Mô Tả Thống Kê Dữ Liệu Nghiên Cứu Trong Mô Hình

- Chỉ số phát triển con người HDI, chi tiêu y tế bình quân đầu người của các quốc gia đang phát triển khu vực Châu Á là dữ liệu trong Báo cáo phát triển con người (Human Develop Report) trong giai đoạn 2005-2018.

- Dữ liệu liên quan đến tỷ lệ lạm phát được đo bằng chỉ số tiêu dùng CPI, tỷ lệ tín dụng trong nước cho khu vực tư nhân (%GDP), tổng sản lượng GDP, tỷ lệ xuất nhập khẩu, tổng tài sản và tổng nợ nước ngoài so với GDP, dữ liệu về tình hình ổn định chính trị, bạo lực và khủng bố được khai thác từ nguồn dữ liệu của Ngân hàng thế giới (World Bank Data) trong giai đoạn 2005-2018.

- Dữ liệu về cán cân thương mại, giá trị xuất nhập khẩu về hàng hóa và dịch vụ cũng như tổng tài sản và nợ phải trả nước ngoài so với GDP được khai thác từ nguồn dữ liệu của Quỹ tiền tệ quốc tệ (IMF data) trong giai đoạn 2005-2018.

- Dữ liệu về lợi suất trái phiếu kỳ hạn và độ phân tán lợi nhuận của thị trường chứng khoán của các quốc gia trong phạm vi nghiên cứu được thống kê trong các báo cáo của Ngân hàng phát triển châu Á (ADB report) ở giai đoạn 2005-2018.

- Dữ liệu về chỉ số Kaopen dùng để đánh giá mức độ mở cửa với những giao dịch vốn xuyên quốc gia trên toàn thế giới được khai thác từ báo cáo dữ liệu nghiên cứu Chin & Ito trong giai đoạn 2005-2018.

Bảng 4.2: Danh sách biến số, thước đo, nguồn số liệu

Tên biến

Ký hiệu

Thước đo

Nguồn

Chỉ số phát triển con người

HDI

HDI là một thước đo tổng quát về phát triển con người. Nó đo thành tựu trung bình của một quốc gia theo ba tiêu chí sau:

- Sức khỏe (LEI): Một cuộc sống dài lâu và khỏe mạnh, đo bằng tuổi thọ trung bình.

- Tri thức (EI): Được đo bằng số năm đi học bình quân (MYSI) và số năm đi học kỳ vọng (EYSI).

Human Develop Report

Có thể bạn quan tâm!

Xem toàn bộ 195 trang tài liệu này.

Tên biến

Ký hiệu	Thước đo	Nguồn
		- Thu nhập: Mức sống đo bằng GNI bình quân đầu người (II).
Hội nhập tài chính	IF	(Tài sản nước ngoài + Nợ phải trả nước ngoài)/GDP	IMF, WB
Độ mở thương mại	TRADE	(Xuất khẩu + Nhập khẩu) của một quốc gia (%GDP)	WB
Lạm phát	CPI	Chỉ số giá tiêu dùng CPI (%) của một quốc gia	WB
Phát triển tài chính	FD	Tỷ lệ Tín dụng trong nước cho khu vực tư nhân(%GDP)	WB
Tăng trưởng	lnPGDP	GDP bình quân đầu người của một quốc gia	WB
Y tế	Health	Chi tiêu y tế bình quân đầu người hiện tại (USD) của một quốc gia	Human Develop Report
Thể chế	Institution	Ổn định chính trị, bạo lực và khủng bố. Ước tính cung cấp điểm số của quốc gia trên chỉ số tổng hợp, theo đơn vị của phân phối chuẩn, nghĩa là nằm trong khoảng từ -2,5 đến 2,5.	WB
Biến tương tác	IF x EDL	Tương tác giữa IF với ba nhóm quốc gia được chia thành nhóm quốc gia thu nhập dưới mức trung bình, mức thu nhập trung bình và thu nhập trên mức trung bình.	IMF, WB

Khảo sát sơ bộ cho thấy dữ liệu bảng cân bằng (strongly balanced). Dữ liệu về các biến sử dụng để chạy mô hình nghiên cứu được tổng hợp trong bảng dưới đây:

