3. PH NG PHÁP NGHIÊ NC U
3.1.2.1 Ph ng pháp xây d ng mô hình tt ng quát đn gin theo tr ng
LSE
Chi n l c xây d ng mô hình t t ng quát đ n đ n gi n (còn g i là top -down approach) đ c kh i x ng b i ông Hendry (1985) (tr ng phái kinh t l ng London - LSE). Ý
t ng c b n c a chi n l c ǹy l̀ mô hình đ u tiên s c n c vào toàn b các bi n mà d
li u có s n, đây l̀ m t quá trình hình thành mô hình t d li u (Data generate process - DGP). Sau đó lo i b t ng b c m t s bi n trong mô hình không gi i h n (Unrestricted model - U) b ng m t s tiêu chu n l a ch n th ng kê. u đi m c a cách l a ch n này là
kh n ng b sót bi n ít, đ chính xác c a mô hình cao.
Các b c bao g m:
B c 1: S d ng lý thuy t kinh t , nghiên c u tr c đây, v̀ kinh nghi m đ xác đ nh
m t mô hình t ng quát (trong tr ng h p này, "t ng quát" có ngh a l̀ m t mô hình bao g m t t c m i bi n có th có liên quan mà chúng ta có d li u). Ngoài nh ng bi n mà chúng ta có d li u chúng ta cò có th s d ng nh ng bi n đ c l p có đ tr , nh ng bi n đ c l p d ng phi tuy n, d ng bi n t ng tác. Vi c s d ng các bi n đ c l p có đ tr
c ng nh d ng phi tuy n v a nh m nh n d ng mô hình đúng theo b n ch t d li u mà
v a mang Ủ ngh a kinh t .
B c 2: c l ng mô hình.
B c 3: N u b t c h s nào trong nh ng h s c l ng không có Ủ ngh a th ng
kê, thì chúng ta nên b đi bi n ít Ủ ngh a nh t v̀ c l ng l i mô hình v i các bi n s còn l i. Nên lo i b t ng bi n m t b i vì nh h ng c a vi c lo i b lên các
ph ng sai c a nh ng bi n còn l i. N u h i qui l n th nh t cho chúng ta th y có hai
bi n không có Ủ ngh a th ng kê, thì bi n ít Ủ ngh a nh t s b b ra tr c, đi u này có
th l̀m t ng m c Ủ ngh a c a bi n kia.
Tiêu chu n th ng kê lo i b l̀ c n c vào p - value trong k t qu b ng h i qui.
• u tiên th nh t lo i b nh ng bi n đ c l p có p - value ≥ 90% (đi u ǹy có ngh a là xác xu t sai l m c a chúng ta là 90% n u không lo i b bi n ra kh i mô hình kinh t l ng).
• u tiên th nhì là lo i b nh ng bi n đ c l p có p - value ≥ 50%.
B c 4: S d ng ki m đnh Wald đ ki m tra mô hình cu i cùng (mô hình gi i h n-
Restricted model - R) so v i mô hình t ng quát ban đ u (mô hình không gi i h n - U).
3.1.2.2 Mô hình t h i quy véc t – VAR
Mô hình t h i quy v́c t –VAR đ c phát tri n b i Sims. Ông l̀ m t nh̀ khoa h c
kinh t ng i M đư đ c đ c trao gi i Nobel Kinh t n m 2011 cùng Thomas J. Sargent. Ông l̀ ng i c v s d ng mô hình VAR trong phân tích kinh t v mô th c
C ng hi n quan tr ng nh t c a Sims l̀ ông cho th y th c t có th s d ng d li u l ch s đ phân tích m i quan h nhân qu trong kinh t v mô, cho dù đó có l̀ m i quan h
hai m t. Nghiên c u c a Sims t p trung v̀o vi c phân bi t gi a nh ng thay đ i không
l ng tr c c a các bi n s kinh t v mô và nh ng thay đ i đã l ng tr c đ xác
đ nh tác đ ng c a chúng đ i v i các bi n s v mô quan tr ng. Sims đ xu t m t mô
hình m i giúp nh n di n, gi i thích các cú s c kinh t trong d li u l ch s , v̀ giúp
phân tích xem nh ng cú s c y d n d n tác đ ng ra sao t i các bi n s v mô khác. T
đó c ng l̀ n n t ng cho vi c ban h̀nh chính sách kinh t c a chính ph . Ph ng pháp
lu n c a Sims nói chung hay VAR nói riêng g m ba b c.
