- Lý thuyết thương mại mới
2.3 Phân tích thực nghiệm về mối quan hệ giữa tự do thương mại và Tăng trưởng kinh
2.3.3 Phân tích kết quả thực nghiệm
Trong phần này sẽ trình bày các kết quả nghiên cứu thực nghiệm theo số liệu thống kê kinh tế của Việt Nam đối với các biến số thể hiện sự tăng trưởng kinh tế (GDP); tự do thương mại (T); Lao động (L) và vốn đầu tư (K) theo phương trình 1.5. Việc lấy logarit của các biến số như vậy đã làm cho chuỗi số liệu ổn định hơn và loại trừ được trường hợp phương sai thay đổi có thể làm cho các kết hồi quy không xác thực hay hồi quy giả mạo do vậy trong phần này sẽ không cần thực hiện việc kiểm định phương sai của các biến số. Toàn bộ việc xử lý số liệu theo kỹ thuật kinh tế lượng trong luận văn này sẽ được thực hiện thông qua phần mềm thống kê chuyên ngành.
* Kiểm định nghiệm đơn vị
Như đã trình bày trong phần phương pháp luận nghiên cứu thực nghiệm nêu trên, để có thể phân tích đồng liên kết các biến số chuỗi thời gian thì trước hết cần phải kiểm tra xem dữ liệu chuỗi thời gian đó có dừng không. Trong luận văn này tác giả sẽ tiến hành kiểm tra tính dừng của chuỗi dữ liệu thời gian của các biến số GDPt; Tt; Lt và Kt theo phương pháp kiểm định ADF.
Kiểm định nghiệm đơn vị ADF có thể ước lượng theo các trường hợp: chỉ có hệ số chặn; khơng có hệ số chặn và khơng có biến xu thế; có hệ số chặn và khơng có biến xu thế và trường hợp cuối cùng là có hệ số chặn và có biến xu thế. Trong luận văn này chỉ thực hiện kiểm định nghiệm đơn vị theo hai trường hợp là chỉ có hệ số chặn và có hệ số chặn cùng với biến xu thế.
Bảng 2.7 trình bày kết quả kiểm định nghiệm đơn vị đối với chuỗi gốc của hai biến theo mơ hình 1.9 và 1.10. Theo kết quả kiểm định ta nhận thấy ở mức ý nghĩa 5% thì giá trị tuyệt đối của t (=τ) của cả hai biến đều lớn hơn giá trị tra bảng do vậy chấp nhận giả thiết H0 có nghĩa là cả hai chuỗi đều là chuỗi không dừng ở mức ý nghĩa 5%. Qua
kết quả kiểm định có thể kết luận: dữ liệu gốc của các biến chúng ta quan tâm đều là chuỗi không dừng theo kiểm định ADF.
Bảng 2.7: Kết quả kiểm định nghiệm đơn vị ADF đối với các chuỗi gốc.
Biến ADF (mơ hình 1.10) ADF (mơ hình 1.9)
1% 5% 10% 1% 5% 10%
LnGDP -3.788030 -3.012363 -2.646119 -4.394309 -3.612199 -3.243079 Giá trị thống kê t: -0.947599* Giá trị thống kê t: -2.506178* LnT -3.724070 -2.986225 -2.632604 -4.394309 -3.612199 -3.243079
Giá trị thống kê t: 0.073815* Giá trị thống kê t: -3.481982* LnK -3.769597 -3.004861 -2.642242 -4.416345 -3.622033 -3.248592
Giá trị thống kê t: -0.886605* Giá trị thống kê t: -2.767914* LnL -3.831511 -3.029970 -2.655194 -4.467895 -3.644963 -3.261452
Giá trị thống kê t: -2.479261* Giá trị thống kê t: 1.696819*
H0: chuỗi có nghiệm đơn vị; H1: Chuỗi dừng xu thế
* Giá trị tới hạn MacKinnon để bác bỏ giả thiết nghiệm đơn vị
Nguồn: Tính tốn của tác giả
Thông thường, khi phát hiện một chuỗi khơng dừng thì phải chuyển chúng thành chuỗi dừng bằng cách lấy sai phân chúng, tuy nhiên việc lấy sai phân như vậy chỉ có ý nghĩa trong phân tích hay dự báo ngắn hạn. Mục đích của luận văn này là phân tích cân bằng trong dài hạn, do vậy việc chuyển hoá sang chuỗi dừng sai phân trong trường hợp này sẽ là không cần thiết. Đối với luận văn này, khi phát hiện chuỗi không dừng ta cần chuyển sang kiểm định tính đồng liên kết giữa chúng. Tiếp theo ta sẽ xem xét tính đồng liên kết giữa các biến trong mơ hình. Lưu ý là riêng phần kiểm định tính đồng liên kết thì ta sẽ kiểm định dựa trên các chuỗi giá trị gốc của biến số (chưa lấy sai phân).
