CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp kiểm định
Mô hình được lựa chọn kiểm định là VAR (trong trường hợp không có đồng liên kết) hoặc VECM (nếu xuất hiện đồng liên kết.
Mô hình VAR.
Mô hình vector tự hồi quy VAR là một dạng tổng quát của mô hình tự hồi quy đơn chiều (AR) kết hợp với hệ phương trình ngẫu nhiên (SEs). Nếu mô hình AR chỉ ước lượng cho một vector của biến có dạng chuỗi thời gian thì VAR cho phép người nghiên cứu có thể ước lượng phương trình của nhiều chuỗi: đối với từng chuỗi thời gian, phương trình ước lượng theo độ trễ của biến đó (p) và toàn bộ các biến còn lại. Ví dụ cho mô hình VAR đơn giản với 2 chuỗi thời gian X, Y và một độ trễ được thể hiện như sau:
Yt = α1 + β 1 Yt-1 + γ1 Xt-1 + 1t
Xt = α2 + β2 Yt-1 + γ2 Xt-1 + 2t
Trong đó, Xt và Yt là hai biến kinh tế, β và γ là các hệ số hồi quy. Tham số là sai số ngẫu nhiên (hay nhiễu trắng) và α là hệ số chặn.
Về lý thuyết, VAR được xây dựng dựa trên nền tảng AR và SEs nên tận dụng được những lợi thế của hai mô hình này là dễ ước lượng bằng phương pháp tối thiểu hóa phần dư (OLS) và có thể ước lượng đồng thời nhiều phương trình trong cùng một hệ thống.
Mặt khác, VAR lại khắc phục được hạn chế của SEs khi cho phép mô hình được xem mọi biến là như nhau hay không quan tâm tính nội sinh của biến (Tính nội sinh là sự tác
động qua lại giữa các biến kinh tế, làm cho kết quả của phương pháp hồi quy theo cách cổ điển (sử dụng 1 phương trình hồi quy) sẽ bị sai lệch). Những cải thiện này của mô hình VAR làm cho nó được ưa chuộng khi nghiên cứu tác động của các yếu tố vĩ mô.
Và cũng là ý tưởng để nghiên cứu về tính đồng liên kết, góp phần xây dựng mô hình VECM sau này.
Mô hình VAR thường được sử dụng rất nhiều để dự báo các yếu tố vĩ mô, bên cạnh đó nó có thể dùng làm công cụ để phân tích tác động của các cú sốc lớn vào nền kinh tế.
Mô hình này cũng có một số ưu và khuyết điểm như sau:
Một trong những ưu điểm lớn của VAR là sự đơn giản, và nhanh chóng do không phân biệt biến nội sinh và ngoại sinh, mô hình dễ dàng được thực hiện trên các phần mềm thống kê như STATA. Do kết hợp giữa hai mô hình AR và SEs, VAR dễ dàng ước lượng nhiều phương trình đồng thời trong cùng một hệ thống bằng phương pháp tối thiểu hóa số dư (OLS), mà không cần quan tâm đến tính nội sinh của biến- điều đóng vai trò then chốt khi sử dụng mô hình SEs.
Tuy nhiên, mô hình này cũng gặp phải một số hạn chế nhất định: khi số lượng quan sát hạn chế, việc đưa ra một số độ trễ của từng biến có thể phải sử dụng nhiều bậc tự do hơn. Bên cạnh đó, do không có sự phân biệt giữa các biến làm cho việc lựa chọn thứ tự các biến trở nên phức tạp hơn và sự phụ thuộc lẫn nhau của các biến cũng ảnh hưởng đến tính chính xác của mô hình. Ước lượng các hệ số đơn lẻ trong mô hình này thường khó giải thích, do đó hàm phản ứng đẩy (Impulse Response Function, IRF) được đưa vào để phát hiện phản ứng của biến phụ thuộc đối với các cú sốc (ứng dụng trong phân tích).
Mô hình VECM.
Khi tiến hành hồi quy chuỗi thời gian, luôn yêu cầu biến phải có tính dừng. Trong trường hợp áp dụng mô hình VAR để hồi quy cho các chuỗi chưa dừng, kết quả sẽ có thể bị “giả mạo”, ảnh hưởng đến việc phân tích mối quan hệ giữa các biến. Để các chuỗi thời gian đạt yêu cầu này đều phải xử lý qua kỹ thuật sai phân. Thuộc tính này làm xuất hiện phần mất cân bằng, làm cơ sở hình thành nên một mô hình ước lượng sự phụ thuộc của biến này vào biến khác – mô hình hiệu chỉnh sai số (ECM).
∆Yt = α1 + β 1∆Yt-1 + γ2 ∆Xt-1 +…+ β1p∆Yt-p + γ1p ∆Xt-1 + e1Yt-1 + g1Xt-1 +1t
∆Xt = α2 + β2∆Yt-1 + γ2 ∆Xt-1 +…+ β2p∆Yt-p + γ2p ∆Xt-1 + e2Yt-1 + g2Xt-1 +2t
Trong đó, eYt-1 + gXt-1 là phần mất cân bằng (phần hiệu chỉnh sai số).
VECM là một hệ phương trình bao gồm nhiều phương trình ECM, và được phát triển trên nền tảng lý thuyết mô hình VAR, lý thuyết đồng liên kết (mô tả các mối quan hệ dài hạn). Vì vậy mô hình VECM có thể ứng dụng cho các chuỗi thời gian không dừng và có hiện tượng đồng liên kết. Như vậy, sử dụng mô hình VECM có thể tránh cho mô hình bị hiện tượng hồi quy giả mạo, mà vẫn đảm bảo được sự cân bằng để cho một kết quả ước lượng đáng tin cậy.
Tóm tắt chương 3
Trong chương này, tác giả thiết lập câu hỏi nghiên cứu, trình bày phương pháp tiếp cận, và thiết lập phương trình để định hướng cho đề tài. Từ đó, lựa chọn các mô hình phù hợp với mục tiêu nghiên cứu, cũng như dữ liệu thu thập được. Bên cạnh đó, tác giả cũng trình bày quá trình thu thập và xử lý dữ liệu để đảm bảo độ tin cậy của nguồn dữ liệu sử dụng.