CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1 CÁC KIỂM ĐỊNH THỐNG KÊ
4.1.1 Phân tích mô tả dữ liệu
Dữ liệu dùng để nghiên cứu định lượng, tác giả sử dụng dữ liệu theo tháng, dữ liệu theo tháng phản ánh kịp thời những biến động vĩ mô của nền kinh tế, đặc biệt là các biến trong truyền dẫn chính sách tiền tệ tại Việt Nam. Ngoài ra, sử dụng mô hình SVAR rất nhạy cảm với những thay đổi theo mùa vụ, trong khi dữ liệu theo tháng thường chịu ảnh hưởng của mùa vụ, nên dữ liệu đưa vào mô hình tác giả đã loại ảnh hưởng của yếu tố mùa vụ bằng công cụ Census X12.
Bảng 4.1: Kết quả thống kê mô tả
Biến Mean Median Maximum Minimum Std. Dev. Probability Obs IPG_SA 0.126 0.114 0.685 (0.128) 0.099 0.000 150 CPI_SA 0.092 0.074 0.299 0.006 0.063 0.000 150 M2_SA 0.264 0.263 0.515 0.102 0.086 0.035 150 CPS_SA 0.275 0.269 0.652 0.022 0.131 0.044 150 IRB_SA 0.084 0.081 0.137 0.068 0.012 0.000 150 IRD_SA 0.078 0.067 0.152 0.047 0.029 0.000 150 IRL_SA 0.120 0.113 0.188 0.085 0.027 0.000 150 IRU_SA 0.020 0.010 0.067 0.005 0.019 0.000 150 OIL_SA 65.202 62.118 119.016 15.985 27.865 0.006 150 VNI_SA 429.243 422.511 1119.41 137.36 220.688 0.000 150 MIG_SA 0.199 0.205 0.838 (0.400) 0.185 0.000 150 MXG_SA 0.196 0.207 0.408 (0.214) 0.130 0.000 150 Nguồn: Tính toán của tác giả Các biến IPGt, M2t, CPSt, MIGt, MXGt đề tài sử dụng tốc độ tăng trưởng nên đơn vị tính là %, các biến IRDt, IRLt, IRBt, IRUt là tỷ lệ lãi và được gọi là lãi suất, nên biến này được lấy theo đơn vị %, biến CPIt tác giả lấy tỷ lệ lạm phát với đơn vị là %. Các biến còn lại
như OILt, VNIt không thuộc dạng phân phối chuẩn, nên đề tài chuyển các biến số này dạng log gần với phân phối chuẩn để đáp ứng yêu cầu tốt của ước lượng SVAR và phương pháp bình phương bé nhất (OLS).
Theo bảng kết quả thống kê mô tả 4.1 cho ta thấy dữ liệu được thu thập là hoàn toàn phù hợp, số quan sát là 150 quan sát đủ để sử dụng phương pháp SVAR và OLS trong phân tích chuỗi dữ liệu thời gian. Dự liệu thu thập có độ lệch chuẩn tất cả các biến điều nhỏ hơn mức trung bình và mức ý nghĩa thống kê cao, đa phần là đạt mức ý nghĩa 1%, một số biến như M2t và CPSt có mức ý nghĩa 5%. Dữ liệu có đặc điểm phân phối chuẩn và hoàn toàn phù hợp để đưa vào mô hình nghiên cứu.
4.1.2 Kiểm định tính dừng
Trong mô hình SVAR, tính dừng của chuỗi dữ liệu rất quan trọng, các chuỗi dữ liệu phải có tính dừng hoặc đồng liên kết. Phần này tác giả sử dụng kiểm định nghiệm đơn vị để kiểm tra tính dừng của chuỗi dữ liệu. Nếu chuỗi dữ liệu gốc không dừng thì chuỗi dữ liệu phải dừng ở sai phân bậc 1.
Bảng 4.2: Kết quả kiểm định nghiệm đơn vị (Unit roost test)
Biến Tên biến T- Statitic Prob Kết quả
IPGt Chỉ số sản lượng công nghiệp 3.735 0.005 Dừng ở D(0)*
CPIt Chỉ số giá tiêu dùng 4.022 0.0017 Dừng ở D(0)*
IRDt Lãi suất tái cấp vốn 8.574 0.000 Dừng ở D(1)*
IRLt Lãi suất cho vay 2.889 0.049 Dừng ở D(0)**
M2t Cung tiền M2 3.28 0.017 Dừng ở D(0)**
CPSt Tín dụng khu vực tư nhân 2.730 0.071 Dừng ở D(0)***
MIGt Tăng trưởng nhập khẩu 5.637 0.000 Dừng ở D(0)*
MXGt Tăng trưởng xuất khẩu 2.607 0.091 Dừng ở D(0)***
VNIt Chỉ số giá chứng khoán 8.64 0.000 Dừng ở D(1)*
IRUt Lãi suất của Mỹ (fed) 5.02 0.000 Dừng ở D(1)*
OILt Giá dầu thế giới 7.58 0.000 Dừng ở D(1)*
EXUt Tỷ giá hối đoái USD 10.89 0.000 Dừng ở D(1)*
Ghi chú: D: Sai phân, D(0) chuỗi gốc, D(1) sai phân bậc 1
*(**), (***) mức ý nghĩa 1%, 5% và 10%
Nguồn: Tính toán của tác giả
Theo Basabi (2006), hầu hết các biến chuỗi thời gian là không dừng hoặc liên kết bậc một (sai phân bậc 1 là một chuỗi dừng). Để tránh hiện tượng hồi quy tương quan giả (sourious regression) do hồi quy một chuỗi thời gian không dừng với một hoặc nhiều chuỗi thời gian không dừng khác thì các biến trong mô hình hồi quy phải dừng hoặc đồng liên kết (cointegration). Điều này xảy ra là do việc ước lượng các hệ số hồi qui không chỉ gồm ảnh hưởng các biến độc lập đến biến phụ thuộc mà còn bao hàm cả yếu tố xu thế.
Theo Nguyen Quang Dong (2006) nếu ước lượng mô hình với chuỗi thời gian trong đó có biến độc lập không dừng sẽ vi phạm các giả định OLS. Granger và Newbold (1974), Gujarati (1999) cho rằng R2> DW (Durbin Watson stat) là dấu hiệu cho biết kết quả ước lượng có thể tuơng quan giả. Có nhiều cách để nhận dạng một chuỗi thời gian dừng hay không dừng, ví dụ như phân tích đồ thị, sai phân, hàm tự tương quan, kiểm định thống kê Ljung –Box. Theo Gujarati (2003) kiểm định nghiệm đơn vị (Unit roof test) là một cách kiểm định được sử dụng phổ biến trong thời gian gần đây.
Kết quả kiểm định nghiệm đơn vị (Unit Roost Test) cho thấy chỉ số CPIt, IPGt, M2t, IRLt, MIGt, MXGt CPSt dừng ở chuỗi dữ liệu gốc, các biến còn lại dừng ở mức sai phân bậc 1 với mức ý nghĩa 1% và 5%. Từ kết quả này, các biến dữ liệu chuỗi thời gian đưa vào mô hình phù hợp với mô hình SVAR.
4.1.3 Xác định độ trễ tối ưu
Chọn độ trễ phù hợp sẽ làm giảm k*k hệ số ước lượng (k là hệ số biến nội sinh trong mô hình). Việc đưa độ trễ nhiều vào mô hình có thể triệt tiêu phần dư, tuy nhiên việc này lại làm tăng k*k hệ số ước lượng. Chính vì vậy các nhà phân tích cần phải tìm cách nào đó để tìm ra độ trễ phù hợp cho các biến trong mô hình SVAR. Ban đầu người ta thường chọn độ trễ khá lớn, sau đó dựa vào các tiêu chuẩn AIC, HQC, SIC…như trình bày ở trên để lựa chọn ra độ trễ phù hợp.
Bảng 4.3: Kết quả kiểm định độ trễ tối ưu
Lag LogL LR FPE AIC SC HQ
0 1.198.526 NA 1.26e-15 -1.728.298 -1.715.571 -1.723.126 1 2.270.522 2.035.239 3.79e-22 -3.229.741 -31.40651* -3.193.537 2 2.331.583 1.106.176 2.64e-22* -32.66062* -3.100.608 -31.98825*
3 2.362.523 53.36039* 2.87e-22 -3.258.728 -3.016.912 -3.160.460 4 2.383.020 3.356.762 3.64e-22 -3.236.260 -2.918.081 -3.106.960 5 2.403.351 3.152.880 4.67e-22 -3.213.553 -2.819.010 -3.053.220 6 2.431.965 4.188.328 5.37e-22 -3.202.847 -2.731.941 -3.011.483 7 2.457.882 3.568.353 6.53e-22 -3.188.235 -2.640.966 -2.965.838 8 2.490.059 4.150.311 7.36e-22 -3.182.694 -2.559.061 -2.929.265 9 2.530.973 4.921.627 7.48e-22 -3.189.817 -2.489.821 -2.905.356 10 2.568.155 4.149.225 8.22e-22 -3.191.529 -2.415.170 -2.876.036 11 2.603.993 3.687.745 9.51e-22 -3.191.295 -2.338.573 -2.844.770 12 2.649.131 4.252.105 9.99e-22 -3.204.538 -2.275.453 -2.826.981 Nguồn: Tính toán của tác giả Từ bảng 4.3 trên ta rút ra được độ trễ phù hợp cho mô hình là 2 kỳ dựa theo các tiêu chuẩn có cùng kết quả như nhau đó là FPE, AIC và HQ. Theo kết quả này, các ước lượng biến số vĩ mô giữa các biến điều lựa chọn độ trễ là 2 kỳ.