Mô hình nghiên cứu

Một phần của tài liệu (luận văn thạc sĩ) nghiên cứu các nhân tố ảnh hưởng đến hiệu quả kinh doanh của các doanh nghiệp ngành thực phẩm và đồ uống niêm yết trên sàn chứng khoán việt nam (Trang 47 - 52)

7. Bố cục đề tài

2.1.2. Mô hình nghiên cứu

Đề tài sử dụng dữ liệu bảng - số liệu theo năm của 55 doanh nghiệp ngành thực phẩm và đồ uống niêm yết trên thị trƣờng chứng khoán Việt Nam trong vòng 3 năm từ năm 2013- 2015 để phân tích các nhân tố ảnh hƣởng đến hiệu quả kinh doanh. Đề tài sử dụng số liệu bảng đƣợc lựa chọn trong nghiên cứu bởi vì những ƣu điểm của dữ liệu bảng nhƣ:

Loại dữ liệu này liên quan đến nhiều thông tin của cùng một đối tƣợng nghiên cứu trong một giai đoạn thời gian nên bao hàm những đặc điểm riêng khác nhau cho các đối tƣợng nghiên cứu khác nhau. Chính vì vậy mà với những kỹ thuật ƣớc lƣợng đối với loại dữ liệu này có thể cho phép chúng ta xem xét sự khác biệt của những đặc điểm riêng không quan sát đƣợc của các đối tƣợng khác nhau (ví dụ nhƣ khác biệt văn hoá giữa các quốc gia hay sự khác biệt về triết lý kinh doanh giữa các doanh nghiệp, khác biệt về đặc điểm doanh nghiệp và môi trƣờng kinh doanh…) một cách rõ ràng bằng việc đƣa thêm vào bên trong mô hình những biến số chỉ định riêng cho từng đối tƣợng hoặc nhóm đối tƣợng nghiên cứu.

Việc kết hợp các giá trị quan sát theo thời gian khác nhau cho nhiều đối tƣợng khác nhau làm cho loại dữ liệu này chứa đựng nhiều thông tin có giá trị hơn, biến đổi hơn, giảm hiện tƣợng tự tƣơng quan trong các biến của mô hình, bậc tự do cao hơn và sẽ hiệu quả hơn trong việc xử lý các mô hình.

Dữ liệu bảng có thể phát hiện và đo lƣờng tốt hơn các tác động mà ngƣời ta không thể quan sát đƣợc trong dữ liệu chuỗi thời gian hay dữ liệu chuỗi thuần túy.

Hầu hế phân tích hồ

nhằm tìm ra mối quan hệ giữa biến phụ thuộc và các biế

– –

doanh nghiệp ngành thực phẩm và đồ uống.

a. Mô hình ảnh hưởng cố định – FEM

Với giả định mỗi thực thể 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 thực thể với các biến giải thích qua đó kiểm soát 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 của biến giải thích lên biến phụ thuộc.

Mô hình ƣớc lƣợng sử dụng: Yit = Ci + β Xit + uit

Trong đó:

Yit : biến phụ thuộc với i : doanh nghiệp, t : thời gian (quý)

Xit : biến độc lập

Ci : hệ số chặn cho từng thực thể nghiên cứu (i = 1.…n)

β : hệ số góc đối với nhân tố X

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 của từng doanh nghiệp hoặc do sự khác nhau trong chính sách quản lý, hoạt động của doanh nghiệp.

b. Mô hình ảnh hưởng ngẫu nhiên – REM

Điểm khác biệt giữa FEM và REM đƣợc thể hiện ở sự biến động giữa các thực thể. Nếu sự biến động giữa các thực thể có tƣơng quan đến biến độc lập - biến giải thích trong mô hình ảnh hƣởng cố định thì trong mô hình ảnh hƣởng ngẫu nhiên sự biến động giữa các thực thể đƣợc giả sử là ngẫu nhiên và không tƣơng quan đến các biến giải thích. Chính vì vậy, nếu sự khác biệt giữa các thực thể 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.

Mô hình ƣớc lƣợng sử dụng:

Yit = Ci + β Xit + εi + uit hay Yit = Ci + β Xit + wit với wit = εi + uit

Trong đó :

εi: sai số thành phần của 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.

