CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp phân tích
Với dữ liệu thu thập từ các nguồn, tác giả kiểm tra, chọn lọc và tổng hợp thành bộ database dữ liệu đầy đủ, sau đó tiến hành phân tích và xử lý số liệu bằng phần
30
mềm Stata 13. Trình tự thực hiện phân tích số liệu theo các bước: Thống kê mơ tả, chạy các mơ hình hồi quy, đưa ra kết quả mơ hình, phân tích kết quả mơ hình.
3.3.1. Thống kê mơ tả
Bằng phương pháp này, tác giả tiến hành phân tích các đặc điểm, đặc trưng của các tỉnh khu vực ĐBSCL, cũng như sự biến động của các chỉ số này theo thời gian từ năm 2005 đến năm 2014. Từ đó phân tích tình hình phát triển của các tỉnh khu vực ĐBSCL, phần thống kê mô tả diễn đạt một cách tổng quan nhất thực trạng của các tỉnh ĐBSCL.
3.3.2. Phương pháp bình phương bé nhất (Pooled OLS)
Cách tiếp cận đơn giản nhất là bỏ qua bình diện khơng gian và thời gian của dữ liệu kết hợp và chỉ ước lượng hồi quy bằng phương pháp bình phương nhỏ nhất thơng thường (OLS). Mơ hình này có các hệ số khơng biến đổi, gộp chung toàn bộ số liệu chéo và chuỗi thời gian rồi chạy mơ hình hồi quy hay cịn được gọi là mơ hình hồi quy gộp (Pooled OLS). Mơ hình có dạng như sau:
Yit = β1 + β2 X2it + β3 X3it +…+ βk Xkit + uit (3.1)
Tuy nhiên, trên thực tế việc đồng nhất hiệu ứng đặc thù theo không gian và thời gian là điều khơng thể. Vì mỗi khơng gian sẽ có đặc thù riêng và có thể thay đổi theo thời gian. Vì vậy, trong mơ hình Pooled OLS rất dễ vi phạm các giả định về mơ hình hồi quy do đó, bất chấp tính đơn giản, hồi quy kết hợp (3.1) có thể bóp méo thực tế về mối quan hệ giữa biến phụ thuộc Y và các biến số độc lập X.
3.3.3. Mơ hình tác động cố định (FEM)
Với giả định mỗi thực thể đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi thực thể với các biến giải thích qua đó kiểm sốt và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
31
Mơ hình ước lượng:
Yit = Ci + β*Xit + uit (3.2) Trong đó: Yit : biến phụ thuộc; Xit : biến độc lập.
Ci (i = 1,...., n) : hệ số chặn cho từng thực thể nghiên cứu. β : hệ số góc đối với nhân tố X.
uit : phần dư.
. Tuy nhiên, do đưa vào nhiều biến giả, mơ hình (3.2) sẽ làm giảm số bậc tự do và có khả năng xảy ra đa cộng tuyến. Mơ hình này lại khơng đo lường những yếu tố không đổi theo thời gian như giới tính, màu da và chủng tộc.
3.3.4. Mơ hình ảnh hưởng ngẫu nhiên (REM)
Điểm khác biệt giữa mơ hình ảnh hưởng ngẫu nhiên và mơ hình ảnh hưởng cố định được thể hiện ở sự biến động giữa các thực thể. Nếu sự biến động giữa các thực thể có tương quan đến biến độc lập - biến giải thích trong mơ hình ảnh hưởng cố định thì trong mơ hình ảnh hưởng ngẫu nhiên sự biến động giữa các thực thể được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích.
Chính vì vậy, nếu sự khác biệt giữa các thực thể có ảnh hưởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dư của mỗi thực thể (khơng tương quan với biến giải thích) được xem là một biến giải thích mới.
Mơ hình ảnh hưởng ngẫu nhiên:
Yit = Ci + β*Xit + uit (3.3)
Thay vì trong mơ hình FEM, Ci là cố định thì trong REM có giả định rằng nó là một biến ngẫu nhiên với trung bình là Ci và giá trị hệ số chặn được mô tả như sau:
Ci = C + εi (i = 1,...,n)
32
Thay vào mơ hình:
Yit = C + β*Xit + εi + uit hoặc Yit = C + β*Xit + wit
Với wit = εi + uit; εi : Sai số thành phần của các đối tượng khác nhau (đặc điểm khác nhau của từng đối tượng); uit : Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tượng và thời gian.
.
Nhìn chung mơ hình FEM hay REM tốt hơn cho nghiên cứu phụ thuộc vào giả định có hay khơng sự tương quan giữa εi các biến giải thích X. Nếu giả định rằng khơng tương quan thì REM phù hợp hơn và ngược lại.