7. Tổng quan tài liệu nghiên cứu
2.4. PHƯƠNG PHÁP PHÂN TÍCH
2.4.1. Mô hình sử dụng
Với dữ liệu chuỗi thời gian, các giá trị của một hay nhiều biến được biểu diễn trong một khoảng thời gian nhất định, còn với dữ liệu chéo theo không
51
gian, giá trị của một hay nhiều biến được được biểu diễn bằng một vài đơn vị mẫu hay thực thể, vào cùng một thời điểm. Trong những năm gần đây, các nghiên cứu kinh tế vi mô thường sử dụng dữ liệu bảng (panel data), đây là sự kết hợp dữ liệu theo “cá nhân” (individual) và theo thời gian. Do đó, khi các nhà phân tích cần theo dõi hay tìm hiểu các vấn đề dựa trên dữ liệu thời gian của hàng loạt “cá nhân” thì việc phân tích dữ liệu bảng là phù hợp, nhưng cũng phức tạp hơn so với dữ liệu chéo. Các mô hình kinh tế lượng dữ liệu bảng ngày càng được nhiều nhà nghiên cứu sử dụng cho mục tiêu của họ, bởi lẽ nó có rất nhiều ưu điểm [2]:
- Thứ nhất, thông qua dữ liệu chuỗi thời gian và quan sát dữ liệu theo không gian, dữ liệu bảng cung cấp nhiều thông tin hữu ích hơn, tính biến thiên nhiều hơn, đa dạng hơn, ít đa cộng tuyến giữa các biến số hơn, nhiều bậc tự do hơn và hiệu quả hơn.
- Thứ hai, thông qua nghiên cứu bằng quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của sự thay đổi.
- Thứ ba, dữ liệu bảng có thể phát hiện và đo lường tốt hơn những ảnh hưởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy. Dữ liệu bảng liên quan đến các cá nhân, doanh nghiệp, đất nước,… theo thời gian, nên có tính cá biệt trong các đơn vị này. Kỹ thuật ước lượng dữ liệu bảng có thể chính thức xem xét đến tính dị biệt đó bằng cách xem xét các biến số có tính đặc thù theo từng cá nhân.
- Thứ tư, bằng cách cung cấp dữ liệu với vài nghìn đơn vị, dữ liệu bảng có thể giảm đến mức thấp nhất hiện tượng chệch có thể xảy ra nếu gộp các cá nhân hay các doanh nghiệp theo những biến số có mức tổng hợp cao.
Với đặc thù nghiên cứu dữ liệu theo thời gian (2009 - 2013) và theo
52
phương pháp hồi quy với dữ liệu bảng (panel data) được tác giả đưa vào sử dụng là hoàn toàn hợp lý.
Hiện nay, có 3 cách tiếp cận phổ biến để ước lượng mô hình hồi quy theo dữ liệu bảng: Ước lượng theo Pooled OLS (Pooled Ordinary Least Square), ước lượng theo mô hình các ảnh hưởng cố định (Fixed Effects Model) và ước lượng theo mô hình các ảnh hưởng ngẫu nhiên (Random Effects Model).
Ước lượng theo mô hình Pooled OLS: Là mô hình hồi quy trong đó, tất
cả các hệ số đều không đổi theo thời gian và theo các cá nhân. Bỏ qua bình diện thời gian và không gian của dữ liệu kết hợp và chỉ ước lượng OLS thông thường. Mô hình này là mô hình đơn giản nhất khi không xem xét tới sự khác biệt giữa các doanh nghiệp nghiên cứu. Tuy nhiên, hạn chế lớn của mô hình này là hệ số Durbin-Watson thường khá nhỏ (nhỏ hơn 1), cho nên hay gây ra hiện tượng tự tương quan dương. Hai phương pháp hữu hiệu khắc phục một hay nhiều vấn đề này, chính là mô hình các ảnh hưởng cố định (FEM) và mô hình các ảnh hưởng ngẫu nhiên (REM).
Ước lượng theo mô hình các ảnh hưởng cố định (Fixed Effects Model –
FEM): Với giả định mỗi thực thể đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan giữa phần dư của mỗi thực thể với các biến độc lập, qua đó kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến độc lập để ước lượng những ảnh hưởng thực (net effects) của biến độc lập lên biến phụ thuộc, cụ thể:
Mô hình các ảnh hưởng cố định thể hiện qua phương trình: Yit = Ci + 1X1it +… + nXnit + uit (2.4.1)
Trong đó: Yit : biến phụ thuộc, với i là doanh nghiệp và t là thời gian (năm) Xit : biến độc lập
53
Ci : hệ số chặn cho từng doanh nghiệp và (i = 1, 2, …,n) : hệ số góc đối với nhân tố X
uit : phần dư
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.
Ước lượng theo mô hình các ảnh hưởng ngẫu nhiên (Random Effects
Model –REM): Mô hình này dựa vào giả thuyết rằng, sự khác biệt giữa các
doanh nghiệp được chứa trong phần sai số ngẫu nhiên và không tương quan với biến độc lập.
Chính vì vậy, nếu sự khác biệt giữa các thực thể có ảnh hưởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dư của mỗi thực thể (không tương quan với biến độc lập) được xem là biến độc lập mới.
Ý tưởng cơ bản của mô hình ảnh hưởng ngẫu nhiên là bắt nguồn từ mô hình (2.4.1). Thay vì mô hình (2.4.1), Ci là cố định thì trong REM giả định rằng, nó là một biến ngẫu nhiên với trung bình là C1 và hệ số chặn được mô tả như sau:
Ci = C1 + i (i=1, 2,..n)
Trong đó, i là sai số ngẫu nhiên có trung bình bằng 0 và phương sai là 2
e thay vào mô hình (2.4.1), ta có:
Yit = C1 + 1X1it +… + nXnit + uit + i hay Yit = C1 + 1X1it +… + nXnit + wit (2.4.2)
54
i : 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 của cả đặc điểm riêng theo từng đối tượng và theo thời gian.
Điểm khác biệt giữa mô hình ảnh hưởng ngẫu nhiên và mô hình ảnh
hưởng cố định được thể hiện ở sự biến động giữa các thực thể. Nếu trong mô hình ảnh hưởng cố định giả định sự biến động giữa các thực thể có tương quan với biến độc lập, còn trong mô hình ảnh hưởng ngẫu nhiên giả định sự biến động giữa các thực thể là ngẫu nhiên và không tương quan với biến độc lập. Mô hình FEM sử dụng biến giả, nên nó có thể làm giảm đáng kể bậc tự do. Do vậy, REM có thể được ưa thích hơn.
Tuy nhiên, trong trường hợp các biến có sự tương quan thì giả định của REM không được thỏa mãn, khi đó mô hình này sẽ đưa ra ước lượng chệch. Vậy, mô hình FEM hay REM tốt cho nghiên cứu, điều này phụ thuộc vào giả
định có hay không sự tương quan giữa i và biến giải thích X. Để lựa chọn
FEM hay REM phù hợp hơn với dữ liệu hồi quy thì ta sử dụng kiểm định Hausman với giả thuyết [20]:
H0: Cov( i , Xit) = 0 (REM phù hợp hơn) H1: Cov( i , Xit) 0 (FEM phù hợp hơn) Giá trị tính toán là:
W = ( FE – RE)’[Var( FE) - Var( RE)]-1( FE – RE) Trong đó: FE : vector các hệ số ước lượng từ FEM
RE : vector các hệ số ước lượng từ REM
Var(.) ma trận tương quan tương ứng của hệ số ước lượng từ hai mô hình
55
Sau khi kiểm định, nếu p-value < 0.05( ) cho phép kết luận giả thuyết H0 bị bác bỏ, khi đó ta kết luận, FEM phù hợp hơn để sử dụng. Ngược lại, REM phù hợp hơn cho mô hình chấp nhận giả thuyết H0.
2.4.2. Phân tích tương quan và đa cộng tuyến
Hệ số tương quan (r) là một chỉ số thống kê đo lường mối liên hệ tương quan giữa hai biến số X, Y.
Cho hai biến số x và y từ n mẫu, hệ số tương quan Pearson được ước tính bằng công thức sau đây:
r
Trong đó: x, y là giá trị của biến x, y
, : giá trị trung bình mẫu của biến x, y
Hệ số tương quan (r) có giá trị từ -1 đến 1. Hệ số tương quan (r) bằng 0 (hay gần 0) có nghĩa là hai biến số không có liên hệ gì với nhau. Ngược lại, nếu hệ số tương quan bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt đối. Nếu giá trị của hệ số tương quan là âm (r < 0) có nghĩa là khi x tăng cao thì y giảm (và ngược lại, khi x giảm thì y tăng). Nếu giá trị hệ số tương quan là dương (r > 0) có nghĩa là khi x tăng cao thì y cũng tăng, và khi x giảm thì y cũng giảm theo.
> 0.8 : x và y tương quan mạnh, tồn tại đa cộng tuyến. = 0.4 đến 0.8 : x và y tương quan trung bình.
