Với giả định mỗi ngân hàng đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến độc lập, FEM phân tích mối tương quan này giữa phần dư của mỗi ngân hàng với các biến độc lập qua đó kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến độc lập để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến độc lập lên biến phụ thuộc. Mô hình ước lượng được sử dụng trong phương pháp này là:
Yit = β0 + ⅀βiXit + uit
Phương pháp tác động cố định đã thêm vào chỉ số i cho hệ số chặn βi để phânbiệt hệ số chặn của từng ngân hàng khác nhau có thể khác nhau, sự khác biệt này có thể do đặc điểm khác nhau của từng ngân hàng hoặc do sự khác nhau trong chính sách quản lý, hoạt động của ngân hàng.
Tuy nhiên mô hình này sẽ xuất hiện hạn chế nếu đưa vào quá nhiều biến độc lập là biến giả, hoặc các biến độc lập xảy ra hiện tượng đa cộng tuyến sẽ làm cho các ước lượng không chính xác.
3.4.4 Phương pháp tác động ngẫu nhiên (Random Effects – REM)
Điểm khác biệt giữa phương pháp tác động ngẫu nhiên và tác động cố định được thể hiện ở sự biến động giữa các ngân hàng. Nếu sự biến động giữa các ngân hàng có tương quan đến biến độc lập trong mô hình tác động cố định thì trong mô hình tác động ngẫu nhiên sự biến động giữa các ngân hàng được giả sử là ngẫu nhiên và không tương quan đến các biến độc lập.
Chính vì vậy, nếu sự khác biệt giữa các ngân hàng có ảnh hưởng đến biến phụ thuộc thì phương pháp REM sẽ thích hợp hơn so với phương pháp FEM. Trong đó, phần dư của mỗi ngân hàng (không tương quan với biến độc lập) được xem là một biến độc lập mới. Mô hình ước lượng trong phương pháp này có dạng:
Yit = β0 + ⅀βiXit + uit + eit
eit: Sai số thành phần của các ngân hàng khác nhau (đặc điểm riêng khác nhau của từng ngân hàng).
uit: Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng ngân hàng và theo thời gian.
Nhìn chung phương pháp REM hay phương pháp FEM tốt hơn cho nghiên cứu phụ thuộc vào giả định có hay không sự tương quan giữa eit và biến độc lập X. Nếu giả định rằng không tương quan thì phương pháp FEM phù hợp hơn và ngược lại.
3.4.5 So sánh giữa phương pháp Pooled OLS và phương pháp FEM
Để lựa chọn giữa hai phương pháp này, ta sử dụng kiểm định F-test, với giả thuyết H0: Chọn Pooled Regresssion.
Kiểm định F phải có giá trị p-value nhỏ hơn α (1%,5%, 10%) để kiểm chứng mức độ phù hợp của mô hình hồi quy với tổng thể.
Nếu p-value F<α nghĩa là mô hình hồi quy có ý nghĩa áp dụng và suy luận ra tính chất của tổng thể.
3.4.6 So sánh giữa phương pháp REM và phương pháp FEM
chọn phương pháp ước lượng phù hợp giữa hai phương pháp ước lượng tác động cố định và tác động ngẫu nhiên. Giả thuyết H0 cho rằng không có sự tương quan giữa sai số đặc trưng giữa các đối tượng ui với các biến độc lập Xit trong mô hình với cặp giả thuyết được kiểm định như sau:
Kiểm định Hausman:
H0: Cov (Xit, ui) = 0 (random effects)
H1: Cov(Xit, ui) ≠ 0 (fixed effects)
- Nếu p-value < α thì bác bỏ giả thuyết H0 - Nếu p-value > α thì chấp nhận giả thuyết H0
3.4.7 Các kiểm định
3.4.7.1 Kiểm định đa cộng tuyến
Đa cộng tuyến xảy ra khi các biến độc lập có tương quan với nhau gây ra hiện tượng dấu của hệ số hồi quy bị đảo chiều hoặc các biến độc lập mất ý nghĩa thống kê. Để kiểm tra hiện tượng này tác giả sử dụng hệ số phóng đại phương sai VIF.
