6. Tổng quan tài liệu nghiên cứu
2.5. PHƯƠNG PHÁP NGHIÊN CỨ U
2.5.1. 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
40
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
41
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) và (2). 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.
2.5.2. Các phương pháp ước lượng dữ liệu bảng
a.Mô hình hiệu ứng cốđịnh (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 (năm) Xit : biến giải thích
42
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 cốđịnh thì trong mô hình hiệu ứng ngẫu nhiên sự biến động giữa các đơn vịđược 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:
43
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 trịước 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 vịđược cho là rút ngẫu nhiên từ mẫu lớn hơn thì REM sẽ thích hợp hơn.
44
- 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
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 cổđiển 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 cổđiển 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.
Mô hình FEM tự bản thân chỉ quan tâm đến những khác biệt mang tính 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.
45
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 cốđịnh FEM là phù hợp hơn.
Ngược lại, kết luận nên sử dụng mô hình tác động ngẫu nhiên REM. Để giải quyết mục tiêu nghiên cứu thứ nhất về tác động của đòn bẩy tài chính đến quyết định đầu tư, tác giả tiến hành hồi quy phương trình (1) và (2) lần lượt theo ba phương pháp PLS, FEM và REM. Kiểm định LM test - Breusch & Pagan (1980) và kiểm định Hausman (1978) được sử dụng trong việc lựa chọn phương pháp hồi quy nào là phù hợp nhất. Với mục tiêu thứ hai là nghiên cứu sự khác biệt trong mối quan hệ đòn bẩy tài chính – quyết định đầu tư ở các công ty có cơ hội tăng trưởng khác nhau, tác giả tiến hành các bước hồi quy phương trình (3) và (4) tương tự. Việc sử dụng hai biến Q và SGROW đại diện cho cơ hội tăng trưởng của công ty thể hiện sự cẩn trọng trong trường hợp thị trường chứng khoán không đánh giá đúng giá trị và cơ hội tăng trưởng của công ty.
46
2.5.3. Phương pháp hồi quy biến công cụ
Trong mô hình, đòn bẩy tài chính được kỳ vọng có tác động đến quyết định đầu tư của công ty. Tuy nhiên, ngược lại, các nhà quản lý có thể nhận thức sớm được cơ hội đầu tư trong tương lai và có khả năng sẽ điều chỉnh cơ cấu vốn, thay đổi đòn bẩy tài chính đểđón đầu cơ hội đầu tư đó. Tức là có thể tồn tại mối quan hệ hai chiều (hay còn gọi là mối quan hệ nhân quả ngược) tiềm tàng giữa quyết định đầu tư và đòn bẩy tài chính. Một khi nghi ngờ mô hình có thể tồn tại hiện tượng biến nội sinh do mối quan hệ hai chiều giữa các biến, cần quan tâm và xử lý để giải quyết vấn đề này. Kiểm định biến LEV hay LONGLEV có phải là biến nội sinh hay không dựa vào kiểm định Hausman (1978). Lúc này, nếu tồn tại hiện tượng nội sinh, nhất thiết phải cần sử dụng phương pháp ước lượng phù hợp như phương pháp biến nội sinh (IV) hoặc một số phương pháp khác để khắc phục. Để giải quyết vấn đề nội sinh trong mối quan hệ giữa đòn bẩy và quyết định đầu tư, đề tài đề xuất sử dụng phương pháp biến công cụ kết hợp với phương pháp hồi quy FEM hoặc REM. Cơ sở cho việc lựa chọn biến công cụ cho đòn bẩy tài chính được dựa trên nền tảng lý thuyết và các nghiên cứu thực nghiệm có ý nghĩa trước đây. Trong nghiên cứu của Aivazian & cộng sự (2005), biến công cụ là tỷ lệ tài sản hữu hình trên tổng tài sản. Lý giải cho việc sử dụng biến tài sản hữu hình là do chi phí phá sản là yếu tố quan trọng quyết định mức độ đòn bẩy và tài sản hữu hình có xu hướng giảm thiểu chi phí phá sản, gia tăng sử dụng nợ. Vì vậy, tài sản hữu hình sẽ có tương quan cao với mức độ đòn bẩy của công ty. Hơn nữa, qua nhiều nghiên cứu, tài sản hữu hình thường không có tương quan cao với cơ hội đầu tư của công ty. Bên cạnh đó, nghiên cứu của Firth & cộng sự (2008) lại sử dụng tấm chắn thuế phi nợ (lợi thế về thuế do khấu hao) là một biến công cụ. Firth dựa trên cơ sở DeAngelo và Masullis (1980) chỉ ra rằng tấm chắn thuế phi nợ là sự thay thế cho lợi ích về thuế của tài trợ nợ và một
47
công ty có tấm chắn thuế phi nợ càng lớn thì càng ít có khả năng sử dụng nợ. Theo đó, đề tài cũng đưa biến khấu hao tài sản trên tổng tài sản làm đại diện cho tấm chắn thuế phi nợ là một biến công cụ trong mô hình. Việc lựa chọn biến công cụ phù hợp sẽ được tiến hành thông qua xem xét sự tương quan giữa biến công cụ và biến nội sinh, biến phụ thuộc.
Các kết quả nghiên cứu dựa trên các ước lượng khi sử dụng phương pháp biến công cụ kết hợp với mô hình hiệu ứng cốđịnh.
48
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU VÀ HÀM Ý
3.1. THỐNG KÊ MÔ TẢ
Trước khi tiến hành chạy mô hình hồi quy để xem xét ảnh hưởng của đòn bẩy tài chính đến quyết định đầu tư của công ty, bảng 3.1 trình bày thống kê mô tả các biến để xem mức độ biến động, giá trị cao nhất, giá trị thấp nhất, giá trị trung bình của các biến trong mô hình.
Bảng 3.1. Kết quả thống kê mô tả biến
Mean Median Maximum Minimum Std. Dev.
I 0.0264 0.0034 0.8918 -0.1886 0.0841 LEV 0.5411 0.5713 0.9067 0.0284 0.1996 LONG LEV 0.1042 0.0463 0.6524 0.0000 0.1325 CF 0.1276 0.1121 1.0182 -0.4785 0.0921 SALE 1.2377 0.9828 10.551 0.0010 1.0648 Q 0.8759 0.8371 10.849 0.2541 0.4683 SGROW 1.1729 1.0937 30.55496 0.0823 0.9768
Nguồn: Tính toán của tác giả từ phần mềm Eview 8.