Bảng 4.3: Mô tả thống kê dữ liệu nghiên cứu trong mô hình

STT

Biến	Số quan sát	Giá trị trung bình	Độ lệch chuẩn	Giá trị nhỏ nhất	Giá trị lớn nhất
1	HDI	350	0,636697	0,0810786	0,461	0,805
2	IF	350	1,844811	1,965728	0,3025564	12,37709
3	TRADE	350	0,907771	0,3968105	0,0016742	2,083067
4	CPI	350	0,052289	0,0460959	0,0389955	0,350246
5	FD	350	0,51537	0,3512902	0,031211	1,578121
7	PGDP	350	2912,47	2193,382	500,2064	12131,49
8	HEALTH	350	146,1726	148,4276	7,416237	973,5369
9	INSTITUTION	350	-0,11079	0,8920874	-2,099816	1,422732

Nguồn: Tính toán của tác giả trên phần mềm STATA 16

4.3. Phương pháp ước lượng

Mặc dù có nhiều phương pháp để ước lượng hồi quy dữ liệu mảng, tuy nhiên sự lựa chọn dạng mô hình phù hợp phụ thuộc rất nhiều vào nguồn số liệu ước lượng và việc kiểm định các khuyết tật của mô hình. Trong luận án, các phương pháp ước lượng được sử dụng bao gồm: phương pháp ước lượng ảnh hưởng cố định (Fixed effect model

- FEM), phương pháp ước lượng ảnh hưởng ngẫu nhiên (Random effect model – REM). Tuy nhiên, mô hình OLS, REM hay FEM trên lý thuyết có thể tồn tại một số khuyết tật về mặt kỹ thuật mà nếu không được khắc phục sẽ làm hệ số ước lượng trở nên không hiệu quả hoặc không đáng tin cậy, thậm chí dẫn tới suy diễn sai lầm về bản chất của hiện tượng đang nghiên cứu. Một trong những khuyết tật đó là vấn đề nội sinh của mô hình. Do vậy, luận án đã sử dụng ước lượng Moment tổng quát (Genernalized Method of Moment) để xử lý vấn đề nội sinh này. Cụ thể hơn, luận án hướng tới sử dụng ước lượng GMM hệ thống (System GMM) do Arellano & Bover (1995) phát triển nhằm khắc phục các khuyết tật tiềm năng của mô hình.

4.3.1. Phương pháp ước lượng ảnh hưởng cố định và ảnh hưởng ngẫu nhiên

Mô hình dữ liệu mảng kiểm tra các ảnh hưởng cố định và / hoặc ngẫu nhiên của từng đối tượng hoặc thời điểm. Sự khác biệt căn bản giữa mô hình ảnh hưởng cố định và ngẫu nhiên nằm ở vai trò của các biến giả.

Ước lượng tham số của một biến giả là một phần của hệ số chặn trong mô hình ảnh hưởng cố định và một thành phần sai số trong mô hình ảnh hưởng ngẫu nhiên. Các độ dốc vẫn giữ nguyên theo nhóm hoặc khoảng thời gian trong mô hình ảnh hưởng ngẫu nhiên hoặc cố định. Các dạng của mô hình ảnh hưởng cố định và ngẫu nhiên một chiều là:

Mô hình ảnh hưởng cố định: 𝑦𝑖𝑡 = (𝛼 + 𝑢𝑖 ) + 𝑋′𝑖𝑡𝛽 + 𝑣𝑖𝑡

Mô hình ảnh hưởng ngẫu nhiên: 𝑦𝑖𝑡 = 𝛼 + 𝑋′𝑖𝑡𝛽 + (𝑢𝑖 + 𝑣𝑖𝑡)

𝑣

Trong đó 𝑢𝑖 là một ảnh hưởng cố định hoặc ngẫu nhiên cụ thể cho từng đối tượng (nhóm đối tượng) hoặc khoảng thời gian không được đưa vào hồi quy và các sai số được phân phối giống nhau độc lập, 𝑣𝑖𝑡~𝐼𝐼𝐷(0, 𝜎2).

Một mô hình ảnh hưởng nhóm cố định kiểm tra sự khác biệt riêng lẻ trong các hệ số chặn, giả sử độ dốc giống nhau và phương sai không đổi trên từng đối tượng (nhóm đối tượng). Mô hình ảnh hưởng cố định này được ước lượng bằng hồi quy biến giả bình phương nhỏ nhất (LSDV) (OLS với một tập hợp các biến giả) và trong các phương pháp ước lượng ảnh hưởng.

