6. Ý nghĩa khoa học và thực tiễn của đề tài
2.2.4. Các phương pháp ước lượng mô hình
a. Phương pháp bình phương bé nhất – Mô hình Pooled OLS
Đây là trường hợp đơn giản nhất khi không xét đến các yếu tố không gian và thời gian của dữ liệu bảng mà chỉ ước lượng dữ liệu theo phương pháp hồi quy thông thường.
Yit = a + β1X1it + β2X2it + ...+ βkXkit + uit Trong đó: Yit: biến phụ thuộc
i: thực thể (doanh nghiệp) t: thời gian (năm)
Xit: biến độc lập a: hệ số chặn
βk : hệ số góc đối với nhân tố Xk uit: phần dư
Trong mô hình dữ liệu bảng đơn giản này, hệ số a là như nhau cho mọi đối tượng và cho tất cả các thời kì. Giả định quá chặt về hệ số chặn và hệ số ước lượng có thể làm mất đi ảnh hưởng thật của các biến độc lập đến biến phụ thuộc và mô hình trở nên không thích hợp trong điều kiện thực tế.
b. Phương pháp ảnh hưởng cố định – Mô hình FEM (Fixed Effects Model)
Đối với phương pháp ảnh hưởng cố định, hệ số chặn được xem như một nhóm đặc biệt. Điều này có nghĩa là mô hình cho phép có các hệ số chặn khác nhau cho mỗi thực thể. Điều này có nghĩa là cho dù tung độ gốc có thể khác nhau giữa các thực thể nhưng tung độ gốc của các thực thể là không đổi theo thời gian. Ước lượng ảnh hưởng cố định cũng được xem như là phương pháp bình phương bé nhất có chứa biến giả bởi vì để cho phép xuất hiện các hệ số chặn khác nhau cho mỗi thực thể thì mỗi doanh nghiệp phải bao gồm 1 biến giả.
Ta có mô hình sau:
Yit = ai + β1X1it + β2X2it + ...+ βkXkit + uit
hoặc Yit = α0 + α1D1i + α2D2i +...+ αnDni + β1X1it + β2X2it + ...+ βkXkit + uit (2)
i: thực thể (doanh nghiệp) t: thời gian (năm)
Xit: biến độc lập
ai: hệ số chặn của thực thể i βk : hệ số góc đối với nhân tố Xk uit: phần dư
Dni: Biến giả đại diện cho từng thực thể αn: hệ số góc của biến giả
Bởi vì sử dụng các biến giả để ước lượng các tác động cố định nên mô hình (2) còn được gọi là mô hình hồi quy bình phương bé nhất với các biến giả (LSDV)
Mô hình ảnh hưởng cố định có những tính chất sau:
Về cơ bản, nó nắm bắt tất cả các ảnh hưởng đặc biệt đến một đối tượng cụ thể và không thay đổi theo thời gian, tách các ảnh hưởng này ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực của các biến giải thích lên biến phụ thuộc.
Trong một số trường hợp nó có thể liên quan đến một số lượng lớn các hệ số góc của biến giả bởi vì một số bảng dữ liệu có thể có hàng ngàn đối tượng. Trong trường hợp này, mô hình ảnh hưởng cố định sẽ sử dụng tới N bậc tự do. Tuy nhiên theo ước tính thì không thể tính toán được hàng ngàn hằng số khác nhau.
Việc mở rộng mô hình ảnh hưởng cố định có thể được thực hiện bằng cách tập hợp các biến giả cho từng đơn vị thời gian.
Mô hình ước lượng:
Yit = α0 + α1D1i + α2D2i +...+ αnDni + λ0 + λ1Dum1 + λ2Dum2 +...+λtDumt + β1X1it + β2X2it + ...+ βkXkit + uit
λt: hệ số góc của biến giả đại diện cho từng đơn vị thời gian.
Hạn chế của FEM hay LSDV là:
Có quá nhiều biến được tạo ra trong mô hình do đó có khả năng làm giảm bậc tự do và làm tăng khả năng sự đa cộng tuyến cho mô hình
FEM không đo lường được tác nhân thay đổi theo thời gian
Những đặc điểm riêng biệt (không đổi theo thời gian) là đơn nhất đối với một thực thể và không tương quan với đặc điểm của các thực thể khác. Nếu điều này xảy ra, mô hình FEM không còn thích hợp và chúng ta phải dùng phương pháp khác (mô hình ảnh hưởng ngẫu nhiên – REM) để ước lượng mối quan hệ đó.
c. Phương pháp ảnh hưởng ngẫu nhiên – Mô hình REM (Radom Effects Model)
Sự khác nhau giữa mô hình ảnh hưởng cố định và mô hình ảnh hưởng ngẫu nhiên được thể hiện ở sự biến động giữa các thực thể. Nếu sự biến động giữa các thực thể là có tương quan đến biến độc lập trong mô hình ảnh hưởng cố định thì trong mô hình ảnh hưởng ngẫu nhiên sự biến động giữa các thực thể được giả sử là ngẫu nhiên và không tương quan đến các biến độc lập.
Chính vì vậy, nếu có sự khác biệt giữa các thực thể có ảnh hưởng đến biến phụ thuộc thì REM sẽ thích hợp hơn FEM. Trong đó, phần dư của mỗi thực thể (không tương quan với biến giải thích) được xem là một biến giả thích mới. Vì vậy, sự biến đổi của hệ số chặn cho từng thực thể nghiên cứu được biểu hiện như sau:
ai = a + vi
Trong đó vi: sai số chuẩn ngẫu nhiên có trung bình bằng 0 Vì vậy mô hình ảnh hưởng ngẫu nhiên có dạng sau:
Yit = (a + vi) + β1X1it + β2X2it + ...+ βkXkit + uit Yit = a + β1X1it + β2X2it + ...+ βkXkit + (vi + uit)
Trong đó: vi: là sai số thành phần của các đối tượng khác nhau (đặc điểm riêng khác nhau của từng doanh nghiệp)
uit: sai số thành phần kết hợp khác của các đặc điểm riêng theo từng đối tượng và theo thời gian
Tóm lại, qua mô hình, sai số cổ điển được chia làm hai thành phần. Thành phần vi đại diện cho tất cả các yếu tố không quan sát được mà thay đổi giữa các đối tượng nhưng không thay đổi theo thời gian. Thành phần uit đại điện cho tất cả các yếu tố không quan sát được thay đổi theo cả không gian (giữa các doanh nghiệp) và thời gian. Do đó trong mô hình này, đặc điểm riêng giữa các thực thể được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích.
Nhìn chung, mô hình ảnh hưởng cố định cho rằng mỗi thực thể khác nhau trong những hệ số chặn trong khi mô hình ảnh hưởng ngẫu nhiên lại cho rằng mỗi thực thể khác nhau về sai số. Việc lựa chọn mô hình cho dữ liệu bảng phụ thuộc vào giả định có hay không sự tương quan giữa vi và biến độc lập X. Thông thường, khi dữ liệu bảng là cân đối (tức là bảng dữ liệu có cùng số thời gian quan sát cho tất cả các đối tượng), chúng ta sẽ kì vọng mô hình ảnh hưởng cố định sẽ là tốt nhất. Trong trường hợp khác, khi mẫu chứa những quan sát bị hạn chế của các đơn vị chéo có sẵn, mô hình ảnh hưởng ngẫu nhiên sẽ được đánh giá cao hơn.
d. Kiểm định Hausman
Kiểm định Hausman được sử dụng để đánh giá nên lựa chọn cách tiếp cận theo hướng mô hình ảnh hưởng cố định hay mô hình ảnh hưởng ngẫu nhiên để nghiên cứu liệu các biến hồi quy độc lập có tương quan với ảnh hưởng của từng đối tượng hay không. Thuận lợi của việc sử dụng mô hình ảnh hưởng cố định là nó phù hợp thậm chí khi mà các ước lượng có tương quan với ảnh hưởng của từng đối tượng. Nói cách khác, dựa vào mô hình dữ
liệu bảng trong đó ảnh hưởng cố định được đánh giá cao, kiểm định Hausman nghiên cứu liệu ước lượng ảnh hưởng ngẫu nhiên có tốt hay không. Giá trị của kiểm định này được phát triển bởi Hausman có phân phối tiệm cận χ2 với:
H0: REM là mô hình thích hợp hơn FEM H1: FEM là mô hình thích hợp hơn REM
Với (Prob>λ2) <0.05, bác bỏ H0, nếu bác bỏ H0 ta kết luận mô hình ảnh hưởng ngẫu nhiên không phù hợp và trong trường hợp này FEM được lựa chọn sử dụng. Ngược lại, nếu chấp nhận H0, REM là thích hợp hơn để giải thích mối tương quan giữa các biến.
KẾT LUẬN CHƯƠNG 2
Trong chương 2, tác giả giới thiệu sơ lược về ngành xây dựng Việt Nam, trình bày một số đặc điểm của các công ty thuộc nhóm ngành xây dựng và trình bày thực trạng của các doanh nghiệp này trong giai đoạn nghiên cứu 2009 – 2013.
Từ cơ sở lý thuyết của chương 1 tác giả hệ thống lại các nghiên cứu cơ sở về các nhân tố tác động đến hiệu quả kinh doanh của doanh nghiệp, từ đó đưa ra các giả thuyết tương ứng với từng nhân tố. Bước tiếp theo là xây dựng mô hình nghiên cứu, cách xác định biến độc lập, biến phụ thuộc và đưa ra các phương pháp để ước lượng mô hình.
Đây là cơ sở quan trọng cho việc chạy mô hình và trình bày kết quả nghiên cứu trong chương 3.
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN