Chương 1 giới thiệu khái niệm về tỷ giá, đó là sự tương quan giá trị của hai đồng tiền với nhau hay có thể hiểu đó chính là giá cả của một đồng tiền được biểu thị qua đồng tiền còn lại. Hai khái niệm quan trọng được đề cập trong chương này là điều kiện Marshall-Lerner và hiệu ứng đường cong J. Điều kiện Marshall-Lerner cho rằng việc giảm giá đồng nội tệ có tác động dương đối với cán cân thương mại khi tổng hệ số co giãn giá của xuất khẩu và nhập khẩu lớn hơn 1. Hiệu ứng đường cong J được quan sát dựa trên sự đảo dấu trong mô phỏng ngắn hạn của biến tỷ giá khi biến này có giá trị âm ở các bậc độ trễ thấp và đảo dấu ở các bậc độ trễ cao hơn.
Và theo định nghĩa mở rộng của Rose và Yellen thì đường cong J còn được xác nhận khi trạng thái dài hạn có hiệu ứng dương thỏa mãn điều kiện Marshall-Lerner và hệ số mô phỏng ngắn hạn âm có ý nghĩa hay hệ số ngắn hạn không có ý nghĩa. Cuối cùng, tác giả giới thiệu ba nghiên cứu về đường cong J gồm nghiên cứu về cán cân thương mại Thái Lan, Malaysia và Indonesia với Mỹ và Nhật dùng kỹ thuật Johansen trong mô hình hiệu chỉnh sai số VECM và hai nghiên cứu dùng mô hình ARDL trường hợp Thụy Điển và Malaysia với các đối tác. TIEU LUAN MOI download : skknchat@gmail.com -14- CHƯƠNG 2 MÔ HÌNH NGHIÊN CỨU 2.1 Chuỗi dữ liệu dừng – Stationary 2.1 Khái niệm Đây là một khái niệm quan trọng trong phân tích chuỗi thời gian. Chuỗi dừng là chuỗi có giá trị kỳ vọng, phương sai và hiệp phương sai không thay đổi theo thời gian.
Điều này ngụ ý rằng các giá trị này giống nhau tại bất kỳ thời điểm t. Các đặc điểm của chuỗi dừng bao gồm: -Chuỗi có xu hướng trở lại trạng thái trung bình và dữ liệu dao động xung quanh giá trị trung bình trong dài hạn. Hay E(Yt) là hằng số tại tất cả thời điểm t; E(Yt)=µ, với µ là trung bình tổng thể. -Chuỗi có giá trị phương sai xác định không thay đổi theo thời gian.
Hay Var(Yt) là hằng số tại tất cả thời điểm t; Var(Yt)=E(Yt-µ)2=σ2, σ là độ lệch chuẩn của tổng thể. -Hiệp phương sai Cov(Yt,Yt+k) là hằng số tại các thời điểm t và phụ thuộc khoảng cách giữa hai giai đoạn, với k khác 0. Cov(Yt,Yt+k)=E(Yt-µ)E(Yt+k-µ)=γk; γk là hiệp phương sai ở độ trễ k. Đặc tính của chuỗi dừng có ý nghĩa quan trọng trong phân tích chuỗi thời gian bởi lẽ theo Gujarati (2003) nếu chuỗi thời gian là không dừng thì chỉ nghiên cứu được biến động của chuỗi trong khoảng thời gian đang xem xét.
Do vậy, không thể khái quát hóa cho các giai đoạn khác nhau và không có giá trị thực tiễn đối với mục đích dự báo. Ngoài ra, nếu chuỗi nghiên cứu là không dừng thì tất cả các kết quả của phân tích hồi quy tuyến tính sẽ không có giá trị do hiện tượng hồi quy giả tạo. Ngoài ra, việc nhận biết chuỗi dừng sẽ giúp giới hạn mô hình dự báo phù hợp nhất cho dữ liệu. TIEU LUAN MOI download : skknchat@gmail.2 Chuỗi dừng sai phân Nếu chuỗi thời gian là một chuỗi không dừng nhưng sai phân bậc 1 của nó là chuỗi dừng thì ta ký hiệu là I(1): ∆Xt=Xt-Xt-1.
