Là kiểm định nhằm đánh giá mức độ giải thích mô hình của các biến tham gia.Trong đó biến nào không thoả điều kiện sẽ được loại ra khỏi mô hình. Trong Stepwise các biến của mô hình sẽ lần lượt được xem xét đưa vào mô hình nhằm đem lại mức giải thích ý nghĩa tốt cho mô hình.
74
Bảng 4.7. Variables in the Equation
B S.E. Wald df Sig. Exp(B)
Step 1a EATTA -12,866 3,363 14,634 1 ,000 ,000 Constant ,023 ,268 ,007 1 ,931 1,023 Step 2b CATA 1,313 1,029 1,628 1 ,202 3,716 EATTA -17,066 4,392 15,101 1 ,000 ,000 Constant -,787 ,672 1,373 1 ,241 ,455 Step 3c CATA 2,087 1,258 2,753 1 ,097 8,063 TL/METL -4,415 1,819 5,891 1 ,015 ,012 EATTA -28,393 7,523 14,244 1 ,000 ,000 Constant 2,015 1,356 2,209 1 ,137 7,504 Step 4d CATA 3,656 1,759 4,318 1 ,038 38,700 TL/METL -5,618 2,037 7,605 1 ,006 ,004 RE/ME -1,213 ,509 5,672 1 ,017 ,297 EATTA -25,644 6,951 13,608 1 ,000 ,000 Constant 1,458 1,320 1,220 1 ,269 4,296 Step 5e CATA 6,935 2,605 7,088 1 ,008 1027,605 TL/METL -9,042 2,878 9,873 1 ,002 ,000 CLCA 2,183 1,023 4,555 1 ,033 8,877 RE/ME -1,712 ,784 4,763 1 ,029 ,181 EATTA -26,077 8,033 10,540 1 ,001 ,000 Constant -,203 1,562 ,017 1 ,897 ,817
75
B S.E. Wald df Sig. Exp(B)
Step 6f CATA 7,945 2,898 7,516 1 ,006 2820,499 TL/METL -10,798 3,553 9,235 1 ,002 ,000 CLCA 3,215 1,312 6,005 1 ,014 24,892 REME -1,718 1,209 2,021 1 ,155 ,179 REFA -3,223 2,217 2,113 1 ,146 ,040 EATTA -15,887 10,983 2,092 1 ,148 ,000 Constant -,763 1,684 ,205 1 ,651 ,466 Step 7f CATA 6,960 2,627 7,017 1 ,008 1053,752 TL/METL -8,814 3,050 8,352 1 ,004 ,000 CLCA 3,247 1,289 6,351 1 ,012 25,725 REME -2,317 1,310 3,128 1 ,077 ,099 REFA -4,628 2,078 4,958 1 ,026 ,010 Constant -1,918 1,494 1,649 1 ,199 ,147
Nguồn: Tính toán và tổng hợp của tác giả
Tương tự như đã thực hiện khi kiểm định mô hình O-Score để kiểm định mức ý nghĩa các biến ta dựa vào kết quả kiểm định Wald. Chỉ tiêu Wald Chi – Square dùng để xác định được ý nghĩa thống kê của các biến khi tham gia vào mô hình. Theo đó biến nào có giá trị Sig > 0.1 kết luận biến không có đóng góp đáng kể cho mô hình dự báo và có thể loại ra khỏi mô hình. Dựa vào đó ta thấy các bước từ 1 đến 6 đều không được chọn vì có ít nhất một biến không thoả điều kiện kiểm định. Ở bước 7 ta thấy đều có thể chọn vì các biến đưa vào mô hình đều có giá trị Sig < 0.1 do đó ta có thể kết luận các biến này đều có đóng góp vào mô hình dự báo. Tuy nhiên như đã kiểm định ở ý nghĩa mô hình cho thấy bước 7 là bước đem lại mức độ phù hợp mô hình cao nhất nên ta chọn mô hình ở bước 7.
76
Ở đây nhờ sự hỗ trợ của phương pháp Stepwise trong lựa chọn các biến và phân tích sự phối hợp giữa các biến để thoả mãn các điều kiện. Cụ thể như ta thấy ở bước 2, EATTA được đưa vào mô hình dự báo tuy nhiên đến bước 7 biến này bị loại khỏi mô hình do không phù hợp khi kết hợp với các biến còn lại.
4.4.2 Kiểm định hiện tượng đa cộng tuyến
Hiện tượng đa cộng tuyến là hiện tượng các biến độc lập đưa vào mô hình có quan hệ tuyến tính với nhau. Khi đa cộng tuyến xảy ra sẽ dẫn đến sự sai lệch trong kết quả đánh giá mức độ phù hợp của mô hình, đồng thời ảnh hưởng đến sai lệch trong ước lượng các giá trị . Do đó việc kiểm định đa cộng tuyến là cần thiết để đảm bảo tính chính xác trong các ước lượng của mô hình.
