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

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)