Độ Trễ P, Q Trong Mô Hình Arch/garch Khi Ước Lượng Độ Biến Động Lạm Phát

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU‌

3.1 Mô hình nghiên cứu‌

Để tiến hành kiểm định mối quan hệ giữa bất ổn vĩ mô mà cụ thể là biến động lạm phát và sự phân bổ nguồn cho vay của các ngân hàng đại diện bằng chỉ tiêu độ phân tán tỷ lệ cho vay trên tổng tài sản. Các giả thuyết và mô hình nghiên cứu thực nghiệm tương tự như giả thuyết của Beaudry và cộng sự (2001) và Mustafa, Bing (2016). Theo quan điểm này, khi sự biến động của lạm phát thấp, cơ chế hình thành giá cả sẽ được vận hành hiệu quả. Trong trường hợp như vậy, các nhà quản lý ngân hàng có thể xếp hạng các dự án liên quan đến nhau và phân bổ các nguồn có thể cho vay để sử dụng tốt nhất. Tuy nhiên, nếu sự biến động của lạm phát tăng cao, do tín hiệu nhiễu cao, việc sử dụng cơ chế giá để khai thác thông tin về tính xác đáng của dự án gặp nhiều khó khăn hơn. Do đó, các ngân hàng trở nên thận trọng trong hoạt động cho vay và có xu hướng hành xử tương tự nhau. Hành vi này của các nhà quản lý ngân hàng có thể được nắm bắt bằng cách quan sát mối liên hệ giữa sự phân tán tỷ lệ cho vay trên tổng tài sản và sự biến động của lạm phát. Sự gia tăng tính biến động của lạm phát sẽ dẫn đến việc thu hẹp sự phân tán tỷ lệ nợ trên tài sản và ngược lại. Để hỗ trợ cho giả thuyết này, bài nghiên cứu xem xét bảng dữ liệu của các ngân hàng thu thập được từ một số quốc gia Châu Á và sử dụng mô hình sau:

TÆ

Dispj,t (Loans) = α + þ1ℎj,t + wj+ cj,t (1)

Trong đó biến phụ thuộc, Dispj,t (Loans/TA), đại diện cho sự phân tán tỷ lệ nợ trên tổng tài sản của các ngân hàng tại quốc gia j vào thời điểm t. Biến giải thích, ℎj,t là thước đo sự biến động của lạm phát của nước j cụ thể theo thời gian. Sự biến động của lạm phát được đo bằng phương sai có điều kiện từ mô hình ARCH/GARCH để giải thích sự khác biệt của chỉ số giá tiêu dùng.

Hồi quy dữ liệu bảng có thể được tiến hành bằng nhiều phương pháp khác nhau như phương pháp bình phương nhỏ nhất-Ordinary Least Square (OLS), Fixed-effects

model (FEM) hay Random-effects model (REM). Tuy nhiên, đối với dạng dữ liệu bảng hỗn hợp (panel data) thì OLS không phải là một lựa chọn hợp lý vì phương pháp này là phương pháp ước lượng đơn giản nhất và trong trường hợp này OLS có thể làm cho các hệ số ước lượng không đồng nhất và thiếu hiệu quả, tức là ước lượng không nhất quán (bị chệch) và khả năng mức ý nghĩa thống kê không còn chính xác. Để giải quyết vấn đề này, mô hình hồi quy được đưa thêm vào các hiệu ứng cố định theo thời gian cụ thể của quốc gia j. Ký hiệu cuối cùng trong mô hình, j, t, biểu thị sai số thường gặp liên quan đến quốc gia j tại thời điểm t. FEM được phát triển từ mô hình Pooled OLS khi có thêm kiểm soát được từng đặc điểm khác nhau giữa các quốc gia j, và có sự tương quan giữa phần dư của mô hình và các biến độc lập. Trong khi đó REM lại không có sự tương quan giữa phần dư của mô hình và các biến độc lập. Để lựa chọn mô hình thích hợp kiểm định Hausman được sử dụng và đi đến kết quả mô hình FE có ưu thế hơn RE.

Trong các mô hình ước lượng, tuỳ chọn robust standard errors được đưa vào để tránh hiện tượng phương sai thay đổi và tự tương quan.

Tuy nhiên, đây là một mô hình giản đơn và phải đưa thêm các biến kiểm soát khác nhau vào mô hình để tránh lỗi sai lệch. Biến kiểm soát là những biến chỉ đặc điểm riêng có được đưa vào mô hình nhằm làm giảm bất cứ tác động nào có thể gây nhiễu cho các nhân tố khác hoặc cho việc diễn giải kết quả của nghiên cứu. Biến kiểm soát cũng có một ảnh hưởng tiềm năng vào biến phụ thuộc như biến độc lập, nhưng sự tác động đó không phải là điều mà ta đang quan tâm. Bên cạnh đó, việc đưa biến kiểm soát vào mô hình phân tích vì ta không thể bỏ qua sự tác động của nó khi xem xét các tác động của biến độc lập.

Chính vì vậy, trong mô hình hồi quy (1), các biến kiểm soát sau được đưa vào bao gồm tốc độ tăng trưởng GDP (∆GDP), biến giả để nắm bắt mức độ ảnh hưởng của cuộc khủng hoảng tài chính (dumFC) cũng như biến tương tác giữa biến giả khủng hoảng tài chính và biến biến động lạm phát (dumFC * ℎ^) để nắm bắt hiệu ứng biến

động đã thay đổi sau cuộc khủng hoảng tài chính. Ngoài ra, một số biến kiểm soát được thêm vào để nắm bắt những tác động bất ổn xuất phát từ thị trường tài chính và hàng hóa (đánh giá sự ổn định của nền kinh tế vĩ mô) đo lường sự biến động của thị trường chứng khoán (VolStock), giá dầu (Vol0i1) và hai biến còn lại nắm bắt mức độ rủi ro – sinh lợi của ngành ngân hàng của từng quốc gia: rủi ro ngân hàng (BankRisks), và tỷ suất sinh lợi trung bình của ngân hàng (BankReturns). Mô hình cuối cùng sau khi thêm vào hiệu ứng cố định và các biến kiểm soát có dạng như sau:

TÆ

Dispj,t (Loans) = α + þ1ℎj,t + yZj,t + wj+ i. yeart+ cj,t (2)

Cũng lưu ý rằng mô hình mở rộng bao gồm các biến giả hằng năm, i.year để kiểm soát những cú sốc còn lại có thể ảnh hưởng đến mối tương quan.

Và cuối cùng, để tránh hiện tượng nội sinh của biến giải thích, kết quả hồi quy dựa mô hình biến công cụ Instrumnet Varible với kỹ thuật ước lượng GMM (IV- GMM).

Cũng như vấn đề đa cộng tuyến và phương sai sai số thay đổi, vấn đề nội sinh trong mô hình OLS cũng được coi là một trong những vi phạm nghiêm trọng các giả định của OLS. Hiện tượng nội sinh là hiện tượng các biến giải thích ở trong tình trạng không hoàn toàn độc lập với các biến được giải thích và phát sinh mối ảnh hưởng hai chiều của các biến này dẫn đến các phương pháp ước lượng FEM và REM không còn hiệu quả. Nội sinh trong mô hình thường xuất hiện dưới 3 dạng. Thứ nhất, thiếu vắng biến độc lập trong mô hình và do đó phần giải thích của biến này sẽ nằm ở sai số (phần dư). Khi đó có mối tương quan chặt giữa biến độc lập và phần dư. Thứ hai, sai số trong đo lường hay sai lệch do lựa chọn. Thứ ba, vấn đề đồng thời và hệ phương tình đồng thời.

Có nhiều các để khắc phục hiện tượng nội sinh như: chấp nhận sai lệch tiềm ẩn mà không làm gì cả, có thể sử dụng thêm lệnh ước lượng vững (robust); sử dụng panel data với một mô hình có thể giải quyết vấn đề nội sinh; tìm một biến proxy khác phù

hợp để giải quyết mô hình; sử dụng mô hình với biến công cụ: IV model, 2SLS, 3SLS Trong bài nghiên cứu, để khắc phục hiện tượng nội sinh tác giả sử dụng mô hình

biến công cụ IV. Người ta dùng nhiều kỹ thuật để xử lý phụ thuộc vào chính mô hình chúng ta định ước lượng, các kỹ thuật ước lượng phổ biến là: 2SLS, GMM, iGMM,.. việc xác định kỹ thuật ước lượng nào dựa vào số biến nội sinh và biến công cụ mà chúng ta có được. Để giải quyết cả vấn đề nội sinh và phương sai thay đổi trong mô hình thì GMM là kỹ thuật ước lượng phù hợp nhất.

Mustafa, Bing (2016) đã sử dụng biến trễ của các biến lạm phát, sự biến động của lạm phát, và tỷ suất sinh lời ngân hàng để làm biến công cụ. Tương tự như vậy, bài nghiên cứu sử dụng độ trễ thứ 2 của lạm phát, sự biến động của lạm phát, và tỷ suất sinh lời ngân hàng thông qua kết quả kiểm định thống kê J của Hansen (1982) và p- value để xác định tính hợp lý của biến công cụ.

