CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU .1
1.1. Tính cấp thiết của đề tài nghiên cứu.1
1.2. Đặt vấn đề nghiên cứu .3
1.3. Mục tiêu nghiên cứu.4
1.3.1. Mục tiêu chung.4
1.3.2. Mục tiêu cụ thể.5
1.4. Câu hỏi nghiên cứu .5
1.5. Đối tượng và phạm vi nghiên cứu.5
1.5.1. Đối tượng nghiên cứu .5
1.5.1.1. Các nhân tố CSTT và ATVM tác động đến tăng trưởng tín dụng .5
1.5.1.2. Các biến số kinh tế vĩ mô trong mô hình Keynes mới .6
1.5.2. Phạm vi nghiên cứu .8
1.5.2.1. Đối với các nhân tố tác động đến tăng trưởng tín dụng .8
1.5.2.2. Đối với các nhân tố tác động đến nền kinh tế mở và nhỏ .8
1.6. Phương pháp nghiên cứu.8
1.6.1. Phương pháp ước lượng biến số tác động đến tăng trưởng tín dụng.8
1.6.2. Phương pháp ước lượng biến số vĩ mô của mô hình Keynes mới SVAR .8
1.6.3. Phương pháp ước lượng biến số vĩ mô của mô hình Keynes mới DSGE.9
1.7. Ý nghĩa khoa học và thực tiễn của luận án .10
1.8. Khoảng trống nghiên cứu.10
1.9. Kết cấu của luận án.11
1.10. Tóm tắt chương 1 .11
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ MÔ HÌNH KEYNES MỚI.12
2.1. Các cơ sở lý thuyết liên quan đến mô hình Keynes mới .12
2.1.1. Cơ sở lý thuyết về chính sách an toàn vĩ mô .12
2.1.1.1. Ổn định tài chính.12
2.1.1.2. Chính sách an toàn vĩ mô .14
2.1.2. Cơ sở lý thuyết về chính sách tiền tệ.14ii
2.1.2.1. Khái niệm .14
2.1.2.2. Kênh truyền dẫn của chính sách tiền tệ.15
2.1.2.3. Các nguyên tắc cơ bản về chính sách tiền tệ.24
2.1.2.4. Mục tiêu của chính sách tiền tệ .24
2.1.3. Lý thuyết cân bằng tổng thể.26
2.1.4. Lý thuyết về tổng cầu – tổng cung .27
2.1.4.1. Lý thuyết về tổng cầu.28
2.1.4.2. Lý thuyết về tổng cung.28
2.1.5. Lý thuyết về cung tiền và lạm phát .29
2.1.6. Lý thuyết về khuôn khổ CSTT lạm phát mục tiêu .30
2.1.6.1. Cơ sở lý thuyết .30
2.1.6.2. Đặc điểm và các yếu tố chính của CSTT lạm phát mục tiêu.30
2.1.6.3. Mục đích của chính sách lạm phát mục tiêu.31
2.1.6.4. Các điều kiện áp dụng chính sách lạm phát mục tiêu.31
2.2. Những lý luận cơ bản về mô hình Keynes mới .32
2.2.1. Tổng quan về cấu trúc mô hình Keynes mới.32
2.2.1.1. Cấu trúc mô hình Keynes mới 3 phương trình.35
2.2.1.2. Cấu trúc mô hình Keynes mới 4 phương trình.35
2.2.1.3. Cấu trúc mô hình Keynes áp dụng tại Việt Nam (IMF xây dựng) .36
2.2.2. Mô hình Keynes mới SVAR .37
2.2.2.1. Phương trình IS .38
2.2.2.2. Phương trình AS.38
2.2.2.3. Phương trình ngang giá lãi suất không bảo hiểm rủi ro tỷ giá .39
2.2.2.4. Phương trình chính sách tiền tệ hướng về tương lai.39
2.2.2.5. Lý thuyết về giá trị kỳ vọng hợp lý .40
2.2.3. Mô hình Keynessian mới DSGE.43
2.2.3.1. Cơ sở lý thuyết về mô hình DSGE.43
2.2.3.2. Cấu trúc mô hình DSGE.49
2.2.3.3. Khung phân tích chính sách và lý thuyết về dự báo kinh tế.52iii
2.2.3.4. Các trường phái trong mô hình DSGE .54
2.2.3.5. Các yếu tố ma sát (frictions) trong mô hình DSGE.59
2.2.3.6. Ưu điểm và nhược điểm của mô hình DSGE.60
2.3. Các công trình nghiên cứu trước đây.62
2.3.1. Các nghiên cứu về CSTT và chính sách an toàn vĩ mô.62
2.3.1.1. Nghiên cứu quốc tế.62
2.3.1.2. Nghiên cứu trong nước.66
2.3.2. Các nghiên cứu về mô hình Keynes mới SVAR.68
2.3.2.1. Nghiên cứu quốc tế.68
2.3.2.1. Nghiên cứu trong nước.70
2.3.3. Các công trình nghiên cứu về DSGE .73
2.3.3.1. Nghiên cứu quốc tế.73
2.3.3.2. Nghiên cứu trong nước.92
2.4. Tóm tắt chương 2 .96
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU .97
3.1. Đối với CSTT và chính sách an toàn vĩ mô.97
3.1.1. Mô hình nghiên cứu.97
3.1.2. Dữ liệu nghiên cứu .97
3.1.3. Phương pháp nghiên cứu .99
3.1.4. Quy trình nghiên cứu.99
3.2. Đối với mô hình Keynes mới SVAR.100
3.2.1. Mô hình kinh tế lượng tiếp cận .100
3.2.1.1. Mô hình VAR.100