VIFj = 1
1−𝑅𝑗2
Với Rj là hệ số xác định của mô hình hồi quy phụ. Đa cộng tuyến xảy ra khi 1 trong những VIF tìm được > 10 (Gujrati, 2003).
3.4.7.2 Kiểm định phương sai thay đổi
Bản chất các mối quan hệ kinh tế hoặc công cụ và phương pháp thu thập, xử lý số liệu làm cho phương sai của các sai số thay đổi khi giá trị của biến độc lập X thay đổi gây ra hiện tượng hệ số ước lượng không còn hiệu quả vì phương sai không còn là phương sai nhỏ nhất, việc kiểm định giả thuyết không còn đáng tin cậy. Những kết quả dự báo không còn là tối ưu.
Kiểm định Modofied Wald được dùng để kiểm định phương sai sai số ui thay đổi qua các thực tế trong trường hợp mô hình sử dụng FEM hoặc sử dụng kiểm định Likelihood – ratio test trong trường hợp mô hình sử dụng REM.
H0: Var(u) = 0: Phương sai qua các thực thể là không đổi. Với p-value > α giả thuyết H0 được chấp nhận.
3.4.7.3 Kiểm định tự tương quan
Do quán tính của các chuỗi thời gian mang tính chu kỳ, tự tương quan xảy ra khi sai số của thời kỳ này có tương quan với sai số của thời kỳ trước đó.
Kiểm định Wooldridge được dùng để kiểm định tự tương quan trong dữ liệu bảng. H0: Không có hiện tượng tự tương quan
Với p-value > α giả thuyết H0 được chấp nhận.
Nếu mô hình được chọn có xảy ra hiện tượng tự tương quan hay phương sai thay đổi qua các ngân hàng, tác giả sẽ khắc phục bằng việc sử dụng phương pháp ước lượng bình phương tối thiểu tổng quát khả thi (General Least Square – GLS) để khắc phục các hiện tượng trên.
3.5 Phương pháp bình phương bé nhất tổng quát khả thi (General Least Square – GLS) GLS)
Ý tưởng của phương pháp này là như sau: giả sử đã biết dạng thay đổi của phương sai sai số, khi đó dùng các phép biến đổi tương đương để đưa về một mô hình mới mà sai số ngẫu nhiên trong mô hình này có phương sai sai số không đổi, sau đó sử dụng phương pháp OLS để ước lượng mô hình mới này.
Để minh họa phương pháp GLS khi mô hình có hiện tượng phương sai sai số thay đổi, chúng ta xét mô hình:
Y = β1 + β2X2+….+βkXk + u
Giả sử mô hình thỏa mãn các giả thuyết của mô hình OLS, ngoại trừ giả thiết phương sai sai số không đổi. Và giả sử rằng phương sai sai số là thay đổi theo dạng: σi2 = σ2X2i2
Khi đó ta thực hiện như sau:
Chia hai vế của mô hình cho X2i và thu được:
𝒀𝒊 𝑿𝟐𝒊 = 𝜷𝒊 𝑿𝟐𝒊 + β2 + β3 𝑋3𝑖 𝑋2𝑖 +...+ βk 𝑋𝑘𝑖 𝑋2𝑖 + 𝑢𝑖 𝑋2𝑖 Hay: Yi* = α1 + α2X2i*+....+ αkXki* + ui* Trong đó:
Yi* = 𝑌𝑖
𝑋2𝑖 , X2i* = 1
𝑋2𝑖 , Xki* = 𝑋𝑘𝑖
𝑋2𝑖 , ui* = 𝑢𝑖
𝑋2𝑖
Với mô hình Yi* ta dễ dàng chứng tỏ được rằng sai số ngẫu nhiên mới trong mô hình,
u*, có phương sai là không đổi và bằng σ2. Do đó có thể áp dụng OLS để thu được các ước lượng tốt nhất cho các hệ số αj(j=1,k), và từ đó suy ra ước lượng cho các hệ số βj. Việc biến đổi một mô hình có khuyết tật thành mô hình không có khuyết tật và sử dụng OLS cho mô hình đã biến đổi như trên được gọi là phương pháp bình phương bé nhất tổng quát
Việc chuyển đổi mô hình thực chất là gán trọng số X2i cho quan sát thứ i. Vì vậy phương pháp ước lượng thông qua mô hình mới còn được gọi là phương pháp ước lượng bình phương bé nhất có trọng số (WLS – weighted least squares).
