intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Phương pháp phân tích định lượng cho nghiên cứu kết hợp kinh tế vĩ mô và vi mô

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:23

Thêm vào BST
Báo xấu
5
lượt xem 0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này sử dụng phương pháp nghiên cứu lý thuyết để giải thích những điểm mạnh và yếu của các phương pháp phân tích định lượng trên. Theo đó, VAR phù hợp để phân tích hiệu quả trong quá khứ, DSGE lại đảm bảo đo lường các biến động ngẫu nhiên, còn SEM thường được sử dụng để xử lý các tình huống đột biến.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phương pháp phân tích định lượng cho nghiên cứu kết hợp kinh tế vĩ mô và vi mô

  1. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 PHƯƠNG PHÁP PHÂN TÍCH ĐỊNH LƯỢNG CHO NGHIÊN CỨU KẾT HỢP KINH TẾ VĨ MÔ VÀ VI MÔ Trần Thùy Nhung Đại học Sofia St. Ohridski Kliment Email: thuynhung.tr@gmail.com, ttnhung@hcmulaw.edu.vn Tóm tắt: Kinh tế vi mô và kinh tế vĩ mô đều là những thành phần cơ bản của nền kinh tế. Chúng có mối liên hệ nhân quả và thậm chí là nội sinh với nhau. Do tầm quan trọng của dữ liệu lớn trong quá trình suy luận ngày càng trở nên quan trọng nên việc áp dụng các phương pháp định lượng vào các mô hình tích hợp các yếu tố vĩ mô và vi mô là một xu hướng nghiên cứu hiện nay. DSGE, SEM, VAR và mô hình hóa dựa trên tác nhân đại diện (Agent-based) là những ví dụ về các phương pháp định lượng phổ biến. Tuy nhiên, mỗi mô hình này đều có những khiếm khuyết riêng và chỉ được áp dụng trong các điều kiện giả định tương ứng. Bài viết này sử dụng phương pháp nghiên cứu lý thuyết để giải thích những điểm mạnh và yếu của các phương pháp phân tích định lượng trên. Theo đó, VAR phù hợp để phân tích hiệu quả trong quá khứ, DSGE lại đảm bảo đo lường các biến động ngẫu nhiên, còn SEM thường được sử dụng để xử lý các tình huống đột biến. Từ khóa: DSGE, kinh tế vĩ mô, vi mô, phương pháp định lượng, SEM, VAR 1. Giới thiệu Kinh tế học vi mô và vĩ mô đều là các thành tố cơ bản của cơ sở luận kinh tế học, trong đó, vi mô tập trung vào hành vi của cá thể trong nền kinh tế, còn vĩ mô nghiên cứu hành vi của nền kinh tế nói chung (Zimmermannová, 2020). Các biến số phổ biến của kinh tế vi mô là thu nhập, và giá cả, trong khi kinh tế vĩ mô lại đặt trọng tâm về giá trị của cung cầu tiền tệ, sản xuất, chi tiêu và đầu tư công. Điều này cho thấy không thể tách biệt khả năng quan sát các hành vi độc lập và bối cảnh toàn diện của nền kinh tế. Chúng luôn có sự tương tác qua lại với nhau, tồn tại mối quan hệ nhân quả, thậm chí là nội sinh với nhau (ví dụ như chi tiêu và thu nhập khả dụng, thu nhập trung bình và chỉ tiêu GDP…). Việc sử dụng các phương pháp định lượng để xử lý mô hình kết hợp giữa yếu tố vĩ mô và vi mô đang là xu hướng nghiên cứu hiện nay do vai trò của dữ liệu lớn trong quá trình suy luận ngày càng trở nên cần thiết (Poudyal và Spanos, 2013). Sự xuất hiện của công nghệ dữ liệu lớn (BDT) và ứng dụng phân tích dữ liệu lớn (BDA) đã làm cho dữ liệu kinh tế vốn đã phức tạp lại càng trở nên không chắc chắn (Zitianellis, 2023). Điều này đặt ra thách thức cho những đối tượng sử dụng thông tin để hoạch định chính sách hoặc tham gia vào thị trường. Thông thường, để làm đơn giản hóa sự phức tạp của thông tin không chắc chắn, các nghiên cứu kinh tế vĩ mô sử dụng phương pháp thống kê khi giả định các cá thể thành những nhóm đại diện và ước tính một phương trình hồi quy giải thích biến dự báo bằng một số biến ngoại sinh (Sargent, 1993; Evans và Honkapohja, 2001; De Grauwe, 2010). Đây cũng chính là cơ sở đề xuất sử dụng các mô hình kinh tế lượng để đánh giá mối quan hệ giữa các biến kinh tế vi mô và vĩ mô. Hơn nữa, để phân tích tác động của chính sách kinh tế vĩ mô đến các yếu tố kinh tế vi mô, các công cụ định tính và định lượng không thể sử dụng riêng lẻ mà thường được tổng hợp và lựa chọn tùy thuộc vào yêu cầu của nghiên cứu (Bork, 2006; Zimmermannová, 2020). 190
  2. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Do sự khác biệt dưới góc độ đánh giá và trạng thái cân bằng của bối cảnh nghiên cứu, các dạng mô hình trừu tượng dự đoán hành vi vi mô trong việc phân tích và tổng hợp hệ thống kinh tế vĩ mô không phổ biến bằng các mô hình toán học. Trong đó, các nghiên cứu phân tích hiệu quả chính sách và tác động cụ thể của chúng có thể được thực hiện bằng việc sử dụng mô hình kinh tế vĩ mô hoặc vi mô (Bork, 2006). Các mô hình kinh tế vĩ mô thường được xây dựng dựa trên các dữ liệu thứ cấp, mô phỏng biến động thực trong nền kinh tế và mô hình hóa các mối quan hệ kinh tế giữa các đối tượng tham gia thành những nhóm hành vi thuần túy, trong khi mô hình vi mô cho phép việc mở rộng dữ liệu sơ cấp, xử lý các thông tin thu thập từ các cá nhân, đơn vị riêng lẻ (Lund, 2007). Tuy nhiên, kết quả ở cả hai dạng mô hình này đều cần được kết hợp với cấp độ còn lại để khái quát bối cảnh nghiên cứu. Hầu hết mô hình kinh tế vi mô và vĩ mô thực nghiệm đều tồn tại hai khiếm khuyết lớn. Một là, biến số kinh tế chỉ thể hiện quan hệ hiện hữu mà không thể liên kết với kỳ vọng tương lai. Hai là, các biến số nội tại bên trong các mô hình đó không thể tương tác qua lại với nhau nếu không có các giả định cụ thể. Theo đó, việc tạo ra một mô hình kinh tế vi mô khai thác được mối quan hệ giữa chính sách kinh tế vĩ mô và yếu tố vi mô như tâm lý nhà đầu tư hay hành vi tiêu dùng, phụ thuộc vào sự sẵn có của dữ liệu (Bach và cộng sự, 2002), trong khi việc mô hình hóa các tác động kinh tế vĩ mô đến nền tảng vi mô lại cần phải phân biệt trạng thái cân bằng của bối cảnh nghiên cứu cũng như vị trí xu hướng trong chu kỳ thị trường (Bork, 2006). Nhìn chung, các phương pháp giao thoa giữa thống kê (phổ biến trong lĩnh vực tâm lý, hành vi) và toán kinh tế (đo lường giá trị vĩ mô) của mô hình kinh tế lượng VAR, mô hình tác nhân đại diện (Agent-based), mô hình cân bằng tổng thể (với DSGE là mô hình chủ đạo) và mô hình kết hợp giữa định tính – định lượng như mô hình phương trình cấu trúc SEM là những cách thức phổ biến nhất trong việc xác định mối quan hệ giữa hiệu quả truyền dẫn chính sách và các yếu tố vi mô. Mặt khác, là một công cụ chủ chốt có thể khái quát và xây dựng lý thuyết, các nghiên cứu khái niệm luận4 đang là một xu thế tất yếu của hoạt động nghiên cứu kinh tế (Jaakkola, 2020). Tuy nhiên, các nhà nghiên cứu thường gặp rủi ro trong việc đề xuất khuôn mẫu và thiết kế nghiên cứu cơ sở vì tính chính thống của tổng quan nghiên cứu tham khảo. Vì vậy, mặc dù vấn đề phân loại phương pháp nghiên cứu khá phổ biến trong các nghiên cứu khoa học thực nghiệm nhưng thường tập trung vào phương pháp thu thập dữ liệu. Mục đích của bài viết này là làm nổi bật việc phân chia căn cứ theo phương pháp luận với lập luận rằng hệ thống quan điểm, đánh giá về kỹ thuật xử lý mô hình không chỉ phụ thuộc vào lĩnh vực nghiên cứu mà còn có sự khác biệt giữa các khía cạnh khác nhau của lĩnh vực đó. Bài viết dựa trên khuôn mẫu của bài báo khái niệm luận dưới dạng Tổng hợp lý thuyết và giải thích, phân loại mô hình. Vì vậy, kết quả nghiên cứu có thể được sử dụng làm nền tảng để thiết kế nghiên cứu khác trong tương lai, đồng thời, cung cấp một cái nhìn khái quát về những cách thức triển khai nghiên cứu trong lĩnh vực kinh tế. 2. Khái quát về các phương pháp phân tích định lượng và tổng quan nghiên cứu liên quan 2.1. Các phương pháp phân tích định lượng phổ biến trong mô hình kinh tế kết hợp 4 Khái niệm luận là phương pháp nghiên cứu tạo ra một ý tưởng mới hoặc bổ sung cho một lý thuyết bằng cách xem xét và phân tích một cách có hệ thống các dữ liệu hiện có, làm rõ ràng các cách thức sử dụng khái niệm liên quan đến chủ đề nghiên cứu (Dreher, 2000) 191