*Xác định độ trễ tối ưu
Để xác định độ trễ tối ưu của mơ hình người ta có rất nhiều cách để thực hiện như kiểm định LM, kiểm định AIC, HQ và SC, trong luận văn này tác giả sử dụng phương
pháp kiểm định Portmanteau để kiểm định tính tự tương quan phần dư trong mơ hình. Kết quả kiểm định Portmanteau trong bảng 2.8 đã cho thấy độ trễ của các biến số trong mơ hình VECM nên là 3. Do vậy, trong phân tích nhân quả sẽ sử dụng mơ hình VECM với độ trễ của các biến số là 3.
Bảng 2.8 : Kết quả xác định độ trễ tối ưu.
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 15.44003 NA* 16.29781 NA* NA*
2 30.09708 NA* 32.67922 NA* NA*
3 46.87952 0.0001 52.60837 0.0000 16 4 59.15504 0.0024 68.15736 0.0002 32
Nguồn: Tính tốn của tác giả
* Kiểm định đồng liên kết
Như trên ta đã đề cập tới, việc hồi quy các chuỗi thời gian không dừng thường dẫn đến kết quả hồi quy giả mạo. 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 khơng dừng đó được cho là đồng liên kết. Kết hợp tuyến tính dừng được gọi là phương trình đồng liên kết và có thể được giải thích như mối quan hệ cân bằng dài hạn giữa các biến. Nói cách khác, nếu phần dư trong mơ hình hồi qui giữa các chuỗi thời gian khơng dừng là một chuỗi dừng, thì kết quả hồi qui là thực và thể hiện mối quan hệ cân bằng dài hạn giữa các biến trong mơ hình. Nếu như mơ hình là đồng liên kết thì sẽ khơng xảy ra trường hợp hồi quy giả mạo và khi đó các kiểm định dựa trên tiêu chuẩn t và F vẫn có ý nghĩa thống kê.
Kết quả kiểm định đồng liên kết sẽ quyết định dạng số liệu thực sự được sử dụng trong các bước phân tích tiếp theo. Nếu chuỗi thời gian khơng đồng kiên kết thì chuỗi thời gian có dạng sai phân là dạng phù hợp để kiểm định các biến. Mặt khác mơ hình có thể được xem xét lại và có thể cả việc xem xét việc kiểm định thêm các biến. Có thể tồn tại một vài vector đồng liên kết như vậy, do đó cần có một số kiểm định đồng liên kết khác.
Có nhiều phương pháp kiểm định mối quan hệ đồng liên kết: kiểm định Engle- Granger, kiểm định CRDW và phương pháp VAR của Johasen. Trong luận văn này phương pháp chính được sử dụng kiểm định đồng liên kết là phương pháp kiểm định đồng liên kết Johansen. Phương pháp Johansen có thể xác định số vector đồng liên kết đối với các biến số không dừng cùng bậc được đưa vào kiểm định. Kết quả kiểm định đồng liên kết Johansen được trình bày trong bảng dưới đây.
Bảng 2.9: Kết quả kiểm định đồng liên kết với chuỗi không dừng.
Hypothesized
No. of CE(s) Eigenvalue Statistic Trace Critical Value 0.05
Prob.** None * 0.913173 97.11454 47.85613 0.0000 At most 1 * 0.837936 50.68158 29.79707 0.0001 At most 2 * 0.540938 16.10611 15.49471 0.0404 At most 3 0.066785 1.313283 3.841466 0.2518
Trace test indicates 3 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Nguồn: Tính tốn của tác giả
Theo phương pháp này có hai giả thiết H0 được đặt ra để kiểm định là 1) “None” có nghĩa là khơng có đồng liên kết (đây là giả thiết được quan tâm xem xét); 2) “At most 1” có nghĩa là có một mối quan hệ đồng liên kết. Việc chấp thuận hay bác bỏ giả thiết H0 ta dựa vào chỉ số thống kê vết (Trace). Theo kết quả trên cho thấy, đối với giả thiết “none” ta có thống kê vết có giá trị là 97,11 > 47,86 của giá trị tới hạn ở mức ý nghĩa 5% do vậy ta bác bỏ giả thiết H0 có nghĩa là có xảy ra đồng liên kết giữa các biến số đưa vào kiểm định.
Sau khi đã tiến hành các kiểm định nghiệm đơn vị và kiểm định đồng liên kết, chúng ta nhận thấy rằng hai chuỗi dữ liệu của hai biến số khảo sát là các chuỗi khơng dừng và có mối quan hệ đồng liên kết, do đó phần tiếp theo ta sẽ sử dụng mơ hình vector hiệu chỉnh sai số (VECM) để ước lượng mối quan hệ nhân quả giữa chúng.
* Mơ hình vector hiệu chỉnh sai số VECM
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 ta phải lấy sai phân của chúng cho đến khi có được chuỗi dừng. Tuy nhiên, khi mà ta hồi quy các giá trị sau khi đã lấy sai phân có thể sẽ bỏ sót những thông tin dài hạn trong mối quan hệ giữa các biến. Chính vì thế khi hồi quy những mơ hình đã lấy sai phân phải có thêm phần dư E. Ví dụ đối với mơ hình hai biến Y và X ta có:
∆ܻ௧ = ߚଵ+ ߚଶ∆ܺ௧ + ߚଷܧ௧ିଵ+ ߝ௧ (2.16)
Số hạng ܧ௧ିଵ chính là phần mất cân bằng. Mơ hình ước lượng sự phụ thuộc của mức thay đổi của Y vào mức thay đổi của X và mức mất cân bằng ở thời kỳ trước. Mơ hình trên được gọi là mơ hình hiệu chỉnh sai số ECM. Mơ hình VECM là một dạng của mơ hình VAR tổng quát, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa đựng mối quan hệ đồng kết hợp. Mơ hình VECM tổng quát sử dụng trong trường hợp này được thể hiện bằng phương trình 2.16.
Sau khi ước lượng ta có kết quả sau:
Bảng 2.10: Kết quả ước lượng mơ hình VECM.
Error Correction: D(LNGDP) D(LNK) D(LNL) D(LNT) CointEq1 0.074245 -3.230758 0.017744 3.895531 (0.20301) (1.36383) (0.03585) (1.70397) [ 0.36573] [-2.36888] [ 0.49498] [ 2.28615] D(LNGDP(-1)) 0.617404 3.394518 0.015447 5.963829 (0.38610) (2.59390) (0.06818) (3.24081) [ 1.59906] [ 1.30866] [ 0.22657] [ 1.84023] D(LNGDP(-2)) -0.521165 2.489173 0.135409 -6.542222 (0.41448) (2.78456) (0.07319) (3.47902) [-1.25738] [ 0.89392] [ 1.85010] [-1.88048] D(LNK(-1)) 0.016018 0.109578 0.002922 0.137732 (0.01712) (0.11499) (0.00302) (0.14367) [ 0.93580] [ 0.95291] [ 0.96662] [ 0.95865] D(LNK(-2)) 0.008127 0.187952 0.005109 0.178075 (0.01392) (0.09348) (0.00246) (0.11680) [ 0.58401] [ 2.01052] [ 2.07903] [ 1.52463] D(LNL(-1)) 0.057130 -21.81779 0.265677 17.21385 (1.89816) (12.7521) (0.33518) (15.9325) [ 0.03010] [-1.71091] [ 0.79264] [ 1.08043]