Mô hình ảnh hưởng ngẫu nhiên giả định rằng hiệu ứng riêng lẻ từng đối tượng (tính không đồng nhất) không tương quan với bất kỳ các biến hồi quy độc lập nào và sau đó ước lượng phương sai số cụ thể cho các nhóm (hoặc thời gian). Do đó, 𝑢𝑖 là sự không đồng nhất ngẫu nhiên cụ thể riêng lẻ từng đối tượng hoặc là một thành phần của sai số tổng hợp. Đây chính là lý do tại sao mô hình ảnh hưởng ngẫu nhiên còn được gọi là mô hình thành phần sai số. Hệ số chặn và độ dốc của các biến hồi quy độc lập giống nhau trên từng đối tượng. Sự khác biệt giữa các đối tượng (hoặc thời gian) nằm trong các sai số cụ thể của từng đối tượng, không phải trong các hệ số chặn.

Một mô hình ảnh hưởng ngẫu nhiên làm giảm số lượng các tham số được ước lượng nhưng sẽ tạo ra ước lượng không đồng nhất khi ảnh hưởng ngẫu nhiên cụ thể riêng lẻ từng đối tượng có tương quan với các biến hồi quy độc lập (Greene, 2008).

Các ảnh ứng cố định được kiểm tra bằng kiểm định F, trong khi các ảnh hưởng ngẫu nhiên được kiểm tra bằng kiểm định hệ số nhân Lagrange (LM) (Breusch & Pagan, 1980). Nếu giả thuyết Ho không bị bác bỏ trong cả hai kiểm định, thì hồi quy OLS gộp được ưu tiên. Kiểm định Hausman (Hausman, 1978) so sánh một mô hình ảnh ứng ngẫu nhiên với ảnh hưởng cố định. Trong trường hợp giả thuyết Ho là ảnh hưởng riêng lẻ từng đối tượng không tương quan với các biến hồi quy độc lập khác không bị bác bỏ thì mô hình ảnh hưởng ngẫu nhiên sẽ được ưu tiên sử dụng.

Nếu nghiên cứu sử dụng biến số cắt ngang hoặc biến chuỗi thời gian, thì mô hình ảnh hưởng cố định hoặc ngẫu nhiên là một chiều. Trong khi đó, mô hình ảnh hưởng hai chiều có hai bộ các biến giả cho đồng thời các biến đối tượng và/hoặc thời gian.

Để khắc phục hiện tượng vi phạm các giả thuyết kinh tế lượng như tự tương quan và phương sai sai số thay đổi làm cho các ước lượng thu được bằng các phương pháp hồi quy thông thường trên dữ liệu mảng (FEM, REM) không hiệu quả, phương pháp ước lượng hồi quy với sai số chuẩn của Driscoll & Kraay (1998) sẽ được tiến hành sử dụng trong nghiên cứu.

Bằng cách dựa vào các tiệm cận T lớn, Driscoll & Kraay (1998) chứng minh rằng công cụ ước lượng ma trận hiệp phương sai chuỗi thời gian không tham số chuẩn có thể được hiệu chỉnh để giúp các kết quả trở nên vững hơn đối với các dạng dữ liệu cắt ngang (cross-sectional). Nói một cách dễ hiểu, phương pháp luận của Driscoll và Kraay áp dụng kiểu Newey-West hiệu chỉnh đối với chuỗi các giá trị trung bình cắt ngang của các điều kiện thời điểm. Điều chỉnh các ước lượng sai số chuẩn theo cách này đảm bảo ước lượng ma trận hiệp phương sai nhất quán, độc lập với phương diện cắt ngang N (tức là cũng cho N → ∞). Do đó, cách tiếp cận của Driscoll & Kraay loại bỏ những khiếm khuyết của các các công cụ ước tính ma trận hiệp phương sai nhất quán T lớn như Parks- Kmenta hoặc khắc phục khiếm khuyết của cách tiếp cận PCSE khi kích thước cắt ngang N của dữ liệu mảng trở nên lớn.

4.3.2. Phương pháp ước lượng Moment tổng quát

Vấn đề nội sinh cần được xử lý trong mô hình xảy ra giữa biến hội nhập tài chính và đói nghèo. Hội nhập tài chính có thể tác động tích cực hoặc tiêu cực đối với việc giảm đói nghèo thông qua các cơ hội đầu tư và cơ hội về vốn và việc giảm đói nghèo có thể tăng cường hội nhập tài chính thông qua tăng trưởng thương mại và đầu tư (Olivier & cộng sự, 2006). Vấn đề nội sinh này có thể làm sai lệch tác động ước tính của hội nhập tài chính đến đói nghèo.

