Luận văn Thạc sĩ Kinh tế: Đánh giá tác động của các biến kinh tế vĩ mô đến thị trường chứng khoán Việt Nam

8,983
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 mức ý nghĩa 5%
Kiểm định đồng liên kết JJ gia VN-Index và ch s sn xut công nghip
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
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ gia VN-Index và cung tin 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
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
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ gia VN-Index và t 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
mức ý nghĩa 5%
Kiểm định đồng liên kết JJ gia 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
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
mức ý nghĩa 5%
4.4 Kiểm định nhân qu Granger
Kiểm định đồng liên kết Johansen ch ra rng tn ti mi quan h dài hn gia
các biến, nhưng không chỉ ra được chiều hướng ca các mi quan h. Tác gi s
dng kiểm định nhân qu Granger đ xác định chiều hướng ca các mi quan h
gia các biến
Kiểm định nhân qu Granger (Gujarati, 2004)
Xét hai chui thi gian Y
t
và X
t
. Câu hỏi đặt ra là mi quan h gia 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
Hi quy X
t
theo biến tr ca X
t
và các biến khác nhưng không bao gồm biến
tr ca biến Y
t
(mô hình ràng buộc), ta được tổng bình phương phần dư
ca mô hình ràng buc RSS
r
.
Hi quy X
t
theo biến tr ca X
t
các biến khác k c biến tr ca biến Y
t
(mô hình không ràng buộc, ta được tổng bình phương phần dư của
hình không ràng buc RSS
u
Xét phương trình, ta kiểm định gi thiết sau đây:
H
o
:
1
=
2
= ….=
m
= 0
Để kiểm định gi thiết đồng thi này, ta s dng thng kê F ca kiểm định
Wald. Nếu giá tr thng kê F tính toán lớn hơn giá trị ti hn F mt mc
ý nghĩa xác định, ta bác b gi thiết Ho và ngược li
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: s biến tr ca mô hình
k: s biến gii thích trong mô hình không ràng buc
Có bốn trường hp xy ra:
Nhân qu Granger mt chiu t X
t
sang Y
t
nếu các biến tr ca X
t
tác
động lên Y
t
, nhưng các biến tr ca Y
t
không có tác động lên X
t
Nhân qu Granger mt chiu t Y
t
sang X
t
nếu các biến tr ca Y
t
tác
động lên Xt, nhưng các biến tr ca X
t
không có tác động lên Y
t
.
Nhân qu Granger hai chiu gia X
t
và Y
t
nếu các biến tr ca X
t
tác
động lên Yt và các biến tr ca biến tr ca Y
t
có tác đng lên X
t
Không có quan h nhân qu Granger gia X
t
và Y
t
nếu các biến tr ca X
t
không có tác động lên Y
t
và các biến tr ca tr ca Y
t
không có tác động
lên X
t
.
Wing-Keung Wong (2005) có 2 trưng hp:
Mt TTCK thc s hiu qu nếu không có mi quan h nhân qu hai chiu
nào gia ch s giá chng khoán và các biến vĩ mô
Mt TTCK không hiu qu v mt thông tin khi có mi quan h nhân qu hai
chiu gia ch s giá chng khoán và các biến kinh tế mô, mối quan h
nhân qu mt chiu t biến vĩ mô sang chỉ s giá chng khoán hoc mi quan
h nhân qu mt chiu t ch s giá chng khoán sang biến vĩ
Điu kiện để thc hin kiểm định nhân qu Granger
Các biến kinh tế chỉ s giá chng khoán phi các chui dng
và/hoc đng liên kết
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
Chiu hướng ca mi quan h nhân quth ph thuc vào s biến trong
mô hình hay vic la chọn độ tr ca các biến
Các phần dư không có hiện tượng t tương quan
Bng 4.6 : Kết qu kiểm định nhân qu 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 vi 1%, 5% và 10%
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 tt kết qu ca kiểm định nhân qu Granger như sau
Có mt nhân qu mt chiu t CPI đến thay đổi IR
Có mt nhân qu mt chiu t IR đến thay đổi IPI
Có mt nhân qu mt chiu t IR đến thay đổi VNI
Có mt nhân qu mt chiu t CPI đến thay đổi M2
Có mt nhân qu mt chiu t M2 đến thay đổi EXC
Có mt nhân qu mt chiu t M2 đến thay đổi IPI
4.5 Kết qu mô hình VAR
th nói VAR là mt trong nhng hình ph biến nht trong nghiên cu
định lượng các chính sách tin t. VAR được phát trin bi Christopher Sims
t giải Nobel năm 2011). Mối quan h gia các biến s kinh tế không đơn
thun ch theo mt chiu, biến độc lp (biến gii thích) ảnh hưởng lên biến ph
thuc mà trong nhiều trường hp nó còn ảnh hưởng ngược lại. Do đó ta phi
xem xét ảnh hưởng qua li gia các biến này cùng mt lúc. Chính vì thế mô hình
kinh tế ng mà chúng ta phải xét đến không phi là mô hình một phương trình
hình nhiều phương trình. Theo Sims, nếu tn ti mi quan h đồng
thi gia mt s biến thì các biến này phải được xét vai tr như nhau, tức là tt
c các biến xét đến đều là biến ni sinh. Da trên tinh thần này, Sims đã xây
dng mô hình t hi quy Vector VAR.