3.2.1.2. Mô hình SVAR.102
3.2.2. Dữ liệu nghiên cứu .107
3.2.3. Phương pháp nghiên cứu .107
3.2.4. Quy trình nghiên cứu.110
3.2.4.1. Kiểm định mô hình VAR giản lược .110
3.2.4.2. Phân tích các tham số cấu trúc đồng thời.110iv
3.2.4.3. Thực hiện hàm phản ứng xung.111
3.2.4.4. Thực hiện phân rã phương sai .111
3.3. Đối với mô hình DSGE dùng để dự báo cho nền kinh tế mở Việt Nam .111
3.3.1. Mô hình nghiên cứu.111
3.3.1.1. Phương trình đường cong IS .112
3.3.1.2. Phương trình đường cong Phillips Keynes mới cho nền kinh tế mở.112
3.3.1.3. Phương trình chính sách tiền tệ.113
3.3.1.4. Các phương trình khác .113
3.3.2. Dữ liệu nghiên cứu .113
3.3.3. Phương pháp ước lượng mô hình DSGE.115
3.3.3.1. Khái quát về phương pháp ước lượng mô hình DSGE trên thế giới .115
3.3.3.2. Phương pháp ước lượng cho mô hình DSGE đối với Việt Nam.119
3.3.4. Quy trình nghiên cứu.121
3.3.4.1. Các bước ước lượng cho mô hình BVAR - DSGE .121
3.3.4.2. Tiền nghiệm cho mô hình DSGE .123
3.5. Tóm tắt chương 3 .123
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN.124
4.1. Phân tích mô tả.124
4.1.1. Thống kê mô tả dữ liệu vi mô .124
4.1.2. Thống kê mô tả dữ liệu vĩ mô .126
4.2. Phân tích thực nghiệm .134
4.2.1. Kết quả nghiên cứu của mô hình ước lượng theo phương pháp FGLS.134
4.2.2. Kết quả nghiên cứu của cú sốc chính sách.138
4.2.2.1. Kiểm tra tính dừng (kiểm định nghiệm đơn vị) cho các chuỗi số liệu .138
4.2.2.2. Chọn độ trễ tối ưu và tính ổn định của mô hình.139
4.2.2.3. Kiểm định mô hình dạng VAR giản lược.140
4.2.2.4. Kiểm định phần dư của các phương trình trong mô hình VAR .141
4.2.2.5. Xác định các điều kiện giới hạn trong ước lượng SVAR.142v
4.2.2.6. Tham số ước lượng đồng thời .142
4.2.2.7. Hàm phản ứng xung .144
4.2.2.8. Phân rã phương sai .149
4.2.3. Kết quả nghiên cứu của dự báo chính sách.151
4.2.3.1. Lựa chọn trọng số lamda (λ) và độ trễ .151
4.2.3.2. Mô hình DSGE.154
4.3. Tóm tắt chương 4 .159
CHƯƠNG 5: KẾT LUẬN, HÀM Ý CHÍNH SÁCH VÀ HẠN CHẾ.160
5.1. Tóm tắt các kết quả chính của luận án.160
5.1.1. Khẳng định vai trò của CSTT trong việc ổn định vĩ mô tại Việt Nam .160
5.1.2. Các biến số vĩ mô có phản ứng động trước các cú sốc chính sách.161
5.1.3. Mô hình dự báo Keynes mới có ý nghĩa phân tích chính sách .162
5.2. Hàm ý chính sách .162
5.2.1. NHNN trong việc sử dụng các công cụ của CSTT .162
5.2.2. Về việc thực thi chính sách tiền tệ.163
5.2.3. Mô hình Keynes mới phục vụ công tác dự báo vĩ mô.165
5.3. Hạn chế của nghiên cứu.166
5.3.1. Về dữ liệu, cách sử dụng biến trong mô hình.166
5.3.2. Về phương pháp tiếp cận và đặc điểm của nền kinh tế Việt Nam.167
5.3.3. Về kết quả nghiên cứu .168
5.4. Tóm tắt chương 5 .169
THÀNH TỰU NGHIÊN CỨU
DANH MỤC TÀI LIỆU THAM KHẢO
PHỤ LỤCvi
307 trang |
Chia sẻ: trungkhoi17 | Lượt xem: 528 | Lượt tải: 3
Bạn đang xem trước 20 trang tài liệu Luận án Phân tích phản ứng của các biến số vĩ mô trước cú sốc chính sách tiền tệ thông qua mô hình Keynes mới nhằm nâng cao chất lượng dự báo kinh tế vĩ mô của Việt Nam - Nguyễn Hoàng Chung, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
ến quan sát (mẫu) để ước lượng các tham số cho mô hình
dự báo, sử dụng 4 mẫu và 2 mẫu quan sát còn lại để thực hiện tính toán phục vụ cho
công tác dự báo.
Bảng 3.2. Các biến số vĩ mô DSGE trong mô hình và nguồn thu thập
Nguồn: Tổng hợp của tác giả
Độ lệch sản lượng (dy_obs): được tính bằng cách lấy chênh lệch giữa logarit nepe
(ln) GDP thực với giá trị sản lượng tiềm năng (hp trend), phương pháp phổ biến đo
lường độ lệch sản lượng (output gap).
Lạm phát theo cách tính CPI (inf_obs): chỉ số này đại diện bởi chỉ số giá tiêu
dùng trong nước qua từng quý.
Biến số vĩ mô Ký hiệu Định nghĩa và cách tính và nguồn
Nhóm biến trong nước
Lãi suất chính sách r_obs Lãi suất chính sách (IMF – IFS)
Độ lệch sản lượng dy_obs
Độ lệch sản lượng được tính bằng chênh lệch
giữa logarit giữa sản lượng thực và sản
lượng tiềm năng (HP filter) (IMF – IFS).
Tỷ giá hối đoái de_obs Cặp tỷ giá USD/VNĐ (IMF – IFS)
Lạm phát inf_obs Chỉ số giá tiêu dùng (IMF – IFS)
Điều khoản thương mại dq _obs IMF - IFS
115
Tỉ lệ lạm phát = 1
1
t t
t
CPI CPI
CPI
x100%
Với CPIt là chỉ số giá điều chỉnh của kì t và CPIt-1 là chỉ số giá điều chỉnh của kì t
- 1. Chỉ số giá điều chỉnh là chỉ số giá đã được chuẩn hóa theo năm gốc (1994 và 2010)51,
tạo thành 69 quan sát từ chuỗi dữ liệu đại diện cho lạm phát.
Lãi suất (r_obs): trước năm 2010, dữ liệu theo IMF – IFS là lãi suất tín phiếu kho
bạc (treasury bill rate); từ sau năm 2010 số liệu này được IMF – IFS chuẩn hóa là LSCS
(policy rate). Trong trường hợp thị trường tiền tệ có diễn biến bất thường, Ngân hàng
Nhà nước quy định cơ chế điều hành lãi suất áp dụng trong các quan hệ giữa các tổ chức
tín dụng với nhau và với khách hàng, các quan hệ tín dụng khác (Ngân hàng Nhà nước,
2010).
Biến động trong tỉ giá hối đoái (de_obs): Tỷ giá dẫn xuất từ cặp tỷ giá USD/VNĐ
của IMF – IFS; được lấy logarit nepe (lne) nhằm làm co dữ liệu, góp phần ước lượng
được chính xác hơn.
Thay đổi điều khoản thương mại (dq_obs): Điều khoản thương mại (Term of
Trade - ToT) được tính toán bằng cách lấy tỉ lệ (%) giá xuất khẩu chia cho giá nhập
khẩu. Tiếp đó, tính toán sự thay đổi của điều khoản thương mại bằng cách sử dụng công
thức:
ΔToT = ln(
1
t
t
ToT
ToT
) x 100
Dữ liệu được thu thập từ cơ sở dữ liệu IFS (International Financial Statistics) của
IMF và từ GSO, lấy theo quý được điều chỉnh bằng logarit nepe để tạo ra 63 - 65 quan
sát.
3.3.3. Phương pháp ước lượng mô hình DSGE
3.3.3.1. Khái quát về phương pháp ước lượng mô hình DSGE trên thế giới
Bắt nguồn từ các nghiên cứu sử dụng ước lượng hợp lý cực đại (maximum
likelihood) để ước lượng mô hình DSGE như Altug (1989) sử dụng phương pháp này
ước lượng cho mô hình theo thời gian (time - to - build models) của Kyland & Prescott
51 Đối với dữ liệu chỉ số giá giai đoạn trước 2010 được quy đổi về năm cơ sở là 1994 và dữ liệu chỉ số giá giai
đoạn sau 2010 được quy đổi về năm cơ sở là 2010 theo tính toán của IMF – IFS.
116
(1982), và McGrattan (1994) nghiên cứu về ảnh hưởng vĩ mô của thuế trong mô hình
chu kỳ kinh doanh. Leeper & Sims (1994) và Kim (2000) sử dụng phương pháp này để
ước lượng mô hình DSGE dùng để phân tích CSTT. Sau này, Canova (1994), DeJong
& ctg (1996) và Geweke (1999a) đã đề xuất cách tiếp cận Bayesian để hiệu chỉnh mà
không khai thác chức năng có thể có của mô hình DSGE và cung cấp các ứng dụng thực
nghiệm đánh giá chu kỳ kinh doanh và định giá tài sản liên quan đến mô hình tăng
trưởng ngẫu nhiên đơn giản. Trước hết, nghiên cứu liệt kê các mô hình ước lượng theo
các trường phái khác nhau như: Mô hình Keynes mới với tham số cấu trúc, mô hình tân
cổ điển (mô hình chu kỳ kinh doanh) và mô hình Keynes mới có yếu tố ma sát thị trường
tài chính52.
Ngoài ra, nghiên cứu còn chỉ ra một số phương pháp ước lượng mô hình DSGE
đơn giản. Ước lượng mô hình DSGE để tìm ra các tham số cấu trúc (structure
parameters) tức là gắn mô hình DSGE với từng nền kinh tế thông qua dữ liệu/thông tin
về nền kinh tế đó. Kydland & Prescott (1982) sử dụng phương pháp cân chỉnh tham số
(calibration) trong đó các tham số cấu trúc của DSGE được đặt cố định theo các kết quả
nghiên cứu vi mô trước đó và/hoặc tính toán từ giá trị trung bình dài hạn của các số liệu
vĩ mô tổng thể. Tuy nhiên, phương pháp cân chỉnh tham số cũng có những hạn chế nhất
định như (i) các tham số này không đủ tin cậy nếu giả định của DSGE khác với giả định
của các mô hình vi mô, (ii) nếu ước lượng DSGE có thể thu được các tham số mà rất
khó để có được nếu sử dụng số liệu phân tách vi mô (disaggregate data), (iii) ước lượng
DSGE cho phép tính ra khoảng tin cậy cho các tham số, và (iv) ước lượng DSGE còn
cho phép thực hiện các kiểm định, phân tích tham số hoặc so sánh với các mô hình
DSGE khác (Ruge - Murcia, 2005). Một số phương pháp ước lượng cao cấp (với kỹ
thuật phức tạp hơn) được sử dụng phổ biến là phương pháp ước lượng GMM, phương
pháp ước lượng tối đa hàm hợp lý (MLE), phương pháp khớp hàm phản ứng (Impulse
Response Matching) và phương pháp ước lượng Bayesian.