  3. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 giữa yếu tố vi mô và vĩ mô 2.1.1. Phương pháp vector tự hồi quy (VAR) Mô hình vector tự hồi quy (VAR) là một công cụ kinh tế lượng cơ bản mô tả cấu trúc động của các biến bằng cách khái quát hóa mô hình tự hồi quy đơn biến5 (mô hình AR) kết hợp với hệ phương trình ngẫu nhiên6 (simultanous equation) thành mô hình ngẫu nhiên đa biến, qua đó có thể ghi nhận các phụ thuộc tuyến tính giữa các chuỗi thời gian (Sims, 1980). Mô hình VAR được xây dựng dựa trên giả định các biến trong mô hình là nội sinh tiên nghiệm (Gujarati, 2014). Điều này cho phép mỗi biến trong mô hình có thể được tính toán giá trị hiện tại hoặc dự báo giá trị tương lai bằng một phương trình bao gồm giá trị độ trễ của chính nó, giá trị độ trễ của các biến mô hình khác và sai số thay đổi. Theo Gujarati (2014), mô hình VAR có thể nghiên cứu tổng hợp các mối quan hệ nội sinh giữa các biến kinh tế vĩ mô và vi mô thông qua việc xác định các cú sốc trực giao thể hiện qua phương trình sau: A0Yt = A1Yt −1 + A2Yt −2 + ... + ApYt − p +  t với Yt là véc tơ biến nội sinh tại thời gian t, Ai là ma trận các biến số đại diện cho, t là n+1 véc tơ nhiễu trắng, đại diện cho cú sốc cấu trúc (White noise: chuỗi thời gian độc lập hoặc không tương quan). Các biến số đại diện cho của mô hình VAR được ước lượng thông qua 2 giai đoạn, gồm giai đoạn giản lược và giai đoạn xác định. Giai đoạn 1: rút gọn mô hình 𝑌𝑡 = 𝐴−1 𝐴1 𝑌𝑡−1 + 𝐴−1 𝐴2 𝑌𝑡−2 + ⋯ + 𝐴−1 𝐴 𝑝 𝑌𝑡−𝑝 + 𝐴−1 𝜀 𝑡 0 0 0 0 hay 𝑌𝑡 = ℬ1 𝑌𝑡−1 + ℬ2 𝑌𝑡−2 + ⋯ + ℬ 𝑝 𝑌𝑡−𝑝 + 𝜐 𝑡 với ℬ 𝑖 = 𝐴−1 𝐴 𝑖 và 𝜐 𝑡 = 𝐴−1 𝜀 𝑡 0 0 Để đo lường được giá trị của các cú sốc cấu trúc 𝜐 𝑡 trong mô hình giản lược, cần xác định các ma trận 𝐴 𝑜 và ma trận phương sai – hiệp phương sai Ω của các phần dư 𝜀 𝑡 trong phương trình SVAR thông qua phương trình log-likelihood ở giai đoạn 2. Giai đoạn 2: xác định ma trận và phương sai: 1 1 1 𝑙𝑛𝐿 𝑡 = − log(2𝜋) − ( log|𝐴−1 Σ(𝐴−1 )|) − 𝜐𝐴−1 Σ(𝐴−1 )𝜐 0 0 2 2 2 0 0 Nếu đặt ma trận phương sai – hiệp phương sai Ω của các phần dư 𝜀 𝑡 , 𝜐 𝑡 = 𝐴−1 𝜀 𝑡 thì var 0 −1 −1 (𝜐 𝑡 ) = Σ = (𝐴0 ) Ω (𝐴0 ) với các giả định: - Kỳ vọng phần dư bằng 0: E[𝜀 𝑖,𝑡 ] = 0 - Phần sai số không tương quan: E[𝜀 𝑖,𝑡 , 𝜀 𝑗,𝜏 ]= 0 với t ≠ 𝜏 Sau khi xác định ma trận và phương sai, để giải thích ảnh hưởng của các biến với nhau, mô hình vector tự hồi quy VAR thường được xử lý bằng 4 nhóm công cụ: phân rã lịch sử, phân rã phương sai, hàm phản ứng xung và các kịch bản dự báo (Lütkepohl, 2013). Mô hình VAR thường được sử dụng để mô tả dữ liệu, dự báo, suy luận cấu trúc và phân tích chính sách (Stock 5 Mô hình tự hồi quy - AR là một dạng mô hình gồm các phép đo chuỗi các độ trễ của chuỗi thời gian cho trước bằng cách hồi quy giá trị tương lai của chuỗi thời gian về các giá trị quá khứ trong cùng chuỗi thời gian đó (Kotu và Deshpande. 2019) 6 Theo lý thuyết xác suất, phương trình ngẫu nhiên là hàm sử dụng luật phân bố tích phân cho các đại lượng ngẫu nhiên. “Luật phân bố tích phân F(x) của đại lượng ngẫu nhiên X được định nghĩa là xác suất để cho đại lượng ngẫu nhiên X nhận giá trị nhỏ hơn một số x nào đó” (Kazakevits, bản dịch của Phạm Văn Huấn, Nguyễn Thanh Sơn, Phan Văn Tân, 2005, trang 12) 192
  4. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 và Watson, 2001). Theo đó, một mô hình đa biến với độ trễ chứa nhiều biến số đại diện có thể ước tính không hạn chế trong khuôn khổ Bayes như VAR rất phù hợp để tổng hợp các tác động có độ trễ và sai khác rất lớn so với ban đầu như những ảnh hưởng của hoạt động chính sách đến những biến số kinh tế liên quan (Sims và Zha, 1998). Đặc biệt, khi mục tiêu của nghiên cứu là tách các mối quan hệ dài hạn hoặc đồng liên kết ra khỏi các động lực ngắn hạn, hoặc dùng để kiểm định các giả định không thể thống kê, khám phá bản chất của các xu hướng ngẫu nhiên trong biến số kinh tế và sự phát triển của phân tích đồng liên kết theo chuỗi thời gian, mô hình VAR có thể được triển khai và mở rộng thành dạng mô hình hiệu chỉnh sai số VECM (Engle và Granger, 1987; Agbonlahor, 2014), mô hình nhân tố tăng cường FAVAR (Bernanke và cộng sự, 2005; Sun và De, 2019), mô hình biến số đại diện cho thời gian thay đổi TVP-VAR (Franta, 2011; Mwabutwa và cộng sự, 2016; Zhang và cộng sự, 2018), hay mô hình SVAR (Christiano và cộng sự, 1994; Brüggemann và Lütkepohl, 2006; Lakdawala, 2019). Theo đó, quy trình phân tích nhóm mô hình VAR (n-VAR, VECM) về cơ bản có thể minh họa bằng hình 1: Hình 1. Quy trình phân tích mô hình VAR Mô tả thông số kỹ thuật và ước lượng mô hình VAR dạng đơn giản Bác bỏ Kiểm định mô hình mô hình Chấp nhận mô hình Phân tích quan hệ Ước lượng và mô tả Dự báo nhân quả cấu trúc Phân rã phương sai sai số Phân tích hàm phản ứng xung dự báo Nguồn: Lütkepohl, 2013 Trong thời gian gần đây, mô hình SVAR cũng là một mô hình được sử dụng nhiều trong các nghiên cứu đo lường hiệu quả truyền tải của chính sách kinh tế vĩ mô (Christiano và cộng sự, 1999; Bagliano và Favero, 1999; Trầm, Võ và Nguyễn, 2014) và phân tích mối quan hệ giữa chính sách kinh tế vĩ mô với chính sách tài khóa (Cazacu, 2015; Arora, 2018), cũng như tương quan với chu kỳ kinh tế (Blanchard và Quah, 1989; Casadio và Paradiso, 2012; Mgadmi và Chrigui, 2015; Herve, 2017; Grisse, 2020; Ofoi, 2021; Inchauspe, 2021). Theo Sargent và Wallace (1981), mô hình vectơ tự hồi quy cấu trúc (Structural Vector Autoregressions – SVAR) thực chất là mô hình kinh tế thực nghiệm với yếu tố kỳ vọng được biến đổi thành phương trình giới hạn chéo (cross equation constraints) trong mô hình VAR rút gọn (Collard, Fève và Matheron, 2012). Nhờ cách chuyển đổi linh hoạt, mô hình cấu trúc vector tự hồi quy có thể mô hình hóa các quan hệ kinh tế vi mô cơ bản với các chính sách hay cơ chế kinh tế thay đổi. Mô hình SVAR tập trung vào vai trò của các cú sốc đối với động lực học của mô hình bằng cách biểu diễn tuyến tính biến số bằng một vector quan sát trên độ trễ của chính nó và áp đặt các giả định tối thiểu với từng lớp mô hình tương ứng (Keating, 1992). SVAR không phù hợp để mô phỏng chính sách như các phương trình động ngẫu nhiên nhưng lại có lợi thế trong việc phân tích cơ chế truyền dẫn của chính sách kinh tế vĩ mô (Bagliano và Favero, 1998). 193