3.2 Mẫu quan sát và nguồn số liệu‌

3.2.1 Mẫu quan sát

Để thực hiện bài nghiên cứu, dữ liệu được trích xuất từ cơ sở dữ liệu Bankscope do Bureau van Dijk thu thập và điều chỉnh. Bankscope là một trong những cơ sở dữ liệu toàn diện nhất về các báo cáo tài chính của các ngân hàng. Từ cơ sở dữ liệu này, bài nghiên cứu thu thập ba chỉ tiêu cấp ngân hàng bao gồm: cho vay ròng, thu nhập ròng và tổng tài sản.

Mặc dù Bankscope cung cấp thông tin về các ngân hàng trên toàn thế giới, tuy nhiên do hạn chế khi thu thập số liệu, tác giả chỉ thu thập được tại các quốc gia khu vực Đông Nam Á. Để làm tăng tính chính xác khi ước lượng, dữ liệu tương tự của các ngân hàng niêm yết tại một số quốc gia khác ở Châu Á được thu thập từ Datastream. Trong mẫu cuối cùng, bài nghiên cứu yêu cầu mỗi quốc gia nên đóng góp ít nhất 10 ngân hàng tại bất kỳ mọi thời điểm để có một thước đo chính xác về sự phân tán chéo tỷ lệ cho vay / tài sản của mỗi quốc gia. Mục tiêu chính của bài nghiên cứu là tập trung vào

chính sách của các quốc gia Châu Á. Do đó, những hạn chế trên đã khiến mẫu dữ liệu cấp ngân hàng thu thập từ 19 nước bao gồm: Bangladesh, Trung Quốc, Hongkong, Ấn Độ, Indonesia, Israel, Jordan, Kazakhstan, Kuwait, Lào, Malaysia, Paskita, Philippin, Singapore, Hàn Quốc, SriLanka, Đài Loan, Thái Lan và Việt Nam. Sử dụng bộ dữ liệu này, bài nghiên cứu sử dụng thông tin cấp ngân hàng với 556 ngân hàng ở tất cả các nước để tạo ra các biến phụ thuộc và kiểm soát. Dữ liệu cấp ngân hàng được trích xuất hàng năm và kéo dài khoảng thời gian từ năm 1988 đến năm 2016.

3.2.2 Mô tả biến và nguồn dữ liệu‌

3.2.2.1 Độ phân tán tỷ lệ cho vay‌

Để xem xét mức độ hiệu quả của sự phân bổ các nguồn cho vay của các ngân hàng tại một nước, bài nghiên cứu sử dụng thước đo độ phân tán tỷ lệ cho vay trên tổng tài sản. Cụ thể là phương sai tỷ lệ cho vay trên tổng tài sản của các ngân hàng của nước j tại thời điểm t. Như vậy, tại một nước, một thời điểm, chỉ có một quan sát.

Bảng 3.1: Mô tả thống kê tỷ lệ cho vay/tổng tài sản

Nước

Giai đoạn	N µNL oNL
Bangladesh	2009 – 2016	18	62,97%	8,49%
Trung Quốc	2004 – 2016	31	48,14%	13,42%
Hongkong	2012 – 2016	13	43,78%	13,42%
Ấn Độ	1998 – 2016	40	54,84%	9,21%
Indonesia	1990 - 2015	119	59,53%	19,62%
Israel	2003 – 2016	10	69,57%	9,18%
Jordan	2004 – 2016	11	45,41%	9,78%
Kazakhstan	2001 – 2015	13	66,80%	10,97%
Kuwait	2011 – 2016	10	53,11%	15,73%
Lào	2012 – 2015	10	45,02%	19,46%

Có thể bạn quan tâm!

Xem toàn bộ 74 trang tài liệu này.

Nước

Giai đoạn	N µNL oNL
Malaysia	1994 – 2015	80	49,09%	19,46%
Paskita	2001 – 2016	23	44,14%	14,18%
Philippines	1988 – 2015	48	46,81%	17,89%
Singapore	1988 – 2015	38	49,31%	24,06%
Hàn Quốc	2010 – 2016	10	71,30%	7,65%
SriLanka	2009 - 2016	11	59,12%	14,61%
Đài Loan	1998 - 2016	20	59,12%	11,31%
Thái Lan	1988 – 2015	25	69,9%	15,13%
Việt Nam	2004 – 2015	38	53,23%	14,41%

