7. Tổng quan tài liệu nghiên cứu
2.3.PHƯƠNG PHÁP NGHIÊN CỨU
2.3.1. Vấn đề nội sinh giữa các biến
Trong mô hình kinh tế, một biến được gọi là biến nội sinh (endogenous variable) nếu nó chịu tác động của các biến khác trong mô hình, và biến được gọi là ngoại sinh (exogenous variable) nếu nó không chịu tác động của các biến khác trong mô hình. Một biến có thể là nội sinh trong mô hình kinh tế này nhưng cũng có thể là biến ngoại sinh trong mô hình khác, tùy thuộc vào điều kiện và phạm vi xem xét của mô hình. Việc xác định biến nội sinh hay ngoại sinh là quan trọng và được dựa chủ yếu vào lý thuyết kinh tế, tình huống thực tế và không có kiểm định thống kê nào có thể giúp cho việc xác định này. Trong kinh tế lượng, biến nội sinh được định nghĩa dựa trên bản chất thống kê của nó. Tức là một biến được gọi là nội sinh nếu nó tương quan với sai số ngẫu nhiên trong mô hình, và ngược lại, ngoại sinh nếu nó không có tương quan với sai số ngẫu nhiên của mô hình. Chẳng hạn xét mô hình hồi quy đơn giản sau: Y = α0 + α1X + u, trong đó Y là biến phụ thuộc, X là biến giải thích và u là sai số ngẫu nhiên. Có thể thấy Y hiển nhiên là biến nội sinh vì nó tương quan với sai số ngẫu nhiên u. Điều cần quan tâm là liệu biến X có phải là biến nội sinh không, chẳng hạn nếu có cov (X,u) # 0 thì X là biến nội sinh. Mô hình có ít nhất một biến giải thích là biến nội sinh thì mô hình đó được gọi là có vấn đề biến nội sinh. Khái niệm biến nội sinh trong kinh tế học và kinh tế lượng tuy có liên quan nhưng bản chất không hoàn toàn trùng nhau. Bản chất kinh tế của mối quan hệ giữa các biến số được quan tâm trong kinh tế học còn trong kinh tế lượng, vấn đề nội sinh được quan tâm qua quan hệ thống kê giữa các biến số. Quan hệ kinh tế thường dẫn đến quan hệ thống kê nhưng chưa chắc có điều ngược lại, vì vậy biến nội sinh trong kinh tế học thường cũng là biến nội sinh trong kinh tế lượng nhưng biến nội sinh trong kinh tế lượng có thể là biến nội sinh hay ngoại sinh trong kinh tế học. Biến
nội sinh được xem là vấn đề trong các mô hình ước lượng bởi tác động tiêu cực của nó. Trong hồi quy, nhiệm vụ cơ bản là từ số liệu mẫu, mong muốn thu được các ước lượng đáng tin cậy cho hệ số hồi quy. Trong quá trình đi tìm các ước lượng đáng tin cậy thì người ta cần áp đặt một số điều kiện và tính ngoại sinh của biến giải thích là một điều kiện quan trọng khi áp dụng phương pháp ước lượng bình phương tối thiểu. Cụ thể là trong mô hình hồi quy nếu có biến giải thích là biến nội sinh thì ước lượng thu được từ phương pháp này là sẽ là ước lượng chệch và không vững. Trong phân tích hồi quy về các vấn đề kinh tế, biến nội sinh là hiện tượng khá phổ biến và thường được gây ra bởi các nguyên nhân chính như quan hệ hai chiều giữa các biến số trong mô hình, bỏ sót biến quan trọng, sai số trong đo lường.
Quay trở lại với đề tài nghiên cứu, sau khi xác định mô hình nghiên cứu và thu thập dữ liệu, cần tiến hành xây dựng phương pháp nghiên cứu. Đầu tiên, phương pháp bình phương bé nhất (Panel Least Square - PLS) được áp dụng cho mô hình (1). Như đã đề cập ở trên, việc lựa chọn các biến trong mô hình không tránh khỏi việc bỏ qua những biến đặc trưng không quan sát được của các công ty, điều này có thể dẫn đến vấn đề nội sinh do thiếu biến. Do đó, các mô hình hiệu ứng cố định (Fixed Effect Model – FEM) và mô hình hiệu ứng ngẫu nhiên (Random Effect Model – REM) được sử dụng nhằm giúp hạn chế vấn đề nội sinh do bỏ sót các biến không quan sát được ở trên bằng cách tách ảnh hưởng của các đặc điểm riêng biệt ra khỏi các biến giải thích nhằm ước lượng những ảnh hưởng thực của biến giải thích lên biến phụ thuộc.