Tương tự, một chuỗi dừng ở sai phân bậc 2 được ký hiệu là I(2): ∆2Xt=Xt-Xt-2. Nếu bản thân chuỗi thời gian là chuỗi dừng thì cũng có thể gọi là chuỗi dừng sai phân bậc 0, ký hiệu I(0). Một cách tổng quát, một chuỗi dừng ở sai phân bậc k được ký hiệu là I(k): ∆kXt=Xt-Xt-k 2.3 Phương pháp kiểm định chuỗi dừng Có hai phương pháp thường được sử dụng để kiểm định chuỗi dừng là sử dụng giản đồ tự tương quan (dựa vào thống kê t và thống kê Q) và kiểm định nghiệm đơn vị (dựa vào thống kê t của Dickey-Fuller) 2.1 Giản đồ tự tương quan Biểu đồ tự tương quan là một đồ thị biểu diễn mối quan hệ giữa hệ số tự tương quan tổng thể bậc k (ký hiệu là rk) với độ trễ k tương ứng được xác định theo công thức sau đây: n ∑ (Y − Y )(Y t = k +1 t t −k −Y) Cov(Yt , Yt −k ) ρk = n = (2.2) 2 ∑ (Y − Y ) t =1 t Trong đó, Y là giá trị kỳ vọng mẫu của chuỗi Yt; k là độ trễ; n là số quan sát của mẫu. Có hai phương pháp kiểm định xem hệ số tự tương quan có ý nghĩa thống kê hay không: Thống kê t, và Thống kê Q.
TIEU LUAN MOI download : skknchat@gmail. Thống kê t Gọi ρk là hệ số tự tương quan tổng thể (rk là ước lượng không chệch của ρk), ta có các giả thiết sau đây: H0: ρk = 0 H1: ρk ≠ 0 Nếu một chuỗi thời gian ngẫu nhiên thì các hệ số tự tương quan là một biến ngẫu nhiên có phân phối chuẩn với kỳ vọng là 0 và phương sai là 1/N. Như vậy, với sai số chuẩn của hệ số tự tương quan se(rk) là 1 / N , ta có thể xây dựng khoảng tin cậy cho ρk hoặc tìm được giá trị thống kê t tính toán ở một mức ý nghĩa xác định. Nếu ρk nằm ngoài khoảng tin cậy đó hoặc giá trị t tính toán lớn hơn giá trị t quan sát ta bác bỏ giả thiết H0.
Thống kê Q Hai cột cuối trong biểu đồ tự tương quan là thống kê Q của Ljung-Box và giá trị xác suất tương ứng. Thống kê Q kiểm định giả thiết đồng thời là tất cả các hệ số ρk cho tới một độ trễ đồng thời bằng không. Giá trị thống kê Q tính toán theo công thức sau đây: m Q = n∑ ρ k2 (2.3) k =1 Với cỡ mẫu lớn, Q có phân phối theo Chi bình phương với bậc tự do bằng số độ trễ. Nếu giá trị thống kê Q tính toán lớn hơn giá trị thống kê Q quan sát ở một mức ý nghĩa xác định, ta bác bỏ giả thiết H0.
Nếu hệ số tự tương quan đầu tiên khác không nhưng các hệ số tự tương quan tiếp theo bằng không một cách có ý nghĩa thống kê, thì đó là một chuỗi dừng. Nếu một TIEU LUAN MOI download : skknchat@gmail.com -17- số hệ số tự tương quan khác không một cách có ý nghĩa thống kê thì đó là một chuỗi không dừng.2 Kiểm định nghiệm đơn vị Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian là dừng hay không dừng. Giả sử ta xem xét phương trình tự hồi quy bậc 1 như sau: yt = ρy t −1+ xt δ + ε t (2.4) Với xt là biến ngoại sinh chứa tham số hằng số hay hằng số và xu hướng riêng (constant and trend); ε t là vector sai số. Nếu ρ ≥ 1 thì y là chuỗi không dừng và phương sai của y tăng theo thời gian.
Nếu ρ ≤ 1 thì y là chuỗi dừng. Từ đó, giả thuyết kiểm định tính dừng 1 bên của chuỗi như sau: H0: ρ = 1 (yt là chuỗi không dừng) H1: ρ < 1 (yt là chuỗi dừng) Phương trình này tương đương với phương trình sau đây: yt − yt −1 = ρy t −1− yt −1 + xt δ + ε t (2.5) Hay ∆yt = αy t −1+ xtδ + ε t (2.6) Với α= ρ – 1 thì các giả thiết ở trên có thể được viết lại như sau: H0: α = 0 (yt là chuỗi không dừng) H1: α < 0 (yt là chuỗi dừng) TIEU LUAN MOI download : skknchat@gmail.com -18- Dickey và Fuller cho rằng giá trị t ước lượng của hệ số yt-1 sẽ theo phân phối xác ) ) ) ) ) suất tα = α /( se(α )) ; với α là giá trị α ước lượng và se(α ) là sai số chuẩn của α ). Kiểm định thống kê t còn được gọi là kiểm định Dickey – Fuller (DF). MacKinnon (1991, 1996) thực hiện tập mô phỏng lớn, cho phép tính toán giá trị tới hạn Dickey-Fuller và giá trị p (p-value) đối với kích thước mẫu bất kỳ.
Và Eviews có hỗ trợ cung cấp các giá trị tới hạn này. Khi giá trị tuyệt đối t tính toán lớn hơn t tới hạn (hay còn gọi là giá trị tra bảng) thì ta bác bỏ giả thuyết H0. Kiểm định nghiệm đơn vị Dickey-Fuller mô tả ở trên chỉ hợp lệ khi các chuỗi không tương quan với bậc độ trễ cao hơn. Do vậy, mô hình mở rộng của mô hình Dickey-Fuller là ADF-Augmented Dickey Fuller đã khắc phục nhược điểm trên bằng cách giả định thêm vào các sai phân độ trễ tới bậc p.
Mô hình ADF có dạng như sau: ∆yt = αy t −1 + β1∆yt −1 + β 2 ∆yt −2 +. + β p ∆yt − p + xt δ + vt (2.7) Các phương pháp kiểm định nghiệm đơn vị Xét phương trình tự hồi quy: yit = ρ i y i ,t −1+ xit δ i + ε it (2.8) Có hai giả định về ρi trong phương trình (2.8) tương ứng với hai phương thức kiểm định. Đó là, nếu tồn tại tham số chung cho tất cả các phương trình, hay ρ = ρ i với tất cả i thì ta có kiểm định nghiệm đơn vị chung (Test with Common Unit Root Process). Các kiểm định được hỗ trợ bởi Eviews bao gồm các kiểm định Levin, Lin, and Chu (LLC); Breitung and Hadri.
Giả thuyết null cho mô hình kiểm định này được trình bày như sau (trong đó khái niệm đồng liên kết sẽ được nghiên cứu trong mục 2. TIEU LUAN MOI download : skknchat@gmail.com -19- Ngược lại, nếu ρi là những giá trị khác nhau đối với từng phương trình thì ta có kiểm định nghiệm đơn vị riêng (Test with individual Unit Root Process). Các kiểm định Im, Pesaran, and Shin (IPS), and Fisher-ADF and Fisher-PP thực hiện theo cách này. Giả thuyết null trong các phương pháp kiểm định này là H0: αi=0, với tất cả i.
H0: αi ≠ 0, với tất cả i.2 Vector tự hồi quy - Vector Autoregressions (VARs) 2.1 Khái niệm Vector tự hồi quy thông thường được sử dụng trong hệ thống dự báo chuỗi thời gian có tương quan với nhau và phân tích tính động đối với nhiễu ngẫu nhiên trong hệ thống các biến. Mô hình VAR là một mô tả tập hợp gồm k các biến nội sinh (endogenous variables) như là hàm tuyến tính của các biến trong quá khứ. Mô hình VAR bậc p có dạng: Yt = A1Yt −1 + A2Yt −2 .9) - Với Yt là k vector biến nội sinh, trong đó Yi,t là biến thứ i quan sát tại thời điểm t. Yt-m là quan sát của vector Y tại độ trễ m.
Xt là d vector biến ngoại sinh (exogenous variables).