Luận văn Thạc sĩ Kinh tế: Đánh giá tác động của các biến kinh tế vĩ mô đến thị trường chứng khoán Việt Nam
9,068
279
88
32
Hypothesized
No. of CE(s)
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None *
0.191871
19.88727
15.49471
0.0102
At most 1 *
0.050795
3.909787
3.841466
0.0480
Kiểm định Trace và Max Eigen value đều cho thấy có 2 phương trình đồng
liên kết ở mức ý nghĩa 5%
Kiểm định đồng liên kết JJ giữa VN-Index và chỉ số sản xuất công nghiệp
Hypothesized
No. of CE(s)
Eigenvalue
Trace Statistic
0.05 Critical
Value
Prob.**
None
0.065232
5.240905
15.49471
0.7827
At most 1
0.002419
0.181630
3.841466
0.6700
Hypothesized
No. of CE(s)
Eigenvalue
Max-Eigen
Statistic
0.05 Critical
Value
Prob.**
None
0.065232
5.059276
14.26460
0.7343
At most 1
0.002419
0.181630
3.841466
0.6700
Kiểm định Trace và Max Eigen value đều cho thấy không có đồng liên kết ở
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ giữa VN-Index và cung tiền M2
Hypothesized
No. of CE(s)
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None
0.069564
9.188270
15.49471
0.3483
At most 1
0.049158
3.780581
3.841466
0.0518
Hypothesized
Eigenvalue
Max-Eigen
0.05
Prob.**
Hypothesized
No. of CE(s)
Eigenvalue
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None *
0.191871
15.97748
14.26460
0.0265
At most 1 *
0.050795
3.909787
3.841466
0.0480
33
No. of CE(s)
Statistic
Critical Value
None
0.069564
5.407689
14.26460
0.6897
At most 1
0.049158
3.780581
3.841466
0.0518
Kiểm định Trace và Max Eigen value đều cho thấy không có đồng liên kết ở
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ giữa VN-Index và tỷ giá EXC
Hypothesized
No. of CE(s)
Eigenvalue
Trace Statistic
0.05 Critical
Value
Prob.**
None
0.081801
6.411606
15.49471
0.6469
At most 1
0.000147
0.011023
3.841466
0.9161
Hypothesized
No. of CE(s)
Eigenvalue
Max-Eigen
Statistic
0.05 Critical
Value
Prob.**
None
0.081801
6.400582
14.26460
0.5624
At most 1
0.000147
0.011023
3.841466
0.9161
Kiểm định Trace và Max Eigen value đều cho thấy không có đồng liên kết ở
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ giữa VN-Index và CPI
Hypothesized
No. of CE(s)
Eigenvalue
Trace
Statistic
0.05
Critical Value
Prob.**
None
0.094778
8.808774
15.49471
0.3834
At most 1
0.017717
1.340653
3.841466
0.2469
Hypothesized
No. of CE(s)
Eigenvalue
Max-Eigen
Statistic
0.05
Critical Value
Prob.**
None
0.094778
7.468121
14.26460
0.4353
At most 1
0.017717
1.340653
3.841466
0.2469
34
Kiểm định Trace và Max Eigen value đều cho thấy không có đồng liên kết ở
mức ý nghĩa 5%
4.4 Kiểm định nhân quả Granger
Kiểm định đồng liên kết Johansen chỉ ra rằng tồn tại mối quan hệ dài hạn giữa
các biến, nhưng không chỉ ra được chiều hướng của các mối quan hệ. Tác giả sử
dụng kiểm định nhân quả Granger để xác định chiều hướng của các mối quan hệ
giữa các biến
Kiểm định nhân quả Granger (Gujarati, 2004)
Xét hai chuỗi thời gian Y
t
và X
t
. Câu hỏi đặt ra là mối quan hệ giữa Y
t
và X
t
là gì ? Y
t
tác động đến X
t
hay X
t
tác động đến tác động đến X
t
?.
t
n
j
n
j
jtjjtjt
utYXX
11
1 1
t
n
j
n
j
jtjjtjt
utXYY
22
1 1
Hồi quy X
t
theo biến trễ của X
t
và các biến khác nhưng không bao gồm biến
trễ của biến Y
t
(mô hình ràng buộc), ta có được tổng bình phương phần dư
của mô hình ràng buộc RSS
r
.
Hồi quy X
t
theo biến trễ của X
t
và các biến khác kể cả biến trễ của biến Y
t
(mô hình không ràng buộc, ta có được tổng bình phương phần dư của mô
hình không ràng buộc RSS
u
Xét phương trình, ta kiểm định giả thiết sau đây:
H
o
:
1
=
2
= ….=
m
= 0
Để kiểm định giả thiết đồng thời này, ta sử dụng thống kê F của kiểm định
Wald. Nếu giá trị thống kê F tính toán lớn hơn giá trị tới hạn F ở một mức
ý nghĩa xác định, ta bác bỏ giả thiết Ho và ngược lại
35
m: số biến trễ của mô hình
k: số biến giải thích trong mô hình không ràng buộc
Có bốn trường hợp xảy ra:
Nhân quả Granger một chiều từ X
t
sang Y
t
nếu các biến trễ của X
t
có tác
động lên Y
t
, nhưng các biến trễ của Y
t
không có tác động lên X
t
Nhân quả Granger một chiều từ Y
t
sang X
t
nếu các biến trễ của Y
t
có tác
động lên Xt, nhưng các biến trễ của X
t
không có tác động lên Y
t
.
Nhân quả Granger hai chiều giữa X
t
và Y
t
nếu các biến trễ của X
t
có tác
động lên Yt và các biến trễ của biến trễ của Y
t
có tác động lên X
t
Không có quan hệ nhân quả Granger giữa X
t
và Y
t
nếu các biến trễ của X
t
không có tác động lên Y
t
và các biến trễ của trễ của Y
t
không có tác động
lên X
t
.
Wing-Keung Wong (2005) có 2 trường hợp:
Một TTCK thực sự hiệu quả nếu không có mối quan hệ nhân quả hai chiều
nào giữa chỉ số giá chứng khoán và các biến vĩ mô
Một TTCK không hiệu quả về mặt thông tin khi có mối quan hệ nhân quả hai
chiều giữa chỉ số giá chứng khoán và các biến kinh tế vĩ mô, mối quan hệ
nhân quả một chiều từ biến vĩ mô sang chỉ số giá chứng khoán hoặc mối quan
hệ nhân quả một chiều từ chỉ số giá chứng khoán sang biến vĩ mô
Điều kiện để thực hiện kiểm định nhân quả Granger
Các biến kinh tế vĩ mô và chỉ số giá chứng khoán phải là các chuỗi dừng
và/hoặc đồng liên kết
36
Chiều hướng của mối quan hệ nhân quả có thể phụ thuộc vào số biến trong
mô hình hay việc lựa chọn độ trễ của các biến
Các phần dư không có hiện tượng tự tương quan
Bảng 4.6 : Kết quả kiểm định nhân quả Granger
Null Hypothesized
F-statistic
Probability
DLNCPI does not Granger Cause DIR
6.01621*
0.0011
DIR does not Granger Cause DLNCPI
0.44053
0.7248
DLNEXC does not Granger Cause DIR
0.06565
0.9779
DIR does not Granger Cause DLNEXC
0.58107
0.6294
DLNIPI does not Granger Cause DIR
1.27968
0.2884
DIR does not Granger Cause DLNIPI
2.36383***
0.0787
DLNM2 does not Granger Cause DIR
1.48146
0.2274
DIR does not Granger Cause DLNM2
0.66099
0.5789
DLNVNI does not Granger Cause DIR
0.87937
0.4563
DIR does not Granger Cause DLNVNI
4.42996*
0.0066
DLNEXC does not Granger Cause DLNCPI
1.77297
0.1606
DLNCPI does not Granger Cause DLNEXC
0.28866
0.8334
DLNIPI does not Granger Cause DLNCPI
1.23697
0.3031
DLNCPI does not Granger Cause DLNIPI
0.71621
0.5457
DLNM2 does not Granger Cause DLNCPI
1.19568
