 3: phân phối tập trung hơn so với bình thường, tuy nhiên hình dáng của đa giác tần số là một đa giác tù với đuôi dài.
Biến VNINDEX dao động tương đối thấp tại chỉ tiêu độ lệch chuẩn so với trung bình, với trung bình là 419.3393 điểm, độ lệch chuẩn là 218.6315 điểm, tất cả giá trị nằm trong khoảng từ 101.55 đến 1137.69 điểm. Chỉ số VNINDEX đạt giá trị thấp nhất 101.55 điểm vào thời điểm TTCK mới thành lập tháng 7/2000,
đạt giá trị cao nhất 1137.69 điểm vào thời điểm TTCK phát triển nóng nhất tháng 2/2007.
Giá trị Skewness của VNINDEX là 1.190320 > 0 cho thấy phân phối lệch phải là hồn tồn phù hợp đối với tình hình thực tế trong khoảng thời gian (2007- 2014) chỉ số VNINDEX nhìn chung đạt giá trị cao hơn giá trị nửa đầu giai đoạn (2000-2006).
Giá trị Kurtosis của VNINDEX là 4.618817 > 3, phân phối của chuỗi VNINDEX tập trung hơn bình thường, phù hợp với thực tế là đa giác tần số VNINDEX khá cao và nhọn (2007) với hai đuôi tương đối thấp (những năm 2000; 2014) (xem biểu đồ 4.1).
Xét về mặt tổng thể, tồn bộ các biến số đều có Skewness > 0 thể hiện cho xu hướng phân phối lệch phải, giá trị tăng dần theo thời gian; xét về chỉ tiêu Kurtosis các chuỗi có 2 xu hướng, thứ nhất là xu hướng của chuỗi VNINDEX và Lãi suất liên ngân hàng đều đạt giá trị Kurtosis > 3 thể hiện phân phối mang tính tập trung hơn bình thường với hình dáng đa giác tần số khá cao và nhọn với hai đuôi giá trị thấp, chiều dài đuôi tương đối ngắn. Xu hướng thứ hai thuộc về chuỗi CPI, tỷ giá hối đoái, cung tiền mở rộng và chỉ số sản xuất cơng nghiệp đều có giá trị Kurosis < 3 cũng thể hiện cho xu hướng dữ liệu tập trung hơn bình thường tuy nhiên hình dáng của đa giác tần số tù với đuôi dài.
Biến CPI và cung tiền mở rộng có xu hướng đi lên liên tục theo thời gian, quan sát thấy ít xuất hiện các điểm gãy dữ liệu.
Các biến VNINDEX, lãi suất liên ngân hàng có xu hướng biến động theo thời gian có thời điểm đi lên và cũng có thời điểm đi xuống, tồn tại nhiều điểm gãy về xu hướng của dữ liệu.
Biến CPI có giá trị trung bình 84.80109 và trung vị là: 70.905, giá trị lớn nhất là 144.86 trong khi giá trị nhỏ nhất là 47.55.
Chuỗi VNINDEX và chuỗi lãi suất liên ngân hàng có hình dáng tương đối đồng nhất và cùng có giá trị Kurtosis > 4, Skewness > 0 (phân phối của 2 chuỗi tập trung hơn bình thường, đa giác nhọn với hai đi bẹp).
Nhìn chung các biến dao động tương đối thấp so với trung bình, khơng có tỷ số độ lệch chuẩn trên trung bình nào lớn hơn 1, dữ liệu đồng nhất trên tất cả các biến. Chuỗi dữ liệu phù hợp thực hiện hồi quy định lượng.
Ma trận hệ số tương quan
Hệ số tương quan dùng để chỉ tương quan giữa các cặp biến trong mơ hình, Dựa vào kết quả ma trận tương quan, tác giả sẽ phân tích mối tương quan giữa các cặp biến trong mơ hình hồi quy. Tương quan của các biến dao động từ (- 1) đến 1 trên tiêu chí hệ số tương quan với tương quan ngược chiều và thuận chiều tương ứng.