Th nh t, s d ng mô hình VAR đ d báo các bi n s kinh t v mô. ây l̀ m t mô
hình t ng đ i đ n gi n s d ng d li u chu i th i gian, theo đó các giá tr quan sát
tr c đó đ c dùng đ đ a ra các d báo chính xác nh t có th . Khác bi t gi a d báo
v̀ k t qu (l i d báo) đ i v i m t bi n c th đ c coi l̀ m t lo i “cú s c”, nh ng Sims cho th y nh ng l i d báo y không có Ủ ngh a kinh t rõ r̀ng. Ví d nh lưi su t b t ng thay đ i có th l̀ ph n ng tr c m t cú s c khác, ví d nh th t nghi p hay
l m phát, c ng có th chúng x y ra hòn tòn “đ c l p”. S thay đ i m t cách đ c l p
y đ c g i l̀ “cú s c c b n”.
Th hai, tách “cú s c c b n” ra, đây l̀ đi u ki n tiên quy t đ nghiên c u tác đ ng
c a vi c lưi su t thay đ i “đ c l p”.Th c t , m t trong nh ng đóng góp l n c a Sims
l̀ ch ng minh vi c đi t hi u bi t tòn di n cách th c v n h̀nh c a n n kinh t có th
đi t i nh n di n đ c các “cú s c c b n”.Sims v̀ các nh̀ nghiên c u ti p b c ông
đư phát tri n các ph ng pháp khác nhau đ nh n di n c a “cú s c c b n” trong mô
hình VAR.
Th ba, m t khi đư nh n di n đ c các “cú s c c b n” t d li u l ch s ta ti p t c là phân tích impulse-response (phân tích ph n ng đ y) v̀ k thu t phân rư ph ng sai đ minh h a tác đ ng c a các cú s c c b n đ i v i các bi n s v mô qua th i gian. V c u trúcVAR g m nhi u ph ng trình (mô hình h ph ng trình) và có các tr c a các bi n s . Mô hình VAR t ng quát g m 1 h các ph ng trình m̀ m i ph ng
trìnhcó d ng sau đây:
Trong đó:
Yt : Bi n (chu i th i gian) t i th i đi m t.
a : H ng s c a ph ng trình
Ai : H s c a m i bi n y có đ tr t-i.
t : Sai s (gi a ph ng trình d báo v̀ th c t ) t i th i đi m t.
p : tr (t i u)c a mô hình VAR.
Vi c ng d ng mô hình VAR c a Sims có nh ng u đi m sau đây:(i) Sims cho r ng
n u t n t i m i quan h đ ng th i gi a các bi n s thì các bi n này ph i đ c xét có vai trò nh nhau, r t khó đ có m t bi n hoàn toàn không nh h ng đ n bi n khác, t c là t t c các bi n xét đ n đ u là bi n n i sinh không c n xác đnh bi n nào là
bi n n i sinh và bi n nào là bi n ngo i sinh; (ii) ph ng pháp c a Sims cho th y kh
n ng phân tách các bi n đ ng b t ng trong các bi n v mô ra kh i các bi n đ ng đư
đ c k v ng nh m m c đích phân tích chính sách d i tác đ ng c a nh ng cú s c b t
ng , không đ c d tính tr c (iii) Không nh ng th ph ng pháp c a Sims còn giúp
các nhà kinh t c l ng đ c m c đ và th i gian ph n ng c a m t n n kinh t c th v i t ng lo i s c khác nhau qua hàm ph n ng đ y và phân rư ph ng sai. ây
đ c g i l̀ “quan đi m s c” trong VAR. Quan đi m này cho r ng ngo i tr các bi n
đ ng c u trúc b t ng , giá tr c a các bi n n i sinh đ u có th đ c k v ng. Do đó, VAR ch t p trung quan sát các thay đ i b t ng trong Y(t) gây ra b i các cú s c.
Các b c c b n khi th c hi n ki m đnh b ng mô hình VAR:
B c 1 : Th c hi n vi c ki m đ nh tính d ng c a các chu i s li u đ c s d ng
làm bi n s trong mô hình.
