5.1.2.1 Đánh giá sự phù hợp của mô hình, kiểm tra tự tương quan giữa các phần dư
Model Summary R R Square Adjusted R
Square Std. Error of the Estimate Durbin- Watson LEVERAGE 0,854 0,729 0,718 0,1081851 0,782
Bảng 5.2: Bảng thể hiện mức độ tương quan giữa LEVERAGE và các yếu tố
Hệ số xác định R2 là thước đo tỷ lệ phương sai của biến phụ thuộc về giá trị trung bình của nó được giải thích bởi các biến độc lập hoặc biến dự báo.
Bảng 4.2 cho ta thấy mô hình LEVERAGE có giá trị R2 điều chỉnh là 0,718 tức là các yếu tố có thể giải thích được 71,8% mức độ sử dụng nợ của các công ty.
35
Chỉ số này tương đối cao nên mức độ tương quan giữa biến LEVERAGE với bảy biến độc lập khá cao.
Ngoài ra, chỉ số Durbin Watson nhỏ hơn 3 nên ta có thể kết luận rằng không có hiện tượng tự tương quan của các phần dư trong mô hình qua đó góp phần làm tăng ý nghĩa của mô hình.
5.1.2.2 Kiểm định sự phù hợp của mô hình
Model Squares Sum of Df Square Mean F Sig.
LEVERAGE
Regression 5,541 7 0,792 67,632 0,000 Residual 2,060 176 0,012
Total 7,601 183
Bảng 5.3: Bảng ANOVA – Kiểm định mức độ phù hợp của mô hình
Để kiểm định độ phù hợp của mô hình hồi quy tổng thể, đặt giả thiết H0: R2
của tổng thể = 0 (mô hình hồi quy xây dựng được không phù hợp với tổng thể). Đại lượng F được sử dụng cho kiểm định này. Bảng 4.3 thể hiện giá trị F = 67,632 tương ứng với mức ý nghĩa sig = 0,000. Giá trị sig rất nhỏ (< 0,05), do đó ta có thể bác bỏ giả thiết H0. Như vậy, với mức ý nghĩa 5% mô hình hoàn toàn phù hợp với tổng thể và có ý nghĩa trong nghiên cứu.
Một số chỉ tiêu khác đánh giá sự phù hợp của mô hình
Để đảm bảo thỏa mãn các điều kiện của mô hình hồi qui tuyến tính bằng phương pháp ước lượng OLS, ngoài kiểm định mức độ phù hợp của mô hình, tác giả còn có một số kiểm định khác để hỗ trợ.
Tiêu biểu là sự biểu diễn khả năng phân phối chuẩn của các phần dư trong mô hình qua đó làm tăng tính đúng đắn của mô hình theo phương pháp OLS.
36
Hình 5.1: Biều đồ tần số Histogram khảo sát phân phối chuẩn của phần dư
Biểu đồ trên cho ta thấy một đường cong phân phối chuẩn được đặt lên biểu đồ tần số. Phân phối phần dư có trung bình Mean = 0 và độ lệch chuẩn Std. Dev = 0,997, gần bằng 1. Vậy có thể kết luận rằng phần dư có phân phối chuẩn.
Kiểm định phương sai của phần dư không đổi
Để kiểm định phương sai của phần dư không đổi chúng ta có nhiều cách, trong bài nghiên cứu này tác giả dùng kiểm định tương quan hạng Spearman giữa các biến độc lập với trị tuyệt đối của phần dư để phát hiện phương sai thay đổi. Giả thiết Ho: hệ số tương quan hạng của tổng thể = 0 (phương sai của phần dư không đổi) với độ tin cậy 95%, nếu sig < 0,05 bác bỏ Ho, nếu sig > 0,05 chấp nhận Ho.
abs_E PROF SIZE GROWTH
Spearman's rho abs_E Correlation Coefficient 1,000 -0,148 -0,018 -0,125 Sig. (2-tailed) . 0,046 0,810 0,090 N 184 184 184 184
37
TANG LIQ TAX VOL
Spearman's rho abs_E Correlation Coefficient -0,040 0,019 -0,037 0,098 Sig. (2-tailed) 0,588 0,794 0,614 0,184 N 184 184 184 184
Bảng 5.4: Hệ số tương quan Spearman kiểm định phương sai của phần dư (adsbygoogle = window.adsbygoogle || []).push({});
Từ kết quả kiểm định cho thấy biến phần dư abs_E có sig > 0,05 tức là
chấp nhận giả thuyết Ho, điều đó có nghĩa là không có hiện tượng phương sai thay đổi.