  5. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 2.1.2. Nhóm mô hình dựa trên tác nhân đại diện (Agent-based Model) Mô hình dựa trên tác nhân đại diện là một chương trình tính toán phân tích và thử nghiệm quá trình các tác nhân đại diện tồn tại trong cùng một môi trường tương tác với nhau (Macy và Willer, 2002). Bản thân các đại lý (agent) là những bộ phận riêng biệt, có các đặc điểm và bộ quy tắc riêng, đại diện cho các thành phần xã hội (Crooks và Heppenstall, 2011; Abdou và cộng sự, 2011). Từ quan điểm mô hình thực dụng7, các đại lý có một số đặc điểm chung như sau (Macal và North, 2005; Crooks và Heppenstall, 2011): • Quyền tự chủ: các đại lý có quyền tự quản, tự chủ, không bị kiểm soát, có thể tự xử lý thông tin và tiến hành trao đổi thông tin với các tác nhân khác, từ đó đưa ra những quyết định độc lập • Tính không đồng nhất: các cá thể trong tác nhân đại diện hoàn toàn được phát triển tự do, tự chủ, không trùng lắp về thuộc tính và có thể kết hợp với các cá thể tương ứng. • Tính chủ động: các cá thể trong tác nhân đại diện phát huy tác dụng độc lập trong mô hình mô phỏng thông qua việc chủ động hoạt động, biến đổi. • Hành vi có mục tiêu: các đại lý hoạt động dựa trên mô hình lựa chọn hợp lý (Axelrod 2007), vì vậy sẽ tối ưu hóa hành vi hợp lý thông qua các mục tiêu cụ thể, phù hợp. • Phản xạ và cảm xúc: các tác nhân đại diện được xây dựng tương tự như cá thể con người độc lập, vì vậy hoàn toàn có thể nhận thức và tương tác với môi trường • Tính hợp lý có giới hạn: các đại lý cư xử tương tự như con người kinh tế khi có hành vi phi lý trí, vì vậy cho phép các đại lý lựa chọn, thích ứng và kết hợp với nhau để tạo ra hành vi hợp lý hơn (thúc đẩy hành vi bầy đàn) • Tính tương tác/giao tiếp: các đại lý liên kết và trao đổi thông tin thông qua cơ chế giao tiếp, tương tác mở rộng. • Tính di động: các tác nhân có thể dịch chuyển vùng không gian bên trong một mô hình • Khả năng thích ứng: các tác nhân cũng có thể được thiết kế để thích ứng, thay đổi trạng thái tùy thuộc vào sự biến động của môi trường và theo kinh nghiệm cá nhân, tạo ra các Hệ thống thích ứng phức tạp (Holland, 1995). Tác nhân có thể thích ứng ở cấp độ cá nhân hoặc cấp độ quần thể. Các tác nhân mô phỏng trong môi trường, bối cảnh khác nhau với mục tiêu phân tách khác nhau sẽ có những đặc điểm, điều chỉnh thuộc tính linh hoạt khác nhau. Theo đó, phương pháp phân tích chúng có thể từng phần hoặc tổng quát do nội dung phân tích có thể là một chủ đề độc lập hoặc toàn bộ nền kinh tế (vi mô so với vĩ mô), có thể khái quát bằng bảng 1. 7 Theo định nghĩa của Đại học Nottingham, mô hình thực dụng là phương pháp “bao gồm các thiết kế nghiên cứu kết hợp với các giả định về hành vi dựa trên 'điều gì sẽ hiệu quả nhất' trong việc tìm kiếm câu trả lời cho các câu hỏi đang được điều tra. Điều này cho phép các nhà nghiên cứu thực dụng tiến hành nghiên cứu theo những cách sáng tạo và năng động để tìm ra giải pháp cho các vấn đề nghiên cứu” (nottingham.ac.uk). 194
  6. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 1. Phương pháp phân tích tác nhân đại diện Tổng quát Khía cạnh Từng phần n-tác nhân Tác nhân đại diện Vi mô Marshall Walras Woodford NKM Vĩ mô C(Y) IS-LM / ABM Nguồn: Spahn, 2009 Ở góc độ nghiên cứu vi mô, phương pháp Marshall tập trung vào phân tích cân bằng từng phần và rất thận trọng khi đưa ra kết luận cho các mô hình cân bằng tổng quát, trong khi phương pháp Walras giải quyết các mối quan hệ nhân quả giữa các tác nhân kinh tế vi mô trong ngắn hạn. Khi kết hợp vào các yếu tố vĩ mô, các mô hình Walras được biến đổi thành dạng mô hình IS-LM dựa trên mối quan hệ nhất quán giữa số lượng thị trường và một số biến nội sinh (Hicks, 1937). Tuy nhiên, mô hình IS-LM giới hạn khả năng tối ưu hóa độ thỏa dụng và đặt trọng tâm vào thu nhập hiện tại của cá thể (Hahn, 1980). Vì vậy, để xác định các nhu cầu khác nhau của thị trường và phân bổ tối ưu tiết kiệm cá nhân theo thời gian, mô hình NKM được phát triển bằng cách tạo ra các tác nhân đại diện sao cho các hành vi của những tác nhân này tương ứng với các chuyển động của thị trường. Khi đó, cơ sở quyết định kinh tế vi mô và vĩ mô sẽ đồng nhất với hành vi cá thể, tạo nên sự nhất quán cho mô hình. Mô hình tác nhân đại diện là cách tiếp cận thực tế nhất với bối cảnh nghiên cứu, có thể kiểm tra lý thuyết xã hội và ánh xạ cấu trúc vấn đề tự nhiên hơn các công thức toán học (Axerold, 1997; Crooks và Heppenstall, 2011), đặc biệt là trong việc nghiên cứu hành vi cá thể không rõ ràng, phức tạp, ngẫu nhiên (Bonabeau, 2002). 2.1.3. Phương pháp cân bằng động ngẫu nhiên tổng quát (DSGE) Sự phát triển của lý thuyết kỳ vọng hợp lý và chu kỳ kinh doanh thực (Real Business Cycle) đòi hỏi các mô hình kinh tế vĩ mô phải được tích hợp nền tảng vi mô để phân tích hiệu quả theo chuỗi thời gian của hoạt động ngân hàng trung ương và liên kết đồng thời quyết định của các chủ thể kinh tế ở những cấp độ khác nhau (De Grauwe, 2010). Vì vậy, các mô hình cân bằng động ngẫu nhiên tổng quát (DSGE) đã được xây dựng và sử dụng phổ biến trong kinh tế vĩ mô với mục đích kết hợp các kỳ vọng của những đối tượng khác nhau trong nền kinh tế (Chen và cộng sự, 2010). Theo đó, các cú sốc ngẫu nhiên xuất phát từ sự lựa chọn và quyết định của các chủ thể tham gia thị trường như cá nhân, doanh nghiệp, Chính phủ…, là nguyên nhân gây ra các biến động cho nền kinh tế vĩ mô. Dựa trên giả định về khả năng tối đa hóa độ thỏa dụng của tác nhân đại diện và kỳ vọng hợp lý trong mô hình hóa hành vi, mô hình cân bằng tổng thể cung cấp một khuôn khổ phân tích chặt chẽ, khép kín với các ràng buộc áp dụng chung cho toàn hệ thống. Đồng thời, cơ chế biến động của nền kinh tế cũng trở nên minh bạch và rõ ràng hơn khi được thể hiện qua hàm phản ứng xung của các cú sốc cấu trúc. Những ưu điểm này giúp cho mô hình cân bằng tổng thể khắc phục được các nhược điểm của mô hình kinh tế vĩ mô Keynes theo luận điểm phê phán của Lucas (1976) khi tích hợp được phản ứng của chủ thể trung gian trong kinh tế vi mô với biến động kinh tế vĩ mô ngoại sinh trước các thay đổi của chính sách. Đặc điểm tổng thể của mô hình thể hiện trong việc đánh giá ảnh hưởng của tất cả các chủ thể trong nền kinh tế, trong khi tính cân bằng được khái quát bằng mối tương quan giữa ba nhóm yếu tố: Tổng cung, tổng 195