Kết luận chương 3
Từ cơ sở lý thuyết của chương 2 về rủi ro mất khả năng thanh toán của NHTM và các yếu tố ảnh hưởng, đồng thời kế thừa thành tựu và khắc phục những hạn chế của những nghiên cứu trước đó, tác giả xác định mô hình cần sử dụng để phân tích và ước lượng các biến trong mô hình.
Chương 3 đã tổng hợp kiến thức về phân tích hồi quy dữ liệu bảng theo các phương pháp OLS, FEM, REM, GLS và các kiểm định đảm bảo mô hình lựa chọn mang tính vững, phù hợp. Điểm quan trọng nhất là chương 3 đã phân tích và luận giải về cách thức trình tự phân tích để thực hiện từng mục tiêu, các phương pháp ước lượng và kiểm định để xác định từng yếu tố ảnh hưởng đến rủi ro mất khả năng thanh toán của NHTM.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN Giới thiệu chương
Chương 4 tác giả sẽ trình bày kết quả phân tích mối quan hệ các yếu tố tác động đến rủi ro mất khả năng thanh toán của các NHTM tại Việt Nam. Trong chương 3 tác giả đã trình bày về mô hình nghiên cứu, các phương pháp và dữ liệu sẽ sử dụng để mô hình các biến. Chương 3 cũng đã nêu ra một số tính chất lý thuyết đặc trưng trong mô hình, đồng thời chỉ ra phương pháp cũng như cách đo lường các biến trong mô hình nghiên cứu. Trong phần nội dung của chương 4 này, tác giả sẽ trình bày kết quả phân tích định lượng trên dữ liệu bảng. Mẫu nghiên cứu của luận văn bao gồm 25 ngân hàng với mẫu nghiên cứu bao gồm 225 quan sát trong khoảng thời gian từ năm 2008-2017 tạo thành bảng cân bằng.
4.1 Thống kê mô tả dữ liệu
Dữ liệu được thu thập từ 25 NHTM Việt Nam giai đoạn 2008-2017 với các thông số về thống kê được thể hiện ở bảng sau:
Bảng 4.1: Thống kê mô tả các biến
Variable Obs Mean Std. Dev. Min Max
z 225 25.75994 12.4652 7.821222 100.2876 cap 225 0.100855 0.045383 0.0384649 0.293103 size 225 13.89337 0.500022 12.71673 15.0431 roa 225 0.008374 0.006173 0.0000748 0.047524 lg 225 0.334209 0.742773 -0.2986362 10.58862 depo 225 0.611507 0.1219 0.2817286 0.885575 llr 225 0.013132 0.004981 0.0043173 0.034591 nir 225 0.028832 0.01173 0.0044511 0.081396 ldr 225 0.85999 0.186872 0.3956067 1.494399 stateown 225 0.12 0.325686 0 1 gdp 225 0.060456 0.005425 0.0525 0.0681 inf 225 0.0686 0.049615 0.0063 0.1868
Nguồn: Số liệu tác giả tổng hợp xử lý trên phần mềm Stata 12
Bảng 4.1 khái quát các thông số cơ bản của dữ liệu nghiên cứu, bao gồm giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất, từ đó chỉ ra sự phân tán giữa các quan sát trong mẫu.
