VÀ KẾT QUẢ THỰC NGHIỆM
3.1 Phương pháp nghiên cứu
3.1.1 Phương pháp luận
Mơ hình GMM dữ liệu bảng Arellano – Bond (Panel GMM Arellano – Bond Model) thường được áp dụng để phân tích và xử lí cho các chuỗi dữ liệu tài chính trong lĩnh vực đầu tư và ngân hàng. Các chuỗi dữ liệu trong tài chính thường có đặc điểm là tự tương quan, nghĩa là có khả năng cộng tuyến hay đa cộng tuyến với độ trễ của nó. So với các mơ hình khác thì ưu điểm chính của mơ hình này là việc hồi qui được thực hiện trên cơ sở việc lựa chọn và sử dụng biến trong mơ hình phải thỏa mãn hai tính chất quan trọng của chuỗi dữ liệu: (1) khơng có sự tương quan chuỗi và (2) các biến phải có tính nội sinh. Tuy nhiên, cũng chính vì phải thỏa mãn hai tiêu chuẩn rất quan trọng này mà việc phân tích và xử lí trở nên khó khăn vì địi hỏi người áp dụng phải có nhiều kinh nghiệm lựa chọn và sắp xếp các biến trong mơ hình và do vậy mà một kết quả tối ưu là điều không thể biết được.
Việc phân tích và xử lí các chuỗi dữ liệu cũng cần lưu những quan tâm của onya (2 ) về các kiểm đ nh tr riêng nghiệm đơn v . ì thế, đầu tiên đề tài sẽ kiểm đ nh tính dừng của các biến b ng cách sử dụng kiểm đ nh isher được phát triển bởi Maddala và u (1 ), và t y theo kết quả đ t được, sau đó chọn sử dụng các biến hoặc theo các mức nghĩa hoặc theo sai phân bậc nhất.
Đề tài dựa vào việc sử dụng kiểm đ nh (hay kiểm đ nh ald) để xác đ nh nghĩa thống kê của mơ hình và của các hệ số ước lượng riêng lẻ. Ngoài ra, với mơ hình hồi qui GMM dữ liệu bảng Arellano – Bond thì kiểm đ nh Arellano – Bond về tính
tự tương quan và kiểm đ nh Sargan về đặc tính nội sinh của các biến cũng được sử dụng để đảm bảo độ tin cậy và tính bền (robust) của các kết quả nhận được.
Theo đó, việc lựa chọn, phân tích và xử lí dữ liệu trong đề tài sẽ được thực hiện như trình tự theo các bước như sau:
Bước 1: Mô tả dữ liệu nghiên cứu, trình bày các đặc điểm của các biến được sử dụng trong mơ hình.
Bước 2: Thống kê và kiểm tra hệ số tương quan Pearson giữa các biến. Bước 3: Kiểm tra tính dừng của các biến.
Bước 4: Thực hiện mơ hình hồi qui GMM dữ liệu bảng thế hệ hai Arellano – Bond.
3.1.2 Kiểm tra thuộc tính của các biến dữ liệu 3.2.2.1 Hệ số tương quan Pearson giữa các cặp biến 3.2.2.1 Hệ số tương quan Pearson giữa các cặp biến
Thông thường các biến đ nh lượng được đo lường dựa vào mỗi thành phần của mẫu. Nếu chúng ta xem xét một cặp biến, ta thường quan tâm đến việc thiết lập nếu có mối quan hệ giữa hai biến, nghĩa là xem thử chúng có tương quan nhau khơng. Chúng ta phân chia lo i tương quan b ng cách xem xét khi một biến tăng lên thì chuyện gì xảy ra với biến cịn l i:
- Tương quan dương – nếu biến cịn l i có xu hướng cũng tăng lên; - Tương quan âm – nếu biến cịn l i có xu hướng giảm;
- hông tương quan – nếu biến cịn l i khơng có xu hướng tăng hoặc giảm.
Điểm bắt đầu của bất kỳ phân tích như vậy nên được xây dựng và kiểm tra thông qua đồ th phân tán.
Hệ số tương quan Pearson: Hệ số tương quan Pearson là sự đo lường thống kê độ
m nh của mối quan hệ tuyến tính giữa các cặp dữ liệu. Trong một mẫu thường được k hiệu r và có giá tr như sau: 1 r 1
Ngoài ra:
- Các giá tr dương thể hiện mối tương quan tuyến tính dương; - Các giá tr âm thể hiện mối tương quan tuyến tính âm;
- Giá tr zero thẻ hiện sự không tương quan;
- Các giá tr càng gần với 1 hay -1 thể hiện mối tương quan tuyến tính càng m nh.