D(LNL(-2)) 0.595935 22.73929 1.448153 -2.444987 (2.22246) (14.9308) (0.39244) (18.6545) [ 0.26814] [ 1.52298] [ 3.69008] [-0.13107] D(LNT(-1)) 0.018040 -0.830339 -0.006275 0.100406 (0.03465) (0.23277) (0.00612) (0.29082) [ 0.52067] [-3.56728] [-1.02573] [ 0.34525] D(LNT(-2)) 0.047975 -0.130956 0.016791 0.016224 (0.03408) (0.22899) (0.00602) (0.28610) [ 1.40752] [-0.57189] [ 2.78981] [ 0.05671] C 0.037780 -0.280681 -0.030416 -0.248703 (0.04938) (0.33173) (0.00872) (0.41446) [ 0.76512] [-0.84611] [-3.48834] [-0.60006] R-squared 0.588475 0.930257 0.917425 0.641637 Adj. R-squared 0.176950 0.860514 0.834849 0.283275 Sum sq. resids 0.001178 0.053187 3.67E-05 0.083025 S.E. equation 0.011443 0.076874 0.002021 0.096047 F-statistic 1.429985 13.33835 11.11016 1.790469 Log likelihood 65.07618 28.88476 98.02167 24.65420 Akaike AIC -5.797493 -1.987870 -9.265439 -1.542548 Schwarz SC -5.300420 -1.490797 -8.768366 -1.045475 Mean dependent 0.070925 0.122483 0.021637 0.122917 S.D. dependent 0.012613 0.205834 0.004972 0.113450
Nguồn: Tính tốn của tác giả
Theo phân tích trong phần 1.8 thì để kiểm tra mối quan hệ trong ngắn hạn giữa các biến số ta sẽ tiến hành kiểm định chi bình phương (߯ଶ) và kiểm định hệ số hồi quy. Kết quả kiểm định được trình bày trong bảng 2.11:
Giả thiết để kiểm định trong trường hợp này là H0: không tồn tại mối quan hệ giữa các biến trong ngắn hạn. Theo kết quả kiểm định ta nhận thấy đối với hai biến số mà ta quan tâm là LnGDP và T đều có giá trị ߯ଶ nhỏ hơn giá trị tra bảng ở mức ý nghĩa 5% (߯;,ହଶ = 12,59) và Pvalue >0,05 do đó ta chấp nhận giả thiết H0, có nghĩa là trong ngắn hạn không tồn tại mối quan hệ nhân quả giữa hai biến GDP và T, tức là trong ngắn hạn giữa tự do thương mại và tăng trưởng kinh tế khơng có mối quan hệ nhân quả với nhau.
Bảng 2.11: Kết quả kiểm định kiểm định mối quan hệ trong ngắn hạn .
Biến phu thuộc: LnGDP
Test Statistic Value df Probability
F-statistic 0.445858 (6, 9) 0.8311
Chi-square 2.675148 6 0.8484
Biến phu thuộc: LnK
Test Statistic Value df Probability
F-statistic 2.728860 (6, 9) 0.0854
Chi-square 16.37316 6 0.0119
Biến phu thuộc: LnL
Test Statistic Value df Probability
F-statistic 7.126898 (6, 9) 0.0050
Chi-square 42.76139 6 0.0000
Biến phu thuộc: LnT
Test Statistic Value df Probability
F-statistic 1.801098 (6, 9) 0.2052
Chi-square 10.80659 6 0.0945
Nguồn: Tính tốn của tác giả
Như vậy có thể kết luận rằng trong ngắn hạn thì tự do thương mại sẽ khơng góp phần tạo ra tăng trưởng kinh tế và tăng trưởng kinh tế cũng không ảnh hưởng đến tự do thương mại.
Bây giờ ta sẽ xem xét xem mối quan hệ này trong dài hạn. Theo phân tích tại mục 1.8 thì các biến số trong mơ hình VECM được coi là có quan hệ nhân quả trong dài hạn khi hệ số hồi quy phân dư hiệu chỉnh sai số EC của chúng khác khơng một cách có ý nghĩa thống kê. Để kiểm định hệ số này chúng ta sử dụng kiểm định Wald để thực hiện và kết quả được trình bày trong bảng 2.12 dưới đây:
Bảng 2.12: Kết quả kiểm định kiểm định mối quan hệ trong dài hạn .