Giả định thông thƣờng mà mô hình đƣa ra là:

εit ~ N (0, σ2ε)

uit ~ N (0, σ2u )

E(εit, uit) = 0 E(εi, εj) = 0 (i ≠ j)

Nghĩa là các thành phần sai số riêng biệt (εit) không có tƣơng quan với

nhau và không tự tƣơng quan giữa các đơn vị theo không gian và chuỗi thời gian.

Nhìn chung, mô hình FEM hay REM tốt hơn cho nghiên cứu phụ thuộc

vào giả định có hay không sự tƣơng quan giữa εi và các biến giải thích X. Nếu

giả định rằng không có tƣơng quan, thì REM phù hợp hơn, và ngƣợc lại. Ngoài ra, nếu căn cứ vào N (số dữ liệu chéo) và T (độ dài thời gian nghiên cứu) thì theo Judge:

- Trƣờng hợp T lớn và N nhỏ: Trong trƣờng hợp này không có sự khác biệt lớn về giá trị của các tham số ƣớc lƣợng trong mô hình FEM và REM. Vì vậy việc lựa chọn mô hình nào phụ thuộc vào tiện ích trong xử lý. Thông thƣờng trong trƣờng hợp này mô hình ảnh hƣởng cố định (FEM) đƣợc lựa chọn.

Trƣờng hợp T nhỏ và N lớn: Trong trƣờng hợp này, kết quả ƣớc lƣợng khác biệt nhau rất lớn. Nếu các đối tƣợng nghiên cứu không đƣợc chọn ra một cách ngẫu nhiên từ một tổng thể lớn hơn nhiều thì FEM sẽ phù hợp hơn. Ngƣợc lại, nếu các đối tƣợng nghiên cứu đƣợc lựa chọn một cách ngẫu nhiên từ một tổng thể lớn hơn thì REM sẽ thích hợp hơn bởi vì trong trƣờng hợp

này hệ số chặn β1i là thật sự ngẫu nhiên nên việc suy luận thống kê hay giải

thích mô hình sẽ dễ dàng và không có điều kiện ràng buộc. Do đó, nếu các điều kiện của REM đƣợc đảm bảo thì kết quả ƣớc lƣợng của REM sẽ chính xác hơn sơ với FEM.

Bên cạnh đó, Hausman test cũng là một phƣơng án trong việc chọn phƣơng pháp tốt nhất giữa FEM và REM. Kiểm định Hausman nhằm lựa chọn mô 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, bác bỏ H0. Khi đó REM là không hợp lý, nên lựa chọn FEM.

c. Lựa chọn mô hình

Mô hình ảnh hƣởng cố định FEM

Mô hình ảnh hƣởng ngẫu nhiên REM

Hệ số chặn Có riêng từng hệ số chặn

cho từng đơn vị chéo (DN)

Chỉ có duy nhất một hệ số chặn cho tất cả các đơn vị chéo (DN) Giá trị này là giá trị trung bình

của tất cả các đơn vị chéo

Hệ số góc Không biến đổi Không biến đổi

Phần dƣ

(Sai số) ổi

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

ời gian

Nhìn chung, mô hình FEM hay REM tốt hơn cho nghiên cứu phụ thuộc

vào giả định có hay không sự tƣơng quan giữa εi và các biến giải thích X. Nếu

giả định không tƣơng quan, thì REM phù hợp hơn, và ngƣợc lại. Ngoài ra, nếu căn cứ vào N (số dữ liệu chéo) và T (độ dài thời gian nghiên cứu) thì theo Judge, FEM và REM không phân biệt khi T lớn và N nhỏ, khá khác biệt khi N lớn và T nhỏ. Bên cạnh đó, kiểm định Hausman cũng là một trong những phƣơng pháp để lựa chọn giữa FEM và REM. Vì thế, trong phần hồi quy của nghiên cứu này sẽ lần lƣợt đi qua cả hai mô hình là mô hình ảnh hƣởng cố định (FEM) và mô hình ảnh hƣởng ngẫu nhiên (REM) để lựa chọn mô hình thích hợp nhất. Kiểm định Hausman nhằm lựa chọn mô 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

Nếu p-value <0,05, bác bỏ H0. Khi đó REM là không hợp lý, nên lựa chọn FEM.

Một phần của tài liệu (luận văn thạc sĩ) nghiên cứu các nhân tố ảnh hưởng đến hiệu quả kinh doanh của các doanh nghiệp ngành thực phẩm và đồ uống niêm yết trên sàn chứng khoán việt nam (Trang 47 - 52)

Tải bản đầy đủ (PDF)

(113 trang)