Cách Tính Toán Các Biến Và Dấu Kỳ Vọng Mô Hình Ardl

Nếu dự trữ ngoại hối đóng góp vào sự ổn định tài chính trong bối cảnh toàn cầu hóa gia tăng như Obstfeld & ctg (2008) đã đề cập thì việc tích lũy dự trữ ngoại hối sẽ hỗ trợ gia tăng độc lập CSTT. Do đó, luận án kỳ vọng dự trữ ngoại hối tác động cùng chiều đến độc lập CSTT Việt Nam.

Bảng 3.1 Cách tính toán các biến và dấu kỳ vọng mô hình ARDL

Tên biến

Kí hiệu	Phương pháp tính	Dấu kỳ vọng
Biến phụ thuộc
Độc lập CSTT	MI	Tương quan lãi suất qua đêm trên thị trường liên ngân hàng của Việt Nam và Mỹ
Biến độc lập
HNTC	IFI	Phương pháp tích lũy (tổng tài sản +nợ phải trả của các khoản mục FDI, FPI, OTH)/GDP	-
Ổn định tỷ giá	ES	Sai số chuẩn hàng quý của tỷ giá của nội tệ với nước trung tâm	-/+
Dự trữ ngoại hối	RES	Dự trữ ngoại hối/GDP	+

Có thể bạn quan tâm!

Xem toàn bộ 256 trang tài liệu này.

Nguồn: Tác giả tổng hợp

Giả thuyết nghiên cứu:

H1: HNTC tác động ngược chiều đến độc lập CSTT Việt Nam

H2: ổn định tỷ giá tác động ngược chiều hoặc cùng chiều đến độc lập CSTT Việt Nam H3: dự trữ ngoại hối tác động cùng chiều đến độc lập CSTT Việt Nam

Dữ liệu

Luận án sử dụng dữ liệu từ trang web có uy tín của thế giới, bao gồm cơ sở dữ liệu thống kê tài chính quốc tế (International Financial Statistics – IFS) của Quỹ tiền tệ thế giới (International Monetary Fund – IMF) tại trang http://www.imf.org. Bên cạnh đó, với những dữ liệu với tần suất cao hơn như các mức lãi suất với tần suất ngày thì

luận án sử dụng cơ sở dữ liệu Datastream. Tổng hợp dữ liệu sử dụng trong mô hình ARDL được trình bày trong bảng 3.2.

Bảng 3.2 Loại dữ liệu và nguồn dữ liệu sử dụng trong mô hình ARDL

STT

Tên dữ liệu	Tần suất	Nguồn
1	Lãi suất VND qua đêm trên thị trường liên ngân hàng	ngày	Datastream (2020)
2	Lãi suất USD qua đêm trên thị trường liên ngân hàng	ngày	Datastream (2020)
3	Tài sản và nợ phải trả của dòng vốn FDI	quý	IMF (2020a)
4	Tài sản và nợ phải trả của dòng vốn FPI	quý	IMF (2020a)
5	Tài sản và nợ phải trả của dòng vốn đầu tư khác	quý	IMF (2020a)
6	Tổng sản phẩm trong nước tính theo giá USD hiện hành	quý	WB (2020)
7	Tỷ giá (VND/USD) trên thị trường liên ngân hàng	ngày	Datastream (2020)
8	Dự trữ ngoại hối	quý	IMF (2020b)

Nguồn: Tác giả tổng hợp

3.2.3 Quy trình xử lý dữ liệu

Bước 1: Kiểm định tính dừng của các chuỗi dữ liệu

Kiểm định tính dừng của các chuỗi dữ liệu để tránh hiện tượng hồi quy giả mạo. Kiểm định nghiệm đơn vị là một phương pháp được sử dụng phổ biến để kiểm định một chuỗi thời gian là dừng hay không.

Giả thiết H0: =0 (Yt là chuỗi không dừng) và giả thiết thay thế H1: <0 (Yt là chuỗi dừng).

Để kiểm định giả thiết H0, so sánh giá trị thống kê  tính toán bằng phương pháp kiểm định nghiệm đơn vị Augmented Dicky – Fuller (ADF) với giá trị thống kê  tra bảng. Nếu giá trị tuyệt đối của thống kê  tính toán lớn hơn giá trị thống kê  tra bảng, bác bỏ giả thiết H0, nghĩa là Yt là một chuỗi dừng. Ngược lại, nếu giá trị tuyệt đối của thống kê  tính toán nhỏ hơn giá trị thống kê  tra bảng, bác bỏ giả thiết H0, nghĩa là Yt là một chuỗi không dừng.