Tuy nhiên, trong khuôn khổ xây dựng một mô hình DSGE quy mô nhỏ và có thể
ứng dụng được cho Việt Nam, các phương pháp ước lượng mô hình DSGE chưa được
tập trung xử lý. Thay vào đó, việc ước lượng từng phương trình theo phương pháp bình
52 Xem chi tiết về các dạng mô hình Keynesian mới DSGE tại phụ lục 6.
117
phương nhỏ nhất (OLS) được sử dụng để tìm ra các giá trị tham số cấu trúc (Nguyễn
Đức Trung, 2016).
Thêm vào đó, Canova (1994), DeJong & ctg (1996), và Geweke (1999a) đã đề
xuất cách tiếp cận Bayesian để hiệu chỉnh mà không khai thác chức năng có thể có của
mô hình DSGE và cung cấp các ứng dụng thực nghiệm đánh giá chu kỳ kinh doanh và
định giá tài sản liên quan đến mô hình tăng trưởng ngẫu nhiên đơn giản. Các nghiên cứu
về ước lượng xác suất Bayesian về mô hình DSGE bắt đầu bằng công trình nghiên cứu
của Landon - Lane (1998), Dejong & ctg (2000), Schorfheide (2000) và Otrok (2001).
Dejong & ctg (2000) ước lượng mô hình tăng trưởng ngẫu nhiên và kiểm tra khả năng
dự báo của mô hình, Otrok (2001) làm khớp chu kỳ kinh doanh với thói quen và xây
dựng dữ liệu chuỗi thời gian để đánh giá chi phí phúc lợi của chu kỳ kinh doanh, và
Schorfheide (2000) xem xét mô hình DSGE. Dejong & Ingram (2001) nghiên cứu về
hành vi mang tính chu kỳ của kỹ năng tích lũy. Trong khi đó, Chang & ctg (2002) ước
lượng mô hình phát triển ngẫu nhiên hiệu chỉnh với cơ chế thực nghiệm để khuếch đại
ảnh hưởng của cú sốc. Chang & Schorfheide (2003) nghiên cứu tầm quan trọng của cú
sốc cung ứng lao động và ước tính một mô hình sản xuất tại nhà. Fernández-Villaverde
& Rubio (2004) sử dụng các kỹ thuật ước tính của Bayesian để xây dựng mô hình nghiên
cứu phù hợp. Các biến thể của mô hình DSGE Keynes mới quy mô nhỏ đã được ước
tính bởi Rabanal và Rubio - Ramírez (2005a/b) đối với Hoa Kỳ và EU. Lubik &
Schorfheide (2004) ước tính mô hình chuẩn Keynes DSGE mà không giới hạn các tham
số cho vùng xác định (determinated) của không gian tham số. Schorfheide (2005) cho
phép chuyển đổi cơ chế lạm phát mục tiêu theo nguyên tắc CSTT. Canova (2004) ước
tính một mô hình Keynes quy mô nhỏ đệ quy để đánh giá sự ổn định của các tham số
kết cấu theo thời gian. Galí & Rabanal (2005) sử dụng một mô hình DSGE ước tính để
nghiên cứu tác động của những cú sốc về công nghệ vào những giờ làm việc. Các mô
hình quy mô lớn bao gồm tích lũy vốn và các ma sát (friction) thực và danh nghĩa bổ
sung theo các dòng nghiên cứu của Christiano & ctg. (2005) đã được phân tích bởi Smets
& Wouters (2003, 2005) cả ở Hoa Kỳ và khu vực Châu Âu. Các mô hình tương tự như
Smets & Wouters (2003) đã được ước tính bởi Laforte (2004), Onatski & Williams
(2004); Levin & ctg (2006) để nghiên cứu CSTT. Nhiều NHTW đang trong quá trình
phát triển các mô hình DSGE dọc theo dòng Smets & Wouters (2003) có thể được ước
tính bằng các kỹ thuật của Bayesian và được sử dụng để phân tích chính sách và dự báo.
118
Các kỹ thuật ước tính Bayesian cũng đã được sử dụng cho nền kinh tế mở. Lubik và
Schorfheide (2003) ước tính phần mở rộng nhỏ của mô hình để kiểm tra xem các NHTW
của Úc, Canada, Anh và New Zealand có phản ứng với tỷ giá hối đoái hay không. Một
mô hình tương tự được trang bị bởi Del Negro (2003) với dữ liệu của Mexico. Justiniano
và Preston (2004) mở rộng phân tích thực nghiệm đến tình huống của tỷ lệ trao đổi
không hạn chế. Adolfson & cộng sự (2004) phân tích một mô hình kinh tế mở bao gồm
tích lũy vốn cũng như nhiều xáo trộn thực và danh nghĩa. Lubik & Schorfheide (2006),
Rabanal & Tuesta (2006), và Walque & Wouters (2004) đã ước tính các mô hình DSGE
đa mô hình. Theo ECB, một nỗ lực sớm để kết hợp các mô hình DSGE với BVAR là
Ingram & Whiteman (1994), người đề xuất một phương pháp thu thập các nhóm cho
VARs từ mô hình kinh tế. Phương pháp tiếp cận này được phát triển tiếp bởi Del Negro
& Schorfheide (2004) trong mô hình được gọi là DSGE – VAR. Trong đó DSGE được
dùng để xác định thời điểm các phân phối tiền nghiệm của các tham số VAR sử dụng
hình thức Normal/Inverted Wishart (NIW). Nhóm nghiên cứu ECB cho thấy mô hình
nghiên cứu có thể hoàn thiện việc dự báo với BVARs dựa trên tiền nghiệm Minnesota.
