Sau khi thu thập dữ liệu, tác giả sẽ tiến hành xử lý và phân tích các dữ liệu theo quy trình sau:
Hình 3.3: Quy trình xử lý và phân tích số liệu 3.3.3.1. Phƣơng pháp hồi quy
Trong nghiên cứu này tác giả sử dụng dữ liệu thu thập từ BCTC theo năm của các NHTM Việt Nam niêm yết trên HOSE, HNX và OTC trong giai đoạn 2007 - 2016. Đây là loại dữ liệu kết hợp giữa dữ liệu chéo (cross –section) và dữ liệu thời gian (time series) nên phƣơng pháp hồi quy đƣợc sử dụng ở đây là phƣơng pháp hồi quy cho dữ liệu bảng. Theo Nguyễn Ngọc Thuyết (2017a), hai mô hình hồi quy phổ biến là mô hình hồi quy tác động cố định (FEM) và mô hình hồi quy tác động ngẫu nhiên (REM) đƣợc sử dụng để phân tích dữ liệu bảng. Đây là hai mô hình đƣợc ƣu tiên sử dụng để giải quyết hai vấn đề quan trọng liên quan đến sai số trong mô hình dữ liệu bảng. Đó là sự tƣơng quan giữa các biến giải thích với các tác động riêng lẽ của các đối tƣợng quan sát khác nhau và sự tƣơng quan giữa các biến giải thích với thành phần sai số nhiễu. Sự tồn tại của một trong hai hay cả hai yếu tố trên làm cho kết quả ƣớc lƣợng theo phƣơng pháp bình phƣơng nhỏ nhất (OLS) sẽ bị chệch và
GMM FGLS
không còn hiệu quả nữa (Nguyễn Ngọc Thuyết, 2017b). Tuy nhiên, nghiên cứu vẫn sử dụng ƣớc lƣợng OLS thô cho dữ liệu bảng và thực hiện các kiểm định để thấy mô hình FEM và REM hiệu quả hơn. Theo Gujarati (2004), ƣớc lƣợng OLS thô là ƣớc lƣợng OLS trên dữ liệu thu đƣợc của đối tƣợng theo thời gian, do vậy nó xem xét tất cả các hệ số đều không thay đổi giữa các đối tƣợng khác nhau và không thay đổi theo thời gian.
Trong trƣờng hợp mô hình đƣợc lựa chọn (FEM hoặc REM) gặp phải các khuyết tật nhƣ tự tƣơng quan, phƣơng sai sai số thay đổi thì phƣơng pháp hồi quy moment tổng quát (GMM) và phƣơng pháp hồi quy bình phƣơng bé nhất tổng quát thực hành (FGLS) sẽ đƣợc sử dụng để khắc phục vấn đề trên.
Mô hình hồi quy tác động cố định (FEM)
Xét một mối quan hệ kinh tế với biến phụ thuộc Y và hai biến giải thích quan sát đƣợc là X1, X2. Mô hình hồi quy tác động cố định FEM có dạng
Yit = β1i+ β2X1it + β3X2it + εit (3.10) Với i = 1, 2, …, N và t = 1,2, …, T
Trong đó:
Yit là giá trị của Y cho đối tƣợng i ở thời điểm t X1it là giá trị của X1 cho đối tƣợng i ở thời điềm t X2it là giá trị của X2 cho đối tuợng i ở thời điềm t
εit là các thành phần sai số riêng đặc trƣng của mô hình và đƣợc chia thành 2 thành phần: εit = μi + vit. Trong đó:
μi là thành phần sai số không quan sát đƣợc không thay đổi theo thời gian vit là thành phần không quan sát đƣợc của đối tƣợng i ở thời điểm t thay đổi theo thời gian.
Mô hình hồi quy tác động ngẫu nhiên (REM)
Xét mối quan hệ kinh tế bao gồm một biến phụ thuộc Y và hai biến giải thích quan sát đƣợc X1, X2 tuơng tự nhƣ mô hình hồi quy tác động cố định ở trên. Mô hình tác động ngẫu nhiên đƣợc viết lại dƣới dạng:
Với i = 1, 2, …, N và t = 1, 2, …, T Trong đó:
Yit là giá trị của Y cho đối tƣợng i ở thời điểm t X1it là giá trị của X1 cho đối tƣợng i ở thời điềm t X2it là giá trị của X2 cho đối tuợng i ở thời điềm t
εit là các thành phần sai số riêng đặc trƣng của mô hình và đƣợc chia thành 2 thành phần: εit = μi + vit. Trong đó:
μi là thành phần sai số không quan sát đƣợc không thay đổi theo thời gian vitlà thành phần không quan sát đƣợc của đối tƣợng i ở thời điểm t thay đổi theo thời gian.
