Luận văn Thạc sĩ Kinh tế: Đánh giá tác động của các biến kinh tế vĩ mô đến thị trường chứng khoán Việt Nam
9,054
279
88
22
Bài nghiên cứu sử dụng tỷ giá USD/VND vì hầu hết các hoạt động xuất nhập
khẩu trong nền kinh tế Việt Nam đều được chi trả chủ yếu bằng đồng USD.
Do đó, biến động tỷ giá USD/VND đều ảnh hưởng đến hoạt động kinh tế của
Việt Nam.
Tóm lại, mô hình sử dụng trong nghiên cứu, tôi sử dụng 5 biến vĩ mô bao
gồm:
- Thay đổi chỉ số sản xuất công nghiệp (IPI)
- Thay đổi trong chỉ số giá tiêu dùng (CPI) tương đương với lạm phát
- Thay đổi trong cung tiền (M2)
- Thay đổi trong tỷ giá VND/USD (EXC)
- Lãi suất (IR) được đo lường bằng lãi suất huy động do Ngân hàng Nhà
nước công bố.
Nguồn dữ liệu và cách xử lý số liệu ban đầu như sau:
Chỉ số VN-Index theo tháng: chỉ số VN-Index đóng cửa ngày cuối cùng
trong tháng. Nguồn: HOSE
Tỷ giá hối đoái danh nghĩa USD/VND cuối tháng. Nguồn: Bộ Tài chính,
IFS (International Financial Statistics).
Cung tiền (M2): gồm cung tiền cơ sở và tiền gửi tại các tổ chức tín dụng,
cuối tháng. Nguồn: IMF
Lãi suất (IR): được đo lường bằng lãi suất huy động do ngân hàng nhà
nước công bố. Dữ liệu được lấy cuối hằng tháng. Nguồn: Ngân hàng nhà
nước Việt Nam.
Lạm phát: CPI - Chỉ số giá tiêu dùng cuối tháng. Nguồn: Tổng cục Thống
kê.
23
Chỉ số giá trị sản lượng công nghiệp (IPI): sử dụng giá trị IPI cuối tháng.
Nguồn: Tổng cục Thống kê.
Bảng 3.2: Tổng hợp các biến sử dụng trong mô hình
Tên biến
Ký hiệu
Cách tính
Chỉ số chứng khoán
VN-INDEX
VNI
Logarit tự nhiên của chỉ số VN-INDEX cuối
tháng (trung bình có trọng số theo vốn hoá thị
trường của các cổ phiếu niêm yết trên HOSE
cuối tháng)
Chỉ số giá tiêu dùng
CPI
Logarit tự nhiên của chỉ số giá tiêu dùng cuối
tháng
Chỉ sồ sản xuất
công nghiệp
IP
Logarit tự nhiên của chỉ số sản xuất công
nghiệp cuối tháng
Tăng trưởng cung tiền
M2
Logarit tự nhiên của cung tiền M2 cuối tháng
Thay đổi tỷ giá
VND/USD
RER
Logarit tự nhiên của tỷ giá hối đoái danh nghĩa
cuối tháng
Lãi suất huy động
EXP
Lãi suất huy động do ngân hàng nhà nước
công bố hằng tháng
Bảng 3.3: Thống kê mô tả các biến đƣợc sử dụng trong nghiên cứu
LNM2
LNIPI
LNEXC
LNCPI
LNVNI
IR
Mean
14.23412
4.938685
9.792933
5.239055
6.240621
0.103395
Median
14.33792
4.923584
9.785998
5.248923
6.177861
0.099600
Maximum
14.74677
5.231914
9.953895
5.600569
7.036755
0.169200
Minimum
13.48292
4.694414
9.674703
4.879864
5.504274
0.069900
Std. Dev.