Nếu tất cả các chuỗi thời gian đều dừng ở bậc gốc I(0) thì có thể sử dụng phương pháp bình phương bé nhất (OLS) hay các hình thức tương tự để đo lường mối quan hệ giữa các biến. Nếu tất các chuỗi thời gian không dừng ở bậc gốc I(0) mà dừng ở sai phân bậc một I(1) thì tiến hành kiểm định mối quan hệ đồng liên kết (VECM). Trong trường hợp các chuỗi dừng ở các bậc khác nhau thì tiến hành kiểm tra mối quan hệ dài hạn thông qua kiểm định đường bao theo mô hình ARDL. Trước khi kiểm định mối quan hệ dài hạn theo mô hình ARDL, cần thiết phải xác định độ trễ tối ưu cho mô hình được sử dụng.

Bước 2: Xác định độ trễ tối ưu của mô hình ARDL

Độ trễ tối ưu có thể đạt được dựa trên điều kiện lựa chọn mô hình phù hợp, như điều kiện lựa chọn AIC (Akaike Information Criterion) hoặc BIC (Schwarz-Bayesian information criterion). Phần mềm Eviews sẽ tự động lựa chọn độ trễ tối ưu này.

Bước 3: Uớc lượng mối quan hệ dài hạn

Mô hình ARDL (p,q,r,s) có độ trễ lần lượt tương ứng với bốn biến MI, IFI, ES, RES được viết lại như sau:

∆𝑀𝐼𝑡

= 0

𝑝

+ ∑

𝑖=1



1𝑖

Δ𝑀𝐼𝑡−𝑖

𝑞

+ ∑

𝑖=0



2𝑖

Δ𝐼𝐹𝐼𝑡−𝑖

𝑟

+ ∑

𝑖=0



3𝑖

Δ𝐸𝑆𝑡−𝑖 +

∑

𝑠

𝑖=0



4𝑖

Δ𝑅𝐸𝑆𝑡−𝑖 + 5

𝑀𝐼𝑡−1 + 6

𝐼𝐹𝐼𝑡−1 + 7

𝐸𝑆𝑡−1 + 8

𝑅𝐸𝑆𝑡−1 + 𝑡 (3.8)

Trong đó,  là kí hiệu sai phân bậc một, 𝑡 là sai số của phương trình.

Uớc lượng phương trình trên để kiểm tra sự tồn tại của mối quan hệ dài hạn giữa các biến bằng cách thực hiện kiểm định F về ý nghĩa của các hệ số độ trễ của các biến.

5 6 7 8 5 6 7 8

Giả thuyết H0: = = = = 0 , giả thuyết H1:≠ ≠ ≠ ≠ 0. Pesaran cùng cộng sự (2001) tính toán hai tập hợp giá trị tới hạn với các mức ý nghĩa khác nhau. Một tập hợp giá trị tới hạn với giả định các biến có đồng liên kết bậc gốc I(0). Tập hợp giá trị thứ hai với giả định các biến có đồng liên kết bậc một I(1). Giả thuyết H0 bị từ chối khi giá trị thống kê F vượt giới hạn trên và không bị từ chối khi F nhỏ hơn giới hạn dưới. Khi giả thuyết H0 bị từ chối, tức là các biến trong mô hình có mối quan hệ đồng liên kết hay mối quan hệ dài hạn. Với kết quả này cho phép tiến hành ước lượng mối quan hệ ngắn hạn và tìm hệ số điều chỉnh sai số về điểm cân bằng ở bước tiếp theo.

Bước 4: Ước lượng mối quan hệ ngắn hạn

Mối quan hệ ngắn hạn được xác định thông qua mô hình véc tơ hiệu chỉnh sai số (Error Correction Model - ECM). Phương trình hiệu chỉnh sai số được viết như sau:

∆𝑀𝐼𝑡

= 0

𝑝

+ ∑

𝑖=1



1𝑖

Δ𝑀𝐼𝑡−𝑖

𝑞

+ ∑

𝑖=0



2𝑖

Δ𝐼𝐹𝐼𝑡−𝑖

𝑟

+ ∑

𝑖=0



3𝑖

Δ𝐸𝑆𝑡−𝑖 +

∑

𝑠

𝑖=0



4𝑖

Δ𝑅𝐸𝑆𝑡−𝑖 + 𝐸𝐶𝑀𝑡−1 + 𝑡

(3.9)

 là hệ số hiệu chỉnh sai số có được từ mối quan hệ dài hạn của các biến trong mô hình, độ lớn của hệ số cho biết tốc độ điều chỉnh từ trạng thái mất cân bằng trong ngắn hạn trở về trạng thái cân bằng dài hạn.

