Econometric Model

1. Static panel data modeling:

\[ FPI_{it} = \alpha + \beta' X_{it} + \gamma' Z_t + \mu_i + \varepsilon_{it} \]

Trong đó:

\(FPI_{it}\): dòng vốn đầu tư gián tiếp nước ngoài vào quốc gia \(i\) tại thời điểm \(t\)
\(X_{it}\): các biến trong nước của quốc gia \(i\) như GDP, lạm phát, lãi suất, tỷ giá, độ mở thương mại, phát triển tài chính, chất lượng thể chế
\(Z_t\): các biến toàn cầu như VIX, lãi suất Mỹ, điều kiện tài chính quốc tế
\(\mu_i\): yếu tố đặc thù không quan sát được của từng quốc gia
\(\varepsilon_{it}\): sai số ngẫu nhiên

2. Dynamic panel data modeling: \[ FPI_{it} = \rho FPI_{i,t-1} + \beta' X_{it} + \gamma' Z_t + \mu_i + \varepsilon_{it} \]

Data Processing and Harmonization

Các biến cần thiết của các mô hình kinh tế lượng ở trên đều có thể lấy được từ một trong hai package của R là WDI hoặc imfapi. Lưu ý rằng nhiều indicators lấy từ WDI là dữ liệu được lấy từ IMF. Dưới đây là R codes để lấy, xử lí và chuẩn hóa dữ liệu cần thiết cho các mô hình nghiên cứu:

rm(list = ls())

library(WDI)
library(dplyr)
library(tidyr)
library(writexl)
library(stringr)

# =========================================
# 1) KHOẢNG THỜI GIAN
# =========================================
start_year <- 2000
end_year   <- 2025

# =========================================
# 2) KHAI BÁO BỘ BIẾN
# =========================================
# Lưu ý:
# - Các biến FPI dưới đây là series/proxy từ World Bank.
# - Không phải là bản IMF BOP "chuẩn" như pipeline dùng imfapi.

indicators <- c(
  # (1) Biến phụ thuộc / FPI proxies
  fpi_total_net              = "BN.KLT.PTXL.CD",
  fpi_equity_net             = "BX.PEF.TOTL.CD.WD",
  fpi_bond_proxy             = "DT.NFL.BOND.CD",
  
  # (2) Nhóm vĩ mô trong nước
  gdp_growth                 = "NY.GDP.MKTP.KD.ZG",
  inflation_cpi              = "FP.CPI.TOTL.ZG",
  real_interest_rate         = "FR.INR.RINR",
  official_exrate            = "PA.NUS.FCRF",
  trade_open                 = "NE.TRD.GNFS.ZS",
  
  # (3) Nhóm thị trường tài chính / phát triển tài chính
  mkt_cap_gdp                = "CM.MKT.LCAP.GD.ZS",
  stocks_traded_gdp          = "CM.MKT.TRAD.GD.ZS",
  equity_index_growth        = "CM.MKT.INDX.ZG",
  credit_private_gdp         = "FS.AST.PRVT.GD.ZS",
  
  # Nhóm môi trường
  renewable_energy_share     = "EG.FEC.RNEW.ZS",
  
  # Nhóm xã hội
  tertiary_enrollment_gross  = "SE.TER.ENRR",
  
  # Nhóm quản trị
  control_corruption         = "CC.EST",
  government_effectiveness   = "GE.EST",
  rule_of_law                = "RL.EST",
  regulatory_quality         = "RQ.EST"
)

# =========================================
# 3) LẤY DỮ LIỆU CHO TẤT CẢ QUỐC GIA
# =========================================
wb_panel <- WDI(
  country   = "all",
  indicator = indicators,
  start     = start_year,
  end       = end_year,
  extra     = TRUE,
  cache     = NULL
) %>%
  rename(year = year) %>%
  mutate(year = as.integer(year)) %>%
  # bỏ các aggregate nếu chỉ muốn quốc gia thực
  filter(region != "Aggregates") %>%
  arrange(iso3c, year)

# xem nhanh
glimpse(wb_panel)

# =========================================
# 4) BIẾN QUỐC TẾ (CŨNG CHỈ DÙNG WDI)
# =========================================
# Vì chỉ dùng WDI, ta lấy các proxy quốc tế từ World Bank:
# - World GDP growth
# - US real interest rate
#
# Không lấy được VIX/GPR đúng nghĩa bằng WDI.

global_indicators <- c(
  world_gdp_growth   = "NY.GDP.MKTP.KD.ZG",
  us_real_interest   = "FR.INR.RINR"
)

world_global <- WDI(
  country   = "1W",   # World aggregate
  indicator = c(world_gdp_growth = "NY.GDP.MKTP.KD.ZG"),
  start     = start_year,
  end       = end_year,
  extra     = FALSE
) %>%
  transmute(
    year = as.integer(year),
    world_gdp_growth
  )

us_global <- WDI(
  country   = "US",
  indicator = c(us_real_interest = "FR.INR.RINR"),
  start     = start_year,
  end       = end_year,
  extra     = FALSE
) %>%
  transmute(
    year = as.integer(year),
    us_real_interest
  )

global_factors <- full_join(world_global, us_global, by = "year") %>%
  arrange(year)

