Kiểm Định Nghiệm Đơn Vị Của Chuỗi Dữ Liệu (D=0)

LNDTNN

12.46225	12.71589	1.397296	14.61870	9.460165	84
LNGDRP	15.10531	14.89662	0.963415	16.73493	13.63187	84

Có thể bạn quan tâm!

Xem toàn bộ 180 trang tài liệu này.

Nguồn: Kết quả từ Eviews 8.1

Do tất cả các biến số đều là biến xu hướng không có phân phối chuẩn, mức lệch phải rất cao, nghiên cứu đã chuyển các biến số này sang dạng logarit tự nhiên để biến số có phân phối gần với phân phối chuẩn, đáp ứng điều kiện dữ liệu đầu vào của mô hình. Ngoài ra, các biến số khi được lấy theo tần suất quý thường chịu ảnh hưởng của yếu tố mùa, nghiên cứu cũng tiến hành tách tác động của yếu tố mùa vụ ra khỏi các chuỗi dữ liệu bằng công cụ Census X12.

4.4.2 Kiểm định tính dừng

Nhằm tránh hiện tượng hồi quy giả mạo, kết quả ước lượng không đáng tin cậy, nghiên cứu tiến hành kiểm định nghiệm đơn vị để xem xét tính dừng và không dừng của các chuỗi biến số thời gian trong mô hình bằng phương pháp phổ biến là Augmented Dickey-Fuller (ADF), tuy nhiên đối với việc nghiên cứu mối quan hệ giữa tăng trưởng kinh tế và vốn ĐTC trong lĩnh vực Nông nghiệp, Giao thông, CNTT&TT, nghiên cứu thực hiện kiểm định tính dừng theo Phillips-Perron (PP). Nếu dữ liệu chưa dừng thì sử dụng phương pháp sai phân để biến đổi chuỗi thành dừng.

Kết quả kiểm định Unit root test bảng 4.29 cho thấy với mức ý nghĩa α = 0.05% thì đều chấp nhận giả thiết Ho về việc tồn tại nghiệm đơn vị nên các chuỗi LNGDRP, LNDTCN và LNCNTT đều không dừng ở sai phân d = 0.

Bảng 4.29 Kiểm định nghiệm đơn vị của chuỗi dữ liệu (d=0)

Augmented Dickey-Fuller test statistic

t-Statistic	Prob.*
Null Hypothesis: LNGDRP has a unit root	-0.300679	0.9192
Null Hypothesis: LNDTCN has a unit root	-0.820245	0.8077
Null Hypothesis: LNDTGT has a unit root	-1.913730	0.3246
Null Hypothesis: LNDTNN has a unit root	-3.286562	0.0187*

(Ghi chú: *, *** lần lượt cho biết mức ý nghĩa 10% và 1%) Nếu một chuỗi dữ liệu là không dừng thì sai phân của chuỗi có thể làm cho chuỗi dừng. Nếu một chuỗi không dừng và bắt đầu dừng ở sai phân bậc d thì được

gọi là chuỗi liên kết bậc d. Ký hiệu: Yt ≈ I(d). Áp dụng phương pháp kiểm định nghiệm đơn vị Dickey - Fuller để kiểm định tính dừng cho lần lượt ba chuỗi LNGDRP, LNDTCN và LNCNTT:

Bảng 4.30 Kiểm định nghiệm đơn vị của chuỗi dữ liệu (d=1)

Augmented Dickey-Fuller test statistic

t-Statistic	Prob.*
Null Hypothesis: D(LNGDRP) has a unit root	-11.81881	0.0001
Null Hypothesis: LNDTCN has a unit root	-8.852551	0.0000
Null Hypothesis: LNDTGT has a unit root	-13.36116	0.0001

Nguồn: Kết quả từ phần mềm Eview 8.1

Kết quả tại bảng 4.30 cho thấy ba chuỗi LNGDRP, LNDTCN và LNCNTT dừng ở sai phân bậc 1 với mức ý nghĩa 1%.

Kết quả kiểm định Unit root test cho thấy với mức ý nghĩa α = 0.05% thì đều bác bỏ giả thiết Ho về việc tồn tại nghiệm đơn vị nên các chuỗi LNGDRP, LNDTCN và LNCNTT dừng ở các mức sai phân bậc 1 như sau: LNGDRP ͌ I(1); LNDTCN ≈ I(1); LNCNTT ≈ I(1). Như vậy, các chuỗi dữ liệu đã không dừng cùng bậc sai phân.

