3. Phương Pháp Nghiên Cứu
3.3.2 Mô hình nghiên cứu
Nghiên cứu này sử dụng dữ liệu bảng (panel data) thông qua mô hình hồi quy OLS, mô hình các ảnh hưởng ngẫu nhiên (REM), các ảnh hưởng cố định (FEM) và GMM kế thừa các nghiên cứu của Keivin C.K. Lam, et al (2012) và Tehinna Khan (2006).
Nếu như dữ liệu thời gian (times – series) chỉ cho chúng ta quan sát các biến số theo chuỗi thời gian, dữ liệu chéo (cross – series) cho các quan sát theo công ty thì dữ liệu bảng (panel data) cung cấp cái nhìn rộng lớn hơn bằng các kết hợp hai loại dữ liệu trên lại với nhau.
Ưu điểm của dữ liệu bảng là nghiên cứu được sự khác biệt giữa các đơn vị chéo, chứa đựng nhiều thông tin hơn và quan trọng hơn cả là nâng cao số quan sát của mẫu, giảm được hạn chế của mô hình OLS do bỏ sót các biến. Cho phép kiểm soát sự khác biệt không quan sát được giữa các thực thể.
Tuy nhiên nếu sử dụng OLS thông thường để hồi quy dữ liệu bảng có thể tạo ra các ước lượng sai do các giả thuyết của mô hình có thể bị vi phạm. Để lựa chọn phương pháp ước lượng phù hợp tác giả kiểm định các phương pháp sau:
Bước 1: hồi quy OLS thông thường, nhược điểm: có thể nhận diện sai do tự tương quan & ràng buộc quá chặt về các đơn vị chéo, nếu có hiện tượng đa cộng tuyến, giả thuyết biến nội sinh bị vi phạm hoặc phương sai thay đổi sẽ dẫn đến kết quả ước lượng sai. Do đó, trước khi thực hiện kiểm định OLS chúng ta thực hiện kiểm định các giả định của mô hình này trước.
Kiểm tra tính dừng của chuỗi dữ liệu:
Một trong các giả thiết của mô hình hồi quy cổ điển là các biến độc lập phi ngẫu nhiên, chúng có các giá trị xác định. Nếu như chúng ta ước lượng một mô hình trong đó các biến độc lập không dừng thì giả thiết của OLS bị vi phạm. Một chuỗi được gọi là dừng nếu kỳ vọng, phương sai và hiệp phương sai không đổi theo thời
gian. Kiểm định tính dừng thông qua phương pháp nghiệm đơn vị (Dickey-Fuller Unit root test).
Kiểm định hiện tượng đa cộng tuyến:
Mô hình cổ điển là mô hình lý tưởng với giả thiết các biến giải thích không tương quan với nhau. Nghĩa là mỗi biến chứa đựng một số thông tin riêng về biến phụ thuộc và thông tin đó lại không có trong biến giải thích khác. Khi đó ta nói không có hiện tượng đa cộng tuyến. Kiểm định hiện tượng đa cộng tuyến bằng cách hồi quy phụ một biến giải thích theo các biến còn lại. Tương ứng với mỗi mô hình ta thu được giá trị R2
và F tương ứng, so sánh F với F(k-1, n-k) trong bảng thống kê F (ở đó k là số tham số trong mô hình hồi quy phụ kể cả hệ số tự do, n là số quan sát. Nếu F > F(k-1, n-k) thì bác bỏ giả thiết R2
= 0, xảy ra hiện tượng đa cộng tuyến và ngược lại nếu F ≤ F(k-1, n-k) thì chấp nhận giả thuyết R2
= 0, không xảy ra hiện tượng đa cộng tuyến.
Hồi quy mô hình OLS.
Kiểm định các giả thiết thống kê OLS sau hồi quy:
Kiểm định giả thuyết đối với các hệ số hồi quy (tung độ gốc và các hệ số chặn). Ta sử dụng giá trị thống kê kiểm định t và xác suất p-value để kiểm định Ho. Đại lượng ngẫu nhiên t tuân theo quy luật Student với bậc tự do n-k, k là số hệ số có trong mô hình. Với mức ý nghĩa α =5%, dùng hàm tinv trong excel để tìm ra giá trị tα/2(n-1).
