Để đánh giá tác động của cơ cấu vốn lên hiệu quả hoạt động của ngân hàng, nhóm tác giả Muhammad Saeed Muzaffa, Ammar Ali Gull, Muhammad Yasran Rashee sử dụng một mô hình nghiên cứu bao gốm 05 biến độc lập bao gồm: Tỷ lệ nợ dài hạn trên tổng vốn (LTDTC), tỷ lệ nợ ngắn hạn trên tổng vốn (STDTC), tỷ lệ nợ trên tổng vốn (TDTC), quy mô ngân hàng (SIZE), tốc độ tăng trưởng tài sản (AG). Với các biến phụ thuộc dùng để đánh giá hiệu quả hoạt động bao gồm 3 biến là: Lợi nhuận trên vốn chủ sở hữu (ROE), lợi nhuận trên tổng tài sản (ROA), thu nhập trên mỗi cổ phiếu (EPS). Dựa trên mô hình gốc của nhóm tác giả trên, do đặc trưng yêu cầu trình bày báo cáo tài chính của các ngân hàng thương mại Việt Nam, việc phân biệt
37 | T r a n g
thời hạn nguồn vốn là rất khó khăn. Tác giả đề xuất mô hình nghiên cứu nhằm đánh giá ảnh hưởng của cơ cấu vốn đến kết quả hoạt động của ngân hàng như sau:
Mô hình tổng quát: Yit = α + βXit + µit Trong đó: Yit : Biến độc lập. Xit : Biến phụ thuộc. µit : Hệ số nhiễu i : Số thứ tự ngân hàng. t : Thời gian. Mô hình cụ thể:
ROA = α + β1TD + β2STD+ β3LTD + β4CTD + β5SIZE + β6GROWTH + Є ROE = α + β1TD + β2STD+ β3LTD + β4CTD + β5SIZE + β6GROWTH + Є
Bảng 3.1: Các biến giải thích trình bày trong nghiên cứu
STT Ký hiệu
biến Tên biến Cách tính
Nguồn số liệu
1 ROA Tỷ lệ LN trên TTS LN sau thuế/Tổng tài sản BCTC 2 ROE Tỷ lệ LN trên VCSH LN sau thuế/VCSH BCTC 3 TD Tỷ lệ nợ trên TTS Tổng nợ/Tổng tài sản BCTC 4 CTD Tỷ lệ NVHĐ từ KH trên TTS TGKH/VCSH BCTC 5 LTD Tỷ lệ nguồn vốn từ vay nợ các TCTD khác trên TTS Tiền vay từ các tổ chức tín dụng khác/TTS BCTC 6 STD Tỷ lệ nguồn từ phát hành các
loại giấy tờ có giá trên TTS
Tiền từ phát hành các loại
giấy tờ có giá/TTS BCTC 7 SIZE Quy mô ngân hàng Log (Tổng tài sản) BCTC 8 GROWTH Tốc độ tăng trưởng TTS năm n/năm n-1 BCTC
(Nguồn: Theo tổng hợp c a tác giả)
3.5. Phƣơng pháp nghiên cứu
3.5.1. Phƣơng pháp nghiên cứu chung
3.5.1.1. Mô hình hồi quy tuyến tính ội
Để nghiên cứu tác động của cơ cấu vốn đến kết quả hoạt động của các ngân hàng thương mại, nghiên cứu này đề xuất sử dụng các phương pháp thông qua công tác nghiên cứu trước đây về vấn đề này. Theo các nghiên cứu khác đã thảo luận các mối quan hệ, khái niệm chung, nghiên cứu này được thực hiện dựa trên phương pháp tổng hợp và phân tích dữ liệu thu thập từ các nguồn thứ cấp kết hợp với sử dụng kỹ thuật
38 | T r a n g
định lượng với công cụ Eview 7. Các dữ liệu được phân tích thông qua thống kê mô tả, ma trận tương quan và các mô hình hồi quy.
Phân tích hồi quy đề cập đến việc nghiên cứu sự phụ thuốc của một biến – “biến phụ thuộ ” vào một hay nhiều biến số khác-“b ế độc lập” nhằm mục đích ước lượng hoặc tiên đoán giá trị kỳ vọng của biến phụ thuộc khi biết trước giá trị của biến độc lập. Dạng đơn giản nhất của một mô hình hồi quy chứa một biến phụ thuộc (còn gọi là "biến đầu ra," "biến nội sinh," "biến được thuyết minh") và một biến độc lập đơn (còn gọi là "hệ số," "biến ngoại sinh", "biến thuyết minh"). Mô hình hồi quy bội là mô hình mở rộng của mô hình hồi quy tuyến tính hai biến bằng cách thêm vào một số biến độc lập. Mô hình biến độc lập để giải thích tốt hơn cho iến phụ thuộc có dạng như sau:
Trong đó:
o Ký hiệu Yi biểu hiện cho giá trị của biến phụ thuộc thứ i.
o Ký hiệu Xpi biểu hiện giá trị của biến độc lập thứ p tại quan sát thứ i.
o Các hệ số βk được gọi là hệ số hồi quy riêng phần (Partial regression coefficients), vì sao chúng được gọi như vậy bạn sẽ được giải thích ở phần sau.
o Thành phần là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung ình là 0 và phương sai không đổi .
Ví dụ như trong mô hình nghiên cứu tác động của cơ cấu vốn lên kết quả hoạt động của các ngân hàng thương mại cổ phần Việt Nam trong giai đoạn 2009 đến 2013, biến phụ thuộc (Yi) là các chỉ số đánh giá kết quả hoạt động của các ngân hàng thương mại như: Tỷ suất sinh lời trên tổng tài sản (ROA), tỷ suất sinh lời trên vốn chủ sỡ hữu (ROE). Các biến độc lập (Xi) là tỷ lệ tổng nợ trên tổng tài sản (TD), tỷ lệ nguồn vốn từ vay nợ các ngân hàng và tổ chức tín dụng khác trên tổng tài sản (LTD), tỷ lệ nguồn vốn từ phát hành các loại giấy tờ có giá trên tổng tài sản (STD), tỷ lệ nguồn vốn huy động từ khách hàng trên tổng tài sản (CTD), tốc độ tăng trưởng của tổng tài sản (GROWTH) và quy mô của ngân hàng thương mại (SIZE).
39 | T r a n g
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ ản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả và thống kê suy luận cùng cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ ản của mô tả dữ liệu.
3.5.1.3. Ma trận tương quan (adsbygoogle = window.adsbygoogle || []).push({});
Mục đích của việc thiết lập ma trận tương quan là ước lượng mức độ liên hệ (tương quan) giữa các biến độc lập (các biến giải thích) đến biến phụ thuộc (biến được giải thích), hoặc ảnh hưởng của các biến độc lập với nhau (các yếu tố nguyên nhân).
3.5.1.4. Phân tích hồi quy
Mục tiêu phân tích của mô hình này là xét mối liên hệ tuyến tính giữa một hay nhiều biến độc lập Xi (Xi: còn được gọi là biến giải thích) đến một biến phụ thuộc (Y: biến được giải thích).
Mục đích của đa số các nghiên cứu thực nghiệm trong kinh tế là giải thích mối quan hệ giữa một biến phụ thuộc Y, theo một hay nhiều biến giải thích (X1, X2, …, Xk). Để làm điều này, đó là sự tác động của Xi lên Y như thế nào, cả chiều hướng lẫn độ lớn của tác động. Trả lời câu hỏi này, chúng ta phải thu thập mẫu để có được kết quả ước lượng không chệch tác động của X lên Y. Để kết quả ước lượng là không thiên chệch đòi hỏi chúng ta phải kiểm soát các biến nhiễu, cả các biến quan sát được lẫn các biến không quan sát được. Đối với các biến nhiễu quan sát được, chúng ta có thể sử dụng mô hình hồi quy tuyến tính đa iến cổ điển. Đối với các biến nhiễu không quan sát được, tuỳ vào đặc điểm khác nhau giữa các đối tượng và thời gian mà chúng ta lựa chọn mô hình hồi quy tác động cố định hay tác động ngẫu nhiên. Cả hai mô hình hồi quy này đòi hỏi chúng ta phải sử dụng dữ liệu bảng.