# =========================================
# 5) GHÉP BIẾN QUỐC TẾ VÀO PANEL
# =========================================
wb_panel_full <- wb_panel %>%
  left_join(global_factors, by = "year") %>%
  arrange(iso3c, year)

# =========================================
# 6) TẠO DẠNG LONG THEO NHÓM BIẾN
# =========================================
var_groups <- tibble::tribble(
  ~variable,                    ~group,
  "fpi_total_net",              "dependent",
  "fpi_equity_net",             "dependent",
  "fpi_bond_proxy",             "dependent",
  
  "gdp_growth",                 "domestic_macro",
  "inflation_cpi",              "domestic_macro",
  "real_interest_rate",         "domestic_macro",
  "official_exrate",            "domestic_macro",
  "trade_open",                 "domestic_macro",
  
  "mkt_cap_gdp",                "financial_market",
  "stocks_traded_gdp",          "financial_market",
  "equity_index_growth",        "financial_market",
  "credit_private_gdp",         "financial_market",
  
  "renewable_energy_share",     "environment",
  "tertiary_enrollment_gross",  "social",
  
  "control_corruption",         "governance",
  "government_effectiveness",   "governance",
  "rule_of_law",                "governance",
  "regulatory_quality",         "governance",
  
  "world_gdp_growth",           "global",
  "us_real_interest",           "global"
)



# =========================================
# 8) TẠO THÊM BIẾN TỶ LỆ FPI / GDP NẾU MUỐN
# =========================================
# Cần thêm GDP current US$ để chia
gdp_current <- WDI(
  country   = "all",
  indicator = c(gdp_current_usd = "NY.GDP.MKTP.CD"),
  start     = start_year,
  end       = end_year,
  extra     = TRUE
) %>%
  filter(region != "Aggregates") %>%
  select(iso3c, year, gdp_current_usd)

wb_panel_full <- wb_panel_full %>%
  left_join(gdp_current, by = c("iso3c", "year")) %>%
  mutate(
    fpi_total_gdp  = 100 * fpi_total_net  / gdp_current_usd,
    fpi_equity_gdp = 100 * fpi_equity_net / gdp_current_usd,
    fpi_bond_gdp   = 100 * fpi_bond_proxy / gdp_current_usd
  )

# Lưu dữ liệu: 

write_xlsx(wb_panel_full, "wb_panel_full_fromWDI.xlsx")

Empirical Results

Với dữ liệu đã có chúng ta có thể xem qua một số kết quả từ chạy Pooled Panel Data Regression. Kết quả như dưới đây:

readxl::read_excel("C:\\Users\\DUNG\\Documents\\wb_panel_full_fromWDI.xlsx") -> wb_panel_full


asia_iso3c <- c(
  "AFG","ARM","AZE","BHR","BGD","BTN","BRN","KHM","CHN","CYP",
  "GEO","IND","IDN","IRN","IRQ","ISR","JPN","JOR","KAZ","KWT",
  "KGZ","LAO","LBN","MYS","MDV","MNG","MMR","NPL","PRK","OMN",
  "PAK","PSE","PHL","QAT","SAU","SGP","KOR","LKA","SYR","TJK",
  "THA","TLS","TUR","TKM","ARE","UZB","VNM","YEM"
)


wb_panel_full %>% 
  filter(iso3c %in% asia_iso3c) %>% 
  lm(fpi_total_gdp ~ gdp_growth + inflation_cpi + trade_open + real_interest_rate + 
       government_effectiveness + control_corruption + regulatory_quality, data = .) -> model1



wb_panel_full %>% 
  filter(iso3c %in% asia_iso3c) %>% 
  lm(fpi_equity_gdp ~ gdp_growth + inflation_cpi + trade_open + real_interest_rate + 
       government_effectiveness + control_corruption + regulatory_quality, data = .) -> model2


wb_panel_full %>% 
  filter(iso3c %in% asia_iso3c) %>% 
  lm(fpi_bond_gdp ~ gdp_growth + inflation_cpi + trade_open + real_interest_rate + 
       government_effectiveness + control_corruption + regulatory_quality, data = .) -> model3

library(stargazer)

stargazer(model1, 
          model2, 
          model3, 
          title = "Table 1: Pooled Panel Data Regression Results",
          column.labels = c("", "", ""), 
          type = "text", 
          align = TRUE)

Foreign Portfolio Investment

For M.T

Authors: Nguyen Chi Dung

Econometric Model

Data Processing and Harmonization

Empirical Results