0.3180
DLNCPI does not Granger Cause DLNM2
2.27488***
0.0877
DLNVNI does not Granger Cause DLNCPI
1.33045
0.2717
DLNCPI does not Granger Cause DLNVNI
0.58582
0.6264
DLNIPI does not Granger Cause DLNEXC
0.46501
0.7077
DLNEXC does not Granger Cause DLNIPI
0.21785
0.8837
DLNM2 does not Granger Cause DLNEXC
5.20385*
0.0027
DLNEXC does not Granger Cause DLNM2
1.55736
0.2078
DLNVNI does not Granger Cause DLNEXC
1.62832
0.1909
DLNEXC does not Granger Cause DLNVNI
0.73719
0.5335
DLNM2 does not Granger Cause DLNIPI
2.95526**
0.0385
DLNIPI does not Granger Cause DLNM2
0.61038
0.6106
DLNVNI does not Granger Cause DLNIPI
0.63622
0.5943
DLNIPI does not Granger Cause DLNVNI
1.28717
0.2859
DLNVNI does not Granger Cause DLNM2
0.52688
0.6653
DLNM2 does not Granger Cause DLNVNI
0.97939
0.4077
(*), (**), (***) mức ý nghĩa tương ứng với 1%, 5% và 10%
37
Tóm tắt kết quả của kiểm định nhân quả Granger như sau
Có một nhân quả một chiều từ CPI đến thay đổi IR
Có một nhân quả một chiều từ IR đến thay đổi IPI
Có một nhân quả một chiều từ IR đến thay đổi VNI
Có một nhân quả một chiều từ CPI đến thay đổi M2
Có một nhân quả một chiều từ M2 đến thay đổi EXC
Có một nhân quả một chiều từ M2 đến thay đổi IPI
4.5 Kết quả mô hình VAR
Có thể nói VAR là một trong những mô hình phổ biến nhất trong nghiên cứu
định lượng các chính sách tiền tệ. VAR được phát triển bởi Christopher Sims
(đạt giải Nobel năm 2011). 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. Theo Sims, nếu tồn tại mối quan hệ đồng
thời giữa một số biến thì các biến này phải được xét vai tr như nhau, tức là
tất
cả các biến xét đến đều là biến nội sinh. Dựa trên tinh thần này, Sims đã xây
dựng mô hình tự hồi quy Vector VAR.
Gujarati (2004) VAR về cấu trúc gồm nhiều phương trình (mô hình hệ phương
trình) và có các trễ của các biến số. VAR là mô hình động của một số biến thời
gian. Xét hai chuỗi thời gian Y
1
và Y
2
, mô hình VAR tổng quát đối với Y
1
và Y
2
có dạng như sau:
38
Trong mô hình trên, mỗi phương trình đều có p biến trễ của mỗi biến. Với 2
biến, mô hình có 2
2
p hệ số góc và 2 hệ số chặn. Trong trường hợp tổng quát nếu
mô hình có k biến thì sẽ có k
2
p hệ số góc và k hệ số chặn, khi k càng lớn thì số
hệ số phải ước lượng càng tăng.
Đặc điểm của VAR:
Mỗi phương trình chỉ chứa các biến trễ của biến và các biến trễ của các biến
khác, không có biến hiện tại.
Số lượng biến trễ của các biến có thể khác nhau, nhưng trong hầu hết các
trường hợp, ta sử dụng số biến trễ giống nhau
Nếu chúng ta xem xét các biến trong mô hình với các độ trễ khác nhau thì sẽ
dẫn đến mô hình không thể kiểm soát được
Nếu mô hình VAR có n biến thì sẽ có tối đa (n-1) mối quan hệ đồng liên kết
Sử dụng phương pháp Johansen để xác định số lượng mối quan hệ đồng liên
kết giữa các biến.
Lựa chọn độ trễ tối ưu dựa vào các tiêu chuẩn như AIC và SIC
Một yêu cầu thực nghiệm của mô hình VAR đó là các chuỗi dữ liệu được sử
dụng phải dừng. Nếu điều kiện này không được thỏa mãn, ta phải biến đổi
dữ liệu một cách thích hợp, ví dụ bằng cách lấy sai phân bậc 1. Có 3 khả
năng có thể xảy ra như sau:
Nếu các chuỗi dữ liệu đều dừng tại I(0), thì sẽ ước lượng bằng phương
pháp OLS
Nếu các chuỗi dữ liệu đều dừng tại I(1), thì sẽ lấy sai phân bậc 1 và ước
lượng bằng phương pháp OLS
39
Nếu các chuỗi dữ liệu dừng tại I(1) và có hiện tượng đồng liên kết, ta
phải sử dụng Mô hình hiệu chỉnh sai số vector (VECM)
Ưu điểm của mô hình VAR
Nếu mô hình ARIMA chỉ tiến hành phân tích trên một chuỗi thời gian, thì
khi cần phân tích nhiều chuỗi thời gian khác nhau và cần phải xem xét mối
quan hệ giữa chúng thì mô hình VAR trở thành một sự lựa chọn phù hợp
Trong mô hình VAR không cần phải xác định biến nào là biến nội sinh, biến
nào là biến ngoại sinh
Hạn chế của VAR:
Khó khăn trong việc xác định độ trễ và số mẫu quan sát cần đưa vào mô
hình
Yêu cầu của mô hình VAR là tất cả các biến đều phải dừng. Nếu không
dừng thì phải dùng sai phân. Nhưng nếu mô hình gồm cả các biến không
dừng và biến dừng thì việc lấy sai phân là khó khắn và kết quả từ việc biến
đổi số liệu có thể dẫn đến sai lệch kết quả nghiên cứu
Nếu có một vài độ trễ trong phương trình, không phải lúc nào cũng có thể
giải thích từng hệ số, đặc biệt là các dấu trong hệ số thay đổi kế tiếp nhau. Vì
vậy người ta mới xem xét hàm phản ứng đẩy IRF được suy ra từ mô hình
VAR. IRF giúp phát hiện được phản ứng của biến trong mô hình VAR với
cú sốc của các hạng sai số.
IRF cho ta biết có hay không sự ảnh hưởng của cú sốc đến các biến còn lại
vì có thể tác động truyền dẫn của một cú sốc đến các biến còn lại là rất nhỏ
trong khi các biến khác ảnh hưởng lại lớn hơn. Do đó phải sử dụng phương
pháp phân rã phương sai để xem mức độ ảnh hưởng của một biến là bao
nhiêu.
40
Bảng 4.7: Kết quả kiểm định mô hình VAR
DLNVNI
DLNM2
DLNIPI
DLNEXC
DLNCPI
DIR
DLNVNI(-1)
0.308061
-0.006400
0.012632
-0.034154
0.009269
0.002992
(0.12599)
(0.02740)
(0.07101)
(0.01260)
(0.00786)
(0.01295)
[ 2.44513]**
[-0.23354]
[ 0.17790]
[-2.71119]*
[ 1.18001]
[ 0.23108]
DLNVNI(-2)
0.011175
0.014490
-0.004010
-0.005494
-0.003109
0.015254
(0.12615)
(0.02744)
(0.07110)
(0.01261)
(0.00787)
(0.01296)
[ 0.08858]
[ 0.52807]
[-0.05640]
[-0.43553]
[-0.39524]
[ 1.17660]
DLNVNI(-3)
-0.138723
-0.001304
0.049933
-0.012599
-0.002375
0.012949
(0.12112)
(0.02635)
(0.06827)
(0.01211)
(0.00755)
(0.01245)
[-1.14531]
[-0.04951]
[ 0.73145]
[-1.04030]
[-0.31452]
[ 1.04032]
DLNM2(-1)
-0.856951
-0.036066
-0.112977
0.032771
-0.005541
-0.108725
(0.61104)
(0.13291)
(0.34439)
(0.06110)
(0.03810)
(0.06280)
[-1.40244]
[-0.27135]
[-0.32805]
[ 0.53638]
[-0.14546]
[-1.73142]***
DLNM2(-2)
-0.865170
0.110206
-0.106001
0.011724
0.054111
0.070452
(0.61064)
(0.13282)
(0.34416)
(0.06106)
(0.03807)
(0.06275)
[-1.41682]
[ 0.82970]
[-0.30800]
[ 0.19202]
[ 1.42127]
[ 1.12267]
DLNM2(-3)