Giống với Smith (1993), mô hình cho thấy hậu nghiệm kết quả về tham số mô hình
DSGE có thể được thực hiện thông qua VAR bằng cách tích hợp sự phụ thuộc của các
tham số VAR từ hậu nghiệm (posterior) có điều kiện và do đó có được một hàm ước
lượng tối đa (MLE) cho các tham số của DSGE; tương tự del Negro & Schorfheide
(2006, 2009).
Sungbae & Frank (2007) ước lượng Bayesian của mô hình DSGE có 3 đặc điểm
chính. Đầu tiên, không giống ước lượng GMM dựa trên mối quan hệ cân bằng như
phương trình tiêu dùng Euler, phương trình thiết lập giá của các doanh nghiệp sản xuất
hàng hóa trung gian hoặc quy tắc CSTT. Phân tích Bayesian là hệ thống cơ bản và phù
hợp để giải quyết mô hình DSGE với một vec tơ của chuỗi thời gian. Thứ hai, ước lượng
dựa trên hàm likelihood tạo ra bởi mô hình DSGE chứ không phải là sự khác biệt giữa
các phản ứng của mô hình DSGE và phản ứng xung của VAR. Thứ ba, phân phối tiền
nghiệm có thể được dùng kết hợp với các thông tin bổ sung vào các tham số ước lượng.
Cách tiếp cận Bayesian chính thức hóa sự kết hợp của tiền nghiệm thực nghiệm và vận
dụng lý thuyết về tham số của lãi suất và mang lại kết quả ước lượng ổn định hơn với
các mẫu ngắn.
119
3.3.3.2. Phương pháp ước lượng cho mô hình DSGE đối với Việt Nam
Dựa trên nền tảng nghiên cứu của del Negro và Schorfheide (2004), nghiên cứu
khái quát cách thức ước lượng cho mô hình BVAR - DSGE nhằm xây dựng mô hình
DSGE cho nền kinh tế mở và nhỏ như Việt Nam với 5 biến quan sát nêu trên. Dựa trên
mô hình của nền kinh tế mở nhỏ phát triển bởi Gali & Monacelli (2005) và hiệu chỉnh
để ước lượng bởi Lubik & Schorfheide (2003), xây dựng phân phối tiền nghiệm cho các
tham số của mô hình. Sau đó từ các biến quan sát, phân phối tiền nghiệm được thiết lập
từ trước và sử dụng phương pháp DSGE - VAR để xây dựng phân phối hậu nghiệm cho
các thông số trong mô hình. Tập hợp các tham số trong mô hình DSGE được ký hiệu
bằng vectơ và vectơ cột của n biến quan sát là yt, đây cũng là các biến trong mô hình
VAR, do đó:
yt = Φ0 + Φ1yt-1 + Φ2 yt-2 + ... + Φp yt-p + ut, (3.28)
Trong đó:
Φ0 là một vector hằng số;
Φ1..p là ma trận của các tham số trong mô hình VAR; và ut ~ N(0,Σu).
Phương trình này có thể biểu diễn rút gọn dưới dạng Y=XΦ + U, trong đó:
Y và U là những ma trận với hàng yt’ và ut’ tương ứng;
X có các hàng yt-1’, yt-2’,,yt-p’ và Φ [Φ1,Φ2,,Φp]’.
Một điều cần lưu ý là số lượng tham số trong mô hình DSGE nhỏ hơn so với mô
hình VAR, vì thế khả năng tương thích với dữ liệu của mô hình VAR lớn hơn so với
DSGE.
3.3.3.2.1. Tiền nghiệm cho các tham số trong mô hình VAR
Theo Hodge và cộng sự (2008), mô hình DSGE được sử dụng để cung cấp thông
tin về các tham số cho mô hình VAR. Cách thực hiện là mô phỏng dữ liệu từ mô hình
DSGE và kết hợp với dữ liệu thực khi ước lượng mô hình VAR. Một tỉ lệ tương đối của
dữ liệu được mô phỏng với dữ liệu thực được gọi là λ, để kiểm soát tỉ trọng của thông
tin tiền nghiệm Hay nói cách khác vai trò của λ được xem như hệ số làm giảm sai số
giữa các mẫu (Sample Moments) có được từ mô hình này - so với các mẫu có được qua
quá trình mô phỏng (simulation). Sau đó, xây dựng thông tin tiền nghiệm cho các tham
120
số VAR p(Φ,Σu |θ ) (với θ là tập tham số cho trước trong mô hình DSGE), trong dạng
Inverted - Wishart (IW) - Normal (N), do đó, Σu |θ ∼ IW và Φ|Σu, θ ∼ N.
3.3.3.2.2. Tiền nghiệm cho các tham số trong mô hình DSGE
Phân phối tiền nghiệm đóng một vai trò quan trọng trong ước lượng của mô hình
DSGE (An & Schorfheide, 2006). Gọi p(θ) là xác suất tiền nghiệm (Prior Beliefs) cho
những tham số trong mô hình DSGE. Xác suất kết hợp tiền nghiệm (Joint Prior Density)
của 2 tập thông số là: p(Φ,Σu,θ) = p(Φ,Σu|θ)*p(θ).