4.4.3 Lựa chọn độ trễ tối ưu của mô hình

Trên cơ sở kiểm định nghiệm đơn vị, nghiên cứu tiếp tục thực hiện xác định độ trễ cho mô hình. Thông thường, có thể sử dụng biểu đồ PACF của phương pháp BOX – JENKIN hoặc sử dụng các tiêu chí LogL, AIC, SC để xác định độ trễ tối ưu cho mô hình và kết quả tại bảng 4.31 như sau:

Bảng 4.31 Xác định độ trễ tối ưu

Độ trễ

LogL	LR	FPE	AIC	SC	HQ
0	-388.0370	NA	0.212125	9.800925	9.920026	9.848676
1	-278.8281	204.7666	0.020648	7.470704	8.066210	7.709459
2	-237.7019	72.99909	0.011052	6.842547*	7.914459*	7.272308*
3	-217.3750	34.04749*	0.009997*	6.734376	8.282693	7.355141

Nguồn: Kết quả từ phần mềm Eview 8.1

Theo Akaike (1973) sử dụng để chọn lựa k tối ưu cho mô hình ADF, giá trị k

được lựa chọn sao cho AIC nhỏ nhất.

Xác định độ trễ tối đa của mô hình: k + k*k*p = số tham số. Với k: số tham số của mô hình, p: độ trễ tối đa của mô hình. Số tham số = 84, k = 5 thì p = 3. Chạy VAR (1 2). Từ kết quả VAR, nhập độ trễ cao nhất p = 4. Dựa vào tiêu chí AIC lựa chọn độ trễ tối ưu của mô hình là p=3.

4.4.4 Kiểm định tính nhiễu trắng của phần dư

Phần dư phải là nhiễu trắng thì mô hình VAR mới có thể được sử dụng để dự báo. Kết quả cho thấy p-value < α (α = 0.05) từ độ trễ thứ 4 nên độ trễ thích hợp của mô hình p = 3. Hiện tượng tự tương quan xảy ra từ độ trễ thứ 4, tách tự tương quan và bổ sung tự tương quan vào mô hình

Bảng 4.32 Kiểm định tính nhiễu trắng của phần dư

VAR Residual Portmanteau Tests for Autocorrelations

Lags

Q-Stat	Prob.	Adj Q-Stat	Prob.	df
1	5.389972	NA*	5.457346	NA*	NA*
2	27.06120	NA*	27.67722	NA*	NA*
3	42.92970	NA*	44.15605	NA*	NA*
4	69.95045	0.0001	72.58047	0.0002	16
5	80.71292	0.0022	84.05099	0.0001	32
6	114.2393	0.0001	120.2595	0.0010	48
7	133.8793	0.0002	141.7573	0.0000	64
8	177.5253	0.0000	190.1864	0.0000	80
9	192.4138	0.0000	206.9360	0.0000	96
10	214.3153	0.0000	231.9222	0.0000	112
11	222.4108	0.0000	241.2899	0.0000	128
12	245.7369	0.0000	268.6726	0.0000	144

Nguồn: Kết quả từ phần mềm Eview 8.1

4.4.5 Kiểm định tính ổn định của mô hình

Kết quả kiểm định tính ổn định tổng quát của mô hình bằng nghiệm nghịch đảo của đa thức đặc tính AR cho thấy tất cả các nghiệm của đa thức đều nằm trong vòng tròn đơn vị (Bảng 4.33), chứng tỏ mô hình VAR được ước lượng có tính ổn định (Phụ lục 6). Vì vậy, ước lượng VAR được xem là đáng tin cậy.

Bảng 4.33 Kiểm định tính ổn định của mô hình

Root Modulus

-0.187982 - 0.657011i

0.683375
-0.187982 + 0.657011i	0.683375
0.679776	0.679776

-0.430745

0.430745
-0.254284 - 0.271629i	0.372079
-0.254284 + 0.271629i	0.372079
-0.339472	0.339472
0.240729	0.240729

No root lies outside the unit circle. VAR satisfies the stability condition.