< 0.4 : x và y tương quan yếu. [46]
Dựa vào hệ số tương quan Pearson r, ta có thể thấy được mối quan hệ giữa các biến, nếu hệ số tương quan r giữa các biến độc lập là cao, thì có khả năng xảy ra hiện tượng đa cộng tuyến. Đa cộng tuyến có nghĩa là sự tồn tại
56
mối quan hệ tuyến tính “hoàn hảo” hoặc chính xác giữa một số hoặc tất cả các biến độc lập trong một mô hình hồi quy.
Các giải pháp khắc phục đa cộng tuyến:
Loại bỏ biến: Vì tính đa cộng tuyến là do những mối quan hệ chặt chẽ giữa các biến độc lập, cách chắc chắn nhất để loại bỏ hoặc giảm bớt các tác
động của tính đa cộng tuyến là bỏ một hoặc nhiều biến độc lập ra khỏi mô
hình.
Tăng kích thước mẫu: Giải pháp này thích hợp cho hiện tượng đa cộng
tuyến do cỡ mẫu nhỏ, vì tăng cỡ mẫu sẽ làm cải thiện độ chính xác của một ước lượng và do đó, giảm thiểu được những yếu tố phản tác dụng của tính đa cộng tuyến. Đôi khi chỉ cần tăng thêm một số quan sát là khắc phục được hiện tượng đa cộng tuyến. Tuy nhiên, việc tăng dữ liệu đôi khi đồng nghĩa với việc tăng chi phí, nhất là đối với dữ liệu sơ cấp.
Thay đổi dạng mô hình.
Sử dụng thông tin tiên nghiệm.
Bỏ qua đa cộng tuyến: Nếu > 2 hoặc R2 của mô hình cao hơn R2 của
mô hình hồi quy phụ thì bỏ qua đa cộng tuyến. Nếu nhà nghiên cứu ít quan tâm đến việc diễn dịch từng hệ số riêng lẻ nhưng lại chú trọng hơn vào việc dự báo, thì tính đa cộng tuyến có thể không phải là một vấn đề nghiêm trọng. Ngay cả khi có tương quan cao giữa các biến độc lập, nếu như các hệ số hồi quy là có ý nghĩa, có những dấu và giá trị có ý nghĩa, thì không cần quan tâm vào vấn đề đa cộng tuyến. Bởi, nếu một hệ số hồi quy có ý nghĩa ngay cả trong trường hợp có sự hiện diện của đa cộng tuyến thì đó mới là một kết quả mạnh.
2.4.3. Kiểm định sự phù hợp của mô hình
a. Kiểm định giả thuyết về
Kiểm định giả thuyết về được hiểu là kiểm định xem biến độc lập có thực sự ảnh hưởng đến biến phụ thuộc hay không. Nói cách khác là hệ số hồi
57
quy có ý nghĩa thống kê hay không. Giả thuyết: H0 : j = 0 H1 : j 0 Tính = đặt bằng t* So sánh và : chấp nhận H0 bác bỏ H0
Có thể sử dụng giá trị p_value trong Eviews. Nếu p_value tính được nhỏ hơn mức ý nghĩa ( ) thì bác bỏ giả thuyết H0 và ngược lại.
b. Kiểm định độ phù hợp của mô hình
Trong mô hình hồi quy bội, một mô hình được cho là không có sức mạnh giải thích khi toàn bộ các hệ số hồi quy riêng phần đều bằng không. Giả thuyết:
H0 : = = … = = 0
H1 : Có ít nhất một trong những giá trị không bằng không Trị thống kê kiểm định đối với giả thiết này là:
= =
Từ số liệu trong bảng phân phối Fisher, trị số F tương ứng với bậc tự do
k – 1 cho tử số và n – k cho mẫu số, và với mức ý nghĩa cho trước , ta có
.
So sánh và : chấp nhận H0 bác bỏ H0
Có thể sử dụng giá trị p_value trong Eviews. Nếu p_value tính được nhỏ hơn mức ý nghĩa ( ) thì bác bỏ giả thuyết H0 và ngược lại.
58
KẾT LUẬN CHƯƠNG 2
Trên cơ sở vận dụng các lý thuyết tài chính, lý thuyết kinh tế và các nghiên cứu thực nghiệm để đưa ra mối quan hệ giữa tỷ lệ nợ, tỷ lệ nợ ngắn hạn, tỷ lệ nợ dài hạn và tốc độ tăng trưởng, quy mô doanh nghiệp, khả năng sinh lời, rủi ro kinh doanh, tỷ lệ tài sản cố định hữu hình, tấm chắn thuế phi nợ.