Mức trung bình của rủi ro thể hiện qua Z-score là 25.75994, Z-score biến động với độ lệch chuẩn là 12.4652, trải dài từ giá trị nhỏ nhất là 7.821222 thể hiện mức độ rủi ro rất cao, tới giá trị lớn nhất là 100.2876 thể hiện sự bền vững, khỏe mạnh của ngân hàng với mức độ an toàn vốn tương đối cao.
4.2 Tương quan các biến trong mô hình và đa cộng tuyến
4.2.1 Ma trận tương quan đơn tuyến tính giữa các cặp biến Pearson
Hệ số tương quan dùng để chỉ mối quan hệ giữa các biến trong mô hình. Dựa vào kết quả ma trận tương quan, tác giả sẽ phân tích mối tương quan giữa các biến phụ thuộc với các biến độc lập trong mô hình và mối tương quan giữa các biến độc lập với nhau.
Bảng 4.2: Ma trận tương quan tuyến tính đơn giữa các cặp biến
z cap size roa lg depo llr nir ldr
State own gdp inf z 1 cap 0.2123 1 size -0.0481 -0.7356 1 roa 0.1034 0.4266 -0.1939 1 lg 0.1409 0.1747 -0.2112 0.1277 1 depo -0.2022 -0.2302 0.3746 -0.217 -0.1582 1 llr 0.2237 -0.1845 0.3049 -0.0811 -0.1784 0.0979 1 nir 0.0307 0.412 -0.1571 0.6283 0.0153 0.0092 -0.0429 1 ldr 0.0894 0.247 -0.1369 0.3298 -0.099 -0.2162 -0.1904 0.3434 1 State own 0.1917 -0.2924 0.5984 0.036 -0.0611 0.1345 0.3334 -0.0087 0.2599 1 gdp -0.2139 -0.2483 0.2134 -0.1231 -0.1143 0.2441 -0.1568 -0.0638 -0.0137 0 1 inf 0.1462 0.1505 -0.1866 0.3632 -0.018 -0.5832 0.0596 0.1716 0.267 0 -0.2183 1
Nguồn: Số liệu tác giả tổng hợp xử lý trên phần mềm Stata 12 Hệ số tương quan Pearson được tính toán để chỉ ra mức độ tương quan tuyến tính giữa các biến độc lập nhằm phát hiện hiện tượng đa cộng tuyến ở các biến giải thích. Những hệ số tương quan có trị tuyệt đối lớn hơn 0.8 là những biến có đa cộng tuyến cao theo Farrar and Glauber (1967).
Kết quả phân tích ma trận tự tương quan giữa các biến trong mô hình theo bảng 4.2 cho thấy không tồn tại các hệ số tương quan cặp biến lớn hơn 0.8, do đó không tồn tại hiện tượng đa cộng tuyến.
Kết luận: Mô hình không xảy ra đa cộng tuyến nghiêm trọng với tiêu chuẩn tương quan cặp tuyến tính theo dữ liệu thu thập.
4.2.2 Kiểm định đa cộng tuyến trong mô hình bằng nhân tử phóng đại phương sai VIF VIF
Bảng 4.3: Kết quả kiểm tra đa cộng tuyến với nhân tử phóng đại phương sai
Variable VIF 1/VIF
size 4.21 0.237589 cap 3.13 0.319171 stateown 2.34 0.427296 roa 2.08 0.481372 nir 1.97 0.50872 depo 1.88 0.532292 inf 1.81 0.5533 ldr 1.71 0.585107 llr 1.39 0.717952 gdp 1.2 0.833032 lg 1.2 0.836061 Mean VIF 2.08
Nguồn: Số liệu tác giả tổng hợp xử lý trên phần mềm Stata 12
Dựa vào bảng 4.3 kết quả kiểm tra đa cộng tuyến với nhân tử phóng đại phương sai, giá trị trung bình VIF của các biến trong mô hình đều nhỏ hơn 10, trung bình VIF chỉ là 2.08, đồng thời các biến đều có VIF nhỏ hơn 10 nên hiện tượng đa cộng tuyến trong mô hình được đánh giá là không nghiêm trọng (Gujrati, 2003).