Có nhiều cách kiểm định đa cộng tuyến tuy nhiên kiểm định dễ sử dụng và đáng tin cậy là dựa trên hệ số VIF bằng cách xem xét kết quả hồi quy tuyến tính của các biến trong mô hình. Kết quả kiểm định hiện tượng đa cộng tuyến được trình bày trong bảng 4.8.
Bảng 4.8. Kiểm định đa cộng tuyến giữa các biến trong mô hình dự báo
Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std.
Error Beta Tolerance VIF
(Constant) ,841 ,134 6,256 ,000
TL/METL ,012 ,008 ,230 1,393 ,167 ,435 2,298
CLCA -,227 ,111 -,289 -2,038 ,045 ,592 1,690
REME ,035 ,044 ,123 ,795 ,429 ,495 2,022
REFA -,020 ,067 -,036 -,293 ,770 ,781 1,281
a. Dependent Variable: CATA
Nguồn: Tính toán và tổng hợp của tác giả
Bảng 4.8 trình bày kết quả hồi quy tuyến tính giữa các biến. Ở đây ta không quan tâm đến kết quả của hồi quy này mà quan sát giá trị VIF giữa các biến. VIF hay hệ số phóng đại của mô hình giữa các biến đều < 10. Như vậy ta kết luận không xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập trong mô hình. Hay nói khác hơn, các biến đưa vào mô hình không có quan hệ tuyến tính với nhau. Do đó có cơ sở nhận định các giá trị được ước lượng một cách chính xác.
77
4.4.3 Đánh giá độ phù hợp của mô hình
Đối với các phương pháp nghiên cứu khác nhau thường có các kiểm định về mức độ phù hợp của mô hình khác nhau. Đối với phương pháp Binary Logistic người ta sử dụng kiểm định Hosmer và Lemeshow. Cụ thể kết quả kiểm định được trình bày trong bảng 4.9 bên dưới.
Bảng 4.9. Hosmer and Lemeshow Test Step Chi-square df Sig.
1 11,928 8 ,154 2 5,641 8 ,687 3 4,462 8 ,813 4 8,571 8 ,380 5 2,825 8 ,945 6 3,846 8 ,871 7 2,820 8 ,945
Nguồn: Tính toán và tổng hợp của tác giả
Bảng 4.8 thực hiện kiểm định Hosmer & Lemeshow là kiểm định sự phù hợp của mô hình. Nếu giá trị Sig của kiểm định này > 0.05 chúng ta có thể kết luận mô hình phù hợp và ngược lại. Trong trường hợp bài nghiên cứu này, giá trị Sig ở bước 7 là 0,945 như vậy ta có thể kết luận mô hình ta xây dựng phù hợp và có ý nghĩa thống kê.
Như vậy mô hình mới xây dựng thoả được các kiểm định về độ phù hợp của mô hình và cho thấy mô hình có khả năng giải thích được biến phụ thuộc nhằm dự báo nguy cơ phá sản cho doanh nghiệp.
78
4.5 Kết quả thống kê qua phương pháp phân tích Binary Logistic 4.5.1 Mức ý nghĩa của mô hình 4.5.1 Mức ý nghĩa của mô hình
Kiểm định mức ý nghĩa mô hình cho biết khả năng giải thích của các biến đối với mô hình xây dựng. Đối với đề tài này, mức ý nghĩa của mô hình cho biết các biến đưa vào có khả năng giải thích bao nhiêu cho mô hình dự báo phá sản.
Bảng 4.10. Kiểm định ý nghĩa mô hình Step -2 Log
likelihood
Cox & Snell R Square Nagelkerke R Square 1 85,290a ,310 ,413 2 77,469b ,371 ,495 3 70,542b ,421 ,561 4 62,653c ,473 ,631 5 57,584d ,504 ,672 6 51,602d ,538 ,717 7 54,072d ,524 ,699
Nguồn: Tính toán và tổng hợp của tác giả
Bảng 4.10 trình bày mức ý nghĩa của mô hình. Gía trị này có ý nghĩa tương tự với R2 trong hồi quy bội. Tuy nhiên khác với hồi quy bội thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu - 2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. Trong đó -2LL càng nhỏ thì độ phù hợp của mô hình càng cao. Ở đây ta thấy bước 8 là bước có hệ số -2LL tương đối thấp trong các bước (54,072).