5.1.2.3 Phân tích hiện tượng đa cộng tuyến
Mô hình lý tưởng là mô hình mà các biến độc lập không có tương quan với nhau, mỗi biến chứa đựng một thông tin riêng về biến phụ thuộc và thông tin đó không có trong biến độc lập khác. Khi đó hệ số hồi quy riêng cho biết tác động của từng biến độc lập đến biến phụ thuộc khi giả định các biến độc lập khác không đổi, trong trường hợp đó không có hiện tượng đa cộng tuyến.
Trong phạm vi nghiên cứu, tác giả kiểm tra mức độ vi phạm giả thiết trong mô hình hồi quy tuyến tính bằng cách đo lường đa cộng tuyến (Collinearity Diagnostics) để xác định xem các biến độc lập có mối tương quan với nhau hay không. Nếu xảy ra trường hợp có biến độc lập nào đó tương quan với một hoặc một số biến độc lập khác, điều đó có nghĩa mô hình xảy ra hiện tượng đa cộng tuyến, các biến độc lập cùng cung cấp thông tin rất giống nhau và cũng rất khó lọc được tác động của biến độc lập tới biến phụ thuộc.
Kết quả kiểm tra hiện tượng đa cộng tuyến các biến độc lập như sau:
PROF SIZE GROWTH TANG LIQ TAX VOL PROF 1,000 0,118 0,237 -0,164 0,398 0,409 0,126
SIZE 0,118 1,000 0,160 0,312 -0,425 -0,118 0,135
GROWTH 0,237 0,160 1,000 -0,030 -0,067 0,058 0,097
38
PROF SIZE GROWTH TANG LIQ TAX VOL LIQ 0,398 -0,425 -0,067 -0,430 1,000 0,498 -0,218
TAX 0,409 -0,118 0,058 -0,477 0,498 1,000 -0,021
VOL 0,126 0,135 0,097 0,095 -0,218 -0,021 1,000
Bảng 5.5: Tương quan giữa các biến độc lập
Hầu hết các nhà nghiên cứu kinh tế lượng cho rằng khi hệ số tương quan lớn hơn 0,9 thì đó là một dấu hiệu quan trọng xảy ra hiện tượng đa cộng tuyến. Từ kết quả phân tích trên cho thấy các hệ số tương quan giữa các cặp biến trong mô hình đều không quá lớn (< 0,5) nên các biến độc lập tác giả đưa vào mô hình không xảy ra hiện tượng đa cộng tuyến hoặc xảy ra nhưng rất thấp không làm ảnh hưởng đến kết quả mô hình hồi quy. Ngoài ra, để xem xét thêm về mối tương quan giữa các biến độc lập thì ta tiến hành hồi quy phụ.
Hồi quy phụ của các biến độc lập
Đa cộng tuyến đề cập tới quan hệ tuyến tính giữa các biến độc lập, nghĩa là một biến độc lập có thể được biểu diễn xấp xỉ dưới dạng tổ hợp tuyến tính của các biến độc lập khác, do đó ta có thể đánh giá mức độ đa cộng tuyến bằng cách hồi quy một biến độc lập theo các biến độc lập còn lại dưới dạng mô hình tuyến tính, gọi là hồi quy phụ.
PROF SIZE GROWTH TANG LIQ TAX VOL
R Square 0,373 0,309 0,095 0,314 0,522 0,394 0,105
Adjusted R
Square 0,352 0,286 0,065 0,291 0,506 0,373 0,074
Bảng 5.6: Kết quả hồi quy phụ của các biến độc lập (xem phụ lục 2)
Kết quả hồi quy phụ cho thấy các biến độc lập đều có R2 nhỏ hơn hoặc tương đương với R2 của biến phụ thuộc, không có biến độc lập nào có R2 cao hơn so với R2 của biến phụ thuộc (bảng 5.2). Do đó, tác giả tiếp tục bài nghiên cứu, bỏ qua các trường hợp có thể xảy ra do hiện tượng đa cộng tuyến.
39