Mô hình hồi tác động cố định (Fixed-effects) và tác động ngẫu nhiên (random- effects) được sử dụng trong phân tích dữ liệu ảng (đôi khi còn được gọi là dữ liệu dài: longitudinal data). Dữ liệu ảng là sự kết hợp của dữ liệu chéo (cross-section) và dữ liệu thời gian (time series). Để thu thập dữ liệu ảng, chúng ta phải thu thập nhiều đối tượng (units) giống nhau trong cùng một hoặc nhiều thời điểm. Chẳng hạn, chúng ta
40 | T r a n g
có thể thu thập các dữ liệu của cùng các cá nhân, công ty, trường học, thành phố, quốc gia… trong giai đoạn từ năm 2010 đến 2014. Trong trường hợp nghiên cứu này, dữ liệu được thu thập ao gồm dữ liệu của 24 ngân hàng thương mại cổ phần đang hoạt động tại Việt Nam, trong khoảng thời gian từ năm 2009 đến năm 2013.
Sử dụng dữ liệu ảng có hai ưu điểm lớn như: Dữ liệu ảng cho các kết quả ước lượng các của tham số trong mô hình tin cậy hơn; Dữ liệu ảng cho phép chúng ta xác định và đo lường tác động mà những tác động này không thể được xác định và đo lường khi sử dụng sử dụng chéo hoặc dữ liệu thời gian.
3.5.2. Các giả định đối với phân tích hồi quy tuyến tính đa biến
Hàm hồi quy tổng thể:
Trong đó:
Ylà biến phụ thuộc
X1,X2…Xk là các biến độc lập
Ui là các sai số ngẫu nhiên
βk là hệ số tự do
β1, β2… βk là các hệ số hồi quy riêng
Giả thiết 1: Không có iến độc lập nào là hằng số, không tồn tại các môi liên hệ tuyến tính hoàn toàn chính xác giữa các iến độc lập (không ngẫu nhiên).
Giả thiết 2: Các sai số ngẫu nhiên Ui có giá trị trung ình ằng 0 và có phương sai không đổi.
E(Ui|X) = 0 Var(Ui|X) =
Giả thiết 3: Không có sự tương quan giữa các sai số Ui Cov(Ui, Uj|X) = 0, i ≠ j
Giả thiết 4: Không có hiện tượng đa cộng tuyến giữa các iến độc lập
Giả thiết 5: Không có tương quan giữa các iến độc với các sai số ngẫu nhiên Ui
Cov(U,|X) = 0
3.5.3. Kiểm định giả thiết về tính độc lập của sai số (hiện tƣợng tự tƣơng quan)
41 | T r a n g
3.5.3.1. Khái niệm tự tương quan
Thuật ngữ tự tương quan có thể được định nghĩa như là “quan hệ tương quan giữa các thành viên của chuỗi của các quan sát được sắp xếp theo thời gian [như trong dữ liệu chuỗi thời gian] hoặc không gian [như trong dữ liệu chéo].” ( Maurince G. Kendall và William R. Buckland, Từ điển thuật ngữ thống kê, Hafner Publishing Company, NewYork, 1971, trang 8.)
Tự tương quan (Autocorrelation) là hiện tượng có sự tương quan giữa các quan sát trong cùng bảng số liệu.
Cov(Ui, Uj|X) ≠ 0, i ≠ j (adsbygoogle = window.adsbygoogle || []).push({});
Hình 3.2: Một số dạng đồ thị có tự tương quan
Giả định về sai số thực ξi cho nó là biến ngẫu nhiên, độc lập, có phân phối chuẩn với trung bình bằng 0 và phương sai không đổi . “Độc lập” ở đây ẩn ý rằng giữa các phần dư không có mối tương quan. Khi dữ liệu được thu thập và ghi chép một cách tuần tự, theo chuỗi thời gian thì giả định này càng dễ bị vi phạm. Ngay cả khi thời gian không phải là một biến trong mô hình, nó cũng có thể ảnh hưởng đến phần dư.
Ví dụ, nếu chúng ta nghiên cứu kết quả hoạt động của một ngân hàng (ROA, ROE) phụ thuộc vào cơ cấu vốn, hay các yếu tố như quy mô tổng tài sản, tốc độ tăng của tổng tài sản, thì ngoài những yếu tố này, thì các yếu tố kinh tế vĩ mô như tăng trưởng kinh tế, lạm phát, lãi suất cơ ản hay các yếu tố vi mô như: Chất lượng nguồn nhân lực, thương hiệu …. Cũng sẽ tác động đến lợi nhuận của các Ngân hàng thương mại. Nếu chúng ta đưa lên đồ thị phần dư chuẩn hóa tương ứng với thứ tự doanh nghiệp được xếp hạng, chúng ta sẽ thấy những doanh nghiệp được xếp hạng đầu tiên có thể không chính xác như những doanh nghiệp được xếp hạng sau đó. Tính chất này được gọi là tương quan chuỗi (Serial Correlation). Nếu trình tự doanh nghiệp được xếp
42 | T r a n g
hạng theo thời gian và phần dư độc lập với nhau thì chúng ta sẽ không thấy một kiểu biến thiên rõ ràng nào trên đồ thị.
3.5.3.2. Nguyên nhân của tự tương quan
Nguyên nhân khách quan
Do quán tính của số liệu: Nét nổi bật của hầu hết các chuỗi thời gian trong kinh tế là quán tính. Chúng ta đều biết các chuỗi thời gian như tổng sản phẩm, chỉ số giá, thất nghiệp mang tính chu kỳ. Chẳng hạn nếu chúng ta ở đầu của thời kỳ khôi phục kinh tế thì tổng sản phẩm có xu hướng đi lên. Vì vậy trong hồi quy của chuỗi thời gian, các quan sát kế tiếp đó có nhiều khả năng phụ thuộc lẫn nhau.
Do hiện tượng mạng nhện: dãy số cung về sản phẩm năm nay phụ thuộc vào giá cả năm trước dẫn đến các sai số không còn ngẫu nhiên nữa.
Do độ trễ của số liệu: chẳng hạn khi nghiên cứu mối quan hệ giữa tiêu dùng và thu nhập, ta thấy rằng tiêu dùng ở thời kỳ hiện tại chẳng những phụ thuộc vào thu nhập hiện tại mà còn phụ thuộc vào tiêu dùng ở thời kỳ trước đó
Nguyên nhân chủ quan
Xử lý số liệu: Trong phân tích thực nghiệm, số liệu thô thường được xử lý. Trong hồi quy chuỗi thời gian gắn với các số liệu quý, các số liệu quý này thường được suy ra từ số liệu tháng. Chính việc lấy trung ình làm trơn các số liệu và làm giảm sự dao động trong số liệu tháng. Chính sự làm trơn này gây ra tự tương quan.
Sai lệch do lập mô hình: do bỏ sót biến hoặc do dạng hàm sai.
Nội suy và ngoại suy số liệu: Điều tra dân số thực hiện từng 10 năm trong một nước này, lần cuối cùng trong năm 1990 và lần trước đó vào năm 1980. Bây giờ nếu cần thu dữ liệu cho một năm nào đó trog giai đoạn giữa các kỳ điều tra 1980-1990, thông thương trên thực tế người ta nội suy trên cơ sở các giả định đặc biệt nào đó. Tất cả mọi kỹ thuật “xoa óp” dữ liệu như vậy có thể gắn vào dữ liệu một dạng có hệ thống mà không thể tồn tại trong dữ liệu gốc.