Chú : 1) Hệ số tương quan không liên quan đến phân bố gradient. Tương quan
dương
Tương quan âm hông tương quan
Tương quan hồn tồn âm
Hồn tồn khơng tương quan Tương quan hoàn toàn dương
2) Hệ số tương quan đo lường mối quan hệ tuyến tính và vì thế giá tr r = khơng hàm khơng có mối quan hệ giữa các biến. í dụ trong đồ th sau r = hàm khơng có quan hệ tuyến tính nhưng có quan hệ bậc hai hồn tồn.
Tương quan thể hiện quy mơ tác động vì thế chúng ta có thể mơ tả độ m nh của sự tương quan b ng cách sử dụng chỉ dẫn của Evans (1996) cho giá tr tuyệt đối của r:
- 0.00 – 0.19: rất yếu - 0.20 – 0.39: yếu
- 0.40 – .5 : trung bình - 0.60 – 0.79: m nh - 0.80 – 1.0: rất m nh
Các giả định: Việc tính tốn hệ số tương quan Pearson và kiểm đ nh nghĩa của nó
địi hỏi các giả đ nh về dữ liệu sau đây phải được thỏa mãn: - Theo khoảng hay tỉ lệ;
- Có quan hệ tuyến tính; - Phân phối chuẩn ở hai biến.
Trong thực tế, giả đ nh cuối c ng được kiểm tra b ng cách địi hải cả hai biến đều có phân phối chuẩn riêng .
Quan hệ bậc hai hoàn toàn
3.2.2.2 Kiểm định tính dừng của các chuỗi thời gian
Trước tiên cần kiểm tra tính dừng và bậc tích hợp của các biến được sử dụng trong mơ hình. Theo đ nh nghĩa, một biến thời gian được xem là dừng hiệp phương sai nếu giá trị trung bình và phương sai của nó là hằng số theo thời gian và giá trị hiệp phương sai giữa hai giai đoạn thời gian chỉ phụ thuộc vào khoảng cách giữa hai giai đoạn đó và khơng phụ thuộc vào thời điểm thực sự mà hiệp phương sai được tính (xem Wooldridge, 2009).
Nếu một vài hay tất cả các biến trong mơ hình là khơng dừng, việc kiểm đ nh giả thuyết theo qui ước và khoảng tin cậy sẽ không đáng tin. hi một chuỗi được xác đ nh là không dừng, việc nghiên cứu đặc tính của chúng chỉ ph hợp trong giai đo n được khảo sát và kết quả nghiên cứu không thể sử dụng cho các giai đo n khác, ngồi ra phân tích hồi qui cho các chuỗi khơng dừng có thể đưa đến kết quả là hồi qui giả m o. Hồi qui giả m o có hệ số xác đ nh R2 cao và thống kê t có nghĩa nhưng thực sự khơng có nghĩa kinh tế (Granger và Newbold, 1 7 ).
ì thế tính dừng được thiết lập b ng cách kiểm đ nh tr riêng nghiệm đơn v trong các biến b ng cách áp dụng kiểm đ nh fisher với thuộc tính Augmented Dickey- Fuller test (ADF) hay Phillips – Perron. Phương pháp luận cho các kiểm đ nh này được mô tả như sau:
Kiểm định isher cho dữ liệu bảng của Maddala và Wu (1999)
Maddala và u (1 ) xử lí vấn đề kiểm đ nh tr riêng nghiệm đơn v bảng với một tưởng có từ thời Fisher (1993). Ý tưởng cơ bản của isher có thể được giải thích b ng các quan sát đơn giản sau đây và đúng cho bất kỳ vấn đề kiểm đ nh nào với các thống kê có tính liên tục: Trước tiên, dưới giả thuyết null các giá tr p-value, giả sử π của thống kê kiểm đ nh là phân phối chuẩn trong khoảng [0,1]. Thứ hai, vì thế -2logπ có phân phối 2
2
với log k hiệu cho logarithm tự nhiên. Thứ ba, với một tập
các thống kê độc lập 2 log 1
N i
i
Những quan sát cơ bản này có thể được áp dụng đầy đủ vào vấn đề kiểm đ nh tr riêng nghiệm đơn v bảng với giả đ nh dữ liệu không gian độc lập. Bất kỳ kiểm đ nh nghiệm đơn v nào với thống kê liên tục thực hiện được trên các đơn v bảng có thể được d ng để hình thành kiểm đ nh tr riêng nghiệm đơn v bảng Fisher với các giá tr p-value xác đ nh được.
Kiểm định Augmented Dickey Fuller (ADF)
ựa trên nền tảng kiểm đ nh ickey- uller, có mơ hình như sau
...... (3.1)
0 1 1 2 2
Yt Yt Y Y m Yt m ut
t t
với
Y = Biến chuỗi thời gian cần khảo sát. ∆ = toán h n sai phân
0 1 2