Tiêu chuẩn Công thức Kết quả
LR 𝐿 = −𝑛
2[1 + ln(2𝜋) + ln (𝑅𝑆𝑆 𝑛 )]
Giá trị L càng lớn càng tốt, tương đương với xác
suất ý nghĩa càng nhỏ FPE 𝐹𝑃𝐸 = 𝑅𝑆𝑆 𝑛 × 𝑛 + 𝑘 𝑛 − 𝑘 FPE càng nhỏ thì mơ hình càng phù hợp AIC 𝐴𝐼𝐶 = 𝑅𝑆𝑆 𝑛 × 𝑒 2𝑘 𝑛 AIC càng nhỏ thì mơ hình càng phù hợp SC 𝑆𝐶 =𝑅𝑆𝑆 𝑛 × 𝑒 𝑘 𝑛 SC càng nhỏ thì mơ hình càng phù hợp HQ 𝐻𝑄 = 𝑅𝑆𝑆 𝑛 × (ln(𝑛)) 2𝑘 𝑛 HQ càng nhỏ thì mơ hình càng phù hợp (Nguồn: Tác giả tổng hợp)
Trong đó: n là số mẫu nghiên cứu, k là tham số trong mơ hình hồi quy, RSS (Residual Sum of Squares) là tổng biến động của biến phụ thuộc
được giải thích bởi các yếu tố nằm ngồi mơ hình – sai số ngẫu nhiên.
3.1.3.3. Hàm phản ứng đẩy (Impulse Response Functions – IRF)
Hàm phản ứng đẩy (IRF) cho phép xác định tác động theo thời gian cú sốc của một biến nội sinh đối với các biến cịn lại trong mơ hình.
Xét phương trình: yt =α + Φ1yt–1 + Φ2yt–2 +…+ Φpyt–p + ε
Hệ thống dừng: yt= μ + ψ(L)εt = μ + εt + ψ1at–1 + ψ2at–2 + …
Ta có: δ𝑦𝑖,𝑡+𝑠
δ𝜀𝑗,𝑡 = ψij(s)
Như vậy hiệu ứng của từng cú sốc theo thời gian chính là đạo hàm riêng của từng biến trong hệ phương trình theo thời gian.
3.1.3.4. Phân rã phương sai
Kết quả phân rã phương sai của biến phụ thuộc ở một độ trễ nhất định cho biết sự biến động của biến độc lập đóng góp bao nhiêu phần trăm (%) vào biến động của biến phụ thuộc ở độ trễ đó.
3.3. Phương pháp phân tích thành phần chính PCA
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 5, 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 PC). PCA
cho phép xem xét đồng thời số lượng lớn các biến số vĩ mô ảnh hưởng đến giá cổ phiếu và giải quyết được vấn đề đa cộng tuyến giữa các biến số. Vì các thành phần chính (PC) khơng tương quan với nhau nên mỗi hệ số hồi quy có thể được ước lượng độc lập đối với thành phần chính trong mơ hình, do vậy giúp việc kiểm định thực nghiệm được thực hiện tối ưu hơn khi số lượng biến lớn (Dunteman, 1994).
Trong nghiên cứu này, các biến số kinh tế vĩ mơ được lựa chọn có mối tương quan cao với nhau. Vì vậy, phương pháp PCA sẽ được để sử dụng để lọc ra các thành phần chính (PCA) từ các biến vĩ mơ. Các PCA này, sau đó sẽ được sử dụng như các biến trong mơ hình AR và VAR.
Phép phân tích thành phần chính (Principal Components Analysis - PCA) là một thuật toán thống kê sử dụng phép biến đổi trực giao để biến đổi một tập hợp dữ liệu từ một không gian nhiều chiều sang một khơng gian mới ít chiều hơn (2 hoặc 3 chiều) nhằm tối ưu hóa việc thể hiện sự biến thiên của dữ liệu. PCA là phương pháp
biến đổi 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. Ví dụ, chúng ta có 100 biến ban đầu có tương quan tuyến tính với nhau, khi đó chúng ta sử dụng phương pháp PCA xoay chiều không gian cũ thành chiều không gian mới mà ở đó chỉ cịn 5 biến khơng có tương quan tuyến tính mà vẫn dữ được nhiều nhất lượng thơng tin từ nhóm biến ban đầu
Phép biến đổi tạo ra những ưu điểm sau đối với dữ liệu:
Giảm số chiều của khơng gian chứa dữ liệu khi nó có số chiều lớn, khơng thể thể hiện trong không gian 2 hay 3 chiều.
Xây dựng những trục tọa độ mới, thay vì giữ lại các trục của khơng gian cũ, nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương, và đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới.
Tạo điều kiện để các liên kết tiềm ẩn của dữ liệu có thể được khám phá trong không gian mới, mà nếu đặt trong khơng gian cũ thì khó phát hiện vì những liên kết này không thể hiện rõ.
Đảm bảo các trục tọa độ trong không gian mới luôn trực giao đôi một với nhau, mặc dù trong khơng gian ban đầu các trục có thể khơng trực giao
Theo đề xuất của Kaiser, có thể xác định số lượng thành phần chính trong phân tích PCA bằng cách xác định giá trị riêng (thông qua ma trận hệ số tương quan giữa dần đến khi số lượng thành phần chính bằng số biến), theo đó thành phần chính được lựa chọn phải có giá trị riêng có giá trị lớn hơn 1 (Kaiser, 1960). 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. Do vậy, Jolliffe (1972) đã đề xuất giá trị riêng 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. Ngoài ra, các thành phần chính được chọn sao cho giải thích ít nhất 80% các biến của dữ liệu ban đầu.
3.4. Dữ liệu nghiên cứu
Dữ liệu hàng ngày về các chỉ số của thị trường cổ phiếu các nước sẽ được thu thập từ Thomson Reuters Eikon và CEIC từ tháng 1 năm 2001 đến tháng 1 năm 2020. Nhóm tác giả thực hiện thu thập dữ liệu của các cổ phiếu niêm yết trên 6 Sở Giao dịch cổ phiếu, đại diện cho 6 quốc gia/lãnh thổ lựa chọn quan sát bao gồm 5 nước ASEAN-5 là Singapore (SGP), Malaysia (MYS), Thái Lan (THA), Indonesia (IDN), Philippines (PHL) và Việt Nam (VNM). Dữ liệu thô dùng trong bài nghiên cứu là dữ liệu thứ cấp theo tháng, được thu thập từ tháng 01/2001 đến tháng 1/2020,
ngoại trừ Việt Nam từ 1/2008 đến 1/2020. Do dữ liệu của thị trường Việt nam từ
2008-2020 không khớp với dữ liệu thị trường các nước ASEAN 5 nên luận án kiểm định các nước ASEAN 5 từ năm 2001 – 2020 và thực hiện kiểm định riêng cho thị trường Việt Nam từ 2008 - 2020. Lợi suất hàng tháng được tính bằng chênh lệch logarit của chỉ số giá đóng cửa của thị trường cổ phiếu cuối tháng. Khi một thị
trường nào đó đóng cửa vào ngày cuối tháng do kỳ nghỉ, luận án sử dụng dữ liệu của ngày giao dịch gần nhất trước đó. Mẫu nghiên cứu bao gồm 20 năm lợi suất tháng với tổng số 229 quan sát.