3.3.3.2.3. Phân phối hậu nghiệm của mô hình VAR
Cũng theo Hodge và cộng sự (2008) cho rằng phân phối hậu nghiệm (posterior
distribution) của các tham số Φ trong mô hình VAR và Σu , p(Φ,Σu|Y,θ), từ đó sẽ có được
các tham số khi dự báo là sự kết hợp giữa thông tin tiền nghiệm với thông tin từ dữ liệu,
hay còn gọi là hàm likelihood. Hàm likelihood là một hàm phân phối chuẩn đa biến và
rất phù hợp khi các tiền nghiệm được mô tả bên trên cho tham số trong mô hình VAR ở
dạng Inverted - Wishart - Normal (IWN) cũng như những phân phối kết hợp. Do đó
phân phối hậu nghiệm có cùng phân phối với tiền nghiệm, tức là Σu|θ,Y ~ IW và Φ|Σu,θ,Y
~ N (del Negro & Schorfheide, 2004, Hodge và công sự, 2008). Cuối cùng, nghiên cứu
thực hiện mô phỏng phân phối hậu nghiệm cho các tham số trong mô hình VAR được
rút ra từ tập vector θ các tham số hậu nghiệm trong mô hình DSGE và sau đó lấy mẫu
từ những phân phối này.
3.3.3.2.4. Lựa chọn độ trễ và trọng số cho tiền nghiệm
Hàm phân phối hậu nghiệm cho tham số trong mô hình VAR là một hàm phụ thuộc
vào việc lựa chọn λ (tỉ lệ giữa dữ liệu được mô phỏng và dữ liệu thực cho tiền nghiệm
của mô hình DSGE). Gọi tập giá trị lựa chọn của λ là Λ, với Λ = {λ1,, λi,, λq} và với
tất cả các i sao cho λi > 0. Theo del Negro và Schorfheide (2004) bằng cách so sánh mô
hình đánh giá với mỗi λΛ, với tiêu chí là hàm phân phối dữ liệu biên p(Y|λ). Cách đánh
giá này có thể được xem như là một tiêu chí thông tin và có được bằng cách kết hợp các
tham số của phân phối kết hợp từ dữ liệu quan sát và các tham số:
p(Y|λ) ,, | ) ( , ,( ), , ,u u u
dp Y
=
,,
)* ( , , | )* ( ,( , , , )
u u uu
Y pp d
(3.29)
121
Trong đó:
, &
u
là không gian của các tham số (tập hợp tất cả các giá trị) của , &u
. Tuy nhiên, thuật toán có liên quan đến việc tính toán hàm phân phối dữ liệu biên yêu
cầu một khối lượng tính toán lớn (Christiano, 2007). Tuy nhiên, hàm xác suất kết hợp
giữa các tham số trong mô hình VAR và DSGE là ( , | , )
u
p cũng bằng với
( , | , )* ( )
u
p p , và tiền nghiệm của các tham số trong mô hình VAR được kí hiệu
bởi θ có phân phối dạng IWN. Điều này cho phép những tích phân với các tham số trong
mô hình VAR được tính toán đơn giản hơn chỉ để lại phần tách rời đối với xấp xỉ hàm
( | )p Y (Geweke, 1999; An & Schorfheide, 2007). Một giá trị tối ưu của là có thể
được chọn để tối đa hóa hàm ( | )p Y , do đó:
arg max ( | )p Y
(3.30)
Nghiên cứu này sử dụng hàm phân phối dữ liệu biên để lựa chọn độ trễ của mô
hình VAR, p (del Negro & Schorfheide, 2004). Bên cạnh đó, mục đích quan trọng của
nghiên cứu này là lựa chọn λ và độ trễ p dựa vào kĩ thuật dự báo ngoài mẫu (Hodge và
cộng sự, 2008; Nguyễn Đức Trung & Nguyễn Hoàng Chung, 2017).
3.3.4. Quy trình nghiên cứu
3.3.4.1. Các bước ước lượng cho mô hình BVAR - DSGE
Căn cứ vào nghiên cứu của Del Negro và Schorfheide (2004), nghiên cứu thực
hiện ước lượng cho mô hình BVAR - DSGE. Giả định các tham số trong mô hình DSGE
được mô tả bởi vector θ và vector cột của n biến quan sát là yt, các biến này cũng chính
là các biến trong mô hình VAR, cụ thể các bước:
Bước 1: Khai báo biến trong dynare bao gồm: Các biến nội sinh: y, z, dq, y_star,
infl, infl_star, R, y_bar, de và các biến quan sát: R_obs, infl_obs, dy_obs, de_obs,
dq_obs.
Bước 2: Khai báo các biến ngoại sinh: eps_R eps_dq eps_z eps_y_star
eps_infl_star;
122
Bước 3: Khởi tạo các tham số của các phương trình Keynes mới DSGE: tau, alpha,
rho_z, kappa, rho_R, psi_1, psi_2, rho_dq, rho_infl_star, rho_y_star, r_ss;
Bước 4: Thiết lập thông tin tiền nghiệm cho các tham số của mô hình;
Bước 5: Dựa vào nghiên cứu của Lubik và Schofheide, 2007; Hodge và cộng sự,
2008; nghiên cứu thiết lập các phương trình Keynes mới DSGE thể hiện mối quan hệ
giữa biến quan sát và biến nội sinh53. Trong mô hình Keynes mới DSGE, sản lượng của
nền kinh tế phụ thuộc vào công nghệ nên thay đổi trong biến sản lượng quan sát sẽ có
mối quan hệ đồng biến với biến sản lượng (yt) và biến công nghệ (zt) (phương trình
(b5.1)). Những biến quan sát còn lại có mối quan hệ với các biến vĩ mô (Lubik &
Schofheide, 2007).
Bước 6: Gán giá trị ban đầu cho các biến vĩ mô và các biến quan sát trong mô hình.
Các giá trị khởi tạo cho biến vĩ mô được lấy từ trạng thái cân bằng (steady state) của mô
hình DSGE và giá trị trung bình cho các biến quan sát.
Bước 7: Khai báo thông tin tiền nghiệm cho các tham số ước lượng cũng như các
cú sốc trong mô hình như hàm phân phối (distribution function), giá trị trung bình và độ
lệch chuẩn.
Bước 8: Khai báo độ trễ (lag length) cho mô hình VAR cũng như trọng số λ
(dsge_prior_weight, theo Hodge và cộng sự, 2008) để thực hiện ước lượng các mô hình;
Bước 9: Thực hiện ước lượng với các tham số đã khai báo54 và mô phỏng.
53 Các phương trình Keynes mới DSGE:
Δyobst= Δyt + zt (b5.1)
Robst = 4Rt (b5.2)
Πobst = πt (b5.3)
Δeobst = Δet (b5.4)
Δqobst = Δqt (b5.5)
54 Nghiên cứu ước lượng hậu nghiệm thông qua thuật toán Metropolis - Hastings (MH) với số chuỗi Markov được
tạo ra. Trong quá trình này, nghiên cứu sử dụng ngôn ngữ lập trình trên phần mềm Dynare 4.1.3 là chương trình
tiền thông dịch (Front - End Interface) (được phát triển bởi S Adjemian, M Juiliard và O Kamenik, truy cập tại
hay được tổng hợp tại nghiên cứu của Griffoli, 2008),
giúp dịch (solve), mô phỏng (simulate) và ước lượng (estimate) các phương trình sang các ngôn ngữ lập trình mà
phần mềm Matlab R2016a có thể hiểu được.
123
3.3.4.2. Tiền nghiệm cho mô hình DSGE
Tiền nghiệm cho các tham số trong mô hình DSGE được thể hiện trong Bảng 16.1
và Bảng 16.255. Việc lựa chọn các thông tin tiền nghiệm áp dụng cho Việt Nam được kế
thừa từ mô hình DSGE của Úc (Hodge & cộng sự, 2008) và Trung Quốc (Zheng & Guo,
2013). Nghiên cứu thiết lập miền xác định và hàm xác suất tích lũy của các tham số tiền
nghiệm (Lubik & Schorfheide, 2007; Hodge và cộng sự, 2008). Bên cạnh đó cần lưu ý
thêm rằng thay vì đặt thông tin tiền nghiệm lên hệ số chiết khấu, nghiên cứu đặt thông
tin tiền nghiệm (và ước lượng) lên lãi suất thực ssr 56 . Độ lệch chuẩn của 5 cú sốc ngoại
sinh được kí hiệu bởi biến var iable
57.
3.5. Tóm tắt chương 3
Chương 3 trình bày phương pháp nghiên cứu áp dụng nhằm xác định các yếu tố vi
mô và vĩ mô tác động đến TTTD thông qua mô hình kinh tế lượng được xử lý các khuyết
tật của mô hình bằng phương pháp FGLS, phương pháp này sử dụng phần mềm Stata
12 để ước lượng. Tiếp đến, chương 3 tiếp tục đề cập đến phương pháp SVAR nhằm xây
dựng mô hình Keynes mới để phân tích các cú sốc và đánh giá tác động của các biến số
vĩ mô, phương pháp này sử dụng phần mềm Eview 8 để ước lượng. Cuối cùng, phương
pháp ước lượng DSGE thông qua phần mềm Matlab 2016a, với sự hỗ trợ của phần mềm
Dynare 4.1.3 tiền thông dịch các tham số tiền nghiệm, kết hợp dữ liệu được ước lượng
dưới dạng hàm hợp lý cực đại (MLE), thuật toán Metropolis - Hasting đã ước lượng và
mô phỏng được các tham số hậu nghiệm, đóng góp vào việc xây dựng mô hình có ý
nghĩa phân tích chính sách.
55 Xem chi tiết tại Phụ lục số 16.
56 Hay 400
ssr
e
.
57 var iable
lần lượt là * , , , ,R q zy
(cú sốc sản lượng, cú sốc lạm phát, cú sốc lãi suất, cú sốc điều khoản
thương mại và cú sốc công nghệ) (Hodge & ctg, 2008).
124
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.1. Phân tích mô tả
4.1.1. Thống kê mô tả dữ liệu vi mô
Bảng 4.1. Thống kê mô tả các biến nội sinh (dữ liệu thô)
Biến crd rrr dr car liq ldr gdp cpi
Giá trị trung bình 0,3206 0,036 0,067 0,1201 0,236 0,645 0,060 0,081
Giá trị lớn nhất 4,2375 0,08 0,125 0,4589 0,6457 1,084 0,068 0,198
Giá trị nhỏ nhất -0,3149 0,03 0,0425 0,08 0,048 0,2142 0,0503 0,0063
Độ lệch chuẩn 0,4454 0,015 0,027 0,0697 0,1130 0,165 0,005 0,061
Số quan sát 210 210 210 210 210 210 210 210
Nguồn: Tác giả tính toán từ dữ liệu của GSO và SBV (2018).
Nhìn chung, về tăng trưởng tín dụng (crd), tốc độ tăng trưởng bình quân của mẫu
nghiên cứu khoảng 30% trong giai đoạn 2008 - 2017. Mặc dù chênh lệch giữa giá trị lớn
nhất và nhỏ nhất là cực lớn, độ lệch chuẩn lên đến 44% chứng tỏ khả năng tăng trưởng
tín dụng ở từng NHTM là hoàn toàn khác nhau phụ thuộc vào năng lực của từng ngân
hàng.