Mặc dù phương pháp biến công cụ (IV) được phát triển bởi Anderson & Hsiao (1982) giúp loại bỏ các ảnh hưởng cố định thông qua chuyển đổi điểm khác biệt đầu tiên và sử dụng độ trễ như công cụ để xử lý nội sinh, từ đó có thể tạo ra các ước lượng vững, nhưng lại không hiệu quả về các tham số (Ahn & Schmidt, 1995). Bởi vì những hạn chế của phương pháp ước lượng này, luận án áp dụng theo phương pháp ước lượng Moment tổng quát (GMM), cung cấp ước lượng vững và hiệu quả hơn.

Phương pháp GMM giúp giải quyết hai vấn đề quan trọng về mô hình, đó là các ảnh hưởng cố định và tính nội sinh. Ảnh hưởng cố định được loại bỏ thông qua chuyển

đổi dữ liệu, trong khi các biến nội sinh được xử lý bằng các công cụ “nội bộ”, tức là độ trễ hồi quy và sai phân của chúng. GMM có hai hình thức đó là: GMM sai phân (Difference GMM) và GMM hệ thống (System GMM). GMM sai phân được phát triển bởi Arellano & Bond (1991) và, tương tự như phương pháp IV, ban đầu liên quan đến việc xử lý các ảnh hưởng cố định thông qua chuyển đổi khác biệt đầu tiên. Phương pháp này cũng sử dụng mức độ trễ làm công cụ. Theo Arestis & Caner (2010), sự chuyển đổi khác biệt đầu tiên dẫn đến mất thuộc tính xuyên quốc gia của dữ liệu và nếu hồi quy liên tục theo thời gian, các giá trị trễ của phương pháp này là công cụ yếu cho hồi quy về sự khác biệt. Ngoài ra, Blundell & Bond (1998) chứng minh rằng biến phụ thuộc gần với bước đi ngẫu nhiên sẽ khiến GMM sai phân không hiệu quả vì các mức quá khứ chứa ít thông tin về những thay đổi trong tương lai. Nói cách khác, độ trễ không được chuyển đổi là công cụ yếu đối với các biến được chuyển đổi (Roodman, 2009). Để khắc phục vấn đề này, Blundell & Bond (1998) đề xuất với các mức công cụ có sự khác biệt bởi vì trong trường hợp các biến bước đi ngẫu nhiên, các thay đổi trong quá khứ có thể mang tính dự đoán nhiều hơn của mức hiện tại. Phương pháp GMM hệ thống liên quan đến việc xây dựng tập hợp dữ liệu chồng với cả hai cấp độ, các quan sát được chuyển đổi và sử dụng cả các mức độ trễ và các biến được chuyển đổi độ trễ như công cụ. Ngoài ra, khi tiến hành các mô phỏng đối với dữ liệu mảng có khoảng thời gian ngắn và số quan sát nhiều, Soto M. (2009) đã kết luận rằng ước lượng GMM hệ thống cho kết quả tốt hơn tất cả các phương pháp ước lượng khác, bao gồm cả GMM sai phân. Điều này đã củng cố thêm cho việc quyết định lựa chọn GMM hệ thống do Arellano & Bover (1995) phát triển để tiến hành ước lượng tác động của hội nhập tài chính đối với tình trạng đói nghèo trong giai đoạn 2005-2018 nhằm khắc phục các khuyết tật tiềm năng của mô hình như đề cập ở trên.

4.4. Kết quả kiểm định mô hình

4.4.1. Ước lượng mô hình bằng phương pháp ảnh hưởng cố định và ảnh hưởng ngẫu nhiên

Để lựa chọn các mô hình phù hợp, nghiên cứu đã sử dụng kiểm định Breusch and Pagan Lagrangian để kiểm tra xem có tồn tại ảnh hưởng của 𝑐𝑖 - phản ánh đặc điểm của quốc gia và được giả định là không thay đổi theo thời gian, vị trí địa lý, văn hóa của các quốc gia.

𝑢

Kiểm định Breusch and Pagan này kiểm tra sự tồn tại của ảnh hưởng ngẫu nhiên, giúp ta lựa chọn giữa mô hình ảnh hưởng ngẫu nhiên và mô hình OLS gộp. Kiểm định có 𝐻0: 𝜎2 = 0 nghĩa là nếu nó đúng thì không tồn tại ảnh hưởng ngẫu nhiên, ta sẽ lựa

chọn mô hình OLS gộp. Ngược lại nếu bác bỏ H0 thì có tồn tại ảnh hưởng ngẫu nhiên, ta sẽ không sử dụng mô hình OLS mà tiến hành đánh giá sử dụng mô hình ảnh hưởng ngẫu nhiên hoặc mô hình ảnh hưởng cố định.

