➢ Ưu điểm mô hình
− Mô hình Logit là mô hình định lượng nên khắc phục được những nhược điểm của mô hình định tính, thể hiện sự khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan của nhân viên tín dụng.
− Mô hình Logit này có kỹ thuật đo lường rủi ro tín dụng, nợ xấu tín dụng khả đơn giản, dễ thực hiện bằng phần mềm chuyển dụng (như EVIEWs, SPSS).
− Mô hình Logit có thể là cơ sở để ngân hàng phân loại khách hàng và nhận định rủi ro. Thông qua kết quả từ mô hình, chúng ta có thể ước lượng được xác suất không trả được nợ của khách hàng, từ đó ngân hàng có thể xác định được KHDN nào có khả năng trả nợ, KHDN không có khả năng trả nợ và giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro.
− Một ưu điểm nổi bật của mô hình Logit so với mô hình XHTD truyền thống, có thể đo lường vai trò của các yếu tố tác động đến khả năng trả nợ của khách hàng. Ngoài ra, trong khi mô hình thống kê khác như phân tích phân biệt (Như điểm số Z) lại cúng nhắc trong việc xem xét các yếu tố tác động tới biến phụ thuộc và các hệ số của biến độc lập (do Altman đưa ra), trong khi với mô hình Logit có thể dễ dàng hiệu chỉnh hoặc thêm bớt các biến định tính và định lượng nhằm xác định cụ thể tác động của các yếu tố tới rủi ro tín dụng là như thế nào.
➢ Nhược điểm mô hình:
− Mô hình đòi hỏi phải có một số lượng dữ liệu đủ lớn cho mỗi phạm trù trong số liệu thống kê trong quá trình xử lý dữ liệu. Trong trường hợp biến độc lập có số lượng biến hiển thị quá thấp, mô hình có thể mắc phải lỗi bỏ qua tác động của biến trên kết quả biến phụ thuộc.
− Do chỉ sử dụng phương pháp định lượng nên kết quả mô hình có thể trái ngược hoàn toàn với lý thuyết và không có chức năng giải thích nguyên nhân kết quả mô hình.
− Mô hình không thể ứng dụng đối với các trường hợp KHDN khiếm khuyết dữ liệu hoặc các trường hợp KHDN có cấu trúc tài chính đặc biệt.
➢ Điều kiện cần thiết để ứng dụng mô hình Logit:
− Dữ liệu đầu vào đủ lớn để có thể không bỏ sót các biến độc lập ảnh hưởng đến kết quả mô hình.
− Có cơ sở lý thuyết vững mạnh và số liệu đối chiếu để lựa chọn đưa các biến độc lập trong quá trình xây dựng mô hình, để chứng minh hoặc phản biện kết quả mô hình là phù hợp hay chưa phù hợp.
➢ Ước lượng mô hình Logit
Phương trình ước lượng:
2
( /1 )
i n i i i i i
L =I P −P =Z = X +u
Ước lượng mô hình này chia làm hai nhóm như sau:
− Dữ liệu đơn lệ: Như ví dụ ở trên, Pi=1 nếu bạn thắng và Pi=0 nếu bạn thua. Đối với trường hợp này, bạn không thể ước lượng thông thường như OLS được vì khi nhập giá trị In(1/0) hay In(0/1) là vô nghĩa. Trường hợp này bạn phải ước lượng bằng phương pháp xác suất cực đại (Maximum likelihood) Dữ liệu theo nhóm: Thay vì xem dữ liệu như từng cá thể riêng biệt, bạn có thể nhóm nó lại. Theo cách này thì Pi được ước lượng thông qua = 𝑛𝑖/𝑁𝑖 trong điều kiện Ni đủ lớn. Trong ví dụ ở trên thì n là số bạn thắng và N là số bạn chơi.
Tương tự như mô hình xác suất tuyến tính, mô hình này vẫn bị phương sai sai số thay đổi nên phải ước lượng bằng WLS.
➢ Các bước thực hiện:
Bước 1: Tính xác suất nếu bạn thắng cuộc:
ni Pi
Ni
Bước 2: đối với từng giá trị Xi, tính giá trị của L: / (1
Li=In Pi −Pi
Bước 3: Biến đổi mô hình về WLS:
1 2 i i i i i i w L = w + w L + w u Bước 4: Rút gọn lại sẽ có dạng: * * 1 2 i i i i L = w + X +
Bước 5: Sau khi đã chuyển về WLS, bạn có thể ước lượng như OLS; lưu là ý mô hình không còn hệ số chặn nữa.
➢ Bộ công cụ hỗ trợ xây dựng mô hình dự báo Logit:
Ngày nay, phương pháp ước lượng các hệ số đã thuộc tự động hóa dựa trên một số phần mềm kinh tế lượng như Eviews, SPSS,… Trong nghiên cứu thực nghiệm, người ta có thể tìm cách bỏ đi một số biến mà vai trò giải thích cho biến Y không đủ lớn (hệ số không có ý nghĩa thống kê), nhằm tránh hiện tượng các biến độc lập có tương quan lẫn nhau làm sai lệch kết quả của mô hình.
− Mô hình Logit này có kỹ thuật đo lường rủi ro tín dụng khá đơn giản, dễ thực hiện bằng phần mềm chuyển dụng (như Eviews, SPSS, STATA).
− Một mô hình được coi là thành công hay không phụ thuộc chủ yếu vào tính chính xác của kết quả dự báo thu được từ mô hình đó. Do biến Y chