CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Đối với mô hình DSGE dùng để dự báo cho nền kinh tế mở Việt Nam
3.3.3. Phương pháp ước lượng mô hình DSGE
3.3.3.1. Khái quát về phương pháp ước lượng mô hình DSGE trên thế giới
Bắt nguồn từ các nghiên cứu sử dụng ước lượng hợp lý cực đại (maximum likelihood) để ước lượng mô hình DSGE như Altug (1989) sử dụng phương pháp này ước lượng cho mô hình theo thời gian (time - to - build models) của Kyland & Prescott
51 Đối với dữ liệu chỉ số giá giai đoạn trước 2010 được quy đổi về năm cơ sở là 1994 và dữ liệu chỉ số giá giai đoạn sau 2010 được quy đổi về năm cơ sở là 2010 theo tính toán của IMF – IFS.
(1982), và McGrattan (1994) nghiên cứu về ảnh hưởng vĩ mô của thuế trong mô hình chu kỳ kinh doanh. Leeper & Sims (1994) và Kim (2000) sử dụng phương pháp này để ước lượng mô hình DSGE dùng để phân tích CSTT. Sau này, Canova (1994), DeJong
& ctg (1996) và Geweke (1999a) đã đề xuất cách tiếp cận Bayesian để hiệu chỉnh mà không khai thác chức năng có thể có của mô hình DSGE và cung cấp các ứng dụng thực nghiệm đánh giá chu kỳ kinh doanh và định giá tài sản liên quan đến mô hình tăng trưởng ngẫu nhiên đơn giản. Trước hết, nghiên cứu liệt kê các mô hình ước lượng theo các trường phái khác nhau như: Mô hình Keynes mới với tham số cấu trúc, mô hình tân cổ điển (mô hình chu kỳ kinh doanh) và mô hình Keynes mới có yếu tố ma sát thị trường tài chính52.
Ngoài ra, nghiên cứu còn chỉ ra một số phương pháp ước lượng mô hình DSGE đơn giản. Ước lượng mô hình DSGE để tìm ra các tham số cấu trúc (structure parameters) tức là gắn mô hình DSGE với từng nền kinh tế thông qua dữ liệu/thông tin về nền kinh tế đó. Kydland & Prescott (1982) sử dụng phương pháp cân chỉnh tham số (calibration) trong đó các tham số cấu trúc của DSGE được đặt cố định theo các kết quả nghiên cứu vi mô trước đó và/hoặc tính toán từ giá trị trung bình dài hạn của các số liệu vĩ mô tổng thể. Tuy nhiên, phương pháp cân chỉnh tham số cũng có những hạn chế nhất định như (i) các tham số này không đủ tin cậy nếu giả định của DSGE khác với giả định của các mô hình vi mô, (ii) nếu ước lượng DSGE có thể thu được các tham số mà rất khó để có được nếu sử dụng số liệu phân tách vi mô (disaggregate data), (iii) ước lượng DSGE cho phép tính ra khoảng tin cậy cho các tham số, và (iv) ước lượng DSGE còn cho phép thực hiện các kiểm định, phân tích tham số hoặc so sánh với các mô hình DSGE khác (Ruge - Murcia, 2005). Một số phương pháp ước lượng cao cấp (với kỹ thuật phức tạp hơn) được sử dụng phổ biến là phương pháp ước lượng GMM, phương pháp ước lượng tối đa hàm hợp lý (MLE), phương pháp khớp hàm phản ứng (Impulse Response Matching) và phương pháp ước lượng Bayesian.
Tuy nhiên, trong khuôn khổ xây dựng một mô hình DSGE quy mô nhỏ và có thể ứng dụng được cho Việt Nam, các phương pháp ước lượng mô hình DSGE chưa được tập trung xử lý. Thay vào đó, việc ước lượng từng phương trình theo phương pháp bình
52 Xem chi tiết về các dạng mô hình Keynesian mới DSGE tại phụ lục 6.
phương nhỏ nhất (OLS) được sử dụng để tìm ra các giá trị tham số cấu trúc (Nguyễn Đức Trung, 2016).
Thêm vào đó, Canova (1994), DeJong & ctg (1996), và Geweke (1999a) đã đề xuất cách tiếp cận Bayesian để hiệu chỉnh mà không khai thác chức năng có thể có của mô hình DSGE và cung cấp các ứng dụng thực nghiệm đánh giá chu kỳ kinh doanh và định giá tài sản liên quan đến mô hình tăng trưởng ngẫu nhiên đơn giản. Các nghiên cứu về ước lượng xác suất Bayesian về mô hình DSGE bắt đầu bằng công trình nghiên cứu của Landon - Lane (1998), Dejong & ctg (2000), Schorfheide (2000) và Otrok (2001).
