CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.2 Mô hình và phương pháp kiểm định
3.2.2 Phương pháp kiểm định
Bằng việc sử dụng các ưu điểm từ sử dụng dữ liệu bảng như:
Sự kết hợp chuỗi thời gian của các quan sát chéo, dữ liệu bảng chứa nhiều thông tin hữu ích hơn, tính biến thiên nhiều hơn, ít hiện tượng đa cộng tuyến hơn giữa các biến.
Phù hợp hơn cho việc nghiên cứu sự thay đổi theo thời gian của các đơn vị chéo.
Phát hiện và đo lường tốt hơn các tác động mà khó quan sát được từ dữ liệu chuỗi thời gian hay dữ liệu chéo thuần túy.
Bài luận này áp dụng theo các phương pháp trong nghiên cứu của Husni Ali Khrawish (2011) và kết hợp với việc sử dụng thêm mô hình cố định nhân tố ngẫu nhiên (Fixed Effects Model – FEM) và mô hình các tác động ngẫu nhiên (Radom Effect Model – RAM) theo các bước sau:
3.2.2.1 Thống kê mô tả các biến
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau nhằm cung cấp những tóm tắt đơn giản về các biến nghiên cứu, giúp tạo ra nền tảng của mọi phân tích định lượng về số liệu. Có nhiều kỹ thuật được sử dụng trong việc thống kê mô tả bao gồm:
Biểu diễn dữ liệu bằng đồ họa trong đó các đồ thị mô tả dữ liệu hoặc giúp so sánh dữ liệu;
Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu;
Thống kê tóm tắt (dưới dạng các giá trị thống kê đơn nhất) mô tả dữ liệu.
Trong bài luận này sử dụng phần mềm Eviews 7.2 để biểu diễn số liệu dưới dạng bảng số liệu và đồ thị để tóm tắt và có cái nhìn tổng quan về các biến đang có.
3.2.2.2 Kiểm tra đa cộng tuyến
Trong mô hình hồi quy, giả định rằng các biến giải thích của mô hình không có hiện tượng đa công tuyến, tức là các biến giải thích không có tương quan với nhau. Nếu xảy ra trường hợp một biến giải thích nào đó có tương quan với một số biến giải thích khác thì lúc này mô hình sẽ xảy ra hiện tượng đa cộng tuyến.
Thuật ngữ đa cộng tuyến do Ragnar Frisch đề xuất, ban đầu nó có nghĩa là sự tồn tại mối quan hệ tuyến tính hoàn hảo, hoặc chính xác giữa một số hoặc tất cả các biến giải thích trong mô hình, nhưng trong thực tế mở rộng hơn tế đa cộng tuyến thường dùng trong việc xét hàm hồi quy tuyến tính k biến:
Yi = β1 + β1X2i + …+ βkXki + Ui
Nếu tồn tại các số: α1, α2, …, αk sao cho: α2X2i + α3X3i + … + αkXki = 0
Với αi (i = 2,3,…,k) không đồng thời bằng 0 thì mô hình xảy ra hiện tượng đa công tuyến hoàn hảo, hay một biến giải thích nào đó là hàm tuyến tính của các biến còn lại .
Nếu α2X2i + α3X3i + … + αkXki + α2X2i + α3X3i + … + αkXki = α2X2i + α3X3i + … + αkXki + Vi= 0, với Vi là sai số ngẫu nhiên thì mô hình xảy ra hiện tượng đa cộng tuyến không hoàn hảo, hay biến giải thích nào đó có tương quan tuyến tính chặt chẽ với một số biến giải thích khác.
Với kiểm định này bài nghiên cứu sẽ phát hiện được các hệ số đánh giá có hiện tượng đa cộng tuyến hay không.
3.2.2.3 Tìm ma trận tương quan giữa các biến độc lập và biến phụ thuộc
Mục đích của việc này là tìm ra mối tương quan tuyến tính giữa các biến phụ thuộc và biến độc lập, từ đó kiểm tra xem mô hình đưa ra có phù hợp hay không. Có thể sử dụng nhiều công thức tính hệ số tương quan khác nhau cho những tình huống khác nhau, hệ số tương quan được biết đến nhiều nhất là hệ số tương quan Pearson được đề xuất đầu tiên bởi Francis Galton.
