Thống kê mô tả số liệu và tương quan biến: Thống kê mô tả và ma trận tương quan giữa các biến cho phép đánh giá sơ bộ về mức độ biến động, giá trị trung bình, trung vị của các biến được đưa vào mô hình cũng như mối quan hệ giữa các biến này với nhau.
* Giá trị thống kê Skewness và Kurtosis:
Hai hệ số này giúp hình dung về hình dáng của phân phối. Skewess là một đo lường mức độ lệch của phân phối còn gọi là hệ số bất đối xứng, khi:
Skewness = 0: phân phối cân xứng Skewness > 0: phân phối lệch phải Skewness < 0: phân phối lệch trái
Kurtosis là một địa lượng đo mức độ tập trung tương đối của các quan sát quan trung tâm của nó trong mối quan hệ so sánh với hai đuôi, khi:
Kurtosis = 3: phân phối tập trung ở mức độ bình thường.
Kurtosis > 3: phân phối tập trung hơn ở mức độ bình thường. Tuy nhiên hình dạng của đa giác tần số trông sẽ khá cao và nhọn với hai đuôi hẹp.
Kurtosis < 3: phân phối tập trung hơn mức độ bình thường nhưng hình dạng của đa giác tần số là một đa giác tù với 2 đuôi dài.
* Hệ số tương quan r
Ta có: Hệ số tương quan r
│r│<0.4: tương quan yếu
0.4 <│r│< 0.8: tương quan trung bình r│>0.8: tương quan mạnh
r<0 : tương quan ngược chiều r>0 : tương quan cùng chiều
* Kiểm định phân phối chuẩn của sai số ngẫu nhiên: (Kiểm định Jaque – Bera): Mục đích của kiểm định này là nhằm xem xét sai số ngẫu nhiên có phân phối chuẩn hay không.
Giả thiết:
H0: Sai số ngẫu nhiên có phân phối chuẩn.
H1: Sai số ngẫu nhiên không có phân phối chuẩn. Với mức ý nghĩa miền bác bỏ là:
JB>2(2)=5,9915
Chấp nhận H0: Sai số ngẫu nhiên có phân phối chuẩn. Bác bỏ H0: Sai số ngẫu nhiên không có phân phối chuẩn.
* Kiểm định nghiệm đơn vị:
Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian dừng hay không dừng.
Giả sử ta có phương trình hồi qui tự tương quan như sau: Yt=ρYt-1+ ut (-1≤ρ≤1) (3.1) Ta có các giả thiết:
H0: ρ =1( là chuỗi không dừng). H1: ρ <1( là chuỗi dừng).
Phương trình (3.1) tương đương với phương trình (3.2) sau đây: Yt – Y t-1=ρYt-1 - Y t-1+ut = (ρ-1)Y t-1 +ut
ΔY = δ Y t-1 +ut (3.2)
Như vậy các giả thiết ở trên có thể được viết lại như sau: H0: δ =0 (là chuỗi không dừng).
H1: δ<0 (là chuỗi dừng).
Dickey và Fuller cho rằng giá trị ước lượng của hệ số Yt-1 sẽ theo phân phối xác suất τ (taustatistic, τ =giá trị δ ước lượng/sai số của hệ số δ). Kiểm định thống kê τ còn được gọi là kiểm định Dickey–Fuller(DF). Kiểm định DF được ước lượng với 3 hình thức:
Khi Yt là một bước ngẫu nhiên không có hằng số: ΔY = δYt-1 + ut (3.3)
Khi Yt là một bước ngẫu nhiên có hằng số: ΔY = β1+ δ Yt-1 + ut (3.4)
Khi Yt là một bước ngẫu nhiên với hằng số xoay quanh một đường xu thế ngẫu nhiên: ΔY = β1+ β2 TIME + δYt-1 + ut (3.5)
Để kiểm định H0 ta so sánh giá trị thống kê τ tính toán với giá trị thống kê tra bảng DF. Tuy nhiên, do có thể có hiện tượng tương quan chuỗi giữa các ut do thiếu biến, nên người ta thường sử dụng kiểm định DF mở rộng là ADF (Augmented Dickey – FullerTest). Kiểm định này được thực hiện bằng cách đưa thêm vào phương trình (3.5) các biến trễ của sai phân biến phụ thuộc ΔYt:
ΔY = β1+ β2 TIME + δYt-1 +αiΔYt-1 + ut (3.6)
Kết quả nếu |τADF|<|τα| với α lần lượt tại các mức ý nghĩa thống kê. Ta kết luận chấp nhận giả thiết H0 tức chuỗi Y là không dừng và ngược lại.
Hồi quy mô hình theo phương pháp OLS :
Phương pháp OLS lần đầu tiên được giới thiệu bởi Gauss vào những năm cuối thế kỉ 18. Mô hình hồi quy tổng thể có dạng:
Y = β0 + β1i*Xi + μ
Trong đó:
Y: Biến phụ thuộc
Xi: Các biến độc lập trong mô hình β1i: Các hệ số hồi quy
β0: Hằng số
Hệ số xác định R2 trong mô hình được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để khẳng định khả năng mở rộng mô hình này áp dụng cho tổng thể.
