STT Biến Tên tiếng anh Tên viết tắt Nguồn
Biến phụ thuộc
Thu nhập bình
quân đầu người
Per capita income y WorldBank
Biến độc lập
1 Đầu tư nội địa Gross capital formation (% of GDP)
k WorldBank
2 FDI ròng (%) FDI, net inflows (% of GDP) fdi WorldBank
3 ODA ròng được nhận (%)
Net ODA received (% of GNI)
a WorldBank
4 Kiều hối của cá nhân gởi về.
Personal remittances, received (% of GDP)
r WorldBank
Biến giải thích
1 Độ mở thương mại Trade (% of GDP) trade WorldBank 2 Tỷ lệ nhập học bậc trung học School enrollment, secondary (% gross) h WorldBank 3 Chính sách tiên tệ và sự phát triển của khu vực tài chính
Money and quasi money
(M2) as % of GDP m2 WorldBank
4 Chi tiêu của chính phủ trên GDP
General government final consumption expenditure (%
of GDP)
g WorldBank
5 Tổng dân số (l) Population, total l WorldBank
6 Chất lượng thể chế polity Polity INSCR
3.2 Phương pháp nghiên cứu
Lý thuyết chương 2 cho thấy có hiện tượng nội sinh giữa các biến trong mơ hình. Theo bằng chứng của Li và Liu (2005) nghiên cứu về vấn đề nội sinh giữa thu nhập
đầu người và đầu tư trực tiếp nước ngồi, tìm thấy tác động 2 chiều của biến nội sinh.
Vấn đề nội sinh giữa mối quan hệ giữa FDI và tăng trưởng kinh tế đã được sự quan tâm của các nhà nghiên cứu khác nhau chẳng hạn như mối tương quan hai chiều giữa FDI
và tăng trưởng kinh tế (Lan Phi Nguyen, 2010; Chien va Linh, 2013) hoặc tăng trưởng
kinh tế tác động đến FDI (Chirstian và C. Richard, 2012; Cương et al.,2013). Rõ ràng
là có tốn tại vấn đề nội sinh giữa tăng trưởng và FDI và để sử lý hiệu quả hiện tượng nội sinh, tác giả sử dụng phương pháp biến công cụ theo tiếp cận của Arellano và Bond (1991), Blundell-Bond (1998). Kết quả ước lượng với GMM hiệu quả ít nhất là bằng
với 2SLS, theo Måns Söderbom (2009) GMM cho kết quả là các giá trị ước lượng hiệu quả, hiệu quả ngay cả khi mơ hình tồn tại hiện tượng tự tương quan, phương sai thay
đổi và nội sinh. Sử dụng GMM giúp ước lượng của bài nghiên cứu đạt độ tin cậy.
Một số phương pháp kinh tế lượng khác được sử dụng để ước lượng mơ hình thực nghiệm. Ước lượng ban đầu được tiến hàng bằng cách sử dụng hồi quy OLS. Mơ hình này cũng được ước tính bằng cách sử dụng mơ hình tác động cố định bảng và hệ
GMM. Các mơ hình dữ liệu bảng có thể được biểu thị bởi phương trình (8) như sau:
Yi,t = Xi,tβ + i+ t+ μi,t (8) Ở đây yi,t là là sản lượng/ thu nhập bình quân đầu người của quốc gia i
trong khoảng thời gian t; Xi,t là một vector bao gồm tất cả các biến độc lập, kể cả các biến kiểm soát; i: đo lường tác động quốc gia và ttính đến/xem xét đến các hiệu ứng thời gian thích hợp; và μi,t là số hạng sai số ngẫu nhiên mà phản ánh tác động của tất cả các biến bị bỏ sót.
Tất cả các biến được chuyển đổi thành logarit tự nhiên cho ước lượng thực nghiệm. Các số hạng tương tác được thêm các đặc tính ở trên để nghiên cứu các tác
động tương tác mong muốn. Cả hai mơ hình tác động cố định và ngẫu nhiên đã được ước tính. Tuy nhiên, dựa trên các kết quả kiểm định Hausman, mơ hình tác động cố định đã cho thấy là tương đối đáng tin cậy hơn. Vì vậy, tác giả chỉ báo cáo các kết quả
của ước lượng hiệu ứng cố định bảng.