Bước 5: Thực hiện các kiểm định cần thiết cho mô hình

Các kiểm định cần thiết để đảm bảo độ tin cậy cho các kết quả trong mô hình bao gồm (i) kiểm định tính ổn định của mô hình, (ii) kiểm định phân phối chuẩn của phần dư, (iii) kiểm định tự tương quan của phần dư và (iv) kiểm định phương sai của sai số thay đổi.

3.3 TRUYỀN DẪN CHÍNH SÁCH TIỀN TỆ VIỆT NAM TRONG ĐIỀU KIỆN HỘI NHẬP TÀI CHÍNH

Trên cơ sở khảo lược nghiên cứu trước về truyền dẫn CSTT trong điều kiện HNTC, đồng thời qua xem xét đặc điểm của bộ dữ liệu nghiên cứu là các chuỗi dữ liệu kinh tế có tác động qua lại lẫn nhau, các cú sốc từ bên ngoài và những cú sốc trong nước

có thể có tác động đồng thời lên các biến còn lại nên phần này tập trung làm rõ những vấn đề liên quan đến mô hình véc tơ tự hồi quy và cơ sở lựa chọn mô hình véc tơ tự hồi quy dạng cấu trúc (SVAR).

3.3.1 Phương pháp nghiên cứu

Mô hình véc tơ tự hồi quy

Trong kinh tế học khá phổ biến khi có các mô hình trong đó một số biến không chỉ là biến giải thích cho một biến phụ thuộc nhất định, mà chúng còn được giải thích bởi các biến phụ thuộc đó. Trong những trường hợp như vậy, chúng ta cần xem xét các mô hình phương trình đồng thời. Nếu có tính đồng thời giữa các biến, thì tất cả các biến này phải được xử lý theo cùng một cách giống nhau, tức là sẽ không có sự phân biệt giữa các biến nội sinh và ngoại sinh hay nói cách khác, tất cả các biến đều được coi là nội sinh. Điều này có nghĩa là ở dạng tổng quát, mỗi phương trình sẽ có cùng tập hợp các hồi quy, từ đó dẫn đến sự phát triển của các mô hình VAR (Phung 2010). Mô hình VAR có một số ưu điểm. Thứ nhất, đây là mô hình rất đơn giản bởi vì chúng ta không phải lo lắng về các biến nội sinh hoặc ngoại sinh. Thứ hai, ước lượng rất đơn giản, trong khi phương pháp OLS thông thường ước lượng mỗi phương trình riêng biệt. Thứ ba, kết quả dự báo từ các mô hình VAR trong hầu hết các trường hợp tốt hơn so với nhiều mô hình phương trình đồng thời phức tạp khác (Mahmoud 1984; McNees 1986). Bên cạnh mục đích dự báo, mô hình VAR cũng cung cấp khung phân tích cho các kiểm định quan hệ nhân quả giữa các biến số. Tuy nhiên, các mô hình VAR cũng có một số hạn chế. Thứ nhất, các mô hình VAR không dựa trên bất kỳ lý thuyết kinh tế nào. Vì xuất phát điểm của các mô hình này không đặt giới hạn đối với các tham số nên có thể dẫn đến kết quả là “mọi nhân tố đều có thể có mối quan hệ với nhau” bất kể thực tế như thế nào. Tuy nhiên, khi sử dụng trong nghiên cứu, các suy luận thống kê thường được sử dụng trong mô hình nên có thể loại bỏ một số mối quan hệ không có ý nghĩa, nên các mô hình có thể có được cơ sở áp dụng nhất định. Suy luận như vậy thường được thực hiện thông qua kiểm định quan hệ nhân quả. Thứ hai, do mô hình xử lý nhiều phương trình đồng thời nên mất nhiều bậc tự do. Do đó,

nếu kích thước mẫu không đủ lớn, việc ước tính số lượng lớn các tham số sẽ tiêu tốn nhiều bậc tự do, gây ra nhiều khó khăn trong quá trình ước lượng. Thứ ba, kết quả thu được của mô hình VAR khó giải thích vì chúng thiếu cơ sở lý thuyết.

