CHƯƠNG 3: MÔ HÌNH NGHIÊN CỨU
3.4. Phương pháp xử lý số liệu
Tính toán các chỉ tiêu thống kê mô tả
Kiểm định nghiệm bằng phương pháp ADF
Kiểm định đa cộng tuyến
Kiểm định phương sai sai số thay đổi
Kiểm định tự tương quan chuỗi
Phân tích tương quan biến
Phân tích hồi quy
Kiểm định các giả thuyết nghiên cứu Và được trình bày chi tiết như bên dưới đây:
3.4.1. Tính toán các chỉ tiêu thống kê mô tả
Mục đích: Để người đọc biết được tổng quan về các mẫu đã thu thập, có các thông số của mẫu. Nó bao gồm các thông tin về trung bình, độ lệch, phương sai, quy luật dữ liệu .
Trung bình mẫu (mean) trong thống kê là một đại lƣợng mô tả thống kê, đƣợc tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lƣợng các quan sát trong tập.
Số trung vị (median) là một số tách giữa nửa lớn hơn và nửa bé hơn của một mẫu, một quần thể, hay một phân bố xác suất. Nó là giá trị giữa trong một phân bố, mà số số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.
Độ lệch chuẩn, hay độ lệch tiêu chuẩn, là một đại lƣợng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã đƣợc lập thành bảng tần số. Có thể tính ra độ lệch chuẩn bằng cách lấy căn bậc hai của phương sai. Nếu gọi X là giá trị của công cụ tài chính, m = E(X) là trung bình động của X, S là phương sai, d là độ lệch chuẩn thì độ lệch chuẩn sẽ đƣợc tính toán nhƣ sau: S = E[(X – m)2]; d = Căn bậc hai của S
Tần suất và biểu đồ phân bổ tần suất, tần suất là số lần suất hiện của biện quan sát trong tổng thể, giá trị các biến qua sát có thể hội tụ, phân tán, hoặc phân bổ theo một mẫu hình nào đó, quy luật nào đó.
Giá trị thống kê Skewness và Kurtosis
Hai hệ số này giúp hình dung về hình dáng của phân phối. Skewess là một đo lường mức độ lệch của phân phối còn gọi là hệ số bất đối xứng, khi:
Skewness = 0: phân phối cân xứng Skewness > 0: phân phối lệch phải Skewness < 0: phân phối lệch trái
Kurtosis là một địa lượng đo mức độ tập trung tương đối của các quan sát quan trung tâm của nó trong mối quan hệ so sánh với hai đuôi, khi:
Kurtosis = 3: phân phối tập trung ở mức độ bình thường.
Kurtosis > 3: phân phối tập trung hơn ở mức độ bình thường. Tuy nhiên hình dạng của đa giác tần số trông sẽ khá cao và nhọn với hai đuôi hẹp.
Kurtosis < 3: phân phối tập trung hơn mức độ bình thường nhưng hình dạng của đa giác tần số là một đa giác tù với 2 đuôi dài.
Kiểm định phân phối chuẩn của sai số ngẫu nhiên: (Kiểm định Jaque – Bera)
Mục đích của kiểm định này là nhằm xem xét sai số ngẫu nhiên có phân phối chuẩn hay khộng.
Giả thiết:
H0: Sai số ngẫu nhiên có phân phối chuẩn.
H1: Sai số ngẫu nhiên không có phân phối chuẩn.
Với mức ý nghĩa miền bác bỏ là:
JB>2(2)=5,9915
Chấp nhận H0: Sai số ngẫu nhiên có phân phối chuẩn.
Bác bỏ H0: Sai số ngẫu nhiên không có phân phối chuẩn.
3.4.2. Kiểm định tính dừng bằng phương pháp ADF
Kiểm định ADF (Augmented Dickey-Fuller) truyền thống đã đƣợc ứng dụng để tăng thêm tính chính xác đối với kết luận về tính dừng của các chuỗi. Độ trễ trong kiểm định ADF đƣợc lựa chọn dựa trên các chỉ tiêu AIC (Akaike Information Criterion) và SIC (Schwarz Information Criterion).
Theo PGS.TS Nguyễn Quang Dong (2007) trong cuốn Giáo trình Kinh tế lượng nâng cao4, một khái niệm quan trọng trong các quy trình phân tích chuỗi thời gian là tính dừng và có hai lý do quan trọng khi cần phải biết một chuỗi thời gian là dừng hay không.
Thứ nhất, Gujarati (2003) cho rằng nếu một chuỗi thời gian là không dừng, chúng ta chỉ có thể nghiên cứu hành vi của nó chỉ trong khoảng thời gian đang đƣợc xem xét.
Vì thế, mỗi một mẫu thời gian sẽ mang một tình tiết nhất định. Kết quả là chúng ta không thể khái quát hoá cho các giai đoạn thời gian khác. Đối với mục đích dự báo, các chuỗi thời gian không dừng nhƣ vậy có thể sẽ không có giá trị thực tiễn. Vì nhƣ chúng ta đã biết, trong dự báo chuỗi thời gian, chúng ta luôn giả định rằng xu hướng vận động của dữ liệu trong quá khứ và hiện tại được duy trì cho các giai đoạn tương
4 Giáo trình Kinh tế lượng – Chương trình nâng cao, Bộ môn Điều khiển Kinh tế, Khoa toán Kinh tế, Trường đại học Kinh tế Quốc dân, NXB Khoa học và Kỹ Thuật 2007
lai. Và như vậy, chúng ta không thể dự báo được điều gì cho tương lai nếu như bản thân dữ liệu luôn luôn thay đổi. Hơn nữa, đối với phân tích hồi quy, nếu chuỗi thời gian không dừng thì tất cả các kết quả điển hình của một phân tích hồi quy tuyến tính cổ điển sẽ không có giá trị, không có ý nghĩa và thường được gọi là hiện tượng “hồi quy giả mạo.
Thứ hai, khi biết dữ liệu dừng hay không, chúng ta sẽ giới hạn đƣợc số mô hình dự báo phù hợp nhất cho dữ liệu.
Với đề tài nghiên cứu này tác giả sẽ sử dụng phương pháp kiểm định nghiệm đơn vị của Dickey và Fuller (ADF)5 các điều kiện sau trên phần mềm Eview 6:
- Mô hình kiểm định tính dừng theo phương pháp ADF: ∆Yt = α + β*T + (ρ-1)*Yt-1 + δ*∆Yt-1+ e1t
- Chuỗi thời gian được giả thiết là có hệ số chặn (Intercept), có xu hướng (trend) và kiểm định nghiệm “level” với chuỗi gốc.
- Chuỗi thời gian được giả thiết là có hệ số chặn (Intercept), không có xu hướng (trend) và kiểm định nghiệm với “1st difference” chuỗi lấy sai phân, các chuỗi sẽ đƣợc lấy sai phân cho đến khi có kết quả dừng.
- Độ trễ đƣợc đặt tối đa là 11 trễ và sử dụng kỹ thuật SIC để lựa chọn trễ tối ƣu cho kiểm định nghiệm.
- Các kiểm định có trị tuyệt đối của giá trị thống kê “t” lớn hơn các giá trị bác bỏ là có tính dừng tương ứng ở các mức ý nghĩa 1%,5%, 10% và ngược lại.
3.4.3. Kiểm định giả thiết về hệ số hồi qui
Kiểm định giả thiết về hệ số hồi qui j, mục đích là xem xét liệu j có bằng 0 hay không, nếu j=0 thì biến độc lập Xj không có tác động riêng phần đến biến phụ thuộc Y.
Giả thiết:
H0: j=0; j0,k H1: j0
Với mức ý nghĩa miền bác bỏ là:
value p
t t /2;(n k)
Chấp nhận H0: Các biến độc lập Xj không có tác động riêng phần đến biến phụ thuộc Y.
Bác bỏ H0: Các biến độc lập Xj có tác động riêng phần đến biến phụ thuộc Y.
3.4.4. Kiểm định đa cộng tuyến
Kiểm định này nhằm phát hiện ra hiện tƣợng đa cộng tuyến là hiện tƣợng mà các biến độc lập có quan hệ tương quan với nhau.
Có 2 phương pháp kiểm định:
Thứ nhất: kiểm định tương quan biến
Hệ số tương quan đo mức độ phụ thuộc tuyến tính giữa hai biến (X & Y); khi hệ số tương quan càng gần bằng không quan hệ càng lỏng lẻo; càng gần 1 càng chặt; nếu cùng dấu là tương quan thuận và ngược lại là nghịch. Theo quy ước các biến có hệ số tương quan nhỏ hơn 0,3 được coi là biến rác, không có ý nghĩa nghiên cứu. Cụ thể :
±0.01 đến ±0.1: Mối tương quan quá thấp, không đáng kể
±0.2 đến ±0.3 : Mối tương quan thấp
±0.4 đến ±0.5: Mối tương quan trung bình
±0.6 đến ±0.7: Mối tương quan cao
±0.8 trở lên : Mối tương quan rất cao Thứ hai: Hồi quy phụ
Mô hình hồi qui chính:
t i t ki k t
i t
i t
i X X X
Y, 01 1, 2 2, ... , , Xét các mô hình hồi qui phụ sau:
Xj,t =0+1X1i,t+2X2i,t +…+j-1Xj-1i,t +j+1Xj+1i,t +i,t Giả thiết:
H0: Rj2=0: Không có đa cộng tuyến H1: Rj20: Có đa cộng tuyến Với mức ý nghĩa miền bác bỏ là:
F> F;(k-2,n-k+1) hay p-value<
Chấp nhận H0: Không có đa cộng tuyến giữa Xj với các biến độc lập còn lại.
Chấp nhận H1: Có đa cộng tuyến giữa Xj với các biến độc lập còn lại.
3.4.5. Kiểm định phương sai thay đổi Heteroscedasticity
Kiểm định White nhằm xem xét phương sai của sai số mô hình hồi qui có thay đổi hay không.
Mô hình kiểm định:
i,t=0+1X1i,t+2X2i,t+…+kXki,t+k+1X1i,t*X2i,t+…+k+mX(k-1)i,t*Xki,t+k+m+1X1i,t
^2i,t+…+k+m+1+hXki,t^2i,t+i,t Giả thiết:
H0: i=0 i0,km1h: Không có hiện tượng phương sai thay đổi H1: i0 : Có hiện tượng phương sai thay đổi
Với mức ý nghĩa miền bác bỏ là:
nR2>2;k+m+1+h
Chấp nhận H0: Không có hiện tượng phương sai thay đổi Bác bỏ H0: Có hiện tượng phương sai thay đổi.
3.4.6. Kiểm định tự tương quan
Kiểm định tự tương quan bậc p: Kiểm định Breusch – Godfrey (BG) Xét mô hình:
Y= 0 + 1X +
t= 1t-1 + 2t-2 + … + pt-p + t
H0: 1 = 2 = … = = 0, có nghĩa là không tồn tại tự tương quan ở bất kỳ bậc nào trong số từ bậc 1 đến bậc p.
Bước 1: Ước lượng mô hình mô hình hồi qui ban đầu bằng OLS, tìm phần dư t Bước 2: Dùng OLS để ước lượng mô hình
t = 0 + 1X + 1t-1 + 2t-2 + … + pt-p +’t từ đây ta thu đƣợc R2.
3.4.7. Kiểm định sự phù hợp của mô hình
Đại lƣợng R2 cho thấy mức độ phù hợp của mô hình hồi qui. Muốn biết với R2 khác 0 có ý nghĩa thống kê không, mô hình có phù hợp hay không cần tiến hành kiểm định giả thiết.
Giả thiết:
H0: R2=0 H0: j=0 j1,k H1: R20 H1: j0
Với mức ý nghĩa miền bác bỏ là:
F> F;(k-1,n-k) hay p-value<
Chấp nhận H0: Mô hình không phù hợp . Bác bỏ H0: Mô hình phù hợp.
Trên thực tế, việc các mô hình gặp phải các khuyết tật là khá thường xuyên. Việc thực hiện kiểm định trên giúp phát hiện các khuyết tật của mô hình. Điều đó là rất quan trọng và hết sức cần thiết. Bởi vì các khuyệt tật sẽ khiến cho mô hình không có giá trị, đƣa ra những kết quả sai và không có ý nghĩa trong việc tìm ra mối quan hệ giữa các biến số cũng như dự đoán kết quả trong tương lai. Bên cạnh đó, từ các kiểm định này, các nhà nghiên cứu sẽ có các phương án để xử lý các khuyết tật của mô hình để đƣa ra các kết quả tốt nhất dựa trên số liệu mà mô hình nghiên cứu. Tuy việc xử lý các khuyết tật của mô hình không phải lúc nào cũng hoàn toàn triệt để, nhƣng nó sẽ giúp mô hình mang lại các kết quả có ý nghĩa hơn, đồng thời hỗ trợ các nhà nghiên cứu đƣa ra các nhận định phù hợp hơn.
Có nhiều phương pháp kiểm định để kiểm định các khuyết tật trên, nhưng những kiểm định trên là những kiểm định phổ biến nhất, đƣợc nhiều nhà nghiên cứu và học giả trên thế giới chấp nhận nhất, đồng thời dễ hiểu nhất với người đọc.
Tóm tắt chương 3
Chương 3 đã trình bày phương pháp nghiên cứu của đề tài. Phương pháp nghiên cứu sử dụng phương pháp hồi quy các biến độc lập đại diện cho yếu tố thuế như tổng doanh thu thuế trên thu nhập quốc nội, tỷ lệ thuế thu nhập doanh nghiệp trên tổng doanh thu thuế, thuế hang hóa trên tổng doanh thu thuế, tỷ lệ thuế xuất nhập khẩu trên tổng doanh thu thuế, tỷ lệ thuế thu nhập cá nhân trên tổng doanh thu thuế với biến phụ thuộc là các yêu tố kinh tế vĩ mô như tổng thu nhập quốc nội, đầu tư trực tiếp nước ngoài, tiết kiệm trong nền kinh tế. Đó là tiền đề để chúng ta bắt đầu tiến hành nghiên cứu định lƣợng với số liệu của thành phố Hồ Chí Minh.