Kết luận: Với tiêu chuẩn nhân tử phóng đại phương sai VIF, mô hình không tồn tại hiện tượng đa cộng tuyến trong mẫu dữ liệu nghiên cứu.
4.3 Phân tích lựa chọn mô hình nghiên cứu
Các mô hình thông thường được sử dụng trên phân tích dữ liệu bảng là ba dạng mô hình Pooled OLS, FEM và REM được chia thành hai nhóm. Mô hình Pooled OLS không phân biệt sự khác biệt giữa các ngân hàng. Trong khi đó mô hình FEM và REM quan tâm tới sự khác biệt giữa các ngân hàng.
Xuất phát từ hai nhận định trên cùng với việc phân tích lựa chọn kiểm định mô hình, tác giả lựa chọn mô hình Pooled OLS – mô hình ước lượng hồi quy không quan tâm tới
được lựa chọn bằng kiểm định Hausman – mô hình đo lường sự khác biệt giữa các ngân hàng làm hai mô hình phân tích dữ liệu bảng cho bài nghiên cứu này. Để phân tích lựa chọn ra mô hình nghiên cứu phù hợp ta thực hiện so sánh giữa các mô hình: Pooled Regression, Fixed effects model, Random effects model.
4.3.1 Kiểm định lựa chọn mô hình Pooled và mô hình dữ liệu bảng FEM
Giả định của kiểm định là các quan sát giữa các ngân hàng qua các năm không tìm thấy sự khác biệt, mô hình Pooled phù hớp với dữ liệu. Khi dữ liệu mẫu tồn tại sự khác biệt các ngân hàng qua các năm thì dữ liệu bảng FEM phù hợp với mẫu nghiên cứu hơn.
Bài nghiên cứu sử dụng kiểm định lựa chọn mô hình Pooled và mô hình dữ liệu bảng FEM.
Giả thuyết H0: Mô hình Pooled phù hợp với mẫu nghiên cứu hơn FEM Giả thuyết H1: Mô hình FEM phù hợp với mẫu nghiên cứu hơn Pooled
Bảng 4.4: Kết quả kiểm định lựa chọn Pooled và FEM
Giá trị thống kê F P-value
32.91 0.0000
Nguồn: Số liệu tác giả tổng hợp xử lý trên phần mềm Stata 12
Kiểm định cho p-value của mô hình nhỏ hơn 0.05 đủ cơ sở bác bỏ giả thuyết H0. Vậy mô hình hồi quy theo FEM sẽ phù hợp hơn so với mô hình Pooled OLS.
4.3.2 Kiểm định lựa chọn mô hình FEM và mô hình dữ liệu bảng REM
Tác giả tiếp tục thực hiện kiểm định Hausman nhằm lựa chọn giữa hai mô hình FEM và REM với giả thuyết dữ kiện như sau:
Giả thuyết H0: Mô hình REM phù hợp dữ liệu mẫu nghiên cứu hơn FEM Giả thuyết H1: Mô hình FEM phù hợp dữ liệu mẫu nghiên cứu hơn REM
Bảng 4.5: Kết quả kiểm định lựa chọn FEM và REM
Chi bình phương (χ2) P-value
9.10 0.5226
Nguồn: Số liệu tác giả tổng hợp xử lý trên phần mềm Stata 12
Kiểm định cho p-value của mô hình lớn hơn 0.05, nên đủ cơ sở để chấp nhận giả thuyết H0 với mức ý nghĩa 5%. Vậy mô hình hồi quy theo phương pháp REM phù hợp với dữ liệu mẫu hơn mô hình FEM.
4.4 Kiểm định các khiếm khuyết định lượng