Bảng 5.4 mô tả số liệu thống kê của 9 biến vĩ mơ tồn cầu và các thịtrường cổ phiếu quốc tế. Mẫu nghiên cứu từ tháng 1/2001 đến tháng 1/2020. Số liệu thống kê bao gồm trung bình lợi suất (Trung bình), độ lệch chuẩn (Độ lệch chuẩn), độ lệch (Độ xiên) và độ nhọn (Độ nhọn), giá trị nhỏ nhất (Cực tiểu), giá trị lớn nhất (Cực đại). Kiểm định Jarque-Bera là kiểm định thống kê thực nghiệm xem xét chuỗi dữ liệu có tuân theo phân phối chuẩn dựa trên độ xiên và độ nhọn. Biến Lợi suất trung bình Độ lệch
chuẩn Độ lệch Độ nhọn Max Min JB test
GOL 0.89% 4.81% -0.063 3.432 12.84% -16.89% 1.93 OIL 0.70% 9.02% -0.236 3.651 29.71% -32.62% 6.17 WIPI 0.18% 0.66% -3.346 21.915 1.37% -4.82% 3841.28 WMSCI 0.28% 4.36% -0.967 5.489 10.35% -21.13% 94.77 WR 5.96% 0.00% 0.512 5.757 500.00% -84.21% 48.23 USA 0.39% 4.19% -0.875 4.797 10.23% -18.56% 60.03 HKK 0.24% 5.96% -0.620 4.470 15.76% -25.45% 35.28 JPN 0.12% 5.02% -0.631 4.333 11.87% -22.64% 32.16 KOR 0.63% 5.87% -0.365 5.096 20.25% -26.31% 47.04
5.2. Phân tích PCA đối với các nhân tố vĩ mô của các nước ASEAN
Một vấn đề thường gặp khi nghiên cứu các nhân tố vĩ mô là số lượng biến lớn và các biến có mức độ tương quan cao với nhau. Để lượng hóa mức độ ảnh hưởng các nhân tố vĩ mô tác động giá cổ phiếu ở thị trường ASEAN (06 biến số kinh tế vĩ mô của các nướcvà 09 biến số lựa chọn xem xét tác động thị trường toàn cầu), trước hết nghiên cứu này sẽ áp dụng phương pháp phân tích thành phần chính (PCA-
Principal Component Analysis) để xác định nhân tố chính từ số lượng lớn dữ liệu
được thu thập. Mục tiêu của phương pháp này nhằm giảm số lượng các biến có tương quan từ p biến xuống số lượng nhỏ các biến khơng có tương quan k (k thành phần chính PC).
Theo đề xuất của Kaiser (1960) việc xác định số lượng thành phần chính trong phân tích PCA bằng cách xác định giá trị eigenvalue (thông qua ma trận hệ số
tương quan giữa dần đến khi số lượng thành phần chính bằng số biến), thành phần chính được lựa chọn phải có giá trị eigenvalue có giá trị lớn hơn 1. Tuy nhiên, việc áp dụng tiêu chí Kaiser có thể dẫn đến việc loại bỏ các thành phần chính có giá trị riêng nhỏ và có thể quan trọng. Ví dụ, một số biến có thể khơng được biểu thị tốt bằng các thành phần chính lớn hơn và có thể hữu ích để giữ lại các thành phần chính nhỏ đại diện tốt hơn cho các biến đó. Jolliffe (1972) đã đề xuất giá trị eigenvalue là 0,7. Tuy nhiên, trong một số trường hợp nhất định, tiêu chí này dẫn đến việc giữ lại số lượng thành phần nhiều gấp đơi so với tiêu chí Kaiser (Dunteman, 1994). Mục đích chính của PCA giúp giảm số lượng lớn các biến có tương quan với nhau thành tập ít các biến sao cho các biến mới tạo ra là tổ hợp tuyến tính của những biến cũ khơng có tương quan lẫn nhau và giữ lại được nhiều nhất chất lượng thơng tin từ nhóm biến ban đầu. Để khắc phục những vấn đề này và để xác định những thành phần chính nào nên được giữ lại trong phân tích này, tiêu chí Kaiser được nới lỏng một chút để bao gồm một số thành phần chính có gốc tiềm ẩn thấp hơn một chút. Do vậy, số các thành phần chính được giữ lại sẽ đảm bảo giải thíchvào khoảng 80% các biến của dữ liệu ban đầu.
Bảng 5.5 cho thấy kết quả phân tích PCA của nhóm biến kinh tế vĩ mơ của 5 quốc gia ASEAN. Bảng 5.5. trình bày các giá trị eigenvalue và tỷ trọng giải thích của các thành phần chính (PC – Principal Components) để giải thích biến động của các biến.