d. Môhình hồi quyLogit.
2.3.3.2Kết quả thực nghiệm sau khi chạy mô hình:
+ Kiểm định ý nghĩa của mô hình hồi quy:
Sau khi chạy mô hình hồi quy tổng quát với 14 biến, quá trình kiểm định, loại bỏ các biến không ý nghĩa (Prob>α = 5% hoặc 10%)(xem phụ lục 1) ta được mô hình 5, mô hình 5 này với 8 biến có ý nghĩa và được gọi là: “Mô hình đo lường khả năng trả nợ của khách hàng cá nhân tại Ngân hàng
TMCP Đầu tư và Phát triển Việt Nam Chi nhánh Bến Tre”
Loge[ ( )
( )]= 11,6844 + 1,172*X1 – 75,454*X3+0,005716*X4 - 0,00572*X7-4,882*X8-0,432*X9+0,0354*X10 +0,314* X12
Với: X1: thông tin khách hàng; X3: lãi suất; X4: dư nợ, X7: thu nhập; X8: rủi ro nghề nghiệp; X9: số người phụ thuộc; X10: thời gian cư trú; X12: giới tính. + Ý nghĩa các hệ số trong mô hình: Tiến hành kiểm chứng lại các hệ số của tám biến có ý nghĩa: X1, X3, X4 , X7, X8, X9, X10, X12, ta giả sử kiểm định Wald test: Giả thuyết: H0: C(2)=C(3)=C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=0 H1: C(2) ≠ 0; C(3) ≠ 0; C(4) ≠ 0; C(5) ≠ 0; C(6) ≠ 0; C(7) ≠ 0; C(8) ≠ 0; C(9) ≠ 0
Sau đây là bảng kiểm định ý nghĩa của các hệ số trong mô hình:
Bảng 2.12: Bảng kiểm định Wald Test đối với biến X1, X3, X4, X7, X8, X9, X10, X12
Wald Test:
Equation: Untitled
Test Statistic Value df Probability F-statistic 58.35705 (8, 2165) 0.0000
Kết quả kiểm định cho thấy: C(2) ≠ 0; C(3) ≠ 0; C(4) ≠ 0; C(5) ≠ 0; C(6) ≠ 0; C(7) ≠ 0; C(8) ≠ 0; C(9) ≠ 0, kiểm định F có xác suất = 0,000 < α = 0,05 và kiểm định χ2 có xác suất = 0,000 < α = 0,05, nên chấp nhận H1 và bác bỏ Ho hay các hệ số có ý nghĩa thống kê.
Như vậy, các nhân tố như thông tin khách hàng, lãi suất, dư nợ, thu nhập, rủi ro nghề nghiệp, số người phụ thuộc, độ tuổi, giới tính đều có hệ số khác không, nghĩa là các nhân tố trên đều có ý nghĩa trong mô hình
+ Ý nghĩa chung của mô hình:
Trong bảng kết quả khi chạy Eviews 6.0 đối với mô hình hồi quy 5(xem Phụ lục 6 ), ta có kết quả sau:
Mcfadden R-squared: 0,5092 Probality (LR statistic): 0,0000 LR statistic: 1086,664
Ta thấy Probality (LR statistic): 0,0000 < α = 0,05, với mức ý nghĩa chung của mô hình nhỏ hơn α nên mô hình có ý nghĩa tổng quát, nghĩa là khả năng trả nợ sẽ bị tác động bởi thông tin khách hàng (X1), lãi suất(X3), dư nợ(X4), thu nhập(X7), rủi ro nghề nghiệp(X8), số người phụ thuộc(X9), thời gian cư trú (X10), giới tính(X12).
+ Độ phù hợp của mô hình
Với Mcfadden R-squared: 0,5092 = 50,92%, thể hiện độ thích hợp của mô hình ở mức trung bình, nghĩa là có khoảng 50,92% khả năng trả nợ của KHCN được có thể giải thích bằng các nhân tố: thông tin khách hàng (X1), lãi suất (X3), dư nợ (X4), thu nhập(X7), rủi ro nghề nghiệp(X8), số người phụ thuộc(X9), độ tuổi (X10), giới tính (X12).
Mặc dù R2trong môhìnhkhông cao, nhưng vẫn chấp nhận được.
+ Độ chính xác của mô hình:
Bảng 2.13: Xác suất đo lường độ chính xác của Y Tabulation of TRUE Date: 09/08/13 Time: 12:35 Sample: 1 2174 Included observations: 2174 Number of categories: 2
Value Count Percent
0 167 7.68
1 2007 92.32
Total 2174 100.00
Với Count – R2 = 92,32 %; con số này cho biết độ chính xác của mô hình Logit trong dự đoán khả năng trả nợ của KHCN là 92,32%. Với dữ liệu mẫu, có 2.174 quan sát, mô hình đã dự đoán đúng 2.007 quan sát, hay tỷ lệ dự đoán đúng là 92,32%.