Về tỷ lệ dự trữ bắt buộc (rrr): Công cụ này được NHNN sử dụng để tác động đến
thanh khoản của hệ thống NHTM, điều chỉnh các mục tiêu vĩ mô như lãi suất, lạm phát,
đầu tư, tăng trưởng kinh tế Tại Việt Nam, sau khi công cụ thị trường mở được hình
thành và phát triển, NHNN đã ổn định tỷ lệ này ở mức thấp trong giai đoạn 2011 – 2017.
Cụ thể, tỷ lệ này được giữ ở mức phổ biến là 3% (kỳ hạn dưới 1 năm), 1% (kỳ hạn từ
một năm trở lên) với tiền đồng (VNĐ)58.
Về lãi suất tái chiết khấu (dr): Đây là công cụ của CSTT mà NHNN nhằm điều
tiết lượng cung tiền. Trong giai đoạn 2008 – 2017, có những giai đoạn, lãi suất tái chiết
khấu được duy trì ở mức thấp (7%) nhằm tạo điều kiện để các NHTM nắm giữ giấy tờ
có giá (Trái phiếu Chính phủ, Tín phiếu kho bạc) đem đi cầm cố tại NHNN với lãi
suất thấp để tạo thanh khoản, mở rộng tín dụng của các NHTM. Cũng có những thời
điểm từ sau ngày 8/3/2011, NHNN đã tăng lãi suất tái chiết khấu từ 7% lên đến 12%,
58 Chi tiết cập nhật theo văn bản số 1158/QĐ-NHNN ngày 29/05/2018 áp dụng từ ngày 01/6/2018.
125
với động thái này cho thấy NHNN siết chặt tín dụng của NHTM nhằm kiềm chế lạm
phát.
Về hệ số an toàn vốn (car): Hệ số đo lường quan trọng về mức độ an toàn hoạt
động của ngân hàng. Ngoại trừ, năm 2008 hệ số car của Eximbank là 45,89% được giải
thích là do trong năm 2008 vốn điều lệ của Eximbank đã tăng từ 2.800 tỷ VNĐ lên đến
7.220 tỷ VNĐ nên đến cuối năm 2008 số vốn điều lệ tăng thêm này chưa kịp giải ngân
hết dẫn đến kết quả là hệ số này lên đến 45,89%. Một số NHTM như VPBank hay SCB
giai đoạn 2007 - 2008 có CAR chỉ ở mức 8% - 9%. Tuy nhiên, có thể thấy rằng giai
đoạn từ 2012 - 2017, hệ số CAR trung bình của hệ thống NHTM Việt Nam nói chung
và các NHTM niêm yết nói riêng đều đảm bảo theo quy định, lớn hơn 9%. Đồng thời hệ
số CAR này có xu hướng tăng lên và phân hóa rõ nét giữa các NHTM có quy mô lớn
(VCB, CTG, BID) và phần còn lại. Cụ thể các NHTM lớn có hệ số CAR thấp (khoảng
9%) trong khi các NHTM nhỏ hơn (NCB, EIB, DongABank, Saigonbank) dao động
ở mức 20%.
Về tỷ lệ dự trữ thanh khoản (liq): Từ 2008 đến 2011, thanh khoản của hệ thống
ngân hàng luôn là vấn đề được Chính phủ, Ngân hàng Nhà nước (NHNN) quan tâm chỉ
đạo, được cảnh báo (SBV, 2011). Tuy nhiên một số NHTM nhỏ gặp khó khăn trong vấn
đề huy động vốn buộc phải tăng lãi suất, số liệu thống kê mô tả có giá trị nhỏ nhất là
4,8% tập trung chủ yếu ở nhóm NHTM nhỏ vì: (i) nguồn tiền gửi của NHTM không ổn
định; (ii) khả năng vay NHNN, vay NHTM khác thấp; (iii) khả năng huy động vốn từ
tổ chức kinh tế, dân cư thấp do màng lưới hạn chế hoặc chất lượng dịch vụ chưa đa dạng
và chưa có chất lượng cao; (iv) rủi ro tín dụng cao, nhiều khoản vay đến hạn nhưng
không được trả; (v) tỷ lệ cho vay trung dài hạn cao, v.v. Trong khi đó, ở nhóm NHTM
có vốn Nhà nước như BIDV, Vietcombank hay Vietinbank, rủi ro về việc mất thanh
khoản thấp khi tăng trưởng huy động tương đương tín dụng, hệ số này có thời điểm lên
đến 64,57% giúp nhóm các NHTM này khá an toàn. Tuy nhiên sự chênh lệch giữa các
nhóm NHTM an toàn và gặp khó khăn tương đối lớn nên giá trị trung bình của hệ số ở
mức 23,6% là tương đối thấp, trong thời gian tới NHNN cần triển khai tốt hơn nữa các
hoạt động thanh tra trên cơ sở rủi ro, đánh giá năng lực quản trị rủi ro thanh khoản của
từng TCTD được xem là trọng yếu để cải thiện chỉ tiêu này.
126
Về tỷ lệ dư nợ cho vay so với tổng tiền gửi (ldr): Ngoại trừ trường hợp của NHTM
Sài Gòn (SGB) vào năm 2009 có hệ số LDR
Các file đính kèm theo tài liệu này:
- luan_an_phan_tich_phan_ung_cua_cac_bien_so_vi_mo_truoc_cu_so.pdf