Kiểm định hiện tượng tự tương quan: tự tương quan là sự tương quan giữa các thành phần của chuỗi quan sát được sắp xếp theo thứ tự thời gian (trong chuỗi thời gian) hoặc không gian (trong số liệu chéo). Nghĩa là trong mô hình hồi quy cổ điển OLS ta giả thiết rằng không có tương quan giữa các nhiễu Ui, Cov (Ui,Uj) = 0 (j ≠ i), sai số ứng với quan sát nào đó không bị ảnh hưởng bởi sai số ứng với quan sát khác. Kiểm định tự tương quan thông qua:
Kiểm định d của Durbin – Watson: áp dụng quy tắc đơn giản với ba trường hợp tương ứng với các hệ số Durbin – Waston như sau:
- Nếu 1 < d < 3 thì kết luận mô hình không có tự tương quan. - Nếu 0 < d < 1 thì kết luận mô hình có tự tương quan dương. - Nếu 3 < d < 4 thì kết luận mô hình có tự tương quan âm.
Kiểm định BG: Xét mô hình đơn giản Yt = β1 + β2Xt + Ut. Trong đó: Ut = ρ1Ut-1 + ρ2Ut-2 +…..+ ρpUt-p + εt
Ta kiểm định giả thiết H0: ρ1 = ρ2 = …= ρp = 0, nghĩa là không tồn tại tự tương quan ở bất kỳ bậc nào từ bậc 1 đến bậc p. Sau khi ước lượng mô hình OLS, ta thu được các phần dư et. Với n đủ lớn, (n-p)R2
có phân phối xấp xỉ χ2(p). Nếu (n-p)R2 > χ2
(p) thì giả thuyết H0 bị bác bỏ, nghĩa là tồn tại tự tương quan ở ít nhất một bậc nào đó và ngược lại ta chấp nhận giả thuyết H0, nghĩa là mô hình không có hiện tượng tự tương quan.
Kiểm định hiện tượng phương sai thay đổi: một trong những giả thiết quan trọng của mô hình OLS cổ điển là phương sai của từng yếu tố ngẫu nhiên Ui là một số không đổi và bằng δ2. Đây là giả thiết phương sai không thay đổi (homoscedasticity), tức là phương sai bằng nhau var(Ui) = δ2
i(i=1, 2,…,n). Kiểm định hiện tượng phương sai thay đổi thông qua kiểm định White.
Bước 2: Nếu một trong các giả thiết ban đầu của OLS bị vi phạm (phương sai thay đổi, tự tương quan, đa cộng tuyến, tương quan giữa biến độc lập và phần dư (biến nội sinh…). Khi đó, các ước lượng thu được sẽ bị bóp méo và sẽ là sai lầm nếu sử dụng chúng để phân tích. Đối với dữ liệu bảng hồi quy OLS thông thường chỉ mang lại hiệu quả nếu ta xem tất cả các hệ số trong mô hình hồi quy đều không đổi theo thời gian và theo không gian. Với dữ liệu bảng, một trong những dạng vi phạm giả định phổ biến nhất là hiện tượng nội sinh tức là có ít nhất một hoặc nhiều biến độc lập tương quan với phần dư.
Phương pháp cơ bản trong trường hợp các biến độc lập tương quan với phần dư là ước lượng một phương trình sử dụng các biến công cụ nhằm loại bỏ sự tương quan giữa các biến giải thích và phần dư (Instrumental Variables – hồi quy IV) mà các biến công cụ này thõa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) không tương quan với phần dư.
Ngoài ra, có thể sử dụng phương pháp hồi quy theo mô hình các ảnh hưởng cố định (Fixed Effects Model, FEM) hoặc ảnh hưởng ngẫu nhiên (Random Effects Model, REM) để ước lượng các dữ liệu dạng bảng, có thể giúp giảm bớt vấn đề nội sinh do các biến không thể quan sát được ở mỗi cá thể.