3.5.3.3. Hậu quả của tự tương quan
Ước lượng ình phương nhỏ nhất thông thường không phải là ước lượng tuyến tính không chệch tốt nhất nữa.
43 | T r a n g
Phương sai ước lượng được của các ước lượng ình phương nhỏ nhất thông thường là chệch và thông thường là thấp hơn giá trị thực của phương sai. Do đó giá trị của thông kê T được phóng đại lên nhiều lần.
Các kiểm định t và F không còn đáng tin cậy nữa. R2 là độ đo không đáng tin cậy của R2 thực
3.5.3.4. Phát hiện tự tương quan
Có nhiều phương pháp để phát hiện tự tương quan như: Phương pháp đồ thị, Phương pháp Dur in – Watson, Phương pháp Breusch – Godfrey (BG test)
Trong luận văn này tác giả đề cập chi tiết đến phương pháp Dur in – Watson.
Điều kiện áp dụng phương pháp Dur in – Watson:
Có nhiều hơn 15 quan sát
Không có quan sát bị mất
Chỉ kiểm định tự tương quan ậc nhất
Nếu sai số Ut chỉ tương quan với Ut-1 (sai số 1 kỳ trước đó) thì ta có tự tương quan bậc nhất kỳ hiệu AR(1).
Phương trình tự tương quan bậc nhất như sau:
Trong đó: (adsbygoogle = window.adsbygoogle || []).push({});
: hệ số tự tương quan
: sai số ngẫu nhiên không còn tự tương quan
Giả thuyết khi tiến hành kiểm định như sau với độ tin cậy (1-α): H0 : ρ = 0 (không có tự tương quan ậc nhất)
H1 : ρ ≠ 0 (có tự tương quan ậc nhất)
Các ước kiểm định như sau:
Bước 1: Đại lượng thống kê Durbin – Watson (d) được tính theo công thức:
∑ ∑
Đại lượng d có giá trị biến thiên trong khoảng từ 0 đến 4. Nếu các phần dư không có tương quan chuỗi bậc nhất với nhau, giá trị d sẽ gần bằng 2. Giá trị d thấp (và nhỏ hơn 2) có nghĩa là các phần dư gần nhau có tương quan thuận. Giá trị d lớn hơn 2 (và gần 4) có nghĩa là các phần dư có tương quan nghịch.
44 | T r a n g
Bước 2: Tra bảng thống kê Durbin – Watson với mức ý nghĩa α, số quan sát n và số biến độc lập k để tìm dU và dL
Bước 3: Tuân theo các nguyên tắc quyết định cho trong bảng 3.2 chúng ta có thể đưa ra kết luận
Bảng 3.2: Kiểm định Durbin-Watson d : Các qui tắc kinh nghiệm
Giả thiết không Quyết định Nếu
Không có tự tương quan đồng biến Bác bỏ 0 < d < dL Không có tự tương quan đồng biến Không quyết định dL <= d <= dU Không có tương quan nghịch biến Bác bỏ 4-dL < d < 4 Không có tương quan nghịch biến Không quyết định 4-dU <= d <= 4-dL Không có tự tương quan, đồng biến
hoặc nghịch biến
Không bác bỏ dU < d < 4 – dL
(Nguồn: Chương trình Giảng dạy Kinh tế Fulbright, Hiệu đính Cao Hào Thi)
Nhược điểm của phương pháp Dur in – Watson:
Có hai vùng không quyết định được
Khi n lớn, không có bảng tra hoặc có những kết quả mâu thuẫn 3.5.3.5. Khắc phục tự tương quan
Dùng ước lượng với ma trận Newey – West
Hình 3.3: Ước lượng với ma trận Newey – West trong Eviews 7.0