7. Tổng quan tài liệu nghiên cứu
2.3.2. Phƣơng pháp xử lí số liệu
Dữ liệu thu thập đƣợc của nghiên cứu này là dữ liệu bảng với trục không gian là 261 doanh nghiệp và trục thời gian là 5 năm liên tiếp từ 2010 – 2014, tổng cộng có 1305 quan sát. Lúc này với phƣơng pháp hồi quy bội (OLS) truyền thống không còn phù hợp nữa vì nó không xét đến kích thƣớc về thời gian và không gian của dữ liệu. Để khắc phục hiện tƣợng này ta sử dụng mô hình ảnh hƣởng cố định và mô hình ảnh hƣởng ngẫu nhiên.
a. Sử dụng Mô hình ảnh ưởng cố định (FEM)
Với giả định mỗi thực thể đều có những đặc điểm riêng biệt có thể ảnh hƣởng đến biến giải thích, FEM phân tích mối tƣơng quan này giữa phần dƣ của mỗi thực thể với các biến giải thích qua đó kiểm soát và tách ảnh hƣởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ƣớc lƣợng những ảnh hƣởng thực của biến giải thích lên biến phụ thuộc.
Mô hình ƣớc lƣợng sử dụng:
Yit = Ci + β1X1it + … + βnXnit + uit
Trong đó:
Yit : Biến phụ thuộc đại diện cho tỷ suất cổ tức của doanh nghiệp, với i: Doanh nghiệp; t: thời gian (năm).
X1it, …, Xnit : Biến độc lập đại diện cho các nhân tố ảnh hƣởng. Ci (i=1….n) : Hệ số chặn cho từng thực thể nghiên cứu.
β1, …, βn: Hệ số góc đối với nhân tố X. uit : Sai số dữ liệu bảng.
Mô hình trên đã thêm vào chỉ số i cho hệ số chặn “C” để phân biệt hệ số chặn của từng doanh nghiệp khác nhau có thể khác nhau, sự khác biệt này có thể do đặc điểm khác nhau của từng doanh nghiệp hoặc do sự khác nhau trong chính sách quản lý, hoạt động của doanh nghiệp.
b. Sử dụng Mô hình ảnh ưởng ngẫu nhiên (REM)
Điểm khác biệt giữa mô hình ảnh hƣởng ngẫu nhiên và mô hình ảnh hƣởng cố định đƣợc thể hiện ở sự biến động giữa các thực thể. Nếu sự biến động giữa các đơn vị có tƣơng quan đến biến độc lập - biến giải thích trong mô hình ảnh hƣởng cố định thì trong mô hình ảnh hƣởng ngẫu nhiên sự biến động giữa các thực thể đƣợc giả sử là ngẫu nhiên và không tƣơng quan đến các biến giải thích.
Chính vì vậy, nếu sự khác biệt giữa các đơn vị có ảnh hƣởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dƣ của mỗi thực thể (không tƣơng quan với biến giải thích) đƣợc xem là một biến giải thích mới.
Mô hình ƣớc lƣợng
Yit = Ci + βXit + uit
Thay vì trong mô hình trên, Ci là cố định thì trong REM có giả định rằng nó là một biến ngẫu nhiên với trung bình là C1 và giá trị hệ số chặn đƣợc mô tả nhƣ sau:
Ci = C + εi (i=1,...n)
εi : Sai số ngẫu nhiên có trung bình bằng 0 và phƣơng sai là σ2 Thay vào mô hình ta có:
Yit = Ci + βXit + εi + uit hay Yit = Ci + βXit + wit với wit = εi + uit εi : Sai số thành phần của các đối tƣợng khác nhau (đặc điểm riêng khác nhau của từng doanh nghiệp)
tƣợng và theo thời gian.
c. Sử dụng kiểm định Hausman lựa chọn mô hình FEM hay mô hình REM
Giả thiết:
H0: Ƣớc lƣợng FEM và REM là không khác nhau H1: Ƣớc lƣợng FEM và RE là khác nhau
Nếu p-value < α thì bác bỏ H0, khi đó mô hình FEM đƣợc lựa chọn. Ngƣợc lại thì mô hình REM phù hợp hơn nếu chấp nhận H0.