FEM có thể kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) này ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực của biến giải thích lên biến phụ thuộc. Các đặc điểm riêng biệt (không đổi theo thời gian) này là đơn nhất đối với 1 thực thể và không tương quan với đặc điểm của các thực thể khác. FEM = OLS + Dummy nên nhược điểm của phương pháp này là có thể giảm bậc tự do của dữ liệu, nguy cơ đa cộng tuyến vì có quá nhiều biến, giả định phương sai không đổi có thể bị vi phạm.
REM được dùng khi ta xem đặc điểm riêng giữa các thực thể được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích. Các phần dư của mỗi thực thể (không tương quan với biến giải thích) là một biến giải thích mới. REM đem lại ước lượng chệch nếu phương sai thay đổi và giả thiết biến nội sinh bị vi phạm.
Kiểm định sự phù hợp của mô hình Pooled OLS và FEM
Sau khi hồi quy mô hình theo phương pháp FEM, ta cần kiểm định xem các hệ số chặn của hàm hồi quy của từng công ty có khác nhau không, nếu khác nhau nghĩa là có ảnh hưởng của sự không đồng nhất giữa các đơn vị chéo lên biến phụ thuộc, khi đó FEM sẽ phù hợp hơn Pooled OLS. Ngược lại, nếukhông có sự khác nhau thì chỉ cần sử dụng mô hình ước lượng Pooled OLS là được.
Thực hiện kiểm định Redundant Fixed Effects Test, giả thuyết H0 : hệ số chặn giữa các đơn vị chéo là như nhau. Nếu H0 được chấp nhận, ta chỉ cần hồi quy theo mô hình Pooled OLS là đủ. Ngược lại, nếu bác bỏ H0, mô hình FEM là phù hợp hơn.
Kiểm định sự phù hợp của mô hình FEM và REM:
Để xem xét xem hai phương pháp FEM và REM phương pháp nào phù hợp hơn ta cần thực hiện một số kiểm định, trong nghiên cứu này ta sử dụng kiểm định Hausman (1978) để lựa chọn phương pháp ước lượng thích hợp.
Giả thuyết H0 làm nền tảng cho kiểm định Hausman là: các ước lượng FEM và REM không khác nhau đáng kể. Trị thống kê kiểm định do Hausman xây dựng có một phân phối tiệm cận. Nếu H0 bị bác bỏ, kết luận là: REM không thích hợp và tốt hơn xem ra ta nên sử dụng mô hình FEM, trong trường hợp đó, các suy luận thống kê sẽ lập điều kiện theo sai số εi trong mẫu.
Tuy vậy kết quả hồi quy REM và FEM có thể vẫn bị phương sai thay đổi, tự tương quan và hiện tượng nội sính. Lúc này, phương pháp momen tổng quát (GMM - Generalized Method of Moments) được xem là ưu việt vì ngay cả trong điều kiện giả thiết nội sinh bị vi phạm, phương pháp GMM cho ra các hệ số ước lượng vững, không chệch, phân phối tiệm cận chuẩn và hiệu quả.
Kiểm định quan trọng nhất của phương pháp ước lượng GMM là kiểm định
Sargent (Sargent Test) hoặc kiểm định J (J – Test). Đây là kiểm định cần thiết trong trường hợp số biến công cụ nhiều hơn số biến bị nội sinh trong mô hình. Ý tưởng của kiểm định là xem xét biến công cụ có tương quan với phần dư của mô hình không. Nếu câu trả lời là không, thì biến công cụ được chọn là phù hợp và mô hình sử dụng biến đó để ước lượng cũng phù hợp. Kiểm định Sargent sử dụng thống kê J (J – statistic) nhằm kiểm định giả thiết H0 - biến công cụ là phù hợp. Thống kê J tuân theo phân phối Chi Bình phương và được trình bày trên bảng kết quả ước lượng của phần mềm Eviews. Khi số lượng mẫu phù hợp giá trị β ước lượng được sẽ vững, khi đó giá trị ước lượng được sẽ càng gần với giá trị thực của nó.