  7. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 cầu và khối phương trình chính sách kinh tế vĩ mô (De Grauwe, 2010; Hafstead và Smith, 2012). Mỗi chủ thể trong ba nhóm yếu tố chịu ảnh hưởng của các cú sốc khác biệt nhưng có thể tương tác với nhau dựa trên yêu cầu về kỳ vọng hợp lý nên có xu hướng “cân bằng tổng thể trong dài hạn” cho mô hình DSGE như hình 2. Hình 2. Cấu trúc cơ bản của mô hình DSGE Khối cung: Cú sốc sản lượng Cú sốc cung 𝑌 = 𝑓 𝜋 (𝜋 𝑒 , 𝑌, … ) Kỳ vọng 𝑌 𝑒 , 𝜋 𝑒 Khối cầu: Cú sốc cầu 𝑌 = 𝑓 𝑌 (𝑌 𝑒 , 𝑖 − 𝜋 𝑒 , … ) Chính sách Cú sốc chính sách kinh tế vĩ mô 𝑖 = 𝑓 𝑖 (𝜋 Nguồn: Sbordone và cộng sự (2010); − 𝜋 𝑒, 𝑌 … ) Nguyễn Đức Trung & Nguyễn Hoàng Chung (2017) Phương trình để xác định mối quan hệ giữa ba nhóm yếu tố trong mô hình DSGE được xây dựng dựa trên giả định về hành vi hợp lý của các chủ thể tham gia thị trường làm trung tâm. Các chủ thể này có thể bao gồm: Doanh nghiệp (hàm sản xuất), hộ gia đình (hàm tiêu dùng, tiết kiệm), Chính phủ (chính sách kinh tế vĩ mô và tài khóa). Trong khi các cú sốc ngẫu nhiên gây ra sự biến động cho chính sách kinh tế vĩ mô, khối cầu và khối cung, tính chất cân bằng của mô hình lại phụ thuộc vào sự tương tác giữa các hành động chính sách và hành vi của các chủ thể trong nền kinh tế. Về cơ bản, mô hình DSGE tập trung vào sự biến động của ba biến số vĩ mô chính trong nền kinh tế là lạm phát, tăng trưởng và lãi suất ngắn hạn. Tuy nhiên, nhờ vào khả năng mở rộng thông qua cấu trúc tương quan và khuôn khổ các ràng buộc trong cùng hệ thống, mô hình cân bằng tổng thể có thể phát triển các cơ sở lý thuyết với nhiều biến số vi mô chi tiết như chi phí khấu hao trong quá trình tích lũy và kiến tạo vốn (Smets và Wouters, 2007), cơ hội tìm kiếm việc làm (Gertler và cộng sự, 2008), khả năng duy trì thói quen (Palma và Portugal, 2014), hành vi ngược chu kỳ của sự chênh lệch trong vốn trái phiếu (Verona, Martins và Drumond, 2013), hành vi học tập (Slobodyan và Wouters, 2012; Hommes và Zhu, 2016; Aguilar và Vázquez, 2019). Đặc biệt là sau giai đoạn khủng hoảng tài chính năm 2008, các trung gian tài chính cũng dần trở thành một đối trọng tham gia vào mô hình DSGE để bổ sung cơ sở phân tích hiệu quả truyền dẫn chính sách vĩ mô đến các đối tượng khác nhau như hành vi tín dụng của hộ gia đình (Villa và Yang, 2011; Dewachter và Wouters, 2014), sự xung đột tài chính giữa người vay và người cho vay (Beck, Colciago và Pfajfar, 2014), dòng danh mục đầu tư (Kavli và Viegi, 2014), hành vi mua bán nợ của các tổ chức ngầm (Lubello và Rouabah, 2019). 196
  8. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 2.1.4. Phương pháp phương trình cấu trúc (Structural Equation Model – SEM) Mô hình phương trình cấu trúc - SEM là một mô hình hồi quy đa biến, có dạng mô hình tuyến tính tổng quát, sử dụng cơ sở dữ liệu phức tạp, với các biến có mối quan hệ nhân quả ổn định (Recursive) hoặc không ổn định (non-recursive) với nhau (Schumacker và Lomax, 2004; Bollen và cộng sự, 2022). Là phiên bản mở rộng của GLM (Generalized Linear Model), mô hình SEM khá phổ biến, được sử dụng rộng rãi trong lĩnh vực nghiên cứu khoa học xã hội, và có khả năng xử lý cấu trúc sai số tự tương quan, đa cộng tuyến hay tình trạng bị khuyết thiếu của bộ dữ liệu cũng như các mô hình không chuẩn hoá - Non-Normality (Schumacker và Lomax, 2004). Vì vậy, mô hình phương trình cấu trúc có thể ước lượng cả biến quan sát và biến tiềm ẩn cùng lúc với nhau, thực hiện đồng thời việc đánh giá tác động và mô tả mối quan hệ giữa chúng với nhau bằng các mô hình giả định (Schumacker và Lomax, 2004). Dựa trên xu hướng tiềm ẩn được chỉ báo bởi các biến quan sát (độc lập và phụ thuộc) và quan hệ giữa các biến khái niệm, mô hình SEM được chia thành hai dạng: mô hình đo lường (mô hình bên ngoài) và mô hình cấu trúc (mô hình bên trong) của mô hình hồi quy đa biến (Kumar và Deregowska, 2003), có thể được minh họa bằng hình 3: Hình 3. Cấu trúc mô hình SEM e3 e4 e1 e2 V1 V2 V3 V4 F1 F2 F3 dl Mô hình đo lường Mô hình cấu trúc V5 V6 e5 e6 Nguồn: Phạm Đức Kỳ, 2006 Trong đó, V1, V2…,V6 và F3 là các biến nội sinh, chịu ảnh hưởng bởi mối quan hệ nhân quả với các biến số khác (được minh họa bằng nhóm các mũi tên vào và ra), còn F1, F2 là biến ngoại sinh, không phụ thuộc vào biến khác, sai số ei biểu thị sai số của các biến đo lường, dl là phần dư của ước lượng hồi quy, phản ánh sự thiếu chính xác của mô hình trong việc thiếu biến hoặc cấu trúc mối tương quan không phù hợp (Schumacker và Lomax, 2004). 197
  9. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 2.2. Tổng quan các nghiên cứu sử dụng mô hình định lượng trong hoạt động phân tích kết hợp kinh tế vĩ mô và vi mô Kinh tế vĩ mô với đặc điểm là một phân ngành của kinh tế học, chuyên nghiên cứu về đặc điểm, cấu trúc khái quát, toàn diện của một nền kinh tế, có thể được xác định thông qua kết quả tổng hợp hành vi kinh tế vi mô của các chủ thể tham gia vào nền kinh tế đó (Duarte và Lima, 2012). Vì vậy, cơ sở vi mô là một nền tảng thiết yếu của khung nghiên cứu kinh tế vĩ mô, đặc biệt là trong hoạt động đo lường áp lực thị trường và ứng dụng chính sách trong giai đoạn khủng hoảng (Upper, 2011). Theo quá trình phát triển của học thuyết kinh tế vĩ mô tân cổ điển hợp nhất với kinh tế học vĩ mô Keynes (Denis, 2016), các nghiên cứu về chu kỳ kinh tế, mô hình tăng trưởng và hiệu quả chính sách dần được bổ sung sự tham gia của các biến số đại diện cho quyết định kinh tế của người tiêu dùng và doanh nghiệp (Barro, 1984; Blanchard và Fischer, 1989; Romer, 1996; Hoover, 2012). Thông thường, cơ sở vi mô trong kinh tế vĩ mô được xem xét dưới hai góc độ: phân tích cấu trúc cho việc lựa chọn chính sách tiền tệ (Lucas, 1976) và tối ưu hóa phúc lợi cho hộ gia đình (Hoover, 1988) thể hiện qua hàm tiêu dùng và hàm đầu tư của các mô hình tổng hợp. Mặc dù cơ sở vi mô đã được đề cập đến trong lý thuyết cân bằng tổng thể Walras (Walras, 2008; Hans, 2012) nhưng xu hướng nghiên cứu chỉ thực sự có chuyển biến sau luận điểm phê phán của Lucas về các mô hình dự báo kinh tế lượng vĩ mô truyền thống khi lập luận rằng mối tương quan giữa các biến tổng hợp được quan sát trong dữ liệu kinh tế vĩ mô sẽ có xu hướng thay đổi bất cứ khi nào chính sách kinh tế vi mô thay đổi (Lucas, 1976). Vì vậy, dựa trên giả thuyết kỳ vọng hợp lý - một cách tiếp cận để giải thích các hiện tượng kinh tế vĩ mô dưới dạng nền tảng vi mô khi xây dựng một hệ thống nhất quán theo chuỗi thời gian cho các phương trình khác nhau, trong đó, bao gồm một hàm lựa chọn cá nhân và phương trình minh họa cho bối cảnh thực hiện sự lựa chọn đó (Lucas, 1976; Sargent và Wallace, 1975; Kydland và Prescott, 1982). Các mô hình kết hợp này thường giả định rằng chi phí của quy trình ra quyết định là cần thiết cho các hàm kinh tế và sự hiểu biết về cấu trúc thị trường là không hoàn hảo (Lancaster, 1991; Twomey, 1998; Van den Bergh và Gowdy, 2003). Việc sử dụng các phương pháp định lượng để xử lý mô hình kết hợp giữa yếu tố vĩ mô và vi mô đang là xu hướng nghiên cứu hiện nay do vai trò của dữ liệu lớn trong quá trình suy luận ngày càng trở nên cần thiết (Poudyal và Spanos, 2013). Các phương pháp phân tích phổ biến có thể kể đến như VAR với các tham số thay đổi theo thời gian (Maćkowiak, 2006; Bjørnland & Leitemo, 2009; Baumeister, Liu & Mumtaz, 2013; Nocera & Roma, 2017; Shrestha, 2020), mô hình tổng quát hóa tự hồi quy có điều kiện - GARCH (Blau, 2017; Zhu, Fan & Tucker, 2018) và gần đây là mô hình cân bằng động ngẫu nhiên tổng quát – DSGE (Castelnuovo & Nisticò, 2010; Nisticò, 2012; Carrilo, Fève & Matheron, 2017; De Loecker, Fuss & Van Biesebroeck, 2018; Bretscher, Hsu & Tamoni, 2018; Fasolo, 2019; Takyi & Gonzalez, 2020). Mô hình DSGE là một mô hình kinh tế vĩ mô có thể tối ưu hóa các tác nhân, kỳ vọng hợp lý và bù trừ thị trường để tạo ra dữ liệu giống với các biến quan sát ở một mức độ đáng chú ý (Kydland & Prescott, 1982; Woodford, 2003; Edge và cộng sự, 2009), cho phép kết hợp các yếu tố vi mô như thái độ nhà đầu tư, hành vi đám đông… theo luận điểm phê phán của Lucas (Lucas, 1976). Theo Poudyal và Spanos (2013), trên phương diện lý thuyết thống kê, việc hiệu chỉnh điều kiện để phù hợp với chuỗi thời gian kinh tế vĩ mô của phương pháp DSGE là không sát với thực tế và không đủ tin cậy, trong khi nhóm phương pháp VAR có thể thu hẹp khoảng cách giữa lý thuyết và dữ liệu khi không áp đặt hạn chế cho mô hình. 198