Gujarati (2004) VAR v cu trúc gm nhiều phương trình (mô hình hệ phương
trình) và có các tr ca các biến s. VAR là mô hình động ca mt s biến thi
gian. Xét hai chui thi gian Y
1
và Y
2
, mô hình VAR tổng quát đối vi Y
1
và Y
2
có dạng như sau:
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 hình trên, mỗi phương trình đều p biến tr ca mi biến. Vi 2
biến, mô hình có 2
2
p h s góc và 2 h s chặn. Trong trường hp tng quát nếu
mô hình có k biến thì s có k
2
p h s góc và k h s chn, khi k càng ln thì s
h s phi ước lượng càng tăng.
Đặc đim ca VAR:
Mỗi phương trình chỉ cha các biến tr ca biến và các biến tr ca các biến
khác, không có biến hin ti.
S ng biến tr ca các biến th khác nhau, nhưng trong hầu hết các
trưng hp, ta s dng s biến tr ging nhau
Nếu chúng ta xem xét các biến trong mô hình với các độ tr khác nhau thì s
dẫn đến mô hình không th kiểm soát được
Nếu mô hình VAR có n biến thì s có tối đa (n-1) mi quan h đồng liên kết
S dụng phương pháp Johansen để xác định s ng mi quan h đồng liên
kết gia các biến.
La chọn độ tr tối ưu dựa vào các tiêu chuẩn như AIC và SIC
Mt yêu cu thc nghim của mô hình VAR đó là các chuỗi d liệu được s
dng phi dng. Nếu điều kiện này không đưc tha mãn, ta phi biến đổi
d liu mt cách thích hp, d bng cách ly sai phân bc 1. 3 kh
năng có thể xảy ra như sau:
Nếu các chui d liệu đều dng ti I(0), thì s ước lượng bằng phương
pháp OLS
Nếu các chui d liệu đều dng ti I(1), thì s ly sai phân bậc 1 và ước
ng bằng phương pháp OLS
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 chui d liu dng ti I(1) hiện tượng đng liên kết, ta
phi s dng Mô hình hiu chnh sai s vector (VECM)
Ưu điểm ca mô hình VAR
Nếu mô hình ARIMA ch tiến hành phân tích trên mt chui thi gian, thì
khi cn phân tích nhiu chui thi gian khác nhau và cn phi xem xét mi
quan h gia chúng thì mô hình VAR tr thành mt s la chn phù hp
Trong mô hình VAR không cn phải xác định biến nào là biến ni sinh, biến
nào là biến ngoi sinh
Hn chế ca VAR:
Khó khăn trong việc xác định độ tr s mu quan sát cần đưa vào
hình
Yêu cu ca hình VAR tt c các biến đều phi dng. Nếu không
dng thì phải dùng sai phân. Nhưng nếu hình gm c các biến không
dng và biến dng thì vic ly sai phân là khó khn và kết qu t vic biến
đổi s liu có th dẫn đến sai lch kết qu nghiên cu
Nếu có một vài độ tr trong phương trình, không phải lúc nào cũng có thể
gii thích tng h số, đặc bit là các du trong h s thay đổi kế tiếp nhau. Vì
vậy người ta mi xem xét hàm phn ng đẩy IRF được suy ra thình
VAR. IRF giúp phát hiện được phn ng ca biến trong mô hình VAR vi
cú sc ca các hng sai s.
IRF cho ta biết có hay không s ảnh hưởng ca cú sốc đến các biến còn li
vì có th tác động truyn dn ca mt cú sốc đến các biến còn li là rt nh
trong khi các biến khác ảnh hưởng li lớn hơn. Do đó phải s dụng phương
pháp phân phương sai để xem mức độ ảnh hưởng ca mt biến bao
nhiêu.
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
Bng 4.7: Kết qu 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
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 b H
o
(H
o
: h s không có ý nghĩa thống kê)
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)