CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp kiểm định mơ hình
3.3.1. Thống kê mô tả các biến nghiên cứu
Trong phần này đề tài tiến hành thống kê mô tả lại dữ liệu nghiên cứu thông qua một số chỉ tiêu chính như: Giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, skewness, kurtosis và kiểm định Jarque-Bera nhằm xem xét chuỗi dữ liệu nghiên cứu có phân phối chuẩn hay khơng. Ngồi ra, chỉ số skewness nhằm đánh giá mức độ phân tán của chuỗi dữ liệu nghiên cứu so với giá trị trung bình, kurtosis đánh giá mức độ phân tán của chuỗi dữ liệu nghiên cứu so với độ lệch chuẩn. Việc làm này nhằm giúp cho đề tài có cái nhìn ban đầu về chuỗi dữ liệu nghiên cứu để làm cơ sở cho các phân tích dữ liệu tiếp theo của đề tài.
3.3.2. Kiểm định tính dừng
Trong nghiên cứu thực nghiệm khi sử dụng dữ liệu là chuỗi thời gian thì tất cả các biến đưa vào mơ hình thơng thường là chuỗi dừng. Một chuỗi dữ liệu thời gian được xem là dừng nếu trung bình và phương sai khơng thay đổi theo thời gian và hiệp phương sai giữa 2 thời điểm chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian chứ không phụ thuộc vào thời điểm đang xét. Cụ thể:
Trung bình : E Y t const
Phương sai : 2
t
Var Y const
Hiệp phương sai : CovarY Yt, t k gk
Tính dừng là một khái niệm vơ cùng quan trọng. Trong hầu hết các mơ hình thống kê đều yêu cầu chuỗi dữ liệu phải là chuỗi dừng. Do vậy khi ước lượng
các tham số hoặc kiểm định giả thuyết của mơ hình, nếu khơng kiểm định tính dừng của dữ liệu thì các kỹ thuật phân tích thơng thường chẳng hạn phương pháp bình phương bé nhất (OLS) sẽ khơng chính xác và hợp lý. Theo Granger và Newbold (1977) các kết quả phân tích từ chuỗi dữ liệu khơng dừng đều là giả mạo. Cụ thể nếu mơ hình tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, khi đó kết quả ước lượng mơ hình ta có thể thu được các hệ số có ý nghĩa thống kê và hệ số R2 rất cao. Nhưng đều này được tạo ra bởi tính xu thế của hai biến chứ chúng khơng có mối tương quan chặt chẽ với nhau.
Để kiểm tra tính dừng trong bài đề tài sẽ sử dụng kiểm định Augmented Dickey Fuller (ADF), một trong những cơng cụ phổ biến trong kiểm định tính dừng của chuỗi thời gian theo Gujarati (2003). Chi tiết xem thêm phụ lục 1.
3.3.3. Sử dụng mơ hình GARCH ước lượng biến động các biến nghiên cứu cứu
Tiếp theo việc mơ tả và phân tích ban đầu về chuỗi dữ liệu nghiên cứu đề tài sử dụng mơ hình GARCH với sự trợ giúp của phần mềm Eviews 6.0 đề tài tiến hành ước lượng sự biến động của các biến nghiên cứu bằng các mơ hình GARCH, GARCH-M, TGARCH dựa trên nền tảng nghiên cứu của Zakaria và Shamsuddin (2012) và kế thừa các nghiên cứu trước đây.
Vấn đề đặt ra là trong các mơ hình được chọn thì mơ hình nào là tốt nhất, trong phạm vi nghiên cứu của mình đề tài sẽ sử dụng các tiêu chuẩn SBC, AIC và HQ, sai số dự báo-RMSE để lựa chọn mơ hình theo Nguyễn Trọng Hồi và cộng sự (2013), theo đó các tiêu chuẩn này càng bé càng tốt.
3.3.4. Xác định độ trễ tối ưu cho mơ hình VAR
Do tất cả các biến nghiên cứu trong mơ hình VAR là biến nội sinh, biến nghiên cứu phụ thuộc vào độ trễ của nó. Do đó có quá nhiều tham số phải ước
lượng (2n2
-hệ số) nên việc thực hiện kiểm định để lựa chọn độ trễ tối ưu trong mơ hình là cần thiết và rất quan trọng.
Để lựa chọn độ trễ tối ưu trong mơ hình đề tài sẽ dựa trên một số tiêu chí được thiết lập sẵn trong phần mềm Eviews 6.0 như: AIC, LR, PPE,…
3.3.5. Kiểm định nhân quả Granger
Trong phần này đề tài sẽ thực hiện kiểm định nhân quả Granger nhằm xem xét với độ trễ được lựa chọn thì các biến trong mơ hình có quan hệ nhân quả với nhau hay không về mặt thống kê. Mô hình Granger chỉ đơn giản được dùng để trả lời cho câu hỏi có hay khơng sự thay đổi trong biến X gây ra sự thay đổi trong biến Y và ngược lại. Phương trình hồi quy trong kiểm định Granger được mô tả như sau:
Ta có các trường hợp sau:
Nếu khác khơng và có ý nghĩa thống kê, nhưng khơng có ý nghĩa thống kê thì sự biến động của biến X là nguyên nhân gây ra sự biến động của biến Y.
Nếu khơng có ý nghĩa thống kê, nhưng khác khơng và có ý nghĩa thống kê thì biến X chịu sự tác động bởi sự thay đổi của biến Y.
Nếu và đều có ý nghĩa thống kê thì X và Y tác động qua lại lẫn nhau. Nếu và đều khơng có ý nghĩa thống kê thì X và Y độc lập với nhau.
3.3.6. Kiểm tra tính ổn định của mơ hình
Việc kiểm tra tính ổn định của mơ hình nhằm xem xét mơ hình hiện tại có ổn định khơng. Nếu mơ hình là khơng ổn định thì kết quả của việc ước lượng đặc
biệt là kết quả thu được (sai số chuẩn) của hàm phản ứng đẩy IRF sẽ khơng có giá trị. Để kiểm tra tính ổn định của mơ hình VAR đề tài sử dụng kiểm định AR Roots Graph, theo đó nếu tất cả các nghiệm đều có modulus<1 và khơng có nghiệm nào nằm ngồi vịng trịn nghiệm đơn vị thì mơ hình được xem như là ổn định, ngược lại nếu có một dấu chấm nằm ngồi vịng trịn nghiệm đơn vị thì xem như là mơ hình khơng ổn định.
3.3.7. Hàm phản ứng đẩy (Impulse response function-IRF) và kỹ thuật phân rã phương sai (Variance decomposition)
Hàm phản ứng đẩy (IRF):
Hàm phản ứng đẩy là một chức năng quan trọng phát sinh từ mơ hình VAR. Nó cho phép xác định hiệu ứng theo thời gian của cú sốc của một biến nội sinh nào đó đối với các biến khác trong mơ hình.
Phân rã phương sai:
Mặc dù hàm phản ứng đẩy đã cho biết có hay khơng sự ảnh hưởng của cú sốc đến các biến còn lại nhưng như thế là chưa đủ vì có thể tác động truyền dẫn của một cú sốc từ một biến đến biến còn lại rất nhỏ trong khi biến khác lại ảnh hưởng lớn hơn. Nên trong phân tích các nhà kinh tế sử dụng kèm theo kỹ thuật phân rã phương sai để xác định xem mức độ ảnh hưởng của một biến đến biến số nghiên cứu là bao nhiêu, kỹ thuật này cũng được đề tài áp dụng.