2.3.2. Các phương pháp ước lượng dữ liệu bảng
a.Mô hình hiệu ứng cố định (Fixed Effect Model – FEM)
Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi đơn vị với các biến giải thích. Sau đó, tiến hành kiểm soát và tách
ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Mô hình ước lượng sử dụng: Yit = ci + β Xit + Uit *
Trong đó
Yit : thời gian (quý) Xit : biến giải thích
ci (i=1….n) : hệ số chặn cho từng đơn vị nghiên cứu β : 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 công ty khác nhau có thể khác nhau, sự khác biệt này có thể do đặc điểm khác nhau của từng công ty hoặc do sự khác nhau trong chính sách quản lý, hoạt động của công ty.
b. Mô hình hiệu ứng ngẫu nhiên (Random Effect Model – REM)
Điểm khác biệt giữa mô hình hiệu ứng ngẫu nhiên và mô hình hiệu ứng cố định được thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tương quan đến biến giải thích – biến giải thích trong mô hình hiệu ứng cố định thì trong mô hình hiệu ứng ngẫu nhiên sự biến động giữa các đơn vị được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích. Chính vì vậy, nếu sự khác biệt giữa các đơn vị 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 giải thích) được xem là một biến giải thích mới.
Ý tưởng cơ bản của mô hình hiệu ứng ngẫu nhiên cũng bắt đầu từ mô hình: Yit = ci + β Xit + 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 được mô tả như sau:
ci = c + εi (i=1,...n)
εi : Sai số ngẫu nhiên có trung bình bằng 0 và phương sai là σ2 Thay vào mô hình ta có:
Yit = c + β Xit + εi + uit hay Yit = c + β Xit + wit, với wit = εi + uit
εi : Sai số thành phần của các đối tượng khác nhau (đặc điểm riêng khác nhau của từng công ty)
uit: Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tượng và theo thời gian
Nhìn chung mô hình FEM hay REM tốt hơn cho nghiên cứu phụ thuộc vào giả định có hay không sự tương quan giữa εi và các biến giải thích. Nếu giả định rằng không tương quan thì REM phù hợp hơn, và ngược lại. Kiểm định Hausman là một trong những phương pháp để lựa chọn giữa FEM và REM. Vì thế, trong phần hồi quy nghiên cứu này sẽ lần lượt thực hiện cả ba mô hình PLS, FEM và REM để lựa chọn mô hình thích hợp nhất.
Theo Judge (1985) trong " Introduction to the Theory and Practice of Econometrics" có một số lưu ý giữa việc lựa chọn hai mô hình FEM và REM:
- Nếu T (số thời đoạn của chuỗi thời gian) lớn và N (số đơn vị theo không gian) nhỏ, giá trị của các thông số ước lượng bằng FEM hay REM không có nhiều sự khác biệt. Vì thế, sự lựa chọn mô hình hồi quy theo phương pháp này dựa vào sự thuận tiện trong tính toán. Theo điểm này, FEM có thể được chuộng hơn.
- Nếu N lớn và T nhỏ, các giá trị ước lượng thu được bằng hai phương pháp FEM và REM có thể khác nhau đáng kể. Nên nhớ rằng trong mô hình REM, ci = c + εi (i=1,...n) trong đó εi là thành phần ngẫu nhiên theo cá nhân.
Trong khi đó, với FEM, ta xem ci là cố định và không ngẫu nhiên. Suy luận thống kê được lập điều kiện theo các đơn vị quan sát được trong mẫu trong trường hợp mô hình FEM. Mô hình này sẽ phù hợp nếu ta tin tưởng rằng các đơn vị riêng lẻ trong mẫu không phải được rút ngẫu nhiên từ một mẫu lớn hơn. Khi đó, FEM là phù hợp. Ngược lại, nếu các đơn vị được cho là rút ngẫu nhiên từ mẫu lớn hơn thì REM sẽ thích hợp hơn.
- Nếu thành phần sai số cá nhân εi và một hay nhiều biến độc lập tương quan với nhau thì ước lượng REM sẽ bị chệch, trong khi ước lượng FEM không bị chệch.