B c 2 : L a ch n đ tr phù h p cho mô hình
B c 4 : Ki m đ nh các nhân t tác đ ng thông qua mô hình hàm ph n ng đ y và phân rư ph ng sai.
3.2 D li u nghiên c u
D li u trong bài nghiên c u đ c thu th p, tính toán theo quý t n m 2000 đ n 2012. D li u đ c t ng h p, thu th p t nhi u ngu n khác nhau. đ m b o s chính xác cho chu i d li u trong quá trình x lỦ, đa s d li u đ c l y t các t ch c uy tín nh : IFS (T ch c th ng kê tài chính qu c t thu c IMF), T ng c c th ng kê VN (TCTK), Ngân hang Phát tri n Châu Á (ADB), Datastream… Các bi n đ c ch n nh sau:
Inflation, l m phát quá kh (%), ngu n IFS
L m phát quá kh l̀ c s quan tr ng đ ti n h̀nh đo l ng, d báo k v ng l m phát
và đ đánh giá s dai d ng hay quán tính c a s thay đ i giá c c ng nh h̀nh vi nhìn
v quá kh c a ng i dân Vi t Nam (backward-looking). Trong nghiên c u này l m phát s đ c tính theo quý d a trên CPI thu th p đ c, chu i d li u CPI hàng quý đ c tính toán t chu i d li u CPI hàng quý do IMF công b (n m 2005 = 100).
Output Gap, l h ng s n l ng (%), ngu n IMF, ADB
L h ng s n l ng (output gap) đ c đ nh ngh a l̀ s khác nhau gi a s n l ng đ u ra th c và s n l ng ti m n ng, l h ng s n l ng th hi n áp l c c a t ng c u. Output
Gap d ng th hi n s v t tr i c a s n l ng th c so v i ti m n ng, ph n ánh kinh t
phát tri n v t qua n ng su t dài h n, hay nói cách khác l̀ nó đư s d ng toàn b ngu n l c v̀ ng c l i.
Trong bài nghiên c u này, s d ng chu i d li u GDP th c t hàng quý Vi t Nam
sau khi đư đi u ch nh y u t mùa v và dùng b l c Hodrick-Prescott (HP) đ t o ra
chu i GDP ti m n ng (potential GDP). Bi n Output Gap trong bài s đ c tính b ng: Output Gap = (GDP th c – GDP ti m n ng)/GDP ti m n ng
Lãi su t th c đ i di n cho s tác đ ng c a chính sách ti n t , lãi su t th c đ c tính toán nh sau: Lãi su t th c = Lãi su t danh ngh a – l m phát, d li u lãi su t trong bài nghiên c u đ c tính toán theo quý. Lãi su t danh ngh a h̀ng quỦ đ c tính toán b ng cách bình quân lãi su t danh ngh a 3 tháng c a các k h n lãi su t.
G_EXPN, t c đ t ng tr ng c a chi tiêu Chính ph , ngu n ADB
Chi tiêu Chính ph đ i di n là bi n đ i di n cho chính sách tài khóa c a Chính ph .
T c đ t ng tr ng c a chi tiêu Chính ph theo quỦ đ c tính toán t chu i s li u chi
tiêu Chính ph hàng quý. Tuy nhiên, do không th tìm đ c s li u này theo quý mà ch có s li u h̀ng n m (t n m 2000 - 2012) theo th ng kê c a ADB nên bài nghiên
c u đư s d ng ph ng pháp n i suy (trên ph n m m Eview) đ tính chu i s li u chi
tiêu Chính ph theo quý.
G_Reer, % thay đ i t giá th c hi u l c, ngu n Datastream
đ i di n cho m c chi phí biên, bài nghiên c u l y s thay đ i t giá th c hi u l c (G_REER). Bi n REER là m c đ bi n thiên c a giá tr th c c a đ ng n i t so v i n m c s , đ ng th i là t giá m c tiêu cho n m (t), ch s ǹy đ c tính d a theo: m t n m c s (base), t giá danh ngh a, CPI, t tr ng th ng m i c a các đ i tác th ng m i. Các ngu n d li u liên quan tính toán trong công th c sau đ c l y t Datastream:
蚕産珊史蚕餐 : T giá VND và đ ng ti n n c i n m c s (1 ngo i t b ng bao nhiêu VND).