0.401885
0.150474
0.105105
0.231129
0.349167
0.030427
Skewness
-0.431065
0.126752
0.305994
-0.008916
0.747185
0.592257
24
Kurtosis
1.802029
1.628318
1.533481
1.817005
3.103783
2.011453
Jarque-Bera
7.170576
6.404843
8.312147
4.607658
7.386208
7.835144
Probability
0.027729
0.040664
0.015669
0.099876
0.024895
0.019889
Sum
1124.496
390.1561
773.6417
413.8853
493.0091
8.168200
Sum Sq. Dev.
12.59789
1.766109
0.861678
4.166798
9.509594
0.072211
Observations
79
79
79
79
79
79
3.2 Phƣơng pháp: Các bước thực hịên trong quá trình chạy mô hình
Giả thuyết của mô hình:
Giả thuyết 1: Có mối quan hệ ngược chiều giữa lạm phát và VN-Index
Giả thuyết 2: Có mối tương quan cùng chiều giữa chỉ số sản xuất công
nghiệp và VN-Index.
Giả thuyết 3: Có mối tương quan cùng chiều/ngược chiều giữa tỷ giá và VN-
Index.
Giả thuyết 4: Có mối tương quan cùng chiều giữa cung tiền và VN-Index.
Giả thuyết 6: Có mối tương quan ngược chiều giữa lãi suất và VN-Index.
Bài nghiên cứu sử dụng mô hình tự hồi quy vector VAR vì mối quan hệ giữa các
biến số kinh tế không đơn thuần chỉ theo một chiều, biến độc lập (biến giải
thích)
ảnh hưởng lên biến phụ thuộc mà trong nhiều trường hợp nó còn có ảnh hưởng
ngược lại. Do đó ta phải xem xét ảnh hưởng qua lại giữa các biến này cùng một
lúc. Chính vì thế mô hình kinh tế lượng mà chúng ta phải xét đến không phải là
mô hình một phương trình mà là mô hình nhiều phương trình. Các bước thực
hịên trong quá trình chạy mô hình:
Đầu tiên, tác giả thực hiện kiểm định nghiệm đơn vị để xem xét tính dừng và
không dừng của các chuỗi thời gian của các biến trong mô hình thực nghiệm,
sử dụng phương pháp kiểm định là Augmented Dickey-Fuller (ADF) test.
25
Nếu dữ liệu chưa dừng thì sử dụng phương pháp sai phân để biến đổi chuỗi
về dừng.
Thứ 2: Chọn các bước trễ tối ưu cho các biến trong mô hình bằng cách sử
dụng các tiêu chuẩn SC, AIC, HQ, FPE, LR.
Thứ 3: Kiểm định đồng liên kết Johansen: phân tích mối quan hệ dài hạn
giữa các biến.
Thứ 4: Kiểm định nhân quả Granger (hai biến và đa biến): xác định chiều
hướng của các mối quan hệ giữa các biến.
Thứ 5: Hồi quy vector VAR (vector autorregression model) được sử dụng để
xem xét ảnh hưởng của các biến vĩ mô đến VN-Index và tương quan giữa các
biến vĩ mô.
Thứ 6: Phân rã phương sai (variance decomposition) và hàm phản ứng đẩy
(Impulse response function): phân tích mức độ ảnh hưởng giữa các nhân tố
khi xảy ra cú sốc trong hệ thống.
4. KẾT QUẢ NGHIÊN CỨU
4.1 Kiểm định tín dừng
Trước hết, tác giả kiểm tra tính dừng của các biến vì nếu các chuỗi số liệu là
không dừng thì có thể dẫn đến hiện tượng hồi quy giả mạo.
Gujarati (2004), tính dừng của chuỗi dữ liệu:
Xét Y
t
là một chuỗi thời gian ngẫu nhiên có các tính chất sau:
Nếu Yt là dừng thì trung bình, phương sai và các tự đồng phương sai của
Y
t+m
phải đúng bằng trung bình, phương sai và các tự đồng phương sai của
26
các tự đồng phương sai của Yt. Nếu một chuỗi thời gian không phải là dừng
theo cách xác định ở trên thì nó được gọi là chuỗi thời gian không dừng.