+ Xét sự tương quan giữa các biến trong mô hình 5:
Trong bảng hệ số tương quan giữa các biến thì những biến được cho là có tương quan khi hệ số giữa 2 biến lớn hơn 0,8 . Sau đây là bảng trình bày sự tương quan giữa các biến:
Bảng 2.14: Bảng thể hiện mức độ tương quan giữa các biến
Covariance Analysis: Ordinary Date: 09/11/13 Time: 21:13 Sample: 1 2174 Included observations: 2174 Covariance Correlation X1 X3 X4 X7 X8 X9 X10 X12 Y X1 0.210147 (adsbygoogle = window.adsbygoogle || []).push({});
1.000000 X3 -0.000184 0.000605 X3 -0.000184 0.000605 -0.016299 1.000000 X4 -12.31340 -1.390872 546610.5 -0.036331 -0.076483 1.000000 X7 -1.076791 -0.117101 54169.98 8707.543 -0.025172 -0.051018 0.785185 1.000000 X8 -0.019760 0.000517 11.07833 1.693747 0.145136 -0.113148 0.055215 0.039332 0.047645 1.000000 X9 -0.038924 -0.000484 68.20105 7.103094 0.012669 0.746093 -0.098302 -0.022782 0.106796 0.088126 0.038499 1.000000 X10 -0.123912 -0.007032 138.2008 21.65170 -0.099540 0.465088 39.18454 -0.043181 -0.045668 0.029862 0.037067 -0.041740 0.086016 1.000000 X12 -0.006392 -0.000744 -2.069944 -0.719109 0.014853 0.008727 -0.167666 0.232814 -0.028896 -0.062646 -0.005802 -0.015971 0.080803 0.020939 -0.055512 1.000000 Y 0.032588 -0.002897 -21.36783 -4.114328 -0.094760 -0.036804 0.117808 -0.003652 0.155869 0.180057 -0.298285 -0.073205 -0.111679 -0.630022 -0.107924 0.047669 -0.019173 1.000000
Trong mô hình xét thấy X4, X7 lần lượt có sự tương quan với các biến còn lạinhư X3, X8, X10, X12 có thể gây ra hiện tượng đa cộng tuyến. Tuy nhiên, theo Ramanathan (2003), đa cộng tuyến có thể không ảnh hưởng đến khả năng dự báo của mô hình và thậm chí có thể cải thiện khả năng dự báo. Nên ta sẽ không bỏ biến X4, X7 ra khỏi mô hình.
+ Ý nghĩa của hệ số trong mô hình Logit
Mô hình đo lường khả năng trả nợ của KHCN tại Ngân hàng TMCP Đầu tư và Phát triểnChi nhánh Bến Tre:
Loge[P(Y=1)/P(Y=0)]= 11,6844+1,172X1–75,454*X3 + 0,005716*X4 - 0,00572*X7- 4,882*X8-0,432*X9+0,0354*X10 +0,314* X12 (*) Từ (* ( ) ( ) ) , ta viết lại phương trình khi Ln 2 vế: =exp(11,6844–75,454*X3+0,005716*X4 - 0,00572*X7 - 4,882*X8-0,432*X9+0,0354*X10+0,314* X12)
Trong mô hình có X3, X7, X8, X9 mang dấu “-“, nghĩa là các biến này có tác động ngược chiềuđến khả năng trả nợ. Trong đó, các biến X3 (lãi suất),
X8(rủi ro nghề nghiệp), X9 (số người phụ thuộc) thì có tác động ngược chiềuthì trùng với kỳ vọng ban đầu. Tuy nhiên, X7 là biến thu nhập lại ngược chiều với khả năng trả nợ, điều này hoàn toàn ngược lại với giả thuyết ban đầu, nhưng đúng với nghiên cứu của Livingston và Lunt (1992). Ta cũng có thể lý giải là do thu nhập cao kèm theo rủi ro cao nên sẽ dẫn đến mất khả năng trả nợ cao.
Các biến X1, X4, X10, X12 thì có hệ số mang dấu “+”, nghĩa là thông tin khách hàng, dư nợ, thời gian cư trú, giới tính có ảnh hưởng tốt đến khả năng trả nợ
Bên cạnh đó, hệ số của thông tin khách hàng là C(2)=1,172 lớn hơn các hệ số còn lại trong các biến có tác động cùng chiều, nên thông tin khách hàng là yếu tố tác động mạnh nhất đến khả năng trả nợ mà chúng ta cần lưu ý.Dư nợ có C(5)= 0,0057 là hệ số nhỏ nhất nên dư nợ sẽ tác động cùng chiều ít nhất đối với khả năng trả nợ của KHCN tại BIDV Bến Tre.
Ngược lại, trong các biến có tác động ngược chiều với khả năng trả nợ thì hệ số biến X3 (C(4)=75,454) là thấp nhất. Do vậy, lãi suất là yếu tố tác động xấu đến khả năng trả nợ.
2.3.3.3 Các yếu tố tác động đến khả năng trả nợ của khách hàng cá nhân tại Ngân hàng thương mại cổ phần Đầu tư và Phát triển Việt Nam