Các mô hình VAR như trên được gọi là VAR dạng rút gọn (Reduced VAR - VAR). Mô hình VAR dạng này chưa kiểm soát tác động cùng kỳ giữa các chuỗi thời gian với nhau, do đó giả định về sự không tương quan lẫn nhau của các sai số trong mô hình có thể bị vi phạm trong trường hợp các chuỗi có tác động đồng thời. Để khắc phục hạn chế này, mô hình véc tơ tự hồi quy dạng cấu trúc (Structural VAR – SVAR) được đề xuất dựa trên cơ sở mô hình VAR dạng rút gọn và đưa thêm tác động đồng thời vào mô hình xem xét. Ưu điểm của mô hình SVAR so với các dạng khác của mô hình VAR là SVAR có mức độ phù hợp cao hơn cho các nghiên cứu thực nghiệm và cho phép xác định các cú sốc mang tính cấu trúc, điều này rất cần thiết trong các lý thuyết về kinh tế, do đó cho phép đánh giá tác động của những thay đổi không mong muốn trong một biến số đối với các biến số khác (Chuku & ctg 2011).

Mô hình véc tơ tự hồi quy dạng cấu trúc (SVAR)

Mô hình SVAR với độ trễ p được biểu diễn như sau:

𝐻. 𝑌𝑡 = 𝐴0 + 𝐴1𝑌𝑡−1 + 𝐴2𝑌𝑡−2 … + 𝐴𝑝𝑌𝑡−𝑝 + 𝑡 (3.10)

Trong đó, Yt là (k x 1) véc tơ các chuỗi thời gian tham gia vào mô hình, t là (k x 1) véc tơ các cú sốc cấu trúc, H là ma trận cấu trúc (ma trận tác động đồng thời giữa các chuỗi), Ai là ma trận các hệ số (k x k), i = 0, 1, 2,..., p. Các sai số t trong mô hình thỏa điều kiện nhiễu trắng và không tương quan với nhau.

Phương trình (1) không thể ước lượng trực tiếp để xác định hệ số của ma trận H và ma trận Ai. Do đó, phương trình được điều chỉnh về dạng rút gọn bằng cách nhân hai vế của phương trình với 𝐻−1 như sau:

𝑌𝑡 = 𝐻−1𝐴0 + 𝐻−1𝐴1𝑌𝑡−1 + 𝐻−1𝐴2𝑌𝑡−2 … + 𝐻−1𝐴𝑝𝑌𝑡−𝑝 + 𝐻−1𝑡 (3.11) Đặt 𝐵𝑖 = 𝐻−1𝐴𝑖 ta có phương trình sau:

𝑌𝑡 = 𝐵0 + 𝐵1𝑌𝑡−1 + 𝐵2𝑌𝑡−2 … + 𝐵𝑝𝑌𝑡−𝑝 + 𝑢𝑡 (3.12)

Mô hình VAR rút gọn (2) có thể ước lượng được từ đó thu về các ma trận hệ số Bi với i = 0, 1, 2,..., p.

Để có thể tìm được các ma trận Ai cần biết ma trận H. H có thể xác định thông qua mối liên hệ 𝑢𝑡= 𝐻−1𝑡. Để xác định được ma trận H cần có k (k-1)/2 ràng buộc được gắn trên ma trận cấu trúc H do có k2tham số cần xác định mà chỉ có k (k+1)/2 phương trình được thiết lập (Trần Thị Tuấn Anh 2019). Ràng buộc này có thể gắn trực tiếp trên H hoặc gắn trên các ma trận thành phần của H sau khi phân rã. Ma trận H có thể được phân rã thành hai ma trận thành phần 𝐴̃và 𝐵̃. Khi đó, 𝐻 = 𝐴̃𝐵̃. Từ liên hệ 𝑢𝑡=

𝐻−1𝑡ta có ̃𝐵 𝑢𝑡= 𝐴̃−1𝑡. Đặt 𝐵∗ = 𝐵̃, 𝐴∗ = 𝐴̃−1 thì 𝐵∗𝑢𝑡= 𝐴∗𝑡. Vì vậy, các ràng

buộc có thể được gắn trên ma trận thành phần 𝐴∗ và 𝐵∗ thay vì gắn trên ma trận H.

3.3.2 Mô hình nghiên cứu

Xây dựng biến và nguồn dữ liệu

Độ mở của nền kinh tế bao gồm độ mở thương mại và độ mở tài chính hay HNTC, tác động đến truyền dẫn CSTT ở giai đoạn đầu của quá trình truyền dẫn, từ công cụ chính sách đến các mức lãi suất thị trường và giá cả (Loayza & Schmidt – Hebbel 2002). Do đó, để làm rõ cơ chế truyền dẫn CSTT Việt Nam trong điều kiện HNTC, luận án tập trung xem xét giai đoạn đầu của quá trình truyền dẫn, từ lãi suất ngắn hạn Việt Nam được xem xét đại diện cho biến công cụ của CSTT đến lãi suất dài hạn đại diện cho biến trung gian trong truyền dẫn CSTT đến nền kinh tế. Luận án tập trung đo lường phản ứng của lãi suất dài hạn Việt Nam với lãi suất ngắn hạn trong nước, đồng thời xem xét phản ứng của lãi suất dài hạn Việt Nam với lãi suất dài hạn Mỹ và rủi ro toàn cầu. Bên cạnh đó, những thay đổi của sản lượng và lạm phát trong nước cũng cho thấy tình trạng lãi suất chính sách sẽ thay đổi trong tương lai, từ đó ảnh hưởng đến lãi suất dài hạn nên hai nhân tố này cũng được đưa vào mô hình để kiểm soát những ảnh hưởng khác.

Theo thực tế về nguồn dữ liệu với tần suất tháng và để đáp ứng mục tiêu đo lường, các biến đưa vào mô hình được lựa chọn tương tự Filardo & ctg (2016), Ito (2013) và Jain – Chandra & Unsal (2014), chi tiết cách tính và nguồn dữ liệu như sau:

Lãi suất ngắn hạn Việt Nam. Lãi suất được chọn đại diện cho cú sốc CSTT có thể là lãi suất của kỳ hạn 3 tháng hoặc lãi suất qua đêm trên thị trường liên ngân hàng. Luận án lựa chọn lãi suất cho vay qua đêm trên thị trường liên ngân hàng để nắm bắt sự thay đổi chính sách nhanh nhất so với lãi suất ở kỳ hạn dài hơn. Dữ liệu được lấy từ nguồn Datastream của Thompson Reuters. Đơn vị tính là tỷ lệ phần trăm với tần suất theo tháng và được điều chỉnh yếu tố mùa trước khi đưa vào mô hình.

Lãi suất dài hạn Việt Nam. Luận án sử dụng lãi suất trái phiếu Chính phủ Việt Nam kỳ hạn 10 năm làm đại diện cho lãi suất dài hạn. Dữ liệu được lấy từ nguồn Datastream của Thompson Reuters. Đơn vị tính là tỷ lệ phần trăm với tần suất theo tháng và được điều chỉnh yếu tố mùa trước khi đưa vào mô hình.

Thay đổi tăng trưởng sản lượng Việt Nam. Biến số này được tính bằng chênh lệch tăng trưởng sản lượng tháng hiện tại so với tăng trưởng sản lượng tháng trước đó. Vì tần suất dữ liệu theo tháng nên dữ liệu về sản lượng công nghiệp Việt Nam được dùng thay thế cho sản lượng trong nước, dữ liệu được lấy từ nguồn trung tâm hội nhập khu vực châu Á (Asia Regional Integration Center – ARIC) của ngân hàng phát triển châu Á (Asian Development Bank – ADB). Đơn vị tính là tỷ lệ phần trăm với tần suất theo tháng và được điều chỉnh yếu tố mùa trước khi đưa vào mô hình.

Thay đổi lạm phát Việt Nam. Biến số này được tính bằng chênh lệch tỷ lệ lạm phát ở tháng hiện tại so với tỷ lệ lạm phát ở tháng trước đó. Dữ liệu về tỷ lệ lạm phát Việt Nam được lấy từ nguồn Trung tâm Hội nhập Khu vực châu Á (Asia Regional Integration Center – ARIC) của Ngân hàng Phát triển châu Á (Asian Development Bank – ADB). Đơn vị tính là tỷ lệ phần trăm với tần suất theo tháng và được điều chỉnh yếu tố mùa trước khi đưa vào mô hình.

Xem toàn bộ nội dung bài viết ᛨ