Có thể kiểm định tính dừng bằng biểu đồ tương quan hoặc kiểm định nghiệm
đơn vị.
Kiểm định nghiệm đơn vị đối với tính dừng - Unit Root Test (Nguyễn Trọng
Hoài và cộng sự (2009)):
Kiểm định Dickey – Fuller (1979): được áp dụng đối với các hồi quy được
thực hiện ở các dạng sau:
Y
t
= Y
t-1
+ u
t
Y
t
=
1
+ Y
t-1
+ u
t
Y
t
=
1
+
2
t + Y
t-1
+ u
t
Giả thuyết H
o
: = 0 (tức là có nghiệm đơn vị và Y
t
là không dừng)
Giả thuyết H
1
: 0
Kiểm định Augmented Dickey – Fuller ADF (1981)
Khi kiểm định DF được áp dụng cho mô hình trên, được gọi là kiểm định
gia tăng Dickey – Fuller (ADF). Trị thống kê của kiểm định ADF có cùng
một phân bổ tiệm cận giống như trị thống kê DF, do vậy có thể sử dụng
các giá trị tới hạn giống nhau.
Giả thuyết H
o
: = 0 (tức là có nghiệm đơn vị và Y
t
là không dừng)
Giả thuyết H
1
: 0
27
Nếu trị thống kê tau () nhỏ hơn các trị thống kê tới hạn tại các mức ý
nghĩa của DF, ADF thì chấp nhận giả thiết H
o
, nghĩa là chuỗi thời gian có
nghiệm đơn vị, nói cách khác chuỗi thời gian là không dừng.
Hồi quy giả mạo (Gujarati, 2004):
Khi hồi quy với các chuỗi thời gian, có thể kết quả hồi quy này là giả mạo
do các chuỗi này có cùng xu thế. Điều này thường xảy ra trong kinh tế.
Ước lượng của các hệ số hồi quy không phải chỉ chịu ảnh hưởng của biến
độc lập đến biến phụ thuộc mà còn bao hàm xu thế.
Các chuỗi dữ liệu không dừng có thể dẫn đến hồi quy giả mạo. Trong hồi
quy giả mạo thì R
2
thường khá cao, t khá lớn nhưng hệ số Durbin Watson
d khá nhỏ. Khi đó các tiêu chuẩn t và F là không sử dụng được.
Theo Granger và Newbold thì R
2
> d là dấu hiệu hồi quy giả mạo.
(Gujarati, 2004, p.806-807)
Để khắc phục hồi quy giả mạo, người ta đưa thêm biến xu thế vào mô
hình. Tuy nhiên việc đưa thêm biến xu thế vào mô hình chỉ chấp nhận
được khi biến này là phi ngẫu nhiên.
Bảng 4.1: Kết quả kiểm định tính dừng bằng ADF
Biến
Chuỗi gốc
P-value
Chuỗi sai phân bậc 1
P-value
Kết quả
CPI
-0.351212
0.9113
-3.795405
0.0044
I(1)
EXC
-0.025158
0.9529
-9.079260
0.0000
I(1)
IPI
-0.417176
0.9000
-8.524811
0.0000
I(1)
IR
-1.835717
0.3608
-7.681207
0.0000
I(1)
M2
-2.239160
0.1944
-8.540447
0.0000
I(1)
VNI
-2.186557
0.2128
-6.265281
0.0000
I(1)
28
Test critical values: 1% level: -3.517847; 5% level: -2.899619; 10% level: -
2.587134
Theo kết quả của kiểm định ADF, tất cả các chuỗi dữ liệu gốc đều không dừng
nhưng đều dừng ở sai phân bậc 1.
4.2 Xác định biến trễ thích hợp
Xác định đỗ trễ thích hợp là rất quan trọng vì nếu độ trễ quá ngắn thì mô hình
có
thể không được xác định chính xác, trong khi đó nếu độ trễ quá lớn thì sẽ làm
cho bậc tự do giảm, ước lượng sẽ không có hiệu quả.
