Phân tích tương quan Pearson được thực hiện giữa các biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả của phân tích hồi quy như gây ra hiện tượng đa cộng tuyến. Cụ thể, trong bài nghiên cứu này chúng ta sẽ nghiên cứu mối tương quan giữa biến phụ thuộc - Phần bù rủi ro danh mục đầu tư ( Ri-Rf) và các biến độc lập: phần bù rủi ro thị trường (Rm-Rf), quy mô công ty (SMB) và giá trị (HML).
Trang 31
Bảng 3.3: Ma trận tương quan Correlations
RiRf RmRf SMB HML
RiRf Pearson Correlation 1 0.795** -0.437** 0.179**
Sig. (2-tailed) 0.000 0.000 0.000 N 1244 1244 1244 1244 RmRf Pearson Correlation 0.795** 1 -0.412** 0.187** Sig. (2-tailed) 0.000 0.000 0.000 N 1244 1244 1244 1244 SMB Pearson Correlation -0.437** -0.412** 1 -0.439** Sig. (2-tailed) 0.000 0.000 0.000 N 1244 1244 1244 1244 HML Pearson Correlation 0.179** 0.187** -0.439** 1 Sig. (2-tailed) 0.000 0.000 0.000 N 1244 1244 1244 1244
**. Correlation is significant at the 0.01 level (2-tailed).
Nhìn vào ma trận hệ số tương quan giữa các biến độc lập và biến phụ thuộc tại bảng 3.2, chúng ta thấy trong số 3 biến độc lập thì biến rủi ro thị trường Rm - Rf là có tương quan mạnh nhất tới phần bù rủi ro cổ phiếu với hệ số tương quan lên tới 0.795 ở mức ý nghĩa 1% tương đương độ tin cậy 99%. Hai biến còn lại gồm SMB và HML có mối tương quan tương đối đối với biến Ri - Rf với hệ số tương quan lần lượt là -0.437 và 0.179 đều ở mức ý nghĩa 1% (hay độ tin cậy 99%). Mặt khác giá trị sig = 0.000 < 1% cho thấy kết quả phân tích tương quan có ý nghĩa thống kê (do kết quả phân tích tương quan có ý nghĩa ở mức 1%)
Ba hệ số tương quan này bước đầu đã phù hợp với những nghiên cứu trước đây cho rằng giữa biến thị trường, giá trị công ty và biến phần bù rủi ro danh mục có mối tương quan thuận trong khi biến quy mô có tương quan nghịch với biến phần bù rủi ro cổ phiếu. Giữa các biến độc lập cũng có mối tương quan khá cao dao động từ 0.179 đến 0.439. Thông
Trang 32
thường khi hệ số tương quan giữa các biến > 0.8 thì có thể xảy ra hiện tượng đa cộng tuyến. Tuy nhiên, điều này không đúng hoàn toàn. Theo kết quả phân tích tương quan, chúng ta thấy mối tương quan giữa các biến độc lập và biến phụ thuộc cũng như giữa các biến độc lập với nhau là khá cao vì thế chúng ta cũng cần quan tâm đến hiện tượng đa cộng tuyến khi phân tích hồi quy.
3.4 Kiểm định sự phù hợp của mô hình
R2 hiệu chỉnh được sử dụng làm thông số đo lường mức độ thích hợp của mô hình theo quy tắc R2 hiệu chỉnh tiến đến 1 thì mô hình càng thích hợp, R2 càng gần 0 thì mô hình càng kém phù hợp.
Tác giả thực hiện hồi quy tuyến tính theo phương pháp bình phương tối thiểu thông thường cho từng mô hình (Ordinary Least Square – OLS). Như đã trình bày phần chương 2, tác giả vẫn sử dụng phương pháp Stepwise kiểm định khi lần lượt cho từng nhân tố vào mô hình nghiên cứu. Tuy nhiên, theo kết quả hồi quy SPSS chạy ra được cho thấy hai mô hình còn lại sử dụng phương thức stepwise (sử dụng hai biến Rm - Rf và SMB, Rm - Rf và HML, SMB và HML) đều cho kết quả không quá khác biệt so với đưa cả ba biến vào trong mô hình để chạy hồi quy. Nên tác giả sẽ tập trung phân tích kết quả hồi quy khi đưa cả ba nhân tố vào mô hình.