Trong chương này, tác giả đi vào phân tích đặc điểm của dữ liệu nghiên cứu, xây dựng công thức tính các biến độc lập và biến phụ thuộc được sử dụng trong mô hình nghiên cứu. Dữ liệu thu thập của 47 doanh nghiệp sản xuất thực phẩm và đồ uống niêm yết trên sàn chứng khoán Việt Nam trong 5 năm (2009 - 2013), được thiết kế dưới dạng dữ liệu bảng (panel data) nhằm đưa ra mô hình nghiên cứu ứng dụng kinh tế lượng: Mô hình các ảnh hưởng cố định (FEM) và mô hình các ảnh hưởng ngẫu nhiên (REM). Sử dụng kiểm định Hausman để lựa chọn mô hình phù hợp nhằm đưa ra những kết luận sát thực.
Trình bày các kiểm định riêng phần (kiểm định t), kiểm định độ phù hợp của mô hình (kiểm định F) để là căn cứ chỉ ra ý nghĩa thống kê về mối quan hệ giữa cấu trúc tài chính và các nhân tố ảnh hưởng. Ngoài ra, còn cho thấy mô hình mà tác giả đã xây dựng có phù hợp với dữ liệu đã thu thập được hay không.
59
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU CÁC NHÂN TỐ ẢNH HƯỞNG
ĐẾN CẤU TRÚC TÀI CHÍNH CỦA CÁC DOANH NGHIỆP SẢN XUẤT THỰC PHẨM, ĐỒ UỐNG Ở VIỆT NAM 3.1. TỔNG QUAN NGÀNH SẢN XUẤT THỰC PHẨM VÀ ĐỒ UỐNG
Ngành sản xuất thực phẩm và đồ uống bao gồm các công ty sản xuất và kinh doanh các sản phẩm chế biến từ nông sản, sữa, thủy sản, gia súc, gia cầm,… Đặc điểm các sản phẩm của ngành là có thời gian sử dụng tương đối ngắn, có thể vài ngày (các sản phẩm bánh, kẹo, sữa…), vài tháng (các sản phẩm đồ hộp…). Ngoài ra, sản phẩm của ngành còn chịu ảnh hưởng theo mùa như: bánh trung thu được sản xuất và tiêu thụ vào dịp tết trung thu, bánh kẹo, mứt tết, đồ uống có gas và không có gas,… sản xuất và tiêu thụ vào các dịp lễ, tết Nguyên đán,…
Ngành sản xuất thực phẩm và đồ uống là ngành tạo ra sản phẩm đáp ứng nhu cầu ăn uống hàng ngày của con người nên đòi hỏi phải đáp ứng những tiêu chuẩn khắt khe trong quá trình sản xuất, bảo quản và vận chuyển.
Dưới đây là phân tích ma trận SWOT (Strengths - điểm mạnh; Weaknesses - điểm yếu; Opportunities - cơ hội; Threats - thách thức) của ngành nhằm làm rõ vị thế ngành, cơ hội, điểm mạnh, điểm yếu, khó khăn của ngành thực phẩm, đồ uống để ta có cái nhìn sâu sắc hơn về ngành, đó sẽ là cơ sở để đưa ra những đánh giá kết quả phân tích và rút ra hàm ý ở chương này và chương sau. [40]
- Điểm mạnh
+ Với Việt Nam, ngành sản xuất thực phẩm, đồ uống là ngành có nhiều tiềm năng. Bởi Việt Nam là nước nông nghiệp nhiệt đới, do đó, có nguồn nguyên liệu phong phú, đa dạng tạo sự ổn định về nguồn cung ứng nguyên
60
liệu và giá cả cho các nhà sản xuất trong nước, đây là một thế mạnh quan trọng trong giai đoạn bất ổn toàn cầu hiện nay.
+ Đất nước đang ngày càng phát triển, mức sống của người dân không
ngừng tăng lên làm thay đổi lối sống của cư dân tại các thành phố trung tâm, nhu cầu về tiêu thụ nhiều đồ ăn nhẹ, thực phẩm tiện dụng và đắt tiền theo đó cũng tăng lên. Bên cạnh đó, các doanh nghiệp còn có lợi thế về nguồn lao động dồi dào và chi phí thấp, quá trình tư nhân hóa các doanh nghiệp thực phẩm khiến thị trường này có sức sống mãnh liệt.
+ Ngành sản xuất thực phẩm chiếm một tỷ lệ đáng kể sản lượng đầu ra ngành công nghiệp nói chung và tổng sản phẩm quốc nội (15% GDP), đồng thời cũng là khu vực thu hút rất nhiều vốn đầu tư nước ngoài trong những năm gần đây, đại diện là một số doanh nghiệp như Unilever, Nestlé và San Miguel.
+ Đồ uống có cồn hiện được tiêu thụ rộng rãi và trở nên phổ biến trong
những năm gần đây.