Có thể lập luận rằng tất cả các biến giải thích được sử dụng trong mơ hình thực nghiệm của tác giả thì hồn tồn khơng có ngoại sinh. Để giải kiểm soát vấn đề nội
sinh tiền ẩn, chúng tôi dựa trên phương pháp ước lượng GMM của Arellano và Bover (1995) và Blundell và Bond (1998). Ước lượng này cho phép kiểm soát được nội sinh chung của các biến giải thích thơng qua việc sử dụng các cơng cụ nội tại như sau:
Yi,t = ɣyit-1+ Xi,tβ + i+ t+ μi,t (9) Yi,t - yit-1 = ɣ(yit-1- yit-2) + β (Xit - Xit-1) + t+ (μit - μit-1) (10
Tóm lại phương trình (9) gồm cấp độ/ bậc của các biến kết hợp với phương trình (10), bao gồm hiệu số khác biệt thứ nhất của biến. Phương trình (9) được đo lường bởi độ trễ hiệu số khác biệt thứ nhất của các biến, trong khi đó phương (10) được đo lường
bởi độ trễ bậc của các biến.
Việc định nghĩa các biến thì cũng tương tự như trên cho phương trình (8), với giá trị trễ của các biến hiện tại bên trong phương trình. Uớc lượng GMM thì dựa trên giả định rằng các số hạng sai số không tương quan liên tiếp và rằng các biến giải thích thì
ngoại sinh yếu hoặc khơng tương quan đáng kể với sự thực hiện trong tương lai của
phần sai số dưới hàm hồi quy sai phân bậc 1 như sau:
E[ yi,t-s ( μit - μit-1)] = 0; E[ xi,t-s ( μit - μit-1)] = 0 ;
Ở đây i= 1,2,...,n; t=3,4,...,T; và s 2;
Như đã nêu ở trên, bậc phương trình thì được đo lường với độ trễ hiệu số khác biệt thứ nhất của các biến, dẫn đến điều kiện hiện tại bổ sung như sau:
E[∆yi,t-s ( i+ μi,t)] = 0; E[∆xi,t-s ( i+ μi,t)]=0 cho s=1.
Với 2 kiểm định, kiểm định Hansen về sự phù hợp biến công cụ và kiểm định
Arellano–Bond cho tương quan bậc 2 trên sai phân bậc 1 của nhiễu.
Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng rất phổ biến trong lĩnh vực kinh tế lượng. Ưu điểm của phương pháp này không quá
phức tạp nhưng hiệu quả. Với một số giả thiết ban đầu, phương pháp này sẽ dễ dàng
xác định các giá trị ước lượng hiệu quả, không chệch và vững.
Tuy nhiên, khi nghiên cứu về chuỗi dữ liệu thời gian, có nhiều chuỗi vi phạm một hoặc một số giả định của OLS. Khi đó, các ước lượng thu được sẽ bị bóp méo, mất tính vững và sẽ là sai lầm nếu sử dụng chúng để phân tích. Một trong những dạng vi phạm giả định phổ biến là hiện tượng nội sinh, một trường hợp khi hệ số ước lượng
(hoặc biến) tương quan với phần dư.
Phương pháp cơ bản trong trường hợp các biến độc lập tương quan với phần dư
là ước lượng một phương trình có dùng các biến công cụ (Instrumental Variables – hồi
quy IV). Ý tưởng của phương pháp hồi quy này là tìm một bộ biến, được gọi là biến công cụ, thõa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) khơng tương quan với phần dư. Những biến công cụ như vậy được dùng để loại bỏ sự tương quan giữa các biến giải thích và phần dư.
Có nhiều phương pháp hồi quy dựa trên nền tảng của hồi quy IV như phương pháp Bình phương bé nhất hai giai đoạn (2SLS), phương pháp Maximum Likelihood
trong điều kiện giới hạn thông tin (LIML), phương pháp ước lượng Moment tổng quát
(GMM).
Làm thế nào để một hồi quy IV ước lượng ra hệ số với sự tham gia của biến công cụ?
Xem xét mơ hình đơn giản sau: = + €
Trong đó: i là quan sát thứ i, yi là biến phụ thuộc, xi là biến độc lập, € là phần dư của mơ hình. Khi đó hệ số ước lượng sẽ được xác định như sau:
= ′
′ = ′( +€)
′
Với x, y, là các ma trận cột × 1. Nếu x và không tương quan với nhau
thì ước lượng được là vững và không chệch. Tuy nhiên nếu điều ngược lại xảy ra, hệ
số ước lượng sẽ bị chệch và khơng vững, mơ hình khơng cịn hiệu quả, tác động của
biến x lên biến y không đáng tin cậy.
Một biến công cụ z, tương quan với biến giải thích x nhưng không tương quan với phần dư sẽ được đưa vào mơ hình, phương pháp hồi quy IV sử dụng biến giả đó
để xác định hệ số ước lượng như sau:
= ′
′ = ′( +€)
′
Vì biến z khơng tương quan với nên hệ số ước lượng là vững và khơng
chệch. Phương pháp này có thể tổng qt lên với một mơ hình nhiều biến. Ta gọi X là ma trận ×K các biến giải thích, Z là ma trận ×L các biến cơng cụ với K là số lượng
biến giải thích, L là số lượng biến công cụ và n là số quan sát của mỗi biến. Khi đó
phương pháp IV có thể được dùng để ước lượng mơ hình và hệ số ước lượng sẽ được xác định như sau:
= ( ′ ) ′
Thủ tục ước lượng GMM và kiểm định cơ bản.
Phần trên đã cố gắng trình bày một cách đơn giản, có thể hiểu được vai trị của biến cơng cụ trong hồi quy IV. Tuy nhiên, cách thực hiện tính tốn của các phương pháp hồi quy IV là rất phức tạp, GMM là phương pháp hiệu quả, ưu việt hơn cả nên cũng khá phức tạp. GMM được Lars Peter Hansen trình bày lần đầu tiên vào năm 1982 trong bài viết “Large Sample Properties of Generalized Methods of Moments Estimators”Econometrica, Vol. 50, page 1029-1054.
Như đã đề cập ở phần trên, để ước lượng được hệ số β, chúng ta cần một bộ L vector các biến công cụ (trong ước lượng GMM còn được gọi là các điều kiện
moment) và số lượng biến công cụ phải khơng ít hơn số biến giải thích trong mơ hình (L ≥ K).
Điều kiện để một biến được chọn là biến công cụ là nó khơng được tương
quan với phần dư, điều này có nghĩa là:
( ) = 0
Ý tưởng chủ đạo của phương pháp GMM là thay thế giá trị các biến cơng cụ bằng giá trị trung bình của mẫu:
( ) = 1 ( ) = 1 ′ ( ) = 0
và đi tìm Vector β thõa mãn phương trình trên.
Khi số lượng điều kiện moment lớn hơn số biến trong mơ hình (L>K) thì phương trình khơng thể xác định một nghiệm chính xác duy nhất (có nhiều nghiệm có
thể thõa mãn phương trình). Khi đó mơ hình được gọi là overidentified. Trong trường hợp đó, chúng ta phải thực hiện tính tốn lại nhằm xác định giá trị β làm cho điều kiện moment ( ) “gần” bằng 0 nhất có thể, khái niệm “gần” được hiểu là khoảng cách với giá trị 0 là nhỏ nhất, khoảng cách đó được xác định như sau:
Ma trận ngẫu nhiên, cân xứng và khơng âm (kích thước L x L) được gọi là
ma trận trọng số vì nó thể hiện mức đóng góp của các điều kiện moment khác nhau vào khoảng cách J. Phương pháp ước lượng GMM sẽ xác định giá trị ước lượng β để
khoảng cách J là nhỏ nhất.
Kiểm định quan trọng nhất của phương pháp ước lượng GMM là kiểm định
Overidentifying Restrictions (Overidentifying Restrictions Test) hay còn gọi là kiểm
định Sargent (Sargent Test) hoặc kiểm định J (J – Test). Đây là kiểm định cần thiết trong trường hợp số biến công cụ nhiều hơn số biến trong mơ hình. Ý tưởng của kiểm định là xem xét biến cơng cụ có tương quan với phần dư của mơ hình khơng. Nếu câu
trả lời là khơng, khi đó biến cơng cụ là nội sinh, thì biến cơng cụ được chọn là phù hợp và mơ hình sử dụng biến đó để ước lượng cũng phù hợp. Kiểm định Sargent sử dụng thống kê J (J – statistic) nhằm kiểm định giả thiết H0 - biến công cụ là nội sinh, mơ hình phù hợp. Thống kê J tuân theo phân phối Chi Bình phương và được trình bày trên bảng kết quả ước lượng của phần mềm thống kê cùng với giá trị P – value tương ứng của nó.
Tính chất của phương pháp ước lượng GMM.
Khi số lượng mẫu phù hợp giá trị β ước lượng được sẽ vững, khi đó giá trị ước lượng được sẽ càng gần với giá trị thực của nó. Ước lượng GMM sẽ cho ra các giá trị ước lượng tuân theo phân phối chuẩn, đây là thuộc tính rất quan trọng vì đó là cơ sở để
chúng ta xây dựng giá trị dự đoán ở các độ tin cậy (confidence bands) và thực hiện các kiểm định khác. Phương pháp GMM cũng cho ra kết quả là các giá trị ước lượng
4 CHƯƠNG 4:KẾT QUẢ NGHIÊN CỨU
Chương 3 đã trình bày phương pháp nghiên cứu được sử dung để xây dựng, đánh giá các khái niệm nghiên cứu và kiểm nghiệm mơ hình lý thuyết. Chương 3 cũng đưa ra cách đo lường các biến trong mơ hình. Chương 4 sẽ trình bày kết quả nghiên
cứu thu được từ q trình phân tích số liệu của 12 quốc gia Châu Á- Thái Bình Dương, trong thời gian từ năm 1990-2014.
