Để khắc phục hiện tƣợng phƣơng sai sai sốthay đổi của mô hình FEM, tác giả
thực hiện hồi quy theo phƣơng pháp bình phƣơng tổi thiểu tổng quát khả thi FGLS (Feasible Generalized Least Squares) nhằm kiểm soát đƣợc hiện phƣơng sai thay đổi đểtăng tính hiệu quảcao cho mô hình nghiên cứu. Bảng 4.9 là kết quảmô hình đƣợc xửlý vấn đềphƣơng sai thay đổi:
Bảng 4.9. Kết quảƣớc lƣợng mô hình FGLS
Cross-sectional time – series FGLS regression Coefficients: generalized least squares
Panels: heteroskedastic
Estimated covariances = 25 Number of obs = 218 Estimated autocorrelations = 0 Number of groups = 25 Estimated coefficients = 8 Obs per group: min = 6 Wald chi2 (7) = 367,96 avg = 8,72
Prob > chi2 = 0,0000 max = 10
Biến Hệ số Sai số chuẩn P - value
GDPit -17,73401 3,593971 0,000 UNTit -32,87942 8,038765 0,000 INFit 1,76882 0,2917444 0,000 NPLit-1 0,5427097 0,0454707 0,000 SIZEit -0,104998 0,1954244 0,591 CREDITit -0,0886631 0,0228791 0,000 ROEit 0,0095381 0,0118591 0,421 Cons -0,0397416 0,581416 0,946 Nguồn: Kết xuất từ phần mềm Stata 13
Dựa vào bảng 4.9, ta có kết quả hồi quy theo phƣơng pháp FGLS nhƣ sau: p- value = 0,000 < 0,01. Do đó, mô hình hồi quy có ý nghĩa thống kê mạnh mẽ tại mức 1%.
45
Tóm lại, mô hình nghiên cứu có phƣơng trình nhƣ sau:
NPLit = 0,5427097NPLit-1 – 0,0886631CREDITit – 17,73401GDPit + 1,76882INFit– 32,87942UNTit
Theo phƣơng trình trên, các biến độc lập gồm NPLit-1, INFit tác động cùng
chiều đến tỷ lệ nợ xấu hiện tại và có ý nghĩa thống kê với mức ý nghĩa 1%. Các biến
độc lập gồm CREDITit, GDPit và UNTit tác động nghịch chiều với NPLit và có ý nghĩa thống kê ở mức 1%. NPLit bị ảnh hƣởng cùng chiều bởi ROEit và nghịch chiều bởi SIZEit, nhƣng không có ý nghĩa thống kê với mức ý nghĩa 10%.