0.306686
-0.009866
0.917013
-0.271286
0.061970
0.085455
(0.63205)
(0.13748)
(0.35623)
(0.06320)
(0.03941)
(0.06495)
[ 0.48523]
[-0.07176]
[ 2.57423]**
[-4.29270]*
[ 1.57257]
[ 1.31562]
DLNIPI(-1)
0.211894
0.017958
-0.538732
-0.006626
0.016031
0.022180
(0.22660)
(0.04929)
(0.12771)
(0.02266)
(0.01413)
(0.02329)
[ 0.93510]
[ 0.36433]
[-4.21824]*
[-0.29245]
[ 1.13466]
[ 0.95247]
DLNIPI(-2)
-0.114030
0.015503
-0.395928
-0.019011
0.025296
0.053895
(0.23996)
(0.05220)
(0.13524)
(0.02399)
(0.01496)
(0.02466)
[-0.47520]
[ 0.29702]
[-2.92750]*
[-0.79233]
[ 1.69082]***
[ 2.18550]**
DLNIPI(-3)
0.001838
-0.047938
-0.256819
-0.000832
-0.001933
0.038015
(0.21579)
(0.04694)
(0.12162)
(0.02158)
(0.01345)
(0.02218)
[ 0.00852]
[-1.02130]
[-2.11162]**
[-0.03856]
[-0.14365]
[ 1.71423]***
DLNEXC(-1)
2.057148
-0.196408
0.307111
-0.104844
0.051565
0.074885
(1.21398)
(0.26406)
(0.68421)
(0.12138)
(0.07569)
(0.12476)
[ 1.69455]***
[-0.74380]
[ 0.44885]
[-0.86374]
[ 0.68127]
[ 0.60024]
DLNEXC(-2)
0.503719
-0.210567
-0.009250
-0.249055
0.122499
0.022812
41
(1.22322)
(0.26607)
(0.68942)
(0.12231)
(0.07627)
(0.12571)
[ 0.41180]
[-0.79139]
[-0.01342]
[-2.03630]**
[ 1.60622]
[ 0.18147]
DLNEXC(-3)
-0.494081
-0.466992
-0.609584
0.183504
-0.124018
-0.091174
(1.22892)
(0.26731)
(0.69263)
(0.12288)
(0.07662)
(0.12629)
[-0.40204]
[-1.74700]***
[-0.88010]
[ 1.49339]
[-1.61860]
[-0.72192]
DLNCPI(-1)
-0.666954
-0.173298
0.817750
0.129093
0.738817
0.721548
(2.22644)
(0.48429)
(1.25484)
(0.22262)
(0.13881)
(0.22881)
[-0.29956]
[-0.35784]
[ 0.65168]
[ 0.57989]
[ 5.32239]*
[ 3.15355]*
DLNCPI(-2)
-4.064992
-0.611944
-1.857282
-0.289665
0.137711
-0.027295
(2.57123)
(0.55929)
(1.44917)
(0.25709)
(0.16031)
(0.26424)
[-1.58095]
[-1.09415]
[-1.28162]
[-1.12670]
[ 0.85903]
[-0.10330]
DLNCPI(-3)
-0.117838
0.349283
2.462928
-0.144684
-0.041944
0.040080
(2.08376)
(0.45325)
(1.17443)
(0.20835)
(0.12992)
(0.21414)
[-0.05655]
[ 0.77062]
[ 2.09713]**
[-0.69443]
[-0.32285]
[ 0.18717]
DIR(-1)
2.363835
-0.019213
1.201506
0.035682
-0.040458
-0.144528
(1.27560)
(0.27746)
(0.71894)
(0.12754)
(0.07953)
(0.13109)
[ 1.85312]***
[-0.06924]
[ 1.67122]***
[ 0.27977]
[-0.50871]
[-1.10251]
DIR(-2)
2.110767
-0.158000
-0.345872
0.033945
0.017147
0.142263
(1.26735)
(0.27567)
(0.71429)
(0.12672)
(0.07902)
(0.13024)
[ 1.66550]***
[-0.57315]
[-0.48422]
[ 0.26787]
[ 0.21701]
[ 1.09230]
DIR(-3)
-2.932524
0.157197
-1.045289
0.167589
0.068894
-0.012810
(1.23064)
(0.26768)
(0.69360)
(0.12305)
(0.07673)
(0.12647)
[-2.38292]**
[ 0.58725]
[-1.50705]
[ 1.36197]
[ 0.89790]
[-0.10129]
C
0.057398
0.022206
-0.012039
0.010803
-0.000697
-0.008197
(0.03464)
(0.00753)
(0.01952)
(0.00346)
(0.00216)
(0.00356)
[ 1.65710]
[ 2.94729]
[-0.61667]
[ 3.11911]
[-0.32256]
[-2.30281]
R-squared
0.387807
0.210679
0.494165
0.383768
0.636099
0.393133
Adj.Rsquared
0.191031
-0.043031
0.331575
0.185693
0.519131
0.198069
t-statistic value: 1% - 2.639; 5% - 1.990 ,10% - 1.664
t kiểm định > t(, n-k) => bác bỏ H
o
(H
o
: hệ số không có ý nghĩa thống kê)