Ta tiếp tục xem xét giá trị Cox & Snell R square cho thấy khả năng giải thích của mô hình. Ở bước 7 kết quả mô hình đạt tối ưu với giá trị là 0,524. Như vậy ta thấy các biến đưa vào có khả năng giải thích 52,4% mô hình. Hệ số Nagelkerke R Square thường có giá trị cao hơn Cox & Snell R square. Ở đây giá trị này là 0,669 điều ngày có nghĩa là có mối quan hệ mạnh xấp xĩ 69,9% giữa các biến dự báo và mô hình dự báo. Ở đây khả năng giải thích mô hình trên cả
79
hai chỉ số Cox & Snell R square và Nagelkerke R Square đều hơn 50%. Như vậy nhìn chung khả năng giải thích của mô hình xây dựng khá tốt và giải thích được phần lớn ý nghĩa của hiện tượng phá sản trên thị trường Việt Nam trên một số lượng biến khá phù hợp là 5 biến thay vì 9 biến như trong mô hình O-Score.
Cũng cần nói thêm trong mô hình hồi quy Binary Logistic cũng như các mô hình phân loại khác thì các kiểm định ý nghĩa mô hình chỉ mang tính tham khảo. Chỉ tiêu phản ánh tính phù hợp của mô hình chính là khả năng dự báo của mô hình đó.
4.5.2 Hàm dự báo và ngưỡng phá sản
Bảng 4.11. Các biến trong mô hình ( Trích gọn bảng 4.8)
B S.E. Wald df Sig. Exp(B)
Step 7 CATA 6,960 2,627 7,017 1 ,008 1053,752 TL/METL -8,814 3,050 8,352 1 ,004 ,000 CLCA 3,247 1,289 6,351 1 ,012 25,725 REME -2,317 1,310 3,128 1 ,077 ,099 REFA -4,628 2,078 4,958 1 ,026 ,010 Constant -1,918 1,494 1,649 1 ,199 ,147
Nguồn: Tính toán và tổng hợp của tác giả
Ngoài việc thống kê kết quả kiểm định Wald đối với các biến tham gia vào mô hình thì bảng 4.11 còn cho biết trọng số 1, 2,...,n trong mô hình dựa vào kết quả cột B. Như vậy ta có thể xây dựng được hàm dự báo phá sản đề xuất như sau:
6,960 8,814 / 3, 247 2,317 4, 628 1,918
PS CATA TL METL CLCA REME REFA
Trong đó:
PS: Hàm dự báo phá sản đề xuất
CATA: Tài sản ngắn hạn/ Tổng tài sản
80
CLCA: Nợ NH/ Tài sản ngắn hạn
REME: Lợi nhuận giữ lại/Giá trị thị trường VCSH
REFA: Lợi nhuận giữ lại/Tài sản cố định
Từ kết quả mô hình ta cho thấy 3 chỉ tiêu TL/METL, REME, REFA đều góp phần giảm thiểu nguy cơ phá sản của doanh nghiệp. Trong khi đó các biến CATA, CLCAtăng sẽ làm gia tăng nguy cơ phá sản của doanh nghiệp. Trong đó xét về trọng số biến có tác động lớn đến mô hình là 2 biến CATA và TL/METL. Ngoài ra từ hàm hồi quy Binary Logistic ta có thể ứng dụng để dự báo xác suất của trường hợp phá sản doanh nghiệp dựa trên hàm sau:
Theo đó giá trị pps càng lớn thì nguy cơ phá sản doanh nghiệp càng tăng. Cụ thể ở ngưỡng pps > 0,5 ta kết luận doanh nghiệp có nguy cơ phá sản cao, pps 0,5 ta kết luận doanh nghiệp chưa có nguy cơ phá sản.
4.5.3 Kết quả thống kê dự báo của mô hình
Bảng 4.12. Thống kê kết quả dự báo 1 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
Step 1 TINH TRANG Hoat dong 38 4 90,5 Pha san 14 28 66,7 Overall Percentage 78,6 Step 2 TINH TRANG Hoat dong 35 7 83,3 Pha san 13 29 69,0 Overall Percentage 76,2 1 PS PS PS e p e
81 Observed Predicted TINH TRANG Percentage Correct Hoat dong Pha san
Step 3 TINH TRANG Hoat dong 36 6 85,7 Pha san 13 29 69,0 Overall Percentage 77,4 Step 4 TINH TRANG Hoat dong 37 5 88,1 Pha san 11 31 73,8 Overall Percentage 81,0 Step 5 TINH TRANG Hoat dong 37 5 88,1 Pha san 10 32 76,2 Overall Percentage 82,1 Step 6 TINH TRANG Hoat dong 38 4 90,5 Pha san 9 33 78,6 Overall Percentage 84,5 Step 7 TINH TRANG Hoat dong 38 4 90,5 Pha san 10 32 76,2 Overall Percentage 83,3
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
Xem xét bảng 4.12 ta quan tâm đến kết quả phân loại của mô hình. Ta có thể thấy kết quả dự báo tổng thể của mô hình tăng dần từ mức 78,6% ở bước 1 lên đến 83,3% ở bước 7 sau khi thực hiện Stepwise.
Như đã trình bày trong bài nghiên cứu lựa chọn bước 7 là mô hình chính thức sử dụng. Trong đó khả năng dự báo doanh nghiệp khoẻ mạnh là 38/42 trường hợp với tỷ lệ 90,5%. Khả năng dự báo đối với doanh nghiệp phá sản là 32/42 trường hợp chiếm tỷ lệ 76,2%. Rõ ràng mô hình mới xây dựng cho khả
82
năng dự báo cao hơn so với mô hình O-Score khi ứng dụng trên thị trường Việt Nam.
Đánh giá khả năng dự báo 2 năm trước phả sản:
Ta tiến hành sử dụng mô hình đã xây dựng trên tiến hành đi kiểm định trên giai đoạn 2 năm trước phá sản nhằm đánh giá khả năng dự báo của mô hình xây dựng trên khoảng thời gian dài. Cho thấy trong trường hợp 2 năm trước phá sản khả năng dự báo tổng thể giảm xuống còn 80,95% trong đó khả năng dự báo chính xác nhóm doanh nghiệp khoẻ mạnh là 69,05% và đối với nhóm doanh nghiệp phá sản là 92,85%. Điều này cho thấy trong giai đoạn 2 năm mô hình vẫn đảm bảo được khả năng dự báo phá sản tuy nhiên đối với nhóm doanh nghiệp khoẻ mạnh thì tính chính xác trong dự báo kém đi. Đây cũng là điều dễ hiểu. Tuy nhiên mức khả năng dự báo tổng thể nhìn chung tốt
Bảng 4.13. Thống kê kết quả dự báo 2 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
TINH TRANG
Hoat dong 29 13 69,05
Pha san 39 3 92,85
Overall Percentage 80,95%
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
Đánh giá khả năng dự báo 3 năm trước phả sản:
Ta tiến hành sử dụng mô hình đã xây dựng trên tiến hành đi kiểm định trên giai đoạn 3 năm trước phá sản nhằm đánh giá khả năng dự báo của mô hình xây dựng trên khoảng thời gian dài. Cho thấy trong trường hợp 3 năm trước phá sản khả năng dự báo tổng thể là 72,62% trong đó khả năng dự báo chính xác nhóm doanh nghiệp khoẻ mạnh là 64,29% và đối với nhóm doanh nghiệp phá sản là 80,95% (Bảng 4.15). Điều này cho thấy trong dài hạn mô hình dự báo cho tỷ lệ
83
dự báo chính xác dao động trong khoảng 80%. Xét trong giai đoạn kinh tế có nhiều bất ổn chính thì một khả năng dự báo tổng thể như vậy là khá tốt. Song với một số mô hình khác trên thế giới thì tỷ lệ dự báo này chưa thật sự là một mức dự báo cao.
Bảng 4.14. Thống kê kết quả dự báo 3 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
TINH TRANG
Hoat dong 27 15 64,29
Pha san 8 34 80,95
Overall Percentage 72,62
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
4.6 Kiểm định khả năng dự báo trên nhóm doanh nghiệp mới
Việc kiểm định khả năng dự báo của mô hình trên chính nhóm biến của mô hình đó đôi khi làm cho tỷ lệ dự báo được đánh. Do đó để đánh giá lại tính ứng dụng của mô hình ở phần này tác giả tiến hành kiểm định khả năng dự báo của mô hình trên một nhóm các công ty bị huỷ niêm yết trong giai đoạn 6 tháng đầu năm 2014 từ đó đánh giá khả năng dự báo của mô hình.
Ở nội dung trước, luận văn đã kiểm định trên kết quả 1, 2 và 3 năm trước phá sản. Do đó việc kiểm định ở đây chỉ mang tính tham khảo thêm nhằm đánh giá lại kết quả nghiên cứu do đó không đòi hỏi bộ mẫu kiểm định lớn vì vậy tác giả sử dụng bộ mẫu gồm 10 công ty huỷ niêm yết bất kỳ trong giai đoạn 6 tháng đầu năm 2014 và 10 công ty khoẻ mạnh bất kỳ cũng trong giai đoạn này để tiến hành đánh giá. Kết quả dự báo được thể hiện trong bảng 4.15.
84
Bảng 4.15. Thống kê khả năng dự báo trên nhóm doanh nghiệp năm 2014 TÌNH TRẠNG STT MÃ NY HỆ SỐ Z XÁC SUẤT PHÁ SẢN DỰ BÁO NHÓM PHÁ SẢN 1 SJM 4,163 98,47% phá sản