Dựa vào các tiêu chuẩn thông tin để xác định độ phù hợp của mô hình (sai số mô
hình càng nhỏ càng tốt) hay nói cách khác việc có nhiều biến trong mô hình dẫn
đến dự báo không hiệu quả. Do đó, các tiêu chuẩn thông tin có thể kết hợp để lựa
chọn độ trễ tối ưu của mô hình. Các tiêu chuẩn thông tin thường được sử dụng là
AIC, BSC, HQ, LR.
Bảng 4.2: Xác định độ trễ tối ƣu
Lag
LogL
LR
FPE
AIC
SC
HQ
0
974.4743
NA
5.72e-20
-27.28097
-27.08975*
-27.20493
1
1032.178
104.0297
3.11e-20*
-27.89235*
-26.55386
-27.36007*
2
1056.303
39.41519
4.44e-20
-27.55783
-25.07207
-26.56932
3
1102.745
68.02772*
3.50e-20
-27.85197
-24.21894
-26.40723
4
1126.122
30.29152
5.57e-20
-27.49640
-22.71609
-25.59542
5
1145.161
21.45254
1.08e-19
-27.01863
-21.09105
-24.66142
6
1181.547
34.84869
1.45e-19
-27.02951
-19.95465
-24.21606
7
1211.675
23.76239
2.76e-19
-26.86408
-18.64195
-23.59440
Kết quả: độ trễ theo SC (Schwartz Criterion) là 0, theo HQ (Hannan Quinn), FPE
(Final Prediction Error), AIC (Akaike Information Criterion) là 1, theo
Loglikely
ratio (LR) là 03. Để giải quyết vấn đề này, chúng ta sử dụng một phương pháp
29
khác dựa trên phần dư của VAR (các phần dư không có tương quan). Sử dụng
kiểm định Kiểm định Portmanteau
Bảng 4.3: Kiểm định Portmanteau
Lags
Q-Stat
Prob.
Adj Q-Stat
Prob.
df
1
6.828201
NA*
6.919244
NA*
NA*
2
16.36086
NA*
16.70954
NA*
NA*
3
81.47072
0.0000
84.49515
0.0000
36
4
94.13385
0.0411
97.86179
0.0230
72
5
113.9533
0.3289
119.0770
0.2194
108
6
164.5201
0.1161
173.9781
0.0450
144
7
186.5801
0.3528
198.2761
0.1667
180
8
208.1581
0.6367
222.3927
0.3682
216
9
254.5453
0.4433
275.0109
0.1527
252
10
278.6964
0.6421
302.8213
0.2627
288
11
319.0066
0.5679
349.9532
0.1540
324
12
378.9017
0.2366
421.0787
0.0145
360
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
Kết quả: dựa vào Kiểm định Portmanteau, chọn độ trễ tối ưu là 3.
4.3 Kiểm định đồng liên kết Johansen
Đồng liên kết (Gujarati, 2004)
Theo Engel và Granger (1987), nếu kết hợp tuyến tính của các chuỗi thời
gian không dừng có thể là một chuỗi dừng và các chuỗi thời gian không dừng
đó được cho là đồng liên kết.
Kết hợp tuyến tính dừng được gọi là phương trình đồng liên kết và có thể
được giải thích như mối quan hệ cân bằng dài hạn giữa các biến. Nói cách
khác, nếu phần dư trong mô hình hồi quy giữa các chuỗi thời gian không
dừng là một chuỗi dừng thì kết quả hồi quy là thực và thể hiện mối quan hệ
cân bằng dài hạn giữa các biến trong mô hình.
Nếu mô hình là đồng liên kết thì sẽ không xảy ra trường hợp hồi quy giả
mạo, khi có các kiểm định dựa trên tiêu chuẩn t và F vẫn có ý nghĩa. Có
30
nhiều phương pháp để kiểm định đồng liên kết như kiểm định Engel –
Granger (EG), hoặc Augmenteg Engel – Granger (AEG) hoặc kiểm định
Johansen,…
Để kiểm tra mối quan hệ trong dài hạn giữa các biến, tác giả sử dụng kiểm định
đồng liên kết Johansen-Juselius 02 biến và đa biến được phát triển bởi Johansen
(1988) và Johansen & Juselius (1990). Đây là kỹ thuật kiểm định đồng liên kết
được sử dụng phổ biến nhất trong việc áp dụng nguyên tắc hợp lý cực đại nhằm
xác định sự tồn tại của các vector đồng liên kết giữa các chuỗi thời gian không
dừng. (Ssekuma, 2011)
Kiểm định Johansen dựa trên nền tảng là mô hình VAR, bao gồm 2 kiểm
định là Trace test mà Maximum eigenvalue test, gọi số vector đồng liên kết
trong hệ thống là r
Trace test:
H
0
: số vector đồng liên kết nhỏ hơn hoặc bằng r và ngược lại là giả
thuyết H
1
Nếu Trace statistics < Critical value thì chấp nhận giả thiết H
0
(không
có đồng liên kết và ngược lại)
Eigenvalue test
H0: có r vector đồng liên kết
H1: có r+1 vector đồng liên kết
Kết quả kiểm định Johansen đa biến
Thực hiện kiểm định đồng liên kết giữa nhóm biến VN-Index, tỷ giá, lãi suất,
lạm phát, cung tiền M2 và chỉ số sản xuất công nghiệp.
31
Bảng 4.4: Kết quả kiểm định Johansen đa biến
Null
Hypothesized
Eigenvalue
Trace
Statistic
0.05
Critical
Value
Max-
Eigen
Statistic
0.05
Critical
Value
r = 0
*
0.520552
131.1289
95.75366
55.86914
40.07757
r ≤ 1
*
0.364331
75.25979
69.81889
34.43381
33.87687
r ≤ 2
0.272840
40.82598
47.85613
24.21422
27.58434
r ≤ 3
0.100735
16.61176
29.79707
8.069459
21.13162
r ≤ 4
0.084722
8.542305
15.49471
6.728111
14.26460
r ≤ 5
0.023588
1.814194
3.841466
1.814194
3.841466
Với sự hỗ trợ của phần mềm thống kê Eview, kết quả cho thấy cả hai kiểm định
mà phương pháp Johansen và Juselius (1990) đưa ra là kiểm định theo thống kê
Trace và kiểm định giá trị riêng cực đại của ma trận (Maximal Eigenvalue) đều
bác bỏ giả thuyết không tồn tại vector đồng liên kết và khẳng định rằng có tồn
tại ít nhất 02 vector đồng liên kết của các biến trong mô hình ở mức ý nghĩa 5%.
Kết quả kiểm định Johansen hai biến
Xem xét mối quan hệ đồng liên kết trong dài hạn giữa các cặp biến VN-
Index và biến động tỷ giá, VN-Index và lãi suất, VN-Index và chỉ số sản xuất
công ngiệp, VN-Index và lạm phát, VNI-Index và cung tiền M2 dựa trên
kiểm định Maximum Eigenvalue Test và Trace Statistic.
Kết quả kiểm định đồng liên kết JJ cho từng cặp biến được trình bày trong
Bảng 7. Trong đó, có mối tương quan đồng liên kết trong dài hạn giữa VN-
Index và lãi suất trong mô hình 2 biến. Đồng thời, không có mối tương quan
đồng liên kết trong dài hạn giữa VN-Index và các biến chỉ số sản xuất công
nghiệp, lạm phát và biến động tỷ giá, cung tiền M
2
.
Bảng 4.5: Kết quả kiểm định Johansen hai biến
Kiểm định đồng liên kết JJ giữa VN-Index và lãi suất IR