Các ưu điểm của dữ liệu bảng so với dữ liệu theo chuỗi thời gian và không gian, theo Baltagi (2008), vì dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, quốc gia v.v… theo thời gian, nên nhất định phải có tính dị biệt (không đồng nhất)
trong các đơn vị này. Kỹ thuật ước lượng dữ liệu bảng có thể chính thức xem xét đến
tính dị biệt đó bằng cách xem xét các biến số có tính đặc thù theo từng cá nhân, được trình bày ngay sau đây. Ta sử dụng thuật ngữ cá nhân theo ý nghĩa chung bao gồm các
đơn vị vi mô như các cá nhân, các doanh nghiệp, quốc gia... Thông qua kết hợp các
chuỗi theo thời gian của các quan sát theo không gian, dữ liệu bảng cung cấp “những dữ liệu có nhiều thơng tin hơn, đa dạng hơn, ít cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn.
Thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của thay đổi. Tình trạng thất nghiệp, luân chuyển
công việc, và tính lưu chuyển lao động sẽ được nghiên cứu tốt hơn với dữ liệu bảng.
Dữ liệu bảng có thể phát hiện và đo lường tốt hơn những ảnh hưởng mà không thể
quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy. Dữ liệu bảng giúp ta nghiên cứu những mơ hình hành vi phức tạp hơn. Ví dụ, các hiện tượng như lợi thế kinh tế theo qui mơ và thay đổi kỹ thuật có thể được xem xét
thông qua dữ liệu bảng tốt hơn so với dữ liệu theo chuỗi thời gian thuần túy hay theo không gian thuần túy. Bằng cách thu thập những số liệu có sẵn cho vài nghìn đơn vị,
hay các doanh nghiệp,quốc gia thành số liệu tổng. Nói vắn tắt, dữ liệu bảng có thể giúp chúng ta phân tích thực nghiệm theo những cách thức mà khơng chắc có thể đạt được nếu ta chỉ sử dụng các dữ liệu theo chuỗi thời gian hay không gian thuần túy.
4.1 Phân tích thống kê mơ tả
Thống kê mô tả giúp tác giả có các nhìn tổng quan về dữ liệu, phát hiện những quan sát sai biệt trong cỡ mẫu, kết quả trình bày theo bảng thống kê mơ tả trong bảng 4.1.1
dưới đây. Kết quả chỉ ra phạm vi, giá trị trung bình và độ lệch chuẩn của các biến sử
dụng trong nghiên cứu này.
Biến thu nhập bình qn đầu người có giá trị trung bình là 1653.195, biến động trong giai khoảng từ giá trị nhỏ nhất 243.4809 đến giá trị lớn nhất 7373.986 với độ lệch chuẩn là 1452.682.
Biến ODA có giá trị trung bình 6.241852. biến động trong giai khoảng từ giá trị nhỏ nhất -0.68952 đến giá trị lớn nhất 68.57197 với độ lệch chuẩn là 9.544739
Biến FDI có giá trị trung bình 4.36601 biến động trong giai khoảng từ giá trị nhỏ
nhất -2.75744 đến giá trị lớn nhất 45.28994 với độ lệch chuẩn là 5.27724
Biến kiều hối có giá trị trung bình 2.330787, trong đó giá trị thấp nhất
0.030341 và giá trị cao nhất 13.32332 với độ lệch chuẩn là 2.905351
Biến độ mở thương mại (trade) có giá trị trung bình 101.4677, trong đó giá
trị thấp nhất là 29.61548 và giá trị cao nhất là 220.4074 với độ lệch chuẩn 40.34909
Biến tỷ lệ nhập học trung học có giá trị trung bình là 58.02671, trong đó giá trị thấp nhất là 10.68306 và giá trị cao nhất là 97.6419 với độ lệch chuẩn là 40.34909
Kiểm định phân phối chuẩn của dữ liệu Jarque-Bera, cho giá trị Probability thấp hơn 0.05 ở tất cả các biến, cho kết quả dữ liệu đầu vào không phân phối chuẩn.
Dữ liệu không phân phối chuẩn không ảnh hưởng nhiều đến các kết quả hồi quy và kiểm định trên dữ liệu trong mơ hình phân tích mối quan hệ giữa các biến trên dữ liệu