Bảng 3.5: Kết quả ma trận hệ số tương quan
TÊN BIẾN VNINDEX TYGIA SXCN LSNH CUNG
TIEN CPI VNINDEX 1.000 0.480 0.549 0.362 0.673 0.583 TYGIAHOIDOAI 0.480 1.000 0.907 0.606 0.924 0.955 SANXUATCN 0.549 0.907 1.000 0.665 0.950 0.974 LAISUATLIENNH 0.362 0.606 0.665 1.000 0.666 0.706 CUNGTIEN 0.673 0.924 0.950 0.666 1.000 0.984 CPI 0.583 0.955 0.974 0.706 0.984 1.000
Nguồn: Tác giả tính tốn dữ liệu dựa vào phần mềm Eviews 8
Ma trận hệ số tự tương quan cho kết quả hầu hết các tương quan giữa các biến tương đối lớn, tương quan giữa biến là chặt chẽ, kết quả là hồn tồn phù hợp với thực tế vì các chính sách kinh tế vĩ mơ đều tác động lên biến vĩ mơ và chúng có quan hệ mật thiết với nhau, tương tác qua lại. Mơ hình có mối tương quan lớn giữa các biến vĩ mô đầu vào là dấu hiệu nên sử dụng dạng mơ hình VAR trong phân tích mối quan hệ nhân quả giữa các biến. Theo Christopher Achen, vấn đề đa cộng tuyến không quá nghiêm trọng. Đa cộng tuyến chặt, như trong trường hợp gần đa cộng tuyến, các ước lượng OLS vẫn có tính chất của BLUE (ước lượng vững, không chệch và hiệu quả).
3.2.2 Kiểm định nghiệm đơn vị
Bài nghiên cứu thực hiện trên cơ sở dữ liệu chuỗi thời gian, vì vậy để đưa ra một mơ hình tốt thì chuỗi dữ liệu phải có tính dừng. Tính dừng để tránh hiện tượng hồi quy giả mạo hay cịn gọi là hồi quy khơng xác thực. Khi xảy ra hồi quy giả mạo thông thường giá trị R2 thu được từ mơ hình là rất cao do sự xuất hiện của xu hướng mạnh như tăng liên tục hoặc xuống liên tục, nói cách khác R2 cao là do xu hướng, không phải do mối quan hệ thực chất của các biến trong chuỗi thời gian đó. Nếu chuỗi thời gian khơng có tính dừng thì dữ liệu khơng thể sử dụng để dự báo hiện tượng trong tương lai. Chính vì vậy, u cầu đầu tiên của dữ liệu theo chuỗi thời gian là phải có điểm dừng, nếu khơng dừng ở ngun phân thì phải dừng ở sai phân bậc 1 hoặc sai phân bậc d.
Theo nghiên cứu đa phần các chuỗi thời gian ở dạng tuyến tính và dạng hàm số mũ theo thời gian do đó khơng có tính dừng. Tuy nhiên có thể biến đổi chuỗi không dừng về dạng chuỗi dừng thông qua việc lấy sai phân. Sai phân bậc 1 của chuỗi dừng thì chuỗi ban đầu gọi là tích hợp bậc 1, ký hiệu I(1), sai phân bậc d của chuỗi dừng thì chuỗi ban đầu gọi là chuỗi tích hợp ở bậc d ký hiệu I(d), nếu chuỗi ban đầu chưa lấy sai phân có tính dừng thì gọi là chuỗi ngun phân, ký hiệu I(0).
Theo nghiên cứu một chuỗi thời gian là dừng khi giá trị trung bình, hiệp phương sai (tại các độ trễ khác nhau) giữ nguyên không đổi, dù chuỗi được xác định ở thời điểm nào, phương sai khơng thay đổi. Chuỗi dừng có xu hướng trở về giá trị trung bình và những dao động quanh giá trị trung bình là như nhau. Như vậy chuỗi thời gian khơng dừng có giá trị trung b́ nh thay đổi, hoặc phương sai thay đổi hoặc đồng thời giá trị trung bình và phương sai thay đổi theo thời gian.