Cụ thể để tiến hành kiểm định mức độ phù hợp của mô hình bằng tiêu chuẩn của kiểm định F, với mức ý nghĩa 5%, nếu P value (Sig F) > 5% bác bỏ H0 và ngược lại
H0: Mô hình không phù hợp H1: Mô hình phù hợp
Sau đó tác giả tiến hành kiểm định hệ số beta có ý nghĩa hay không (xem có tác động hay không?) với cặp giả thiết để xem xét các biến có tác động hay không.
Ho: β1 ,β2 = 0 H1: β1 , β2 ≠ 0
Với mức ý nghĩa 5%, nếu P value > 5% bác bỏ Ho và ngược lại.
Kiểm định các bệnh của mô hình:
* Kiểm định thừa biến: (Sử dụng tỷ lệ hàm hợp lý Likelihood Ratio-LR)
Kiểm định này nhằm phát hiện và loại bỏ những biến độc lập không cần thiết trong mô hình:
Xét 2 mô hình hồi qui:
- Mô hình không bị ràng buộc:
(U’): Yi,t=0+1X1i,t+2X2i,t+…+mXmi,t+…+kXki,t +i,t
- Mô hình bị ràng buộc:
(R’): Yi,t=0+1X1i,t+2X2i,t+…+mXmi,t+’i,t Giả thiết: H0: j = 0 (j{m+1, m+2,…, k})
H1: j 0
Với mức ý nghĩa miền bác bỏ là: F> F;(k-m,n-k) hay p-value <
Chấp nhận H0: Mô hình thừa biến hay các biến độc lập Xm+1, Xm+2,..., Xk không có tác động riêng phần đến biến phụ thuộc Y.
Bác bỏ H0: Các biến độc lập Xm+1, Xm+2,..., Xk có tác động riêng phần đến biến phụ thuộc Y.
* Kiểm định đa cộng tuyến (sử dụng hồi qui phụ)
Kiểm định này nhằm phát hiện ra hiện tượng đa cộng tuyến là hiện tượng mà các biến độc lập có quan hệ tương quan với nhau.
Mô hình hồi qui chính:
t i t ki k t i t i t i X X X Y, 01 1, 2 2, ... , , Xét các mô hình hồi qui phụ sau:
Xj,t =0+1X1i,t+2X2i,t +…+j-1Xj-1i,t +j+1Xj+1i,t +i,t
Giả thiết: H0: Rj2=0 Không có đa cộng tuyến H1: Rj20 Có đa cộng tuyến
Với mức ý nghĩa miền bác bỏ là: F> F;(k-2,n-k+1) hay p-value<
Chấp nhận H0: Không có đa cộng tuyến giữa Xj với các biến độc lập còn lại. Chấp nhận H1: Có đa cộng tuyến giữa Xj với các biến độc lập còn lại.
* Kiểm định phương sai thay đổi Heteroscedasticity: (Kiểm định White)
Kiểm định White nhằm xem xét phương sai của sai số mô hình hồi qui có thay đổi hay không.
Mô hình kiểm định:
i,t=0+1X1i,t+2X2i,t+…+kXki,t+k+1X1i,t*X2i,t+…+k+mX(k-1)i,t*Xki,t+k+m+1X1i,t
^2i,t+…+k+m+1+hXki,t^2i,t+i,t
Giả thiết:
H0: i=0 i0,km1h Không có hiện tượng phương sai thay đổi H1: i0 Có hiện tượng phương sai thay đổi
Với mức ý nghĩa miền bác bỏ là: nR2>2;k+m+1+h
Chấp nhận H0: Không có hiện tượng phương sai thay đổi Bác bỏ H0: Có hiện tượng phương sai thay đổi.
* Kiểm định tự tương quan: (Kiểm định Durbin – Watson):
Kiểm định tự tương quan bậc p: Kiểm định Breusch – Godfrey (BG) Xét mô hình:
Y= 0 + 1X + ; t= 1t-1 + 2t-2 + … + pt-p + t
H0: 1 = 2 = … = = 0, có nghĩa là không tồn tại tự tương quan ở bất kỳ bậc nào trong số từ bậc 1 đến bậc p.
Bước 1: Ước lượng mô hình hồi qui ban đầu bằng OLS, tìm phần dư t
Bước 2: Dùng OLS để ước lượng mô hình
Tóm tắt chương 2:
Trong chương 2, tác giả đã khái quát lại quy trình nghiên cứu và xây dựng mô hình nghiên cứu dựa trên mô hình của Fozia Memon, Niaz Ahmed Bhutto, Ghulam Abbas (2010) về cấu trúc vốn và hiệu quả kinh doanh của các công ty ngành dệt may ở Pakistan để dựng mô hình các nhân tố tác động đến kết quả kinh doanh của các DNDD ngành XD trên địa bàn Tp Rạch Giá, tỉnh Kiên Giang trong đó biến phụ thuộc là ROA, biến phụ thuộc là cơ cấu vốn, quy mô công ty, tốc độ tăng trưởng, rủi ro kinh doanh, thuế và tài sản hữu hình. Số liệu nghiên cứu được lấy từ báo cáo tài chính của các DNDD giai đoạn 2000 - 2014 và được xử lý trên phần mềm Eview 6.0. Các kĩ thuật phân tích số liệu bao gồm: Thống kê mô tả, kiểm định nghiệm đơn vị, hồi quy OLS, kiểm định các bệnh tự tương quan, đa cộng tuyến, thừa biến và phương sai sai số thay đổi.
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN