PHẦN 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.5. Kiểm định chẩn đoán
Mơ hình ARDL cố gắng tìm ra bộ ƣớc tính khơng thiên chệch tuyến tính tốt nhất (BLUE) và do đó cần thực hiện các kiểm định chẩn đốn. Nhƣ nhiều nghiên cứu trƣớc đây nhƣ Tian và Ma (2010) và Hasan và Nasir (2008), chúng ta sẽ tiếp tục xác nhận các kết quả và đảm bảo rằng các kết quả có tính vững mạnh mẽ bằng cách sử dụng các
kiểm định về tính ổn định (stability), tƣơng quan chuỗi (serial correlation), phƣơng sai không đổi (heteroscedasticity), dạng hàm (functional form ) và phẩn phối chuẩn của phần dƣ (normality). Nếu mơ hình khơng chứa một trong các thiên chệch (bias) dƣới đây, chúng ta hồn tồn có thể kết luận rằng: các kết quả thực nghiệm có thể đƣợc sử dụng cho mục đích phân tích.
3.5.1. Kiểm định tính ổn định
Mơ hình ARDL khá nhạy cảm với các điểm gãy cấu trúc (structural break) và khi chúng ta sử dụng chuỗi dữ liệu thời gian tài chính, tƣơng đối nhạy cảm với các sự kiện trên tồn thế giới, do đó, cần phải phân tích tính ổn định của các hệ số ƣớc lƣợng. Để đánh giá sự ổn định của các hệ số dài hạn và ngắn hạn, các kiểm định tổng tích lũy phần dƣ (CUSUM) và tổng tích lũy hiệu chỉnh của phần dƣ (CUSUMSQ), do Brown và cộng sự (1975) đề xuất, đƣợc sử dụng. Nếu có sự bất ổn trong các hệ số, chúng ta có thể tăng kích cỡ mẫu quan sát hoặc đƣa các biến giả (dummy variable) vào mơ hình hồi quy (Naiya và Manap, 2013, Juselius, 2006, Fuinhas và Marques, 2012).
3.5.2. Kiểm định tƣơng quan chuỗi
Kiểm định Breusch-Godfrey (Godfrey, 1978) cho tƣơng quan chuỗi nếu các độ trễ khác nhau của các phần dƣ tƣơng quan. Về mặt toán học, nếu hiệp phƣơng sai ( ) = 0, với mọi i, j không xảy ra, phần dƣ tƣơng quan chuỗi. Tƣơng quan chuỗi khơng ảnh hƣởng đến tính khơng thiên chệch của các ƣớc lƣợng hồi quy mà thay vào đó ảnh hƣởng đến hiệu quả, tức là các ƣớc lƣợng khơng mang tính chất BLUE (Brooks, 2014). Ví dụ, nó có thể ảnh hƣởng đến các sai số chuẩn của hồi quy, làm mất hiệu lực của các kiểm định, tức là sự tƣơng quan chuỗi có thể dẫn đến các sai lầm trong kết luận về vai trò xác định của các biến độc lập trong các thay đổi của biến phụ thuộc. Mơ hình của phần dƣ dƣới dạng đơn giản nhất của kiểm định Breusch-Godfrey là:
Kiểm định đƣợc thực hiện dựa trên các giả thiết không và giả thiết đối lập sau: H0: đồng nghĩa khơng có hiện tƣợng tƣơng quan chuỗi trong mơ hình H1: đồng nghĩa có hiện tƣợng tƣơng quan chuỗi trong mơ hình
3.5.3. Kiểm định phƣơng sai thay đổi
Kiểm định rằng tất cả phần dƣ có phƣơng sai khơng đổi, tức là Var ( ) =
, với mọi t. Trong ƣớc lƣợng OLS thơng thƣờng cũng nhƣ cho mơ hình ARDL đều
đƣợc giả định phần dƣ có phƣơng sai khơng đổi (tính đồng nhất - homoscedasticity). Nếu mơ hình có phƣơng sai thay đổi (heteroscedasticity) trong các phần dƣ thì các hệ số ƣớc tính sẽ khơng cịn mang tính chất BLUE và sẽ khơng có phƣơng sai tối thiểu của các ƣớc lƣợng không thiên chệch. Tƣơng tự nhƣ sự tƣơng quan chuỗi, nếu phƣơng sai thay đổi, hậu quả có thể là dẫn đến các kết luận sai trong các kiểm định. Trong nghiên cứu này, tác giả sử dụng kiểm định White (White, 1980) nhằm xác minh hiện tƣợng phƣơng sai không đổi. Các giả thiết không và giả thiết đối lập nhƣ sau:
H0: Phƣơng sai của phần dƣ không đổi – homoscedasticity H1: Phƣơng sai của phần dƣ thay đổi – heteroscedasticity
3.5.4. Kiểm định lỗi xác định hồi quy
Kiểm định lỗi xác định hồi quy Ramsey (RESET) (Ramsey, 1969) cho dạng hàm (functional form), cụ thể, kiểm định xem liệu cách kết hợp phi tuyến của các giá trị phù hợp (fitted value) có thể mơ tả các biến giải thích hay khơng. Nếu các cách kết hợp khi tuyến của các giá trị phù hợp có khả năng mơ tả các biến giải thích trong mơ hình, ta gọi trƣờng hợp này là xác định sai (misspecification) và cần phải điều chỉnh lại. Về mặt toán học, nếu chúng ta sử dụng OLS cho và ̂ ̂ ̂ là các giá trị phù hợp, va kiểm định RESET sẽ kiểm định liệu ̂ ̂ , …, ̂ có khả năng giải
thích cho biến hay không, với ̂ ̂ ̂
(Brook, 2014). Gỉa thiết không và giả thiết đối lập lần lƣợt nhƣ sau: H0: Khơng có khả năng kết hợp phi tuyến – Khơng có xác định sai H1: Có khả năng kết hợp phi tuyến – Có xác định sai
3.5.5. Kiểm định phân phối chuẩn của phần dƣ
Kiểm định Jarque-Bera cho phân phối chuẩn trong các phần dƣ, cụ thể, nếu
( ) với mọi t. Giả định rằng ( ) với mọi t vô cùng cần thiết cho mục
đích tiến hành kiểm định giả thiết của các tham số trong mơ hình. Do đó, vấn đề phần dƣ khơng phân phối chuẩn (non-normality) có thể gây ra các vấn đề liên quan đến kết luận thống kê của các hệ số hồi quy, ví dụ kiểm định ý nghĩa và dải tin cậy (confidence interval) (Brooks, 2014). Giả thiết không và giả thiết đối lập đƣợc xác định nhƣ sau:
H0: Các phần dƣ phân phối chuẩn – normality
H1: Các phần dƣ không phân phối chuẩn – non-normality