3. PHƢƠNG PHÁP NGHIÊN CỨU
3.4.2. Phân tích định lƣợng
Việc sử dụng mô hình dữ liệu bảng là một công cụ nghiên cứu mạnh mẽ, bởi vì nó kết hợp các dữ liệu chéo với các dữ liệu chuỗi thời gian, và cung cấp kết quả không thể được ước tính và nghiên cứu nếu chúng ta chỉ sử dụng chuỗi thời gian hay dữ liệu chéo. Một mô hình tổng quát cho dữ liệu bảng cho phép các nhà nghiên cứu ước tính dữ liệu bảng với sự linh hoạt và tìm hiểu sự khác nhau các yếu tố đơn vị chéo như sau:
Trong đó là biến phụ thuộc, là ma trận các biến độc lập, và là ma trận hằng số gồm một tập hợp của các biến nhóm hay riêng lẻ có thể quan sát được hoặc không thể quan sát được. Mô hình này là mô hình hồi quy cổ điển. Nếu ma trận có thể được quan sát cho tất cả các biến riêng lẻ, thì phương pháp bình phương bé nhất sẽ đưa ra được ước lượng phù hợp và hiệu quả.
Hồi quy pool OLS coi chỉ gồm một số hạng không đổi. Trong trường hợp này, phương pháp bình phương bé nhất thông thường đưa ra một ước lượng hiệu quả và phù hợp cho hệ số và . Nếu không thể quan sát được và tương quan với các biến độc lập, thì ước lượng bình phương bé nhất của sẽ bị lệch và không chắc chắn, đó là hậu quả của một biến bị bỏ sót. Mô hình các yếu tố ảnh hưởng cố định (fixed effect model) đưa những vấn đề đó vào tính toán và đưa ra một ước lượng chắc chắn và không chệch về và . Nếu những ảnh hưởng riêng lẻ không quan sát được có thể đưa vào công thức và nó được dự đoán rằng những quan sát không tương quan với các biến độc lập, thì mô hình kinh tế có thể được ước lượng bằng phương pháp các yếu tố ảnh hưởng ngẫu nhiên (random effect model).
Các mô hình phân tích ảnh hưởng của vốn luân chuyển tới lợi nhuận đều có thể được hồi quy bằng 3 mô hình Pooled OLS, Fixed effects model và Random effects model. Vậy làm sao để biết đâu là mô hình thích hợp nhất trong 3 mô hình để phân tích mối quan hệ này. Trong bài nghiên cứu này tôi sử dụng AIC và F-test để xem nên sử dụng mô hình OLS hay mô hình fixed và random effects. Nếu mô hình fixed và random effects là thích hợp thì kiểm định của Hausman sẽ được sử dụng để xem xét mô hình nào trong 2 mô hình này là tốt nhất.
Sau khi hồi quy bằng 2 phương pháp là OLS và fixed/random effects, tôi tiến hành hồi quy các mô hình bằng phương pháp GMM (Generalized method of moment) đề xuất bởi Arellano và Bond (1991). Trong ước lượng dữ liệu bảng, cả hồi quy OLS và fixed/random effects đều không vững nếu tồn tại biến độc lập nội sinh và có cấu trúc động. Vấn đề nội sinh là một hình thức mà một tham số hay một biến giải thích trong mô hình có tương quan với phần sai số. Nguyên nhân có thể là do sai số trong quá
trình đo lường, do sự tự tương quan trong mô hình, hay do bỏ sót biến. Nói chung, một vòng lặp các quan hệ nhân quả giữa biến độc lập và biến phụ thuộc trong mô hình có thể dẫn đến vấn đề nội sinh. Ngoài ra, có khả năng mô hình bị tác động bởi các yếu tố riêng lẻ không quan sát được, mà những yếu tố này có tương quan với các biến độc lập, vì vậy cần phải xem xét các ảnh hưởng này. Tất cả nhược điểm kể trên có thể khắc phục bằng cách sử dụng GMM. Trong nghiên cứu của Deloof (2003) cũng đã đưa ra thảo luận về vấn đề nội sinh có thể tồn tại, tuy nhiên ông không đưa ra cách khắc phục vấn đề trên.