- Nếu N lớn và T nhỏ, và nếu các giả định làm nền tảng cho mô hình REM được thỏa mãn thì việc sử dụng mô hình REM hiệu quả hơn so với các ước lượng từ FEM.
c. Các kiểm định trong phương pháp ước lượng dữ liệu bảng (adsbygoogle = window.adsbygoogle || []).push({});
Mô hình PLS thực chất là mô hình OLS bình thường, điều này xảy ra khi sử dụng dữ liệu bảng như một đám mây dữ liệu bình thường không phân biệt theo năm. Điều này cho thấy nếu như mô hình PLS thực sự phù hợp với dữ liệu hơn 2 mô hình FEM và REM thì việc sử dụng phân tích bằng mô hình FEM, REM không còn nhiều ý nghĩa trong việc khắc phục nhiều vấn đề của mô hình do thiếu biến. Điều đó dẫn đến trường hợp chỉ cần xem xét mô hình PLS cho dữ liệu có được và thực hiện các kiểm định bình thường (8 giả định cổ điển trong hồi quy theo phương pháp OLS). Đây là một cách giải thích cho sự thiếu vắng (có thể chấp nhận được) của các kiểm định này trong các nghiên cứu về dữ liệu bảng khi mà các nhà nghiên cứu cần tập trung vào các mô hình FEM, REM để phân tích. Tuy nhiên, theo đúng nguyên tắc, các kiểm định cổ điển trong hồi quy OLS cũng là gợi ý cho các kiểm định phát hiện các vấn đề trước khi quyết định phân tích theo các mô hình khác nhau.
cá nhân đóng góp vào mô hình nên sẽ không có hiện tượng tự tương quan trong mô hình. Mô hình REM quan tâm đến cả vấn đề về những khác biệt của riêng các đối tượng phân tích qua thời gian đóng góp vào mô hình do đó tự tương quan là một vấn đề tiềm tàng trong mô hình này cần phải giải quyết. Ngược lại, mô hình REM lại loại bỏ tốt yếu tố phương sai thay đổi.
Đầu tiên là việc xem xét mô hình OLS và thực hiện kiểm định thử để phát hiện các vấn đề (trình bày trong phần 2.4.2 – phương pháp xử lý dữ liệu, kiểm tra việc tuân thủ các giả thuyết hồi quy cổ điển). Kiểm định quan trọng nhất trong hồi quy dữ liệu bảng theo hai phương pháp FEM và REM là kiểm định lựa chọn: Hausman test. Ngoài ra, khi phát hiện có các hiện tượng về biến nội sinh thì có thể chuyển sang các mô hình 2SLS, IV, GMM,…
d. Kiểm định Hausman
Để xem xét mô hình FEM hay REM phù hợp hơn, ta sử dụng kiểm định Hausman. Thực chất kiểm định Hausman để xem xét có tồn tại tự tương quan giữa εi và các biến giải thích hay không.
Giả thuyết:
Ho: εi và biến giải thích không tương quan H1: εi và biến giải thích có tương quan
Khi giá trị Prob. <0.05 ta bác bỏ Ho, khi đó εi và biến giải thích tương quan với nhau, sử dụng mô hình tác động cố định FEM là phù hợp hơn.
Ngược lại, kết luận nên sử dụng mô hình tác động ngẫu nhiên REM.
2.4. XÂY DỰNG GIẢ THUYẾT
Giả thuyết 1: Quy mô công ty có tương quan dương với việc nắm giữ tiền mặt.
Mặc dù vẫn còn khá nhiều tranh cãi về mối quan hệ giữa biến quy mô và tỷ lệ nắm giữ tiền của các công ty, tuy nhiên chúng ta vẫn nhận thấy tầm ảnh hưởng đáng kể của quy mô lên tỷ lệ nắm giữ tiền của các doanh
nghiệp. Các công ty lớn thường có rủi ro và chi phí phá sản thấp hơn các công ty nhỏ nên dễ dàng hơn trong việc tiếp cận các nguồn vốn tài trợ, hơn nữa là nguồn tài trợ chi phí rẻ nên vì vậy có thể các doanh nghiệp này trong điều kiện bình thường có thể nắm giữ tiền ít hơn các công ty có quy mô nhỏ. Ferreira và Vilela (2003) nhận thấy có một tương quan âm giữa nắm giữ tiền mặt và quy mô công ty. Lee và Song (2007) lại nhận thấy rằng nắm giữ tiền mặt tăng ở khắp mọi nơi bất kể quy mô công ty ra sao. Ozkan và Ozkan (2004) cho rằng các công ty nhỏ tồn tại hiện tượng thông tin bất cân xứng nên khó tiếp cận thị trường vốn khi có nhu cầu tài trợ, do đó phải nắm giữ nhiều tiền mặt để tránh rơi vào tình trạng mất khả năng thanh toán các khoản nợ đến hạn. Al-Najjar và Belghitar (2011) cũng cho rằng các công ty nhỏ có xu hướng nắm giữ nhiều tiền mặt hơn các đối tác lớn bởi vì họ phải đối mặt với chi phí cao khi huy động vốn từ bên ngoài.
Ngược lại, Opler và cộng sự (1999) cho rằng việc nắm giữ tiền mặt có tương quan dương với quy mô công ty vì các công ty lớn thường thể hiện tốt hơn so với các công ty nhỏ và do đó cần phải có nhiều tiền mặt.
Nghiên cứu thực tiễn của các công ty Dược phẩm niêm yết trên TTCK Việt Nam, đồng quan điểm với Opler và cộng sự (1999) và thuyết trật tự phân hạng, tác giả kỳ vọng quy mô công ty có tương quan dương với việc nắm giữ tiền mặt.
Giả thuyết 2: Vốn lưu động ròng có tương quan âm với việc nắm giữ tiền mặt.
Vốn lưu động ròng đại diện cho tài sản lưu động thay thế. Thuyết đánh đổi cho rằng nắm giữ tiền mặt và tài sản lưu động thay thế có tương quan âm vì chúng dễ dàng chuyển đổi thành tiền mặt và do đó lượng tài sản lưu động thay thế có thể làm lượng tiền mặt nắm giữ giảm. Lee và Song (2007) tìm thấy hệ số tương quan âm đáng kể các tài sản lưu động thay thế tiền mặt ở các
công ty sau khủng hoảng tài chính châu Á. Opler và các cộng sự (1999), Ferreira và Vilela (2003), Hofmann (2006) cũng cho rằng việc nắm giữ tiền mặt có tương quan âm với tài sản lưu động thay thế. Saddour (2006), Afza và Adnan (2007), Megginson và Wei (2010) cũng đưa ra nhận định tương tự.
Các công ty có tỷ lệ tài sản lưu động thay thế cao có thể sử dụng những tài sản này chuyển đổi thành tiền một cách dễ dàng hơn những tài sản khác. Điều này ngụ ý rằng tài sản lưu động thay thế của doanh nghiệp có mối quan hệ tỷ lệ nghịch với tỷ lệ nắm giữ tiền của doanh nghiệp. Vì vậy, tác giả kỳ vọng vốn lưu động ròng có tương quan âm với việc nắm giữ tiền mặt.
Giả thuyết 3: Dòng tiền có tương quan dương với việc nắm giữ tiền mặt.
Nhà quản trị tài chính thường quan tâm tới dòng tiền hơn là các khoản lợi nhuận kế toán bởi nó liên quan đến các khoản thu nhập và chi phí không bằng tiền mà các kế toán viên không thể hiện chúng trên sổ sách. Dòng tiền chính là thước đo sức mạnh tài chính tốt nhất của một doanh nghiệp. Các doanh nghiệp có dòng tiền lớn sẽ đảm bảo tốt các khoản chi hoạt động cũng như sẵn sàng đáp ứng nguồn tài trợ cho các nhu cầu đầu tư trong tương lai của doanh nghiệp.
Thuyết trật tự phân hạng cho rằng các công ty có dòng tiền cao sẽ nắm giữ tiền mặt nhiều hơn. Ferreira và Vilela (2004) nghiên cứu ở các khối liên minh kinh tế và tiền tệ EMU và Hofmann (2006) nghiên cứu các công ty ở New Zealand cũng cho rằng dòng tiền có mối tương quan dương với việc nắm giữ tiền mặt của các công ty này.
Đồng quan điểm với những nghiên cứu đi trước và thuyết trật tự phân hạng, cũng như thực trạng các doanh nghiệp Dược phẩm niêm yết trên TTCK Việt Nam, tác giả kỳ vọng có một mối tương quan dương giữa dòng tiền và