Kết quả kiểm định Breusch and Pagan Lagrangian cho mô hình (1) (Phụ lục A1) cho kết quả Prob > chi2 = 0,0000 < 0,05 bác bỏ giả thuyết H0. Như vậy, không thể sử dụng mô hình OLS gộp mà phải tiếp tục tiến hành kiểm định Hausman để lựa chọn mô hình ảnh hưởng cố định (Fixed effects) hoặc ảnh hưởng ngẫu nhiên (Random effects).

Kiểm định Hausman để kiểm tra xem giữa thành phần sai số đặc trưng của phần tử chéo ui và các biến độc lập có tương quan hay không. Kiểm định này so sánh các hệ số ước lượng của mô hình ảnh hưởng cố định và mô hình ảnh hưởng ngẫu nhiên, ta dùng nó để lựa chọn xem nên sử dụng mô hình nào giữa hai mô hình này. H0 trong kiểm định này là không có mối tương quan giữa 𝑢𝑖 và các biến độc lập, như vậy khi nó đúng thì ta nên sử dụng mô hình ảnh hưởng ngẫu nhiên, ngược lại khi bác bỏ H0 thì ta sử dụng mô

hình ảnh hưởng cố định.

Kết quả kiểm định Hausman cho mô hình (1) (Phụ lục A2) cho kết quả Prob > chi2 = 0,0000 < 0,05 bác bỏ giả thuyết H0. Như vậy, mô hình ảnh hưởng cố định (Fixed effects) là phù hợp. Tiếp tục thực hiện các kiểm định liên quan đến mô hình ảnh hưởng cố định (Fixed effects) bao gồm kiểm định về phương sai sai số thay đổi, kiểm định về tự tương quan và kiểm định về tương quan chéo và tiến hành khắc phục khi các giả thiết không thỏa mãn. Cuối cùng, nghiên cứu áp dụng phương pháp ước lượng hồi quy ảnh hưởng cố định với sai số chuẩn của Driscoll & Kraay (1998) để khắc phục hiện tượng tự tương quan, tương quan chéo và phương sai sai số thay đổi (Phụ lục A3, A4, A5) nhằm đảm bảo ước lượng thu được vững và hiệu quả.

Như vậy, mô hình ước lượng hồi quy với biến phụ thuộc HDI và các biến giải thích quan sát được IF, CPI, TRADE, HEALTH, FD, INSTITUTION, LNPGDP như sau:

Bảng 4.4: Kết quả ước lượng tác động của hội nhập tài chính quốc tế đến đói nghèo khi dùng phương pháp Driscoll & Kraay

(1) RE mô hình (1)	(2) FE mô hình (2)	(3) FE với sai số chuẩn của Driscoll & Kraay mô hình (1)	(4) FE với sai số chuẩn của Driscoll & Kraay mô hình (2)
TÊN BIẾN	HDI	HDI	HDI	HDI
IF	0.0021**	0.0018**	0.0018*	0.0019**
	(0.001)	(0.001)	(0.001)	(0.001)
TRADE	0.0081**	0.0093**	0.0093***	0.0114***
	(0.004)	(0.004)	(0.003)	(0.003)
CPI	-0.0035	-0.0010	-0.0010	-0.0028
	(0.015)	(0.015)	(0.018)	(0.009)
FD	0.0079	0.0037	0.0037	0.0012
	(0.006)	(0.006)	(0.009)	(0.014)
lnPGDP	0.1251***	0.1298***	0.1298***	0.1397***
	(0.005)	(0.005)	(0.003)	(0.002)
HEALTH	0.0001***	0.0001***	0.0001***	0.0000***
	(0.000)	(0.000)	(0.000)	(0.000)
INSTITUTION	-0.0017	-0.0014	-0.0014	-0.0039
	(0.002)	(0.002)	(0.002)	(0.001)
F1	-	-	-	0.0235***
	-	-	-	(0.006)
F3	-	-	-	0.0059*
	-	-	-	(0.003)
Constant	-0.3523***	-0.3873***	-0.3873***	-0.4700***
	(0.039)	(0.039)	(0.017)	(0.010)
Số quan sát	350	350	350	350
Số ID	25	25	25	25
R-squared	0.864	0.864	0.864	0.875

Nguồn: Tính toán của tác giả trên phần mềm STATA 16

Xem toàn bộ nội dung bài viết ᛨ