Hệ số tương quan bằng 1 trong trường hợp có tương quan tuyến tính đồng biến và -1 trong trường hợp tương quan tuyến tính nghịch biến. Các giá trị khác trong khoảng (-
1,1) cho biết mức độ phụ thuộc tuyến tính giữa các biến. Hệ số tương quan càng gần với -1 và 1 thì tương quan giữa các biến càng mạnh.
Nếu các biến là độc lập thống kê thì hệ số tương quan bằng 0. Tuy nhiên, phát biểu ngược lại không đúng, vì hệ số tương quan chỉ phát hiện tương quan tuyến tính giữa hai biến.
3.2.2.4 Mô hình Pooled OLS
Đối với mô hình Pooled OLS, giả định tất cả hệ số không thay đổi theo không gian và thời gian của các biến quan sát, tung độ gốc và độ dốc của các hệ số được giả định không đổi theo thời gian và cả theo từng biến. Theo Gujarati và Porter (2004) cách tiếp cận đơn giản nhất là định lượng dữ liệu mẫu bằng phương pháp bình phương nhỏ nhất thông thường.
Phương pháp bình phương bé nhất được sử dụng để ước lượng mối tương quan giữa các biến, phương pháp này do nhà toán học người Đức Carl Friedrich Gauss đưa ra.
Dựa trên các giả thiết nhất định, phương pháp bình phương bé nhất có một số tính chất thống kê hấp dẫn đã làm cho nó trở thành phương pháp phân tích hồi quy phổ biến nhất.
Kiểu tương quan đơn giản nhất là :
kết quả quá trình ước lượng các hệ số bo và b1 được gọi là bo mũ và b1 mũ. Các hệ số này được sử dụng để ước lượng biến phụ thuộc Yi mũ, chênh lệch giữa giá trị thực tế yi và yi mũ bằng sai số ei , phương trình mới được viết dưới dạng:
Mục đích của phương pháp bình phương bé nhất là tối thiểu hóa giá trị ei này 3.2.2.5 Mô hình những ảnh hưởng cố định (Fixed Effects Model – FEM)
Mô hình Fixed Effects Model – FEM có thể kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) này ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Để kiểm định lại xem với những số liệu ở Việt Nam trong thời kỳ nghiên cứu ngoài việc sử dụng phương pháp Pool OLS thì còn có phương pháp ước lượng khác cho kết quả tốt hơn không, nên tác giả sử dụng thêm mô hình những ảnh hưởng cố định để có sự so sánh, kiểm tra lại mức độ tương quan của các biến độc lập lên biến phụ thuộc, từ có đưa ra kết luận chắc chắn hơn về mô hình.
3.2.2.6 Mô hình các tác động ngẫu nhiên (Random Effects Model – REM) Ý tưởng cơ bản của mô hình này bắt đầu từ mô hình:
Thay vì trong mô hình những ảnh hưởng cố định - FEM thì β1i là cố định thì mô hình này chúng ta giả định rằng nó là biến ngẫu nhiên với β1 là giá trị trung bình của tất cả các hệ số chặn của các đối tượng nghiên cứu và là sai số ngẫu nhiên .
Các giả định trong mô hình này là các thành phần sai số của các đối tượng nghiên cứu không có tương quan với nhau, và không có tự tương quan giữa các đối tượng nghiên cứu và thời gian.
3.2.2.7 Kiểm định Hausman
Kiểm định Hausman được xây dựng vào năm 1978 nhằm kiểm định xem giữa mô hình những ảnh hưởng cố định Fixed Effects Model – FEM và mô hình các tác động ngẫu nhiên Random Effects Model – REM thì mô hình nào sẽ phù hợp hơn với các số liệu đang có, kiểm định này được thực hiện với giả thuyết sau:
H0: mô hình Random Effects là phù hợp
H1: mô hình Random Effects là không phù hợp
Khi giá trị P value <0,05 thì ta bác bỏ giả thuyết H0, khi đó sử dụng mô hình những ảnh hưởng cố định sẽ phù hợp hơn, và ngược lại
Khi giá trị P value > 0.05 lúc đó chấp nhận giả thuyết H0, tức sử dụng mô hình tác động ngẫu nhiên sẽ phù hợp hơn.