Trung bình: E (Yt) = μ = const Phương sai: Var (Yt) = σ2 = const Hiệp phương sai: Covar (Yt, Yt-k) = gk
Có nhiều phương pháp được sử dụng để kiểm tra tính dừng của chuỗi dữ liệu: kiểm định Dickey – Fuller (DF), kiểm định Phillip – Pearson (PP), kiểm
định Dickey – Fuller mở rộng (ADF – Augmented Dickey Fuller), kiểm tra bằng giản đồ tự tương quan, điểm định bằng phương pháp của Andrew D., Zivot... Trong đó tác giả sử dụng lý thuyết kiểm định ADF để kiểm tra tính dừng của các chuỗi dữ liệu đã thu thập được.
Kiểm định ADF được thực hiện như sau:
Giả
thiết của kiểm định ADF như sau:
H0 (null hypothesis): Chuỗi khơng có tính dừngdừng H1 : Chuỗi có tính dừng
So sánh giá trị tuyệt đối từ kiểm định tính tốn lớn hơn giá trị tuyệt đối của giá trị tới hạn thì bác bỏ H0
Nếu |tADF| > | tα |, bác bỏ Ho, có nghĩa là chuỗi khơng tồn tại nghiệm đơn vị, có nghĩa là chuỗi có tính dừng. Ngược lại, ta có thể lấy đạo hàm chuỗi dữ liệu để tiếp tục kiểm tra tính dừng của chuỗi.
Kiểm định của Andrew D., Zivot như sau:
Andrew D., Zivot (1992) đã phân tích giả thuyết khơng của kiểm định nghiệm đơn vị trên một chuỗi khơng có sự phá vỡ, ngược lại giả thuyết đối là 1 quá trình, dừng xu hướng kết hợp với những thay đổi 1 lần trong mức và độ dốc cả hàm xu hướng của chuỗi dữ liệu. Trong kiểm định này, ngày phá vỡ được lựa chọn từ điểm mà thống kê t kiểm định giả thuyết không của nghiệm đơn vị là nhỏ nhất. Tác giả đưa ra mơ hình kiểm định nghiệm đơn vị mở rộng có dạng:
Trong đó:
∆Πt = u + β.t + α Πt-1 + DUt + y.DTt + Ci. ∆Πt -1 + εt
DUt là biến giả thay cho thay đổi trung bình xảy ra tại mỗi lần phá vỡ cấu trúc và DTt là biến thay đổi xu hướng.
εt : nhiễu trắng (số hạng chỉ sai số ngẫu nhiên có giá trị trung bình bằng 0, phương sai là hằng số và không tự tương quan)
Giả thiết cũng như căn cứ để kết luận của kiểm định Zivot cũng tương tự như kiểm định ADF.
3.2.3 Kiểm định đồng liên kết theo phương pháp Johansen
Để xem xét có hay khơng sự tồn tại mối quan hệ cân bằng dài hạn giữa các biến độc lập và biến phụ thuộc.
Có hai dạng kiểm định Johansen dựa vào Trace hoặc Eigenvalue. Giả thuyết của Trace là số vector đồng liên kết r ≤ k, trong khi số vector đó của giả thuyết Ho của eigen value là r = k
Theo Engle và Granger (1987) kết hợp tuyến tính của các chuỗi thời gian khơng dừng có thể là một chuỗi dừng và các chuỗi thời gian khơng dừng đó được gọi là đồng liên kết. Kết hợp tuyến tính dừng được gọi là phương trình đồng liên kết và được giải thích như mối quan hệ cân bằng dài hạn giữa các biến. Hay nói theo cách khác, phần dư trong mơ hình hồi quy chuỗi thời gian khơng dừng là một chuỗi dừng thì kết quả hồi quy là đúng đắn và thể hiện cân bằng dài hạn giữa các biến trong mơ hình. Mục đích chính của đồng liên kết là xem các chuỗi khơng dừng có quan hệ hay khơng. Có hai cách kiểm định
Thứ nhất: Kiểm định nghiệm đơn vị phần dư
Thứ hai: Kiểm định đồng liên kết dựa theo phương pháp luận Var của Johansen (1991, 1995a)
Một chú ý quan trọng kiểm định chỉ có ý nghĩa khi xét đối tượng là chuỗi thời gian không dừng
Giả thuyết Johansen đưa ra là
Ho: “None” nghĩa là khơng có đồng liên kết, viết đầy đủ là “None of Cointergration” No. of CE(s) (đây là giả thiết ta quan tâm nhất).
