Do dữ liệu của đề tài là dữ liệu dạng bảng nên sử dụng phƣơng pháp hồi quy dữ liệu bảng với ba mô hình hồi quy cơ bản là mô hình hồi quy gộp số liệu (Pooled Pregression), mô hình tác động cố định (Fixed Effects Model) và mô hình tác động ngẫu nhiên (Random Effects Model). Tác giả sử dụng phần mềm STATA để xử lý dữ liệu và thực hiện phân tích theo trình tự nhƣ sau.
Số liệu đƣợc trình bày dƣới dạng bảng thống kê mô tả, mỗi biến đƣợc mô tả qua các nội dung nhƣ tên biến, số mẫu, số trung bình, độ lệch chuẩn, giá trị cực tiểu và giá trị cực đại. Kết quả của phân tích này đƣa ra cái nhìn tổng quát về tính chất của mẫu lấy đƣợc trong nghiên cứu.
Việc khảo sát các cặp tƣơng quan giữa các biến độc lập đƣợc thực hiện bằng cách thuyết lập các ma trận hệ số tƣơng quan để tìm ra những cặp biến có hệ số tƣơng quan cao. Grunfeld (1958) cho rằng cần xem xét thật kỹ hệ số tƣơng quan giữa các biến độc lập trong mô hình để phát hiện khả năng tồn tại hiện tƣợng đa cộng tuyến. Nếu hệ số tƣơng quan giữa các biến lớn hơn 0,8 thì mô hình hồi quy có thể xảy ra hiện tƣợng đa cộng tuyến (Hoàng Ngọc Nhậm 2008). Gujarati (2003) cho rằng nếu hệ số tƣơng quan giữa các biến vƣợt quá 0,8 thì mô hình hồi quy sẽ gặp vấn đề về đa cộng tuyến nghiêm trọng kéo theo dấu của các hệ số hồi quy có thể sai dẫn đến phản ánh không đúng các quy luật kinh tế. Do đó, khi xuất hiện cặp biến có hệ số tƣơng quan lớn hơn 0,8 thì tác giả sẽ loại bỏ bớt một biến ra khỏi mô hình để giải quyết vấn đề đa cộng tuyến.
Theo Đỗ Thị Vân Trang và các cộng sự (2016), mô hình hồi quy gộp số liệu (Pooled Regression) giúp tìm ra ảnh hƣởng của các biến độc lập với biến phụ thuộc trong đó tất cả các hệ số của các biến độc lập đều không đổi theo thời gian và từng quan sát. Tuy nhiên để mô hình có ý nghĩa thì có rất nhiều giả định đƣợc đƣa ra nhƣ phƣơng sai của sai số không đổim không có tự tƣơng quan, không có đa cộng tuyến, không bỏ sót biến quan trọng và phải tuân theo phân phối chuẩn. Do vậy rất ít mô hình có thể thỏa mãn tất cả các điều kiện đó. Giả định hệ số của biến độc lập không đổi theo thời gian và không có sự khác biệt
của từng quan sát riêng lẻ khó xảy ra. Hơn nữa, một nhƣợc điểm lớn của mô hình hồi quy gộp số liệu là thƣờng xảy ra hiện tƣợng tự tƣơng quan. Chính vì vậy, mô hình này có thể đƣợc thay thế bởi mô hình tác động cố định (FEM). Mô hình FEM có sự khác nhau giữa ảnh hƣởng của các quan sát riêng lẻ và có sự khác nhau theo thời gian tức là mỗi quan sát riêng lẻ đều có những đặc điểm riêng lẻ có thể ảnh hƣởng đến các biến giải thích. Mô hình FEM phân tích mối tƣơng quan này giữa phần dƣ của mỗi quan sát với các biến giải thích qua đó kiểm soát và tách ảnh hƣởng của các đặc điểm riêng biệt (không thay đổi theo thời gian) ra khỏi các biến giải thích để có thể ƣớc lƣợng đƣợc ảnh hƣởng của biến giải thích lên biến phụ thuộc. Để lựa chọn giữa mô hình hồi quy gộp số liệu và mô hình tác động cố định, nghiên cứu sử dụng kiểm định F để kiểm tra độ phù hợp của mô hình gộp số liệu, nếu giá trị F cao thì mô hình tác động cố định sẽ phù hợp hơn. Tuy nhiên khi sử dụng mô hình FEM cần có sự tác động của từng quan sát tới biến giải thích theo thời gian. Nếu sự biến động của các quan sát riêng lẻ không tƣơng quan đến biến giải thích thì mô hình tác động ngẫu nhiên (REM) đƣợc sử dụng. Để quyết định lựa chọn giữa FEM và REM, đề tài sẽ sử dụng kiểm định Hausman để kiểm định giả thuyết phần dƣ ít thay đổi không tự tƣơng quan với biến độc lập tƣơng ứng, nếu xác suất xảy ra Prob < 0,05 thì bác bỏ giả thuyết và lựa chọn mô hình phù hợp là mô hình FEM, còn nếu Prob > 0,05 thì lựa chọn mô hình phù hợp là mô hình REM. Trong trƣờng hợp việc lựa chọn FEM là phù hợp hơn, nghiên cứu sẽ tiến hành kiểm định phƣơng sai của sai số không đổi và sử dụng phƣơng pháp sai số chuẩn vững (Robust Standar Errors - RSE) để khắc phục hiện tƣợng phƣơng sai của sai số thay đổi.