Dejong & ctg (2000) ước lượng mô hình tăng trưởng ngẫu nhiên và kiểm tra khả năng dự báo của mô hình, Otrok (2001) làm khớp chu kỳ kinh doanh với thói quen và xây dựng dữ liệu chuỗi thời gian để đánh giá chi phí phúc lợi của chu kỳ kinh doanh, và Schorfheide (2000) xem xét mô hình DSGE. Dejong & Ingram (2001) nghiên cứu về hành vi mang tính chu kỳ của kỹ năng tích lũy. Trong khi đó, Chang & ctg (2002) ước lượng mô hình phát triển ngẫu nhiên hiệu chỉnh với cơ chế thực nghiệm để khuếch đại ảnh hưởng của cú sốc. Chang & Schorfheide (2003) nghiên cứu tầm quan trọng của cú sốc cung ứng lao động và ước tính một mô hình sản xuất tại nhà. Fernández-Villaverde
& Rubio (2004) sử dụng các kỹ thuật ước tính của Bayesian để xây dựng mô hình nghiên cứu phù hợp. Các biến thể của mô hình DSGE Keynes mới quy mô nhỏ đã được ước tính bởi Rabanal và Rubio - Ramírez (2005a/b) đối với Hoa Kỳ và EU. Lubik &
Schorfheide (2004) ước tính mô hình chuẩn Keynes DSGE mà không giới hạn các tham số cho vùng xác định (determinated) của không gian tham số. Schorfheide (2005) cho phép chuyển đổi cơ chế lạm phát mục tiêu theo nguyên tắc CSTT. Canova (2004) ước tính một mô hình Keynes quy mô nhỏ đệ quy để đánh giá sự ổn định của các tham số kết cấu theo thời gian. Galí & Rabanal (2005) sử dụng một mô hình DSGE ước tính để nghiên cứu tác động của những cú sốc về công nghệ vào những giờ làm việc. Các mô hình quy mô lớn bao gồm tích lũy vốn và các ma sát (friction) thực và danh nghĩa bổ sung theo các dòng nghiên cứu của Christiano & ctg. (2005) đã được phân tích bởi Smets
& Wouters (2003, 2005) cả ở Hoa Kỳ và khu vực Châu Âu. Các mô hình tương tự như Smets & Wouters (2003) đã được ước tính bởi Laforte (2004), Onatski & Williams (2004); Levin & ctg (2006) để nghiên cứu CSTT. Nhiều NHTW đang trong quá trình phát triển các mô hình DSGE dọc theo dòng Smets & Wouters (2003) có thể được ước tính bằng các kỹ thuật của Bayesian và được sử dụng để phân tích chính sách và dự báo.
Các kỹ thuật ước tính Bayesian cũng đã được sử dụng cho nền kinh tế mở. Lubik và Schorfheide (2003) ước tính phần mở rộng nhỏ của mô hình để kiểm tra xem các NHTW của Úc, Canada, Anh và New Zealand có phản ứng với tỷ giá hối đoái hay không. Một mô hình tương tự được trang bị bởi Del Negro (2003) với dữ liệu của Mexico. Justiniano và Preston (2004) mở rộng phân tích thực nghiệm đến tình huống của tỷ lệ trao đổi không hạn chế. Adolfson & cộng sự (2004) phân tích một mô hình kinh tế mở bao gồm tích lũy vốn cũng như nhiều xáo trộn thực và danh nghĩa. Lubik & Schorfheide (2006), Rabanal & Tuesta (2006), và Walque & Wouters (2004) đã ước tính các mô hình DSGE đa mô hình. Theo ECB, một nỗ lực sớm để kết hợp các mô hình DSGE với BVAR là Ingram & Whiteman (1994), người đề xuất một phương pháp thu thập các nhóm cho VARs từ mô hình kinh tế. Phương pháp tiếp cận này được phát triển tiếp bởi Del Negro
& Schorfheide (2004) trong mô hình được gọi là DSGE – VAR. Trong đó DSGE được dùng để xác định thời điểm các phân phối tiền nghiệm của các tham số VAR sử dụng hình thức Normal/Inverted Wishart (NIW). Nhóm nghiên cứu ECB cho thấy mô hình nghiên cứu có thể hoàn thiện việc dự báo với BVARs dựa trên tiền nghiệm Minnesota.
Giống với Smith (1993), mô hình cho thấy hậu nghiệm kết quả về tham số mô hình DSGE có thể được thực hiện thông qua VAR bằng cách tích hợp sự phụ thuộc của các tham số VAR từ hậu nghiệm (posterior) có điều kiện và do đó có được một hàm ước lượng tối đa (MLE) cho các tham số của DSGE; tương tự del Negro & Schorfheide (2006, 2009).
Sungbae & Frank (2007) ước lượng Bayesian của mô hình DSGE có 3 đặc điểm chính. Đầu tiên, không giống ước lượng GMM dựa trên mối quan hệ cân bằng như phương trình tiêu dùng Euler, phương trình thiết lập giá của các doanh nghiệp sản xuất hàng hóa trung gian hoặc quy tắc CSTT. Phân tích Bayesian là hệ thống cơ bản và phù hợp để giải quyết mô hình DSGE với một vec tơ của chuỗi thời gian. Thứ hai, ước lượng dựa trên hàm likelihood tạo ra bởi mô hình DSGE chứ không phải là sự khác biệt giữa các phản ứng của mô hình DSGE và phản ứng xung của VAR. Thứ ba, phân phối tiền nghiệm có thể được dùng kết hợp với các thông tin bổ sung vào các tham số ước lượng.
Cách tiếp cận Bayesian chính thức hóa sự kết hợp của tiền nghiệm thực nghiệm và vận dụng lý thuyết về tham số của lãi suất và mang lại kết quả ước lượng ổn định hơn với các mẫu ngắn.