Bảng 3.1 cung cấp các thông tin cơ bản về dữ liệu ngân hàng trong bài nghiên cứu cho từng quốc gia. Tỷ lệ cho vay trên tổng tài sản, µNL, dao động từ 40% đến 70% ở tất cả các nước. Hàn Quốc là nước có tỷ lệ cho vay cao nhất với giá trị trung bình đạt 71,30%, một số nước khác như Israel, Kazakhstan, Bangladesh, Thái Lan đều có tỷ lệ cho vay trên 60%. Tỷ lệ cho vay trung bình của Hongkong thấp nhất trong mẫu nghiên cứu, chỉ đạt 43,78%, một số cũng có tỷ lệ cho vay tương đối thấp có thể kể đến như Lào, Trung Quốc, Jordan, Paskita. Tương tự, độ lệch chuẩn trung bình tỷ lệ cho vay trên tổng tài sản, oNL, ở các nước là dao động từ 8% đến 20%. Độ lệch tiêu chuẩn trung bình thấp nhất của tỷ lệ cho vay trên tài sản thuộc về Hàn Quốc với 7,65% và giá trị cao nhất là 24,06% thuộc về Singapore.

Hình 3.1: Biểu đồ phân phối biến phụ thuộc

3.2.2.2 Biến động lạm phát‌

Để ước lượng mô hình, chúng ta phải đánh giá độ nhiễu trong cơ chế giá của từng quốc gia mà cụ thể là sự biến động hay lạm phát không chắc chắn. Để đo sự biến động lạm phát này, bài nghiên cứu dùng với mô hình ARCH / GARCH để nắm bắt những biến động khác biệt của chỉ số giá tiêu dùng hàng tháng. Chỉ số giá tiêu dùng được thu thập từ cơ sở dữ liệu Datasteam theo tháng. Chúng ta cần lưu ý rằng trước khi ước tính mô hình, chuỗi chỉ số giá đã được kiểm tra và khẳng định sự hiện diện của các hiệu ứng ARCH bằng kiểm định Lagrange Multiplier (LM). Mô hình GARCH (p, q) có dạng sau:

nt = α + Σ yk nt–k + çii. montℎ + ct

k p q

t–k

ℎt = m0 + Σ mk ℎt–k + Σ mk c2

k k

Trong đó nt biểu thị lạm phát, i.month nắm bắt các hiệu ứng tháng, ct = µt ƒℎt

và µt là trung bình không, phương sai đơn vị quá trình nhiễu trắng.

Đối với mỗi quốc gia, bài viết ước tính một biến thể của mô hình trên, mô hình ARCH (p) hoặc GARCH (p, q) đối với các nước được mô tả trong Bảng 3.2 tác giả thấy rằng đối với hầu hết các quốc gia, mô hình ARCH (1) hoặc ARCH (2) là đủ để làm cho các phần dư còn lại không có hiệu ứng ARCH bậc cao hơn. Đối với một số nước khác, mô hình GARCH (p, q) bậc thấp được sử dụng thay vì mô hình ARCH bậc cao hơn. Sau khi mô hình được lựa chọn đã được xác định rò ràng, chuỗi phương sai có điều kiện được tính trung bình trong năm để phù hợp với tần suất của dữ liệu cấp ngân hàng. Như vậy, sau khi hồi quy chuỗi CPI 12 tháng trong năm của một nước bằng mô hình ARCH/GARCH, ta thu được chuỗi phương sai có điều kiện. Sau đó lấy trung bình chuỗi phương sai 12 tháng này. Từ chuỗi CPI 12 tháng của một nước, sau khi hồi quy ta thu được một quan sát. Chuỗi này được sử dụng như là một thước đo của độ nhiễu trong các tín hiệu giá, mà chúng ta biểu thị là ℎt trong phương trình (1) và (2).

Phương sai có điều kiện cao hơn hàm ý độ nhiễu cao hơn trong cơ chế giá, nghĩa

là nội dung thông tin của giá đã giảm. Trong những trường hợp như vậy, người ra quyết định sẽ không thể dự đoán tính khả thi của các dự án và do đó sẽ hành xử một cách thận trọng hơn. Do đó, hệ số chặn được kỳ vọng mang dấu âm, thể hiện tác động ngược chiều của biến động lạm phát lên sự phân bổ khoản vay của các ngân hàng. Khi lạm phát biến động mạnh thì độ phân tán càng giảm do các nhà quản lý ngân hàng cư xử thận trọng hơn, hàm ý các nguồn cho vay chưa được sử dụng hiệu quả.

Bảng 3.2: Độ trễ p, q trong mô hình ARCH/GARCH khi ước lượng độ biến động lạm phát

No. Country

ARCH	GARCH	No. Country	ARCH	GARCH
	(p)	(q)		(p)	(q)
1 China	2		11 Pakistan	1	1
2 India	2		12 Philippin	1	2
3 Isaren	1	2	13 Vietnam	1	1
4 Jordan	2		14 Singapore	2
5 Kazantang	1	1	15 Thailand	1	1
6 Korea	1	2	16 Bangladesh	1
7 Kuwait	1		17 Hongkong	1