H1: “At most 1” nghĩa là có 1 mối quan hệ đồng liên kết.
Lưu ý rằng, tùy thuộc vào số biến trong mơ hình (ví dụ như k biến mà ta sẽ có k-1 số phương trình đồng liên kết, khi đó ta sẽ có thêm giả thiết về phương trình đồng liên kết).
Để đưa ra quyết định chấp nhận hay bác bỏ giả thiết Ho, ta cần so sánh giá trị Trace Statistic (giá trị T tính tốn) với giá trị phê phán (giá trị tới hạn) Critical
Value tại mức ý nghĩa đã chọn ở ô MHM trong Eview (thông thường chọn mức 5% hay 0,05).
Nếu Trace Statistic < Critical Value: ta chấp nhận giả thiết Ho Nếu Trace Statistic > Critical Value: ta bác bỏ giả thiết Ho
Khảo sát chuỗi dữ liệu ta thấy dữ liệu của bài nghiên cứu không dừng ở nguyên phân mà dừng ở sai phân bậc 1 là cơ sở thực hiện đồng liên kết. Khi đi đến kết luận tồn tại đồng liên kết trên dữ liệu cho phép thực hiện hồi quy hệ phương trình VAR. Kết quả đồng liên kết cho phép thực hiện hồi quy VAR khi dữ liệu dừng tại bậc 1, tránh được hiện tượng hồi quy giả mạo.
Ta sẽ kiểm định đồng liên kết dựa trên các chuỗi chưa lấy sai phân.
Xác định độ trễ tối ưu
Kết quả kiểm định thường rất nhạy cảm với chiều dài độ trễ nên tiêu chuẩn thông tin AIC (Akaike’ Information Criterion) của Akaike (1970,1974) được sử dụng để lựa chọn chiều dài độ trễ tối ưu. Phương pháp thứ nhất của Akaike gọi là sai số hoàn toàn xác định trước FPE và phương pháp hứ hai gọi là tiêu chuẩn thông tin Akaike AIC. Haman và Quinn (1979) đề xuất một phương pháp khác gọi là tiêu chuẩn HQ. Bên cạnh đó cịn có phương pháp chọn độ trễ tối ưu của Schwarz (1978) được ký hiệu SC.
3.2.4 Kiểm định nhân quả Granger
Kiểm định nhân quả nhằm trả lời cho câu hỏi có hay khơng sự thay đổi của biến X ảnh hưởng đến kết quả của biến Y và ngược lại. Về cơ bản phải xác định được quan hệ nhân quả mới có cơ sở thành lập mơ hình nghiên cứu.
Thực hiện kiểm định nhân quả ta kiểm định hai phương trình sau:
Yt = αo + β1 Yt-1 + δtXt-1 + εt
Để xem có hay khơng việc biến trễ của X có giải thích cho Y (X tác động nhân quả lên Y) và các biến trễ của Y có giải thích cho X (Y tác động nhân quả lên X), ta tiến hành kiểm định giả thiết sau đây cho mỗi phương trình:
Ho: δ1 = ρ1 = 0
Ta sử dụng thống kê F của kiểm định Wald và kết luận như sau: F tính tốn > F critical value tại ý nghĩa α: bác bỏ Ho
Có các trường hợp như sau:
Δ1 ≠ 0 và có ý nghĩa thống kê và ρ1 khơng có ý nghĩa thống kê: X tác động
lên Y nhưng Y không tác động lên X, nhân quả Granger 1 chiều với X là