3. DỮ LIỆU VÀ PHƢƠNG PHÁP NGHIÊN CỨU
3.2.2 Các phƣơng pháp phân tích dữ liệu
Quá trình phân tích dữ liệu gồm ba bƣớc:
Phân tích mối tƣơng quan:
Phân tích mối tƣơng quan nhằm phân tích mối quan hệ giữa các nhân tố giải thích trong mô hình. Phƣơng pháp này dựa vào ma trận tƣơng quan. Nếu hai hay nhiều nhân tố tƣơng quan với nhau thì mô hình xuất hiện hiện tƣợng đa cộng tuyến và có thể làm kết quả nghiên cứu bị sai lệch. Vì vậy, ta cần phải loại bỏ mối quan hệ giữa các nhân tố nếu nó xảy ra.
Kiểm định tính dừng:
Trƣớc khi sử dụng các biến độc lập để xây dựng mô hình, ta cần phải đảm bảo các biến này có tính dừng. Một biến độc lập đƣợc xem là có tính dừng nếu kỳ vọng, phƣơng sai và hiệp phƣơng sai không đổi theo thời gian. Việc xác định tính dừng của các biến độc lập rất quan trọng vì nếu chúng không dừng thì sẽ làm hạn chế khả năng phân tích khi áp dụng các phƣơng pháp hồi quy thông thƣờng.
Sử dụng phƣơng pháp nghiệm đơn vị để kiểm định tính dừng. Dickey- Fuller đƣa ra tiêu chuẩn kiểm định giả thiết nhƣ sau:
H0: p = 1: chuỗi không dừng
H1: p ≠ 1: chuỗi dừng
Từ đó, để kiểm định H0, ta so sánh giá trị thống kê t tính đƣợc với giá trị thống kê t
của bảng DF. Nếu giá trị tuyệt đối của thống kê t lớn hơn giá trị t trong bảng DF thì bác bỏ giả thuyết H0.
Phân tích hồi quy:
Trong bài nghiên cứu của Fama- French (1993) và của Long Chen- Lu Zhang (2010), các tác giả sử dụng hồi quy theo chuỗi thời gian để kiểm định khả năng giải thích của các nhân tố đối với tỷ suất sinh lợi.
Theo Fama- French (1993), hồi quy theo chuỗi thời gian rất thuận tiện cho việc nghiên cứu hai vấn đề quan trọng trong định giá tài sản:
- Các phép hồi quy chuỗi thời gian đƣa ra bằng chứng trực tiếp về vấn đề: nếu tài sản đƣợc định giá hợp lý, những biến ảnh hƣởng đến TSSL nhƣ: quy mô (ME) và BE/ME thay thế cho độ nhạy cảm với các nhân tố rủi ro thông thƣờng của TSSL.
- Các phép hồi quy chuỗi thời gian sử dụng TSSL vƣợt trội nhƣ là các biến phụ thuộc.
Mô hình hồi quy theo chuỗi thời gian sử dụng phƣơng pháp bình phƣơng bé nhất thông thƣờng – OLS và thực hiện cho từng danh mục đầu tƣ. Tuy nhiên, việc đƣa vào mô hình cùng lúc nhiều nhân tố sẽ rất khó đánh giá mức độ ảnh hƣởng của từng nhân tố lên mô hình nên tôi sẽ áp dụng phƣơng pháp chọn từng bƣớc để lần lƣợt đƣa các biến có ý nghĩa vào mô hình và loại bỏ những biến không có ý nghĩa.
- Bước 1: Hồi quy 1 nhân tố - nhân tố thị trƣờng.
ri – rf = a + b(rm – rf) + Ԑ (3.11)
- Bước 2: Hồi quy 3 nhân tố - nhân tố thị trƣờng, nhân tố quy mô và nhân tố giá trị.
ri – rf = a + b(rm – rf) + s.SML + h.HML + Ԑ (3.12)
- Bước 3: Hồi quy 2 nhân tố - nhân tố đầu tƣ và nhân tố tỷ suất sinh lợi trên tài sản.
ri – rf = a + k.rINV + g.rROA + Ԑ (3.13)
- Bước 4: Hồi quy 3 nhân tố - nhân tố thị trƣờng, nhân tố đầu tƣ và nhân tố tỷ suất sinh lợi trên tài sản.
ri – rf = a + b(rm – rf) + k.rINV + g.rROA + Ԑ (3.14)
- Bước 5: Hồi quy cả 5 nhân tố - nhân tố thị trƣờng, nhân tố quy mô, nhân tố giá trị, nhân tố đầu tƣ và nhân tố tỷ suất sinh lợi trên tài sản.
ri – rf = a + b(rm – rf) + s.SML + h.HML + k.rINV + g.rROA + Ԑ (3.15)
ri – rf : tỷ suất sinh lợi vƣợt trội của danh mục tài sản i.
rm – rf : nhân tố thị trƣờng.
SMB : nhân tố quy mô.
HML : nhân tố giá trị.
rINV : nhân tố đầu tƣ.
rROA : nhân tố tỷ suất sinh lợi trên tài sản.
a : hệ số chặn.
b, s, h, k, g : hệ số hồi quy của các nhân tố.
Ԑ : sai số.