  10. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Quá trình phân tích kết hợp giữa các chính sách kinh tế vĩ mô với các yếu tố vi mô cho phép nghiên cứu có một cái nhìn bao quát hơn, bám sát thực tế và hiệu chỉnh phù hợp, kịp thời theo các biến động thị trường (Gujrati, 2015; Zimmermannová, 2020). Tuy nhiên, quan điểm khác biệt giữa các nhà nghiên cứu kinh tế vĩ mô và vi mô về cách thức đo lường sự biến động của thị trường đã đem đến tính đa dạng và phức tạp cho các nghiên cứu về chủ đề này (Weintraub, 1979). Vì vậy, bằng phương pháp khái niệm luận, bài viết hướng tới việc phân tích những cách thức phổ biến trong các nghiên cứu kết hợp kinh tế vĩ mô và vi mô, qua đó, đưa ra nhận định về khả năng ứng dụng các mô hình định lượng này trong tương lai. 3. Phương pháp nghiên cứu Phương pháp nghiên cứu chủ yếu được sử dụng trong tham luận là nghiên cứu khái niệm luận, cụ thể là phương pháp nghiên cứu lịch sử và phương pháp nghiên cứu lý thuyết. Trong đó, phương pháp nghiên cứu lý thuyết gồm các phương pháp tổng hợp và so sánh, đối chiếu lý thuyết. Cụ thể, bài viết sử dụng phương pháp tổng hợp nghiên cứu được thực hiện bằng cách sử dụng các đánh giá và nội dung tường thuật tóm tắt. Các bài báo nghiên cứu được tham khảo, trích dẫn và tổng hợp từ bốn cơ sở dữ liệu điện tử gồm Tạp chí điện tử Emerald Management và Science Direct, Google Scholar và MDPI. Bảng 2. Các tiêu chí bao gồm và loại trừ để lựa chọn khung lý thuyết Tiêu chí bao gồm Tiêu chí loại trừ Ngôn ngữ trình bày: Anh / Việt Không liên quan đến phương pháp nghiên cứu Xuất bản điện tử, mã nguồn mở Nghiên cứu không hoàn chỉnh Sau đó, tiến hành sàng lọc thứ cấp bằng cách đánh giá nội dung các bài viết được chọn để cung cấp câu trả lời cho mục tiêu nghiên cứu. Từ đó, hình thành nên các cơ sở phân loại phương pháp thông qua việc diễn giải khung lý thuyết. Ngoài ra, một số tài liệu liên quan đến kinh tế học vĩ mô, kinh tế vi mô và sách về phương pháp nghiên cứu khoa học cũng được tham khảo. 4. Kết quả nghiên cứu và Thảo luận Trong giai đoạn gần đây, có hai nhóm mô hình để tiên nghiệm các giá trị kỳ vọng cũng như rủi ro trong tương lai, phân tích hiệu quả truyền dẫn chính sách kinh tế vĩ mô rất được các Ngân hàng Trung ương trên thế giới và các nhà nghiên cứu kinh tế học thực nghiệm tích cực sử dụng (Heathcote và cộng sự, 2009). Một là, nhóm các mô hình khái quát hóa biến động thực của thị trường, sắp xếp theo thứ tự quan sát trong các nền kinh tế; hai là, nhóm mô hình sử dụng các biến nội sinh, đặc biệt là các mô hình sử dụng ước lượng Bayes như DSGE hay VAR (An và Schorfheide, 2007; Tovar, 2009; Giacomini, 2013). Theo đó, sự tương phản giữa mô hình quan sát thực và những kết quả từ suy luận tiên nghiệm có thể mô tả được sự khác biệt giữa mục tiêu của chủ nghĩa thực dụng và chủ nghĩa thuần túy (Heathcote và cộng sự, 2009). Điều này dẫn đến các hệ thống ngẫu nhiên tuyến tính và kỹ thuật đại số tuyến tính phức tạp trong nền kinh tế thực thường cho ra các thuật toán tương đương trong các mô hình không gian-trạng thái và các mô hình phương trình cấu trúc (Molenaar, 2003). 199
  11. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Hình 4. Mối quan hệ giữa các mô hình nghiên cứu Cấu trúc hiệp phương sai Hệ thống tuyến tính Mô hình không gian - Mô hình SEM trạng thái tuyến tính đa cấp độ Bộ lọc Kalman Agent – Bayesian VAR DSGE based Model Nguồn: Tác giả tổng hợp Trong thực tế, hai nhóm mô hình VAR và DSGE phổ biến trong các nghiên cứu về chính sách kinh tế vĩ mô (Christiano và cộng sự, 2005; Negro và Schorfheide, 2006; Adjemian, Paries và Moyen, 2008), trong khi nhóm mô hình tác nhân đại diện chủ yếu được sử dụng để đo lường hiệu quả hành vi (Turner và Penn, 2002; Turrell, 2017). Mô hình SEM là dạng mô hình tổng quát cung cấp khuôn khổ để kiểm định đồng thời các mối quan hệ đo lường và cấu trúc cho đa biến dữ liệu (Park, Dillon và Lee, 2019), vì vậy chúng được ứng dụng trong rất nhiều lĩnh vực như tâm lý học, xã hội và giáo dục (Bollen và cộng sự, 2022; Song và Lee, 2004). Tuy nhiên, SEM giả định rằng dữ liệu được trích xuất từ các quần thể đồng nhất. Sự khác biệt không thể quan sát giữa các đơn vị mẫu và biến động không đồng nhất trước các thay đổi không thể quan sát của các biến tiềm ẩn theo thời gian là những hạn chế phải điều chỉnh của mô hình SEM (Ansari, Jedidi và Jagpal, 2000; Sijtsma, 2008). Vì vậy, nếu sử dụng SEM xử lý mối quan hệ giữa hành vi của một cá thể và chính sách kinh tế vĩ mô là không phù hợp khi hai yếu tố này đều tiềm ẩn các biến thay đổi không đồng nhất theo thời gian. Mặc dù mô hình SEM hai cấp với việc bổ sung mô tả các mối quan hệ phụ thuộc thời gian thông qua cấu trúc tự hồi quy giữa các yếu tố (Park, Dillon và Lee, 2019), tương đương với mô hình không gian trạng thái tuyến tính (Molenaar, 2003; Chou và cộng sự, 2010), nhưng khi đó, giả định phản hồi của đơn vị mẫu phải được phân tách thành 3 yếu tố gồm: hiệu ứng ở cấp độ đơn vị mẫu, thời gian cụ thể xảy ra hiệu ứng, và phần dư (Asparouhov, Hamaker và Muthén, 2018). 200
  12. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 3. Phân tích ưu điểm và hạn chế của các phương pháp VAR (SVAR) Agent-based SEM DSGE Công cụ cơ bản để Có thể mô hình hóa Thích hợp để Có một cơ sở hệ nghiên cứu kinh tế sự tương tác trực tiếp kiểm tra đồng thống lý thuyết nhất vĩ mô, nền tảng giữa các tác nhân thời sai số trong quán, khuôn khổ cho nghiên cứu không đồng nhất, do thang đo đo phân tích mạch lạc đồng liên kết đó có thể giải thích sự lường và các và khép kín. (Granger, 1981; lan truyền của cú sốc, mối quan hệ Có khả năng làm Engle & Granger, cũng như ảnh hưởng động đối với dữ nổi bật tầm quan 1987; Johansen, của chúng đối với các liệu đa biến trọng của mối quan 1995). động lực kinh tế vĩ (Park, Dillon và hệ giữa các biến số Ước lượng được mô. Lee, 2019). kinh tế và thể hiện nhiều biến trong Rất linh hoạt khi có được các tính năng cùng một hệ thể thử nghiệm nhiều đặc trưng của hệ thống, bao gồm cả lần bằng cách biến thống kinh tế. Vì các biến kinh tế đổi số lượng biến số vậy phù hợp để dự nội sinh. hoặc điều chỉnh đặc báo hiệu quả trong Có thể phân tách điểm của biến số đại tương lai mà không Ưu rõ ràng mối quan diện cho trong mô cần giả định về điểm hệ trong lý thuyết hình cho phương thức hoạt kinh tế dài hạn và phù hợp với nhu cầu động của tác nhân quy trình ngẫu nghiên cứu (Parker và và giải thích chặt nhiên ngắn hạn cộng sự, 2003). chẽ các sự kiện kinh (Lütkepohl, 2006) tế trong quá khứ và Là một công cụ hữu hiện tại. ích để khám phá các hệ thống có hành vi Thể hiện được các phức tạp (Crooks và giá trị tối ưu mặc định (Wren-Lewis, Heppenstall, 2011) 2018). Khái quát hóa được các cú sốc ngoại vi trong thực tế và có thể kết hợp biến động của chu kỳ tâm lý nội sinh (De Grauwe, 2010) Không thấy rõ vai Không đủ cơ sở để Các giả định Không dễ xử lý trò thực sự của các giải thích nguyên được sử dụng những biến số phi Khuyết cú sốc. nhân và đề xuất thường không tuyến (Alali, 2009) điểm Lạm dụng các phương án điều chỉnh thực tế (Lavoie, Giả thuyết tác nhân ràng buộc không các cú sốc tạo ra 2014) đại diện là cốt lõi khủng hoảng tài 201
  13. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 chính thức và các chính (White, 2009; Sự khác biệt của mô hình nên giả định thiếu Syll, 2012). không thể quan cũng chịu một số vững chắc, không Không có hệ thống lý sát giữa các đơn khuyết điểm như liên quan trực tiếp thuyết vững chắc vị mẫu và biến ABM. đến biến số nghiên (Hendry và động không Yêu cầu dữ liệu của cứu (Gottschalk, Muellbauer, 2018) và đồng nhất trước mô hình cân bằng 2001) các giả định được sử các thay đổi tổng thể là rất lớn dụng thường phi thực không thể quan và phức tạp. tế (Sridhar và sát của các biến Do bao hàm nhiều Majumder, 2020). tiềm ẩn theo yếu tố trong cùng Do kết hợp và xuất thời gian là một mô hình nên có phát từ các biến số vi những hạn chế thể bỏ sót điểm mô, mô hình tác nhân phải điều chỉnh. mấu chốt của các đại diện dễ dàng loại biến động kinh tế. bỏ các khía cạnh kinh Không đủ cơ sở lý tế vĩ mô quan trọng thuyết để xác định (Stiglitz, 2018). các cú sốc nội sinh Có thể bỏ sót các biến hoặc thiếu các kênh quan trọng nếu đơn truyền dẫn liên giản hoặc trừu tương quan đến ngân hàng hóa mô hình nhưng sẽ trung ương dễ lạm dụng nhiều (Pesaran và Smith, ràng buộc phức tạp 2011; Giacomini, nếu chi tiết hóa quá 2013). mức. Khi mô hình hóa các yếu tố hành vi, cần xem xét đến bản chất của hệ thống vì dữ liệu liên quan đến những biến số này đều khó có thể thu thập Nguồn: Tác giả tổng hợp Dựa trên bảng 3, nhóm mô hình VAR và mô hình cân bằng động ngẫu nhiên tổng quát DSGE là những mô hình phổ biến và phù hợp nhất để phân tích mối quan hệ giữa chính sách kinh tế vĩ mô và các biến số kinh tế vi mô. Tuy nhiên, dữ liệu đầu vào của mô hình DSGE phải được tuyến tính hóa bằng logarit hóa nhưng các tác động của quá trình logarit hóa thường không được nghiên cứu và sai số này có thể cao hơn rất nhiều so với sai số trong mô hình VAR bậc hữu hạn (Giacomini, 2013; Li và cộng sự, 2016). Hơn nữa, phân tích chuỗi thời gian chủ yếu dựa trên khái niệm về điểm dừng tạm thời (Hannan, 1970), theo đó, giả định về tính ổn định yếu cho phép mô hình kinh tế lượng lấy điểm giá trị trung bình theo thời gian trong ước tính 202
  14. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 thống kê. Điều này phản ánh tính biến động đồng nhất của các biến số tham gia vào mô hình và khả năng chấp nhận tính ổn định ngẫu nhiên (Tong, 1990). Khi sử dụng mô hình nhiều cấp độ và ước tính thống kê trung bình theo thời gian trong ước lượng hồi quy (thông qua bộ lọc Kalman), vector trạng thái được bổ sung và mô hình ban đầu trở nên phi tuyến. Nghĩa là yếu tố hành vi vi mô rất dễ bị tác động bởi các kích thích trực tiếp như thông tin, định hướng (Bikhchandani và Sharma, 2000; Haiss, 2010). Khi đó, một sự thay đổi ở biến số đại diện cho cá thể có thể lan truyền làm thay đổi hành vi của toàn hệ thống một cách đột ngột (Dockner và Gaunersdorfer, 1995) và kết quả của xu hướng hành vi sẽ phụ thuộc vào thứ tự tác động (Hirshleifer và Teoh, 2003), dẫn đến xu hướng hành vi có tính hỗn loạn và trở thành hệ phi tuyến trong nghiên cứu, chỉ được mô hình hóa tốt nhất bởi các hệ thống động phi tuyến (Dockner và Gaunersdorfer, 1995). Trong khi mô hình VAR có thể điều chỉnh linh hoạt các biến phi tuyến, đặc biệt là mô hình SVAR (Ehrmann, 2000; Erhmann và cộng sự, 2003; Schalck, 2017), mô hình DSGE lại rất khó xử lý các điều kiện phi tuyến (An và Schorfheide, 2007; Andreasen, 2012; Giacomini, 2013). Xét cụ thể trong phân tích VAR, tác động qua lại giữa các biến thường được kiểm định bằng hàm phản ứng xung hoặc hàm phân rã phương sai sai số dự báo. Tuy nhiên, những ước lượng này không phải là duy nhất và đòi hỏi các giả định tiên nghiệm để xác định những cú sốc thực tế trong một hệ thống các biến nhất định. Vì vậy, các mô hình VAR (SVAR) cấu trúc đã được phát triển như một khuôn khổ nhằm kết hợp các ràng buộc xác định và thay đổi ngẫu nhiên trong hàm phản ứng xung. Điều này giúp cho mô hình SVAR có thể phân tách rõ ràng mối quan hệ trong lý thuyết kinh tế dài hạn và quy trình ngẫu nhiên ngắn hạn (Lütkepohl, 2006). Ở phương diện khác, công cụ ước lượng hồi quy (bộ lọc Kalman) có khả năng hạn chế sự không chắc chắn của biến số đại diện trong các mô hình không gian – trạng thái phi tuyến (Norgaard và cộng sự, 2000; Andreasen, 2012; Giacomini, 2013). Hình 5. So sánh các mô hình liên kết vi mô – vĩ mô Mức độ hợp lý theo lý thuyết Mức độ hợp lý theo thực nghiệm Nguồn: Pagan (2003) Trong khi đó, Pagan (2003) cũng từng đưa ra kết luận về mức độ hợp lý của các mô hình trên cả hai phương diện lý thuyết và thực tiễn (hình 5). Mô hình VAR thường được sử dụng 203
  15. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 trong các nghiên cứu thực nghiệm, đánh giá ảnh hưởng và xác định mối quan hệ giữa các nhóm yếu tố kinh tế vi mô và vĩ mô (Zimmermannová, 2020), còn DSGE lại hữu ích khi có thể kiểm định lý thuyết và khái quát hóa được cấu trúc kinh tế, “tìm ra trạng thái cân bằng duy nhất và hoàn chỉnh cho một nền kinh tế cụ thể” (Valdivia, 2015, trang 4). Theo Kapetanios, Pagan và Scott (2005), IDSGE là nhóm các mô hình cân bằng động ngẫu nhiên tổng quát không hoàn chỉnh (Incomplete dynamic stochastic general equilibrium) như mô hình CM, FPS. Đây là các mô hình tiệm cận với DSGE nhưng không sử dụng chuỗi thời gian dưới dạng cú sốc của các biến số như DSGE, vì vậy, không có tính bao quát tốt như DSGE nhưng lại dễ dàng đo lường trong thực nghiệm hơn (Smets và Wouters, 2002). Các mô hình hỗn hợp như DAM (loại 1) với SVAR (loại 2) cho phép cân bằng mức độ hợp lý giữa lý thuyết và thực nghiệm, đảm bảo tương thích với từng bộ dữ liệu khi mô hình nhóm 1 phù hợp với chuỗi thời gian ngắn hạn, trong khi các nhóm mô hình loại 2 và VAR yêu cầu chuỗi thời gian dài hạn và quy mô dữ liệu tương đối lớn (Chari, Kehoe và McGrattan, 2008). Bảng 4. Một số nghiên cứu thực nghiệm sử dụng các mô hình định lượng Phương pháp Các chỉ số / tham số chính Tác giả Năm nghiên cứu giải thích mối quan hệ Tỷ giá hối đoái thực, tỷ giá GMM, HP filter Ma và Zhang 2016 dài hạn và phần bù rủi ro Li, Zhong & Huang 2020 Slingenberg và De Chỉ số chu kỳ tài chính: tỷ 2011 giá hối đoái, lãi suất, giá trị GARCH Haan thị trường, tổng dự trữ và Oet, Dooley và Ong 2015 lượng tiền nắm giữ Monin 2019 Markov-switching– Bước ngoặt, chỉ số chứng Chebbi, Louafi & GARCH, bộ loc HP, 2013 khoán, suất sinh lời, tâm lý Hedhli Thuật toán Bry–Boschan nhà đầu tư Alqaralleh, Alsaraireh Nonlinear GARCH 2020 Tiền điện tử & Abuhommous Tỷ giá hối đoái; Chỉ số giá tiêu Lütkepohl & SVAR GARCH 2016 dùng; Chỉ số sản xuất công Milunovich nghiệp; Tỷ lệ dữ trữ liên bang Niềm tin của nhà đầu tư, sự Guerello 2016 không chắc chắn về tài chính, GARCH M2, GDP, PEG Giá cổ phiếu, chỉ số công Roy & Tiwari 2016 nghệ Jawadi, Ameur, 2021 Chu kỳ kinh doanh thực Bigou, and Flageollet Miranda-Agrippino Yếu tố kinh tế vĩ mô; chỉ số VAR 2020 và Rey giá nhà Miranda-Agrippino và 2020 Giá tài sản rủi ro và dòng vốn Rey 204
  16. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Cerutti, Claessens và 2019 Dòng vốn Rose Giá dầu, giá cổ phiếu của Hoa Kỳ so với giá cổ phiếu Structural Bayesian VAR Lodge và Manu 2021 toàn cầu, giá cổ phiếu phi năng lượng của Hoa Kỳ và lợi tức dài hạn của Hoa Kỳ Miền tần suất: Độ dài và Strosahl, Proaño và phương sai đóng góp ARMA model and VAR 2019 Wolters (GDP/Giá nhà, vốn chủ sở hữu, tín dụng) Chỉ số chứng khoán; Suất sinh lời chứng khoán; Chỉ số Cevik và cộng sự 2016 áp lực thị trường hối đoái; Rủi ro chủ quyền Chênh lệch TED, biến động Aboura và Roye 2017 thị trường chứng khoán, CDS Trái phiếu chính phủ, cho DSGE Menden & Proaño 2017 vay liên ngân hàng và tín phiếu kho bạc Chỉ số lan tỏa, Khoảng cách thể chế, Sự không chắc chắn Liu, Li & Xu 2019 về chính sách kinh tế, Cường độ thương mại song phương Phân rã theo chu kỳ xu Krustev 2019 hướng (dựa trên mô hình Laubach và Williams (2003)) Mô hình GARCH tương Prabheesh, Juhro & Tỷ giá hối đoái, lãi suất trong quan có điều kiện động, 2021 Anglingkusumo nước, Chỉ số tương thích SVAR, bộ lọc HP/CF Nguồn: Tran, 2022 Mặt khác, một số nghiên cứu thực nghiệm sử dụng các mô hình được xem xét trong bài viết (bảng 4) cũng cho thấy VAR và DSGE là hai phương pháp kỹ thuật phổ biến khi sử dụng cho chuỗi dữ liệu theo thời gian. Bộ dữ liệu cơ bản thường là các chỉ số biến động của thị trường, cho phép các nghiên cứu này có thể vừa xác định được tính chu kỳ của biến động kinh tế vĩ mô theo yếu tố vi mô, vừa đảm bảo khả năng dự báo của chuỗi dữ liệu (Christensen và cộng sự, 2016). Tuy nhiên, khuyết điểm của bộ dữ liệu này là chúng chỉ phản ánh xu hướng của biến số vi mô, chứ không thể đánh giá chính xác cường độ hay khối lượng biến động của những yếu tố đó. Nguyên nhân là do việc kết hợp nhiều biến số khác nhau về thời gian trong các nghiên cứu thực nghiệm, đặc biệt là trong khoảng thời gian dài, sẽ làm suy giảm khả năng hiện diện của các bằng chứng minh họa cho sự thay đổi của các yếu tố vi mô (Radalj và McAleer, 2003; Vieira và Pereira, 2015). 5. Kết luận Trong bối cảnh hiện nay, chủ đề nghiên cứu kết hợp giữa các yếu tố vĩ mô và vi mô không 205
  17. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 phải là một vấn đề mới. Do đó, các phương pháp định lượng được sử dụng cũng rất đa dạng, phản ánh tính phức tạp của dữ liệu và nhu cầu kết hợp để bám sát bối cảnh thực tế của các vấn đề kinh tế - xã hội. Dựa trên mối tương quan trực tiếp với kỳ vọng hợp lý, dạng mô hình phổ biến đại diện cho việc nghiên cứu kết hợp yếu tố kinh tế vĩ mô và vi mô là mô hình VAR và DSGE. Mô hình vector tự hồi quy VAR do Sims (1980) khởi xướng, rất phổ biến trong các nghiên cứu ở các quốc gia đang phát triển, trong khi mô hình cân bằng động ngẫu nhiên tổng quát - DSGE được các Ngân hàng Trung ương Châu Âu tích cực sử dụng. Mô hình VAR xem xét sự tương tác lịch sử giữa một loạt các biến số kinh tế vĩ mô, DSGE lại ngụ ý sản lượng hoặc tỷ lệ thất nghiệp sẽ biến động ngẫu nhiên theo quy luật chu kỳ và kỳ vọng hợp lý sẽ có thể minh họa bằng đường cong Phillips (Wren-Lewis, 2018). Một điểm đáng chú ý là không như hầu hết các quốc gia phát triển, Cục Dự trữ Liên bang Mỹ vẫn duy trì việc sử dụng mô hình SEM là mô hình cốt lõi để định hướng, dự báo và phân tích chính sách vì khả năng giải thích bổ sung những biến số vi mô tiềm ẩn hoặc xử lý các tình huống dữ liệu đột biến (Tomarken và Waller, 2005; Wren- Lewis, 2018). Sự vượt trội của mô hình VAR và DSGE so với các mô hình khác là do chúng có thể xem xét trạng thái cân bằng của bối cảnh nghiên cứu. Theo đó, trạng thái cân bằng của mô hình kinh tế vĩ mô là trạng thái cân bằng thống kê của các tập hợp phân bố xác suất (Wright, 2009; Gallegati và Kirman, 2012; Scharfenaker, 2020). Trạng thái cân bằng này ẩn dụ cho việc các yếu tố ngẫu nhiên theo quan điểm vĩ mô sẽ bị triệt tiêu (Mirowski, 1989; Franke, 2012). Trong khi, ở cấp độ vi mô, trạng thái cân bằng luôn chuyển động và thay đổi không ngừng, dẫn đến việc phải lấy ngẫu nhiên một giai đoạn để đánh giá hiệu quả toàn bộ trạng thái thời gian - không gian (Scharfenaker, 2020). Vì vậy, để có thấy được xu hướng giá trị hoàn nguyên trung bình của các giá trị ngẫu nhiên, cả hai mô hình kinh tế này đều tuân thủ việc xác định một quy luật nhất định để hình thành cơ chế chuyển đổi xác suất, sao cho các giá trị thay đổi theo thời gian, hệ số đo lường hay xác suất khả năng xuất hiện thông tin mới sẽ tham gia vào mô hình dưới dạng các biến số đại diện linh hoạt (Weidlich và Haag, 1983; Franke và Majumdar, 2012). Hơn nữa, các biến tham gia vào trạng thái cân bằng của mô hình VAR hay DSGE luôn được xác định phải là một phân phối xác suất có thể gây ra các biến đổi tổng hợp (Franke và Majumdar, 2012). Tuy nhiên, không thể phủ nhận rằng, trong thực tế, một mô hình vĩ mô cần có nền tảng vi mô hay không hoặc việc sử dụng mô hình nào là tối ưu tùy thuộc vào mục tiêu nghiên cứu. Sự khác biệt trong định hướng nghiên cứu sẽ dẫn đến các phương thức giải quyết vấn đề khác nhau. Ví dụ như mô hình Wharton không đề cập đến cơ sở vi mô nhưng vẫn có thể dự báo ngắn hạn tương đối hiệu quả (Wharton, 1963; Evans và cộng sự, 1972) hay phương pháp thống kê loại suy thuần túy, không cần đến các biến đại diện kinh tế của Sims (1980), Litterman (1986). 206
  18. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 PHỤ LỤC DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Cụm từ tiếng Anh Cụm từ tiếng Việt ABM The agent-based model Mô hình dựa trên tác nhân đại diện AIC Akaike information criterion Tiêu chí thông tin Akaike Autoregressive integrated Phương pháp trung bình trượt kết hợp ARIMA moving average tự hồi quy AR Generalize Autoregressive Phương pháp tổng quát hóa tự hồi quy GARCH Conditionally Hestoroscedastic có điều kiện OLS Ordinary Least Square Phương pháp bình phương nhỏ nhất SEM Structural Equation Model Mô hình phương trình cấu trúc Dynamic stochastic general Mô hình cân bằng động ngẫu nhiên DSGE equilibrium tổng quát Incomplete dynamic stochastic Mô hình cân bằng động ngẫu nhiên IDSGE general equilibrium tổng quát không hoàn chỉnh VECM Vector Error Correction Model Mô hình vector sửa lỗi The factor-augmented vector Mô hình vector tự hồi quy tăng cường FAVAR autoregressive yếu tố Structural Vector SVAR Mô hình véc tơ tự hồi quy cấu trúc Autoregressions Time-Varying Parameter Vector Mô hình véc tơ tự hồi quy tham số thay TVP - VAR Autoregressions đổi theo thời gian VAR Vector Autoregressions Mô hình véc tơ tự hồi quy Investment, Saving – Liquidity, Mô hình “tiết kiệm đầu tư” (IS) và IS-LM Money “cung tiền ưu tiên thanh khoản” –(LM) NKM The new Kenesian model Mô hình Keynes mới DAM The Data Adjusted Model Mô hình điều chỉnh dữ liệu CM The conceptual model Mô hình khái niệm 207
  19. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO [1] Abdou, M., Hamill, L., & Gilbert, N. (2011), Designing and building an agent-based model. In Agent-based models of geographical systems (pp. 141-165). Dordrecht: Springer Netherlands. [2] An, S., & Schorfheide, F. (2007), “Bayesian analysis of DSGE models”, Econometric reviews, Vol. 26(2-4), pp. 113-172. [3] Andreasen, M. M. (2012), “An estimated DSGE model: Explaining variation in nominal term premia, real term premia, and inflation risk premia”, European Economic Review, Vol. 56, No. 8, pp. 1656-1674. [4] Ansari, A., Jedidi, K., & Jagpal, S. (2000), “A hierarchical Bayesian methodology for treating heterogeneity in structural equation models”, Marketing Science, Vol. 19, No. 4, pp. 328-347. [5] Axelrod, R. (1997). Advancing the art of simulation in the social sciences. In Simulating social phenomena (pp. 21-40). Berlin, Heidelberg: Springer Berlin Heidelberg. [6] Bach, S., Kohlhaas, M., Meyer, B., Praetorius, B., & Welsch, H. (2002), “The effects of environmental fiscal reform in Germany: a simulation study”, Energy policy, Vol. 30, No. 9, pp. 803-811. [7] Beck, T., Colciago, A., & Pfajfar, D., (2014), “The role of financial intermediaries in monetary policy transmission”, Journal of Economic Dynamics and Control, Vol. 43, pp. 1–11. doi:10.1016/j.jedc.2014.04.010 [8] Bollen, K. A., Fisher, Z., Lilly, A., Brehm, C., Luo, L., Martinez, A., & Ye, A. (2022), “Fifty years of structural equation modeling: A history of generalization, unification, and diffusion”, Social Science Research, Vol. 107, 102769. [9] Bonabeau, E. (2002), “Agent-based modeling: Methods and techniques for simulating human systems”, Proceedings of the national academy of sciences, 99(suppl_3), pp. 7280- 7287. [10] Bork, C. (2006), “Distributional effects of the ecological tax reform in Germany: An evaluation with a microsimulation model”, Serret, Y., Johnstone, N. The Distributional Effects of Environmental Policy, Vol. 1, pp. 139-170. [11] Chari, V. V., Kehoe, P. J., & McGrattan, E. R. (2008), “Are structural VARs with long- run restrictions useful in developing business cycle theory?”, Journal of Monetary Economics, Vol. 55, No. 8, pp. 1337-1352. [12] Chen, H., Petralia, F., & Lopes, H. F. (2010), “Sequential Monte Carlo estimation of DSGE models”, Working Paper. The University of Chicago Booth School of Business. [13] Christensen, B. J., Posch, O., & van der Wel, M. (2016), “Estimating dynamic equilibrium models using mixed frequency macro and financial data”, Journal of Econometrics, Vol. 194, No. 1, pp. 116-137. [14] Collard, F., Fève, P., & Matheron, J. (2012), “The dynamic effects of disinflation policies in the US”, Revue d'économie politique, Vol. 6, pp. 867-885. [15] Crooks, A. T., & Heppenstall, A. J. (2011). Introduction to agent-based modelling. In Agent-based models of geographical systems (pp. 85-105). Dordrecht: Springer Netherlands. 208
  20. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 [16] De Grauwe, P. (2010), “The financial crisis and the future of the Eurozone (No. 21)“, European Economic Studies Department, College of Europe. [17] Denis, A. (2016), “Microfoundations”, Review of Political Economy, Vol. 28, No. 1, pp 134-152. [18] Dewachter, Hans, and Raf Wouters, (2014), “Endogenous risk in a DSGE model with capital-constrained financial intermediaries", Journal of Economic Dynamics and control, Vol. 43, pp. 241-268. [19] Dreher, A.U. (2000). Foundations for Conceptual Research in Psychoanalysis. London, UK: Routledge [20] Duarte, P. G., & Lima, G. T. (2012). Privileging micro over macro? A history of conflicting positions. Microfoundations reconsidered: The relationship of Micro and Macroeconomics in Historical Perspective. Cheltenham: Edward Elgar. [21] Engle, R. F., & Granger, C. W. (1987), “Co-integration and error correction: representation, estimation, and testing”, Econometrica: journal of the Econometric Society, pp. 251-276. [22] Franke, J., & Majumdar, S. N. (2012), “Survival probability of an immobile target surrounded by mobile traps”, Journal of Statistical Mechanics: Theory and Experiment, Vol. 2012(05), P05024. [23] Gallegati, M., & Kirman, A. (2012). Reconstructing economics: Agent based models and complexity. Complexity Economics, Vol. 1, No. 1, pp. 5-31. [24] Giacomini, R. (2013), ”The relationship between DSGE and VAR models”, VAR models in macroeconomics–new developments and applications: Essays in honor of Christopher A. Sims, Vol. 32, pp. 1-25. [25] Gottschalk, J. (2001). An introduction into the SVAR methodology: identification, interpretation and limitations of SVAR models (No. 1072). Kiel working paper. [26] Gujarati, D. (2014). Econometrics by example. Bloomsbury Publishing, USA. [27] Hafstead, M., & Smith, J. (2012), “Financial shocks, bank intermediation, and monetary policy in a DSGE model”, Unpublished Manucript, Vol. 9, pp. 1-77. [28] Hahn, F. H. (1980), “Monetarism and economic theory”, Economica, Vol. 47, No. 185, pp. 1-17. [29] Heathcote, J., Storesletten, K., & Violante, G. L. (2009), “Quantitative macroeconomics with heterogeneous households”, Annu. Rev. Econ., Vol. 1(1), pp. 319-354. [30] Hendry, D. F., & Muellbauer, J. N. (2018), “The future of macroeconomics: macro theory and models at the Bank of England”, Oxford Review of Economic Policy, Vol. 34(1-2), pp. 287-328. [31] Hicks, J. R. (1937), “Mr. Keynes and the" classics"; a suggested interpretation”, Econometrica: journal of the Econometric Society, pp. 147-159. [32] Holland, A. S. (1995), “Inflation and uncertainty: tests for temporal ordering”, Journal of money, credit and banking, Vol. 27, No. 3, pp. 827-837. [33] Hoover, K. D. (1995), “Is macroeconomics for real?”, The Monist, Vol. 78, No. 3, pp. 235- 257. 209
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2