Test Statistic(Biến phụ thuộc là GDP) Value df Probability
F-statistic 0.133756 (1, 9) 0.7230
Chi-square 0.133756 1 0.7146
Test Statistic (Biến phụ thuộc là T) Value df Probability
F-statistic 5.226500 (1, 9) 0.0481
Chi-square 5.226500 1 0.0222
Nguồn: Tính tốn của tác giả
Theo kết quả trong bảng 2.12 ta thấy đối với mơ hình với biến phụ thuộc là GDP thì giá trị ߯ଶ nhỏ hơn giá trị tra bảng ở mức ý nghĩa 5% (3,8415), đồng thời giá trị Pvalue lớn hơn 0,05 do đó ta chấp nhận giả thiết H0 tức là hệ số hồi quy của phần dư hiệu chỉnh sai số (EC) trong mơ hình này khơng khác khơng một cách có ý nghĩa thống kê. Điều đó có nghĩa là trong dài hạn biến độc lập khơng tác động đến biến phụ thuộc hay nói cách khác trong dài hạn tự do thương mại không tác động đến tăng trưởng kinh tế. Mặt khác, trong mơ hình mà biến phụ thuộc là T thì giá trị ߯ଶ lớn hơn giá trị tra bảng ở mức ý nghĩa 5%, đồng thời giá trị Pvalue nhỏ hơn 0,05 do đó bác bỏ giả thiết H0 tức là hệ số hồi quy của phần dư hiệu chỉnh sai số (EC) trong mơ hình này khác khơng một cách có ý nghĩa thống kê. Điều đó có nghĩa là trong dài hạn biến độc lập có tác động đến biến phụ thuộc hay trong dài hạn tăng trưởng kinh tế có tác động đến tự do thương mại.
* Kiểm định nhân quả Granger
Để kiểm định liệu có tồn tại mối quan hệ nhân quả Granger giữa hai chuỗi thời gian GDP và T hay không, ta sử dụng hai phương trình:
∆ܮ݊ܩܦܲ௧ = ߙ+ ߚଵଵ ୀଵ ∆ܮ݊ܩܦܲ௧ିଵ+ ߛଵଵ∆ܮ݊ܶ௧ିଵ ୀଵ + ߝଵ௧ (2.17) ∆ܮ݊ܶ௧ = ߙ+ ߚଵଶ ୀଵ ∆ܮ݊ܶ௧ିଵ+ ߛଵଶ∆ܮ݊ܩܦܲ௧ିଵ ୀଵ + ߜܧܥ௧+ ߝଶ௧(2.18) để kiểm tra xem các biến trễ của T có giải thích cho GDP (T tác động nhân quả Granger lên GDP) và các biến trễ của GDP có giải thích cho T (GDP tác động nhân quả Granger lên T) hay không ta kiểm định giả thiết sau đây cho hệ phương trình:
ܪ: ߚ = ߛ = 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định Wald và cách quyết định như sau: Nếu giá trị thống kê F tính tốn lớn hơn giá trị thống kê F phê
phán ở một mức ý nghĩa xác định ta bác bỏ giả thiết H0 và ngược lại. Mỗi cặp biến sẽ có bốn khả năng xảy ra, ví dụ với cặp biến T và GDP như sau:
- Nhân quả Granger một chiều từ T sang GDP nếu các biến trễ của T có tác động lên GDP, nhưng các biến trễ của GDP khơng có tác động lên T.
- Nhân quả Granger một chiều từ GDP sang T nếu các biến trễ của GDP có tác động lên T, nhưng các biến trễ của T khơng có tác động lên GDP.
- Nhân quả Granger hai chiều giữa T và GDP nếu các biến trễ của T có tác động lên GDP và các biến trễ của GDP có tác động lên T.
- Khơng có quan hệ nhân quả Granger giữa T và GDP nếu các biến trễ của T khơng có tác động lên GDP và các biến trễ của GDP khơng có tác động lên T.
Bảng 2.13: Kết quả kiểm định nhân quả Granger.
Null Hypothesis: Obs F-Statistic Prob. T không là nguyên nhân Granger của GDP 23 6.45944 0.0045 GDP không là nguyên nhân Granger của T 6.38374 0.0047