蚕嗣餐 : T giá VND và đ ng ti n n c i n m t
(1 ngo i t b ng bao nhiêu VND).
察皿薩嗣餐 : Ch s giá c a đ i tác th ng m i i n m t.
察皿薩嗣惨錆 : Ch s giá c a Vi t Nam n m t.
G_Oil price, % thay đ i giá d u, ngu n www.eia.gov.
G_Rice price, % thay đ i giá g o, ngu n http://www.fao.org.
4 N I DUNG VÀ K T QU NGHIÊN C U
4.1 Ki m đ nh tính d ng c a chu i d li u
M t quá trình ng u nhiên đ c coi là d ng n u nh trung bình v̀ ph ng sai c a nó không đ i theo th i gian và giá tr c a đ ng ph ng sai gi a hai th i đo n ch ph thu c vào kho ng cách v̀ đ tr v th i gian gi a hai th i đo n này ch không ph thu c vào th i đi m th c t m̀ đ ng ph ng sai đ c tính. Tính d ng c a hàm ng u nhiên s l̀m đ n gi n r t nhi u vi c th ng kê mô t nó, t đó giúp cho vi c d báo chúng b ng các ph ng pháp toán h c d d̀ng h n. Vì v y, tr c khi s d ng các hàm toán h c đ d báo, phân tích m t chu i th i gian c n xem xét tính d ng c a nó. Có nhi u cách đ ki m đ nh tính d ng c a chu i d li u, bài nghiên c u này s d ng ki m đnh Augmented Dickey – Fuller (ADF) đ xem xét tính d ng c a các bi n s trong mô hình. K t qu ki m đ nh nh sau:
B ng 4.1: K t qu ki m đ nh tính d ng c a các bi n nghiên c u
Bi n ADF
L m phát - Inflation (%) -4.483721***
L h ng s n l ng – Outputgap (%) -5.545983***
Lãi su t th c –Real_Int_Rate (%) -5.324517***
T c đ t ng c a chi tiêu chính ph - G_EXPN (%) -1.707857
Sai phân b c 1 bi n G_EXPN – D_G_EXPN (%) -10.10801***
Thay đ i c a t giá th c hi u l c – G_REER (%) -3. 383641**
Thay đ i c a giá d u – G_Oil (%) -6.862161***
Thay đ i c a giá g o – G_Rice (%) -5.643317***
T k t qu b ng 4.1, so sánh giá tr t k t qu ki m đnh ADF c a t ng bi n v i các giá tr t m c Ủ ngh a 1%, 5%, 10%, ta th y h u h t các bi n đ u d ng chu i d li u g c v i m c Ủ ngh a 1% v̀ 5%. Ch còn bi n t c đ t ng c a chi tiêu chính ph
(G_EXPN) ch a d ng chu i d li u g c (I(0)), mà d ng sai phân b c 1 (I(1)). Vì
v y, mô hình s đ c c l ng v i 6 bi n ban đ u là: Inflation, Outputgap, Real_Int_Rate, G_REER, G_Oil, G_Rice và sai phân b c nh t c a bi n: D_G_EXPN.
4.2 K t qu d báo k v ng l m phát theo mô hình ARIMA có tính mùa
Theo k t qu ki m tra tính d ng c a các bi n trên, chu i s li u l m phát d ng ngay chu i g c I(0) nên giá tr d=0. Vì đây l̀ chu i s li u theo quý nên s đo n c a m i mùa s = 4. xác đnh các giá tr p và q, ta d a v̀o l c đ t t ng quan v̀ t ng quan riêng ph n sau:
Nhìn trên l c đ PACF trong b ng 4.2, ta th y p có th là giá tr là 1 (PACF gi m
m nh sau đ tr l̀ 1 v̀ không có đnh khác) v̀ trên l c đ ACF thì q có th là giá tr
1 và 12 (ACF có đ nh t i 2 đ tr này). Nh v y, mô hình ARIMA có th là các giá tr sau: ARIMA(1,0,1)(1,0,1)4, ARIMA(1,0,12)(1,0,12)4. L n l t ch y 2 ph ng trình này trên Eview, k t qu cho th y các tham s c a các bi n c 2 ph ng trình đ u có ý