Nguồn: Kết quả từ phần mềm Eview 8.1

4.4.6 Kiểm định quan hệ nhân quả Granger

Kiểm định quan hệ nhân quả Granger cho biết được sự thay đổi của một biến trong mô hình chịu sự tác động bởi biến nào. Kết quả kiểm định mối quan hệ nhân quả Granger với độ trễ là 2 tại bảng 4.34 như sau:

Bảng 4.34 Kiểm định nhân quả Granger VAR Granger Causality/Block Exogeneity Wald Tests Dependent variable: D(LNGDRP,1)

Excluded Chi-sq df Prob.

D(LNDTGT,1)

3.926539	2	0.0179
LNDTNN	10.65347	2	0.0049
D(LNDTCN,1)	8.040549	2	0.1404

All 19.44327 6 0.0035

Dependent variable: D(LNDTGT,1)

Excluded Chi-sq df Prob.

D(LNGDRP,1)

3.678415	2	0.0489
LNDTNN	2.855764	2	0.2398
D(LNDTCN,1)	3.420609	2	0.1808

All 7.928822 6 0.2434

Dependent variable: LNDTNN

Excluded Chi-sq df Prob.

D(LNGDRP,1)

14.43220	2	0.0007
D(LNDTGT,1)	11.76668	2	0.0928
D(LNDTCN,1)	6.916052	2	0.0615

All 26.63584 6 0.0002

Dependent variable: D(LNDTCN,1)

Excluded Chi-sq df Prob.

D(LNGDRP,1)

3.905317	2	0.1419
D(LNDTGT,1)	2.332998	2	0.0315
LNDTNN	0.471017	2	0.7902

All 7.341361 6 0.2904

Nguồn: Kết quả từ phần mềm Eview 8.1

Kết quả được thống kê ở bảng 4.7 cho thấy như sau:

- LNGDRP có quan hệ nhân quả một chiều với LNDTCN hay nói cách khác LNGDRP là nguyên nhân dẫn đến sự thay đổi của LNCNTT (với Prob = 0,0315), và LNDTCN không là nguyên nhân dẫn đến sự thay đổi của LNGDRP (với Prob = 0,1404). Như vậy, hai biến này có quan hệ nhân quả một chiều với mức ý nghĩa là 5%.

- LNGDRP có quan hệ nhân quả hai chiều với LNDTGT, hay nói cách khác LNDTGT là nguyên nhân dẫn đến sự thay đổi của LNGDRP (với Prob = 0,0179) và LNGDRP là nguyên nhân dẫn đến sự thay đổi của LNDTGT với Prob = (0,0489). Như vậy, hai biến này có quan hệ nhân quả hai chiều với nhau. Hai biến này có quan hệ nhân quả hai chiều với cùng mức ý nghĩa là 5%.

- LNGDRP cũng có quan hệ nhân quả hai chiều với LNDTNN, hay nói cách khác LNDTNN là nguyên nhân dẫn đến sự thay đổi của LNGDP (với Prob = 0,0049), và LNGDRP là nguyên nhân tác động đến sự thay đổi của LNDTNN (với Prob = 0,0007). Như vậy, hai biến này có quan hệ nhân quả hai chiều với cùng mức ý nghĩa là 1%.

- LNDTGT không có quan hệ nhân quả một chiều với LNDTCN, hay nói cách khác LNDTGT là nguyên nhân dẫn đến thay đổi LNDTCN (với Prob = 0,0315).

- LNDTNN không có quan hệ nhân quả hai chiều với LNDTGT và LNDTCN, hay nói cách khác LNDTGT và LNDTCN không là nguyên nhân dẫn đến sự thay đổi của LNDTNN (với Prob = 0.0315) với mức ý nghĩa là 5%.

4.4.7 Hàm phản ứng xung (Impulse Response Function – IRF)

a.Phản ứng của D(LNGDRP,1) với D(LNDTCN,1)

b.Phản ứng của D(LNGDRP,1) với D(LNDTGT,1)

c. Phản ứng của D(LNGDRP,1) với D(LNDTNN) d.Phản ứng của D(LNGDRP,1) với D(LNGDRP,1)

Nguồn: Kết quả từ phần mềm Eview 8.1

Hình 4.16 Phản ứng xung của tăng trưởng kinh tế Tiền Giang đối với các cú sốc của vốn đầu tư công trong Nông nghiệp, Giao thông, CNTT&TT

Các công cụ phân tích đối với chuỗi thời gian từ mô hình VAR là phân rã phương sai và phản ứng xung sẽ được thực hiện, dùng để đánh giá các tác động và phản ứng của quan hệ giữa tăng trưởng kinh tế Tiền Giang, vốn ĐTC trong Nông nghiệp, Giao thông và CNTT&TT. Hơn nữa, các chức năng phản ứng xung theo dõi hướng phản ứng của một biến với cú sốc lệch chuẩn một trong các biến khác. Các chức năng này nắm bắt được cả những ảnh hưởng ngắn hạn và dài hạn của các biến đến biến số quan tâm, do đó cho phép đánh giá đầy đủ mối liên kết của chúng.

Theo hình 4.16, phản ứng của tăng trưởng kinh tế là tiêu cực đối với với sự thay đổi (cú sốc) vốn ĐTC trong lĩnh vực CNTT&TT ngay ba quý đầu tiên, và đến giữa quý thứ 3 và quý thứ 4 tác động này có xu hướng đổi chiều từ tiêu cực sang tích cực, sau đó lại chuyển sang tích cực tại quí thứ 6 và lại đảo chiều sang tiêu cực ở quí thứ

8. Các tác động này được thấy là còn có ảnh hưởng đến cuối chu kỳ.

Hình 4.16 cũng cho thấy tác động của vốn ĐTC trong Giao thông, hướng phản

ứng của tăng trưởng kinh tế đối với các cú sốc về vốn ĐTC trong Giao thông có

chiều hướng tiêu cực ngay ba quý đầu, và đảo chiều tích cực tại quý thứ 4. Các tác động này có sự không ổn định, bởi vì tác động tích cực và tiêu cực đan xen nhau và cách nhau một quý, và ảnh hưởng có xu hướng biến động này cũng kéo dài đến hết chu kỳ.

Tăng trưởng kinh tế phản ứng ngay lập tức với các cú sốc biến đổi về vốn ĐTC trong Nông nghiệp tại hai quý đầu, và có chiều hướng phản ứng tiêu cực tại quý 3 và đảo chiều (tích cực) tại quý 4 và quý 5 và phản ứng có chiều hướng tắt dẫn đầu tại quý thứ 6 cho đến hết chu kỳ (Hình 4.16).

Response to Cholesky One S.D. Innovations ± 2 S.E.

Response of D(LNGDRP,1) to D(LNGDRP,1)

Response of D(LNGDRP,1) to D(LNDTGT,1)

Response of D(LNGDRP,1) to D(LNDTCN,1)

Response of D(LNGDRP,1) to LNDTNN

-.1

-.2

-.1

-.2

-.1

-.2

-.1

-.2

-.3

1 2 3 4 5 6 7 8 9 10

-.3

1 2 3 4 5 6 7 8 9 10

-.3

1 2 3 4 5 6 7 8 9 10

-.3

1 2 3 4 5 6 7 8 9 10

.06

.04

.02

.00

-.02

-.04

Response of D(LNDTGT,1) to D(LNGDRP,1)

1 2 3 4 5 6 7 8 9 10

.06

.04

.02

.00

-.02

-.04

Response of D(LNDTGT,1) to D(LNDTGT,1)

1 2 3 4 5 6 7 8 9 10

.06

.04

.02

.00

-.02

-.04

Response of D(LNDTGT,1) to D(LNDTCN,1)

1 2 3 4 5 6 7 8 9 10

.06

.04

.02

.00

-.02

-.04

Response of D(LNDTGT,1) to LNDTNN

1 2 3 4 5 6 7 8 9 10

Response of D(LNDTCN,1) to D(LNGDRP,1)

Response of D(LNDTCN,1) to D(LNDTGT,1)

Response of D(LNDTCN,1) to D(LNDTCN,1)

Response of D(LNDTCN,1) to LNDTNN

0 0

-1 -1

0 0

-1 -1

-2

1 2 3 4 5 6 7 8 9 10

-2

1 2 3 4 5 6 7 8 9 10

-2

1 2 3 4 5 6 7 8 9 10

-2

1 2 3 4 5 6 7 8 9 10

-.2

-.4

Response of LNDTNN to D(LNGDRP,1)

1 2 3 4 5 6 7 8 9 10

-.2

-.4

Response of LNDTNN to D(LNDTGT,1)

1 2 3 4 5 6 7 8 9 10

-.2

-.4

Response of LNDTNN to D(LNDTCN,1)

