CHƢƠNG 2 THIẾT KẾ NGHIÊN CỨU
2.2. DỮ LIỆU VÀ MƠ HÌNH NGHIÊN CỨU
2.2.4. Mơ hình nghiên cứu các nhân tố ảnh hƣởng
thực nghiệm bao gồm: dữ liệu theo chuỗi thời gian, dữ liệu theo không gian và dữ liệu bảng. Trong dữ liệu bảng, đơn vị chéo theo không gian đƣợc khảo sát theo thời gian đƣợc cho là tối ƣu để phân tích thực nghiệm khi dữ liệu bảng có cả bình diện khơng gian cũng nhƣ thời gian.
Hầu hết các nghiên cứu ở Việt Nam nêu trên đều áp dụng phƣơng pháp phân tích hồi qui bội với dữ liệu chéo dựa trên nguyên tắc bình phƣơng nhỏ nhất nhằm tìm ra mối quan hệ giữa biến phụ thuộc và các biến độc lập. Đây đƣợc xem là phƣơng pháp đáng tin cậy trong việc ƣớc lƣợng mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập.
Tuy nhiên mơ hình OLS dữ liệu chéo lại ràng buộc quá chặt về không gian và thời gian – các hệ số hồi quy không đổi theo cả khơng gian và thời gian – có thể làm mất đi ảnh hƣởng thật của biến độc lập lên biến phụ thuộc dẫn đến kết quả mơ hình khơng phù hợp trong điều kiện thực tế. Bên cạnh đó, với đặc thù nghiên cứu trên dữ liệu bảng -panel data (dữ liệu theo thời gian và theo khơng gian), hai mơ hình nghiên cứu: ảnh hƣởng ngẫu nhiên (REM) và ảnh hƣởng cố định (FEM) sẽ phù hợp hơn. Chính vì vậy, nghiên cứu này áp dụng hai mô này nhằm xem xét đến sự khác biệt giữa các đối tƣợng chéo (doanh nghiệp) để phân tích tác động của các nhân tố lựa chọn (hiệu quả kinh doanh, rủi ro kinh doanh…) đến cấu trúc tài chính của các doanh nghiệp ngành khống sản.
Mơ hình ảnh hưởng cố định (FEM)
Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hƣởng đến các biến giải thích, FEM phân tích mối tƣơng quan này giữa phần dƣ của mỗi đơn vị với các biến giải thích qua đó kiểm sốt 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 (net effects) của biến giải thích lên biến phụ thuộc.
Mơ hình ƣớc lƣợng sử dụng:
Yit = Ci + β Xit + Uit * Trong đó
Yit : thời gian (năm) Xit : biến độc lập
Ci (i=1….n) : hệ số chặn cho từng đơn vị nghiên cứu β : hệ số góc đối với nhân tố X.
Uit : phần dƣ.
Mơ 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.
Mơ hình ảnh hưởng ngẫu nhiên (REM)
Điểm khác biệt giữa mơ hình ảnh hƣởng ngẫu nhiên và mơ hình ảnh hƣởng cố định đƣợc thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tƣơng quan đến biến độc lập – biến giải thích trong mơ hình ảnh hƣởng cố định thì trong mơ hình ảnh hƣởng ngẫu nhiên sự biến động giữa các đơn vị 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.
Ý tƣởng cơ bản của mơ hình ảnh hƣởng ngẫu nhiên cũng bắt đầu từ mơ hình:
Yit = Ci + β Xit + Uit
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 mơ hình ta có:
Yit = C + β Xit + εi + uit
hay Yit = C + β Xit + wit wit = εi + uit
εi: Sai số thành phần của các đối tƣợng khác nhau (đặc điểm riêng khác nhau của từng doanh nghiệp)
uit: Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tƣợng và theo thời gian.
Bảng 2.4. So sánh mơ hình FEM và REM
Mơ hình ảnh hƣởng cố định FEM
Mơ hình ảnh hƣởng ngẫu nhiên REM Hệ số chặn Có riêng từng hệ số chặn cho từng đơn vị chéo Chỉ có duy nhất một hệ số chặn cho tất cả các đơn vị chéo
Giá trị này là giá trị trung bình của tất cả các đơn vị chéo
Hệ số góc Khơng biến đổi Không biến đổi
Phần dƣ
(Sai số) Không biến đổi
Sự khác biệt của các đơn vị chéo nằm trong thành phần ngẫu nhiên, phần dƣ của mỗi thực thể
Thay đổi theo từng đơn vị chéo và/hoặc theo thời gian
Nhìn chung, mơ hình FEM hay REM tốt hơn cho nghiên cứu phụ thuộc vào giả định có hay khơng tƣơng quan giữa εi và các biên giải thích X. Nếu giả định khơng tƣơng quan thì REM phù hợp hơn và ngƣợc lại. Ngồi ra nếu căn cứ theo dữ liệu chéo (N) và độ dài thời gian (T) thì theo Judge:
- Nếu T lớn và N nhỏ: thì khơng có sự khác biệt lớn về các giá trị tham số ƣớc lƣợng trong mơ hình FEM và REM. Vì vậy việc lựa chọn mơ hình nào tùy thuộc vào tiện ích trong q trình xử lý.
- Nếu T nhỏ và N lớn: sẽ có khác biệt rất lớn. Chính vì vậy, nếu đối tƣợng nghiên cứu không đƣợc chọn một cách ngẫu nhiên từ một tổng thể lớn hơn nhiều thì FEM sẽ phù hợp hơn. Ngƣợc lại, nếu đối tƣợng đƣợc lựa chọn ngẫu nhiên từ tổng thể lớn hơn thì REM sẽ thích hợp hơn bởi hệ số chặn βi là thật sự ngẫu nhiên nên việc suy luận thống kê hay giải thích mơ hình sẽ dễ dàng hơn và khơng có điều kiện ràng buộc. Do đó, nếu điều kiện REM đƣợc đảm bảo thì dùng kết quả của REM sẽ chính xác hơn FEM.
Ngồi ra, Hausman test cũng là có thể giúp lựa chọn mơ hình FEM hay REM phù hợp cho hồi quy dữ liệu mẫu trên giả định:
H0: Ƣớc lƣợng FEM và REM không khác nhau đáng kể H1: Ƣớc lƣợng FEM và REM là khác nhau.
Nếu p-value <0.05, ta bác bỏ H0, khi đó REM là khơng hợp lý, ta nên lựa chọn mơ hình FEM.