Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .

Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .Nghiên cứu các nhân tố vĩ mô ảnh hưởng đến chỉ số giá cổ phiếu tại một số nước Đông Nam Á .

Phương pháp ước lượng

Mô hình Tự hồi quy AR

Mô hình Tự hồi qui là giá trị ước tính tương lai của mô hình phân tích chuỗi thời gian chỉ phụ thuộc vào giá trị trong quá khứ.

Mô hình tự hồi quy AR(1) sẽ có dạng tổng quát như sau:

Trong đó biến Y được giải thích bởi giá trị quá khứ Y t  1 và các biến ngoại sinh X Mô hình AR phải đảm bảo 3 giả định:

 Chuỗi có tính dừng theo hiệp phương sai (Covariance-Stationary Series): khi giá trị trung bình và phương sai không thay đổi theo thời gian.

 Phần sai số có tính tương quan chuỗi

Hiện tượng đảo chiều về giá trị trung bình xảy ra khi một chuỗi thời gian có xu hướng giảm khi giá trị vượt mức trung bình và tăng khi giá trị nằm dưới mức trung bình Nếu chuỗi thời gian đang ở mức trung bình, mô hình dự đoán rằng giá trị của nó sẽ không thay đổi trong giai đoạn tiếp theo.

Mô hình Vector tự hồi quy – VAR

Mô hình Vector tự hồi quy (VAR) là một công cụ mạnh mẽ trong phân tích dữ liệu chuỗi thời gian, cho phép phát hiện các mối quan hệ tuyến tính giữa nhiều biến VAR mở rộng mô hình tự hồi quy đơn biến bằng cách ước lượng đồng thời nhiều biến trong hệ thống, tạo ra một tập hợp các phương trình hồi quy Mỗi biến được mô hình hóa dựa trên giá trị trễ của chính nó và các biến khác, giúp nắm bắt sự tương tác giữa chúng Việc áp dụng mô hình VAR không yêu cầu nhiều kiến thức tiền nghiệm, chỉ cần xác định danh sách các biến có khả năng tác động lẫn nhau, điều này đã góp phần làm cho VAR trở thành công cụ phổ biến trong nghiên cứu kinh tế vĩ mô.

Mô hình VAR đơn giản với 2 biến và độ trễ 1 có dạng như sau: (� 1 ,�

Trong nghiên cứu này, y 1,t và y 2,t là hai biến số kinh tế được tổ chức trong một véctơ và được hồi quy dựa trên giá trị quá khứ của chúng, cụ thể là y 1,t–1 và y 2,t–2 Đồng thời, u 1,t và u 2,t đại diện cho các sai số nhiễu trắng.

Hệ số a ii,l đo lường tác động của biến trễ y i,t–l lên biến y i,t Hệ số a ij,l đo lường tác động của biến trễ y i,t–l lên biến y i,t

Khi sử dụng hai biến và một độ trễ, cần ước lượng bốn hệ số Việc thêm nhiều biến hoặc tăng độ trễ sẽ làm tăng số lượng hệ số cần tìm Đồng thời, mỗi khi tăng một độ trễ, số lượng quan sát trong mô hình sẽ giảm đi một.

Mô hình VAR dạng tổng quát bao gồm k biến giải thích, p độ trễ có dạng sau:

Số lượng tham số ước lượng trong mô hình là k + pk², với mỗi phương trình trong k phương trình có 1 + pk tham số được ước lượng Khi số lượng tham số ước lượng tăng lên, sai số ước lượng trong dự báo cũng sẽ cao hơn Thêm vào đó, việc có p độ trễ sẽ làm giảm số lượng quan sát, chỉ còn lại n - p quan sát.

Trong thực tế, thông thường người ta duy trì k nhỏ và chỉ bao gồm

� � − � − những biến có sự tương quan cao với nhau.

Mô hình VAR được ứng dụng phổ biến trong dự báo, đặc biệt thông qua hai kỹ thuật nổi bật: Phân tích phản ứng xung và Phân tích phân rã phương sai Phân tích phản ứng xung giúp dự báo tác động của cú sốc từ một biến đến các biến khác trong hệ, áp dụng cho cả ngắn hạn và dài hạn Trong khi đó, Phân tích phân rã phương sai xác định tầm quan trọng của mỗi cú sốc đối với các biến trong hệ, cũng có khả năng dự báo tương tự Nhờ vào những công cụ này, mô hình VAR trở thành lựa chọn ưa thích của các nhà nghiên cứu trong việc phân tích các cú sốc vĩ mô ảnh hưởng đến nền kinh tế và thị trường cổ phiếu.

Phương pháp ước lượng mô hình VAR

Mô hình VAR (Vector Autoregression) được sử dụng rộng rãi trong phân tích vĩ mô, giúp thể hiện mối quan hệ ngắn hạn và dài hạn giữa các biến số Mô hình này cho phép phân tích sự phụ thuộc của các biến hồi quy không chỉ vào các biến khác mà còn vào độ trễ của chính biến đó, với giả định không quá phức tạp Thông qua mô hình VAR, chúng ta có thể phân tích cơ chế truyền tải của các cú sốc thông qua hàm phản ứng xung (IRF), cho biết cách các biến còn lại phản ứng khi có cú sốc xảy ra Bên cạnh đó, phương pháp phân rã phương sai trong mô hình VAR cũng giúp xác định tầm quan trọng của các cú sốc trong việc giải thích biến động của các biến trong mô hình.

Phương pháp ước lượng mô hình VAR:

Bước 1: Kiểm định tính dừng của các biến trong mô hình Nếu chưa dừng thì sử dụng kỹ thuật lấy sai phân để đưa về các chuỗi dừng.

Bước 2: Lựa chọn khoảng trễ phù hợp.

Bước 3 trong quá trình phân tích là kiểm định nhân quả Granger, nhằm xác định mối quan hệ giữa các biến Tiếp theo, Bước 4 thực hiện phân rã phương sai để đánh giá tầm quan trọng của các cú sốc trong mô hình.

Bước 5: Tiến hành thực hiện phản ứng xung giữa các biến để phân tích cách mà các biến khác trong mô hình sẽ thay đổi khi một biến trong mô hình gặp cú sốc.

3.1.3.1 Kiểm định tính dừng của các chuỗi thời gian

Một trong những yêu cầu quan trọng của mô hình VAR là các biến phải có tính dừng Theo Gujarati (2003), một chuỗi thời gian được coi là dừng khi các giá trị trung bình, phương sai và hiệp phương sai (tại các độ trễ khác nhau) không thay đổi theo thời gian, bất kể thời điểm quan sát là khi nào.

Kiểm định nghiệm đơn vị là phương pháp phổ biến để xác định tính dừng của chuỗi thời gian Dickey và Fuller (1981) đã phát triển kiểm định Dickey và Fuller (DF) cùng với kiểm định mở rộng ADF Nghiên cứu này tập trung vào việc áp dụng kiểm định ADF, do đó sẽ chỉ bàn về lý thuyết liên quan đến mô hình này Cụ thể, mô hình kiểm định nghiệm đơn vị mở rộng ADF được mô tả như sau:

Trong đó: ∆y t = y t – y t–1 y t là chuỗi dữ liệu đang xét, k là chiều dài độ trễ, ε là nhiễu trắng.

Mô hình (3.5) khác với mô hình (3.4) bởi sự bổ sung của biến xu hướng theo thời gian t, trong đó biến xu hướng có giá trị từ 1 đến n, với 1 là quan sát đầu tiên và n là quan sát cuối cùng trong chuỗi dữ liệu Nhiễu trắng là thành phần thể hiện sai số ngẫu nhiên, dựa trên các giả định cổ điển như giá trị trung bình bằng 0, phương sai hằng số và không có tự tương quan.

Nghiên cứu sẽ thực hiện kiểm định cho cả hai trường hợp: không có xu hướng và có xu hướng theo thời gian, thông qua việc áp dụng các mô hình (3.4) và (3.5).

Kết quả kiểm định ADF rất nhạy cảm với chiều dài độ trễ k, vì vậy tiêu chuẩn thông tin AIC (Akaike’s Information Criterion) được sử dụng để xác định k tối ưu cho mô hình ADF Cụ thể, giá trị k được chọn nhằm tối ưu hóa mô hình.

AIC nhỏ nhất Giá trị này sẽ được tìm một cách tự động khi dùng phần mềm Eviews để thực hiện kiểm định nghiệm đơn vị.

H0: β = 0 (y t là chuỗi dữ liệu không dừng) H1: β