Tuy nhiên không giống nhƣ ở FEM các μi này không đổi giữa các nhóm (chỉ thay đổi giữa các đối tƣợng trong cùng nhóm), mô hình REM chấp nhận μi thay đổi tùy ý ngẫu nhiên giữa các đối tƣợng và các nhóm. (Nguyễn Ngọc Thuyết, 2017c)
Phƣơng pháp hồi quy GMM
Theo Nguyễn Ngọc Thuyết (2017d), phƣơng pháp GMM là một phƣơng pháp thống kê cho kết hợp các dữ liệu kinh tế quan sát đƣợc trong các điều kiện moment tổng thể để ƣớc lƣợng các tham số chƣa biết của mô hình kinh tế. Xét phƣơng trình hồi quy có dạng:
Yit = (β0+ μi) + β1Yit-1 + β2X2it + vit (3.12) Với i = 1, 2, …, N và t = 1, 2, …., T
Trong đó:
Xit là tập hợp các biến giải thích cho đối tƣợng i ở thời điểm t
μi là tập hợp các tham số cố định thay cho thành phần sai số không quan sát đƣợc không thay đổi theo thời gian, mỗi tham số ứng với đối tƣợng i.
vit là các thành phần sai số không quan sát đƣợc của đối tƣợng i ở thời điểm t thay đổi theo thời gian.
Đối với mô hình có sự xuất hiện biến trễ của biến phụ thuộc là Yit-1, do đó phƣơng pháp ƣớc lƣợng theo mô hình nhân tố cố định có thể nảy sinh một số vấn đề
làm chênh lệch kết quả nhƣ sau: xảy ra hiện tƣợng nội sinh của các biến, tác động cố định hàm chứa trong các sai số gồm đặc thù của các biến không quan sát đƣợc (μi) và sai số đặc thù quan sát đƣợc (vit), không giải quyết đƣợc hiện tƣợng tự tƣơng quan, dữ liệu bảng có thời gian ngắn (T nhỏ) và số lƣợng đối tƣợng nhiều (N lớn).
Để giải quyết tất cả các vấn đề này, phƣơng pháp GMM để chuyển hóa phƣơng trình thành:
ΔYit = β1ΔYit-1 + β2ΔXit + Δuit (3.12) Bằng cách biến đổi sang hồi quy ở sai phân bậc nhất , tác động cố định đặc thù sẽ bị loại trừ. Phƣơng pháp GMM sử dụng các biến phụ thuộc có độ trễ s để làm đại diện nên các ảnh hƣởng không quan sát đƣợc không thay đổi theo thời gian có thể đƣợc ƣớc lƣợng trong mô hình.
Phƣơng pháp hồi quy bình phƣơng bé nhất tổng quát thực hành (FGLS) Ý tƣởng của phƣơng pháp FGLS là dùng phép biến đối tƣơng đƣơng để đƣa mô hình chứa phƣơng sai sai số thay đổi về dạng mô hình mà phƣơng sai sai số không thay đổi, sau đó sử dụng phƣơng pháp OLS để ƣớc lƣợng mô hình này. Xét phƣơng trình hồi quy:
Y = β1+ β2X2i +….+ βkXki+ u (3.13) Khi đó chia hai vế phƣơng trình 3.13 cho X2i ta thu đƣợc phƣơng trình:
Y = α1+ α2X*2i +….+ αkX*ki+ u* (3.13)
3.3.3.2. Các kiểm định với mô hình hồi quy
Kiểm định Hausman đƣợc sử dụng để lựa chọn phƣơng pháp ƣớc lƣợng phù hợp giữa hai phƣơng pháp ƣớc lƣợng tác động cố định và tác động ngẫu nhiên (Baltagi 2008). Giả thuyết H0 cho rằng không có sự tƣơng quan giữa sai số đặc trƣng giữa các đối tƣợng (vi) với các biến giải thích Xit trong mô hình. Bác bỏ giả thuyết Ho (p-value < 0.05) dẫn đến kết luận mô hình ƣớc lƣợng tác động cố định (FEM) là phù hợp hơn so với mô hình ƣớc lƣợng ngẫu nhiên. Ngƣợc lại, nếu chƣa có đủ bẳng chứng để bác bỏ H0 thì mô hình ƣớc lƣợng ngẫu nhiên (REM) sẽ đƣợc ƣu tiên sử dụng.
Ngoài kiểm định Hausman, kiểm định F (F-test) cũng đƣợc sử dụng để kiểm chứng tính phù hợp của mô hình ƣớc lƣợng FEM, REM so với mô hình ƣớc lƣợng thô Pooled OLS.
Sau khi xác định đƣợc mô hình FEM hay REM phù hợp, các kiểm định sau đây đƣợc sử dụng để xem xét những khuyết tật của mô hình:
Kiểm định hiện tƣợng tự tƣơng quan hay còn gọi là tƣơng quan chuỗi bằng kiểm định Wooldridge để xem xét dữ liệu có tƣơng quan chuỗi trong sai số đặc trƣng của mô hình hay không. Hiện tƣợng tƣơng quan chuỗi ám chỉ rằng một số ảnh hƣởng hệ thống nào đó đã bị loại bỏ khỏi phƣơng trình và do đó làm giảm khả năng giải thích của mô hình hồi quy. Giả thuyết Ho là không có hiện tƣợng tƣơng quan chuỗi. Nếu p-value > 0.05 thì không xảy ra hiện tƣợng tƣơng quan chuỗi trong mô hình và ngƣợc lại.
Kiểm định phƣơng sai sai số thay đổi bằng kiểm định Breusch – Pagan với giả thiết Ho là phƣơng sai sai số không đổi. Nếu p-value < 0.05 thì giả thuyết Ho bị bác bỏ chứng tỏ mô hình tồn tại phƣơng sai sai số thay đổi.
Trong trƣờng hợp mô hình FEM hay REM gặp phải các khuyết tật, điều này hàm ý rằng mô hình đang gặp phải các vấn đề về tính nội sinh của các biến, cũng nhƣ các vấn đề liên quan đến tính chất động của mô hình với dữ liệu bảng.. Để giải quyết vấn đề này có nhiều cách thức khác nhau nhƣ thêm biến trễ, biến đổi dữ liệu để đảm bảo tính hợp lý của mô hình . Theo Nguyễn Ngọc Thuyết (2017d), phƣơng pháp GMM và FGLS sẽ thích hợp sử dụng trong trƣờng hợp tồn tại phƣơng sai sai số thay đổi và tự tƣơng quan trong mỗi đối tƣợng. Vì vậy trong nghiên cứu này, phƣơng pháp GMM và FGLS cho dữ liệu bảng đƣợc sử dụng để loại bỏ khuyết tật của mô hình FEM và REM.
Theo Nguyễn Minh Tiến (2014), tính hợp lý của các công cụ đƣợc sử dụng trong GMM đƣợc đánh giá qua các thống kê Sargan và Arrelano – Bond (AR):
- Kiểm định Sargan xác định các tính chất phù hợp của các biến công cụ trong mô hình GMM. Đây là kiểm định giới hạn về nội sinh của mô hình. Kiểm
định Sargan với giả thiết Ho: Biến công cụ là ngoại sinh vì thế p-value càng lớn càng tốt.
- Kiểm định Arellano – Bond (AR) về tự tƣơng quan có giả thiết Ho: không có tự tƣơng quan và đƣợc áp dụng cho số dƣ sai phân. Kiểm định tiến trình AR(1) trong sai phân bậc 1 thƣờng bác bỏ giả thiết Ho, cho nên AR (2) quan trọng hơn vì nó kiểm tra tự tƣơng quan ở các cấp độ. Theo đó p-value càng lớn càng tốt.
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU
Chƣơng 4 là chƣơng quan trọng nhất của đề tài trình bày kết quả và những phân tích về các nhân tố tác động đến dự phòng RRTD. Qua đó cho thấy nhân tố nào tác động nhiều nhất đến dự phòng RRTD. Từ đó đƣa ra mô hình hồi quy thích hợp thể hiện mối quan hệ giữa các nhân tố và dự phòng RRTD của các NHTM. Song song với việc xác định các nhân tố tác động đến dƣ phòng RRTD thì chƣơng này còn có một nội dung nữa đó là tìm kiếm bằng chứng về việc các NHTM Việt Nam thực hiện quản trị lợi nhuận thông qua công cụ LPP nhƣ thế nào.