1 2 3 4 5 6 7 8 9 10

-.2

-.4

Response of LNDTNN to LNDTNN

1 2 3 4 5 6 7 8 9 10

Nguồn: Kết quả từ phần mềm Eview 8.1

Hình 4.17 Phản ứng xung của tất cả các biến

Hình 4.17 cho thấy sự biến động của vốn ĐTC trong Giao thông có tác động đáng kể đến nguồn vốn ĐTC trong CNTT&TT tại hai quý đầu tiên và có chiều hướng đảo chiều tại quý 3, nhưng phản ứng tích cực được thấy ở quý thứ 4 trở đi, và tác động này vẫn còn ảnh hưởng đến cuối chu kỳ. Bên cạnh đó, phản ứng của vốn ĐTC trong CNTT&TT có phản ứng tích cực với vốn ĐTC trong Giao thông ngay 3,5 quý đầu tiên, tuy có đảo chiều phản ứng tiêu cực với vốn ĐTC trong Giao thông tại quý 4 nhưng nhìn chung phản ứng này vẫn còn biến động đến cuối chu kỳ.

Ngoài ra, sự thay đổi trong vốn ĐTC trong CNTT&TT và Giao thông chưa có tác động tích cực đáng kể đến sự thay đổi của vốn ĐTC trong Nông nghiệp.

4.4.8 Phân tích phân rã phương sai

Phân tích phản ứng đẩy cho thấy được chiều hướng và mức độ tác động của các biến số trong mô hình, tuy nhiên, lại không thấy được vai trò của các cú sốc đối với sự thay đổi của các biến số trong thời gian nghiên cứu trong 10 chu kỳ tính theo quý (bảng 4.19). Vì vậy phân tích phân rã phương sai được thực hiện trên mô hình VAR tại bảng 4.35 nhằm làm rõ hơn vai trò của vốn ĐTC trong lĩnh vực Nông nghiệp, Giao thông, CNTT&TT với những thay đổi trong tăng trưởng kinh tế tại Tiền Giang,

Bảng 4.35 Phân rã phương sai

Variance Decomposition of D(LNGDRP,1):

Perio

d S.E. D(LNGDRP,1) D(LNDTGT,1) D(LNDTCN,1) LNDTNN

0.200205	100.0000	0.000000	0.000000	0.000000
2	0.261829	99.14455	0.249084	0.073279	0.533086
3	0.279182	97.81174	1.032542	0.138789	1.016934
4	0.283660	95.94020	2.532227	0.281472	1.246105
5	0.285137	94.95490	3.344932	0.278792	1.421374
6	0.285777	94.66442	3.546492	0.364582	1.424509
7	0.286034	94.56189	3.543982	0.467710	1.426415
8	0.286097	94.53030	3.560360	0.474012	1.435328
9	0.286166	94.49073	3.587367	0.487265	1.434639
10	0.286234	94.45336	3.591965	0.515041	1.439637

Variance Decomposition of D(LNDTGT,1):

Perio

d S.E. D(LNGDRP,1) D(LNDTGT,1) D(LNDTCN,1) LNDTNN

0.045179	0.491875	99.50812	0.000000	0.000000
2	0.050521	0.521362	92.71040	4.010526	2.757708
3	0.051331	0.520576	90.07405	6.733953	2.671416
4	0.051521	0.561947	89.90858	6.792778	2.736696
5	0.051955	0.720609	88.83505	7.476996	2.967346
6	0.052305	1.227390	87.76265	8.035639	2.974318
7	0.052427	1.487292	87.36069	8.052571	3.099451
8	0.052499	1.511468	87.12966	8.199781	3.159089
9	0.052575	1.569671	86.87727	8.313736	3.239325
10	0.052619	1.635864	86.74816	8.317759	3.298217

Variance Decomposition of D(LNDTCN,1):

Perio

d S.E. D(LNGDRP,1) D(LNDTGT,1) D(LNDTCN,1) LNDTNN

1.853399	6.938305	1.079368	91.98233	0.000000
2	2.223671	6.854089	0.795052	92.00199	0.348867
3	2.309488	11.00299	3.101732	85.36982	0.525465
4	2.456253	9.736705	4.426943	85.36853	0.467820
5	2.558586	11.10774	4.080486	84.36959	0.442190
6	2.590369	12.81524	4.419324	82.31254	0.452893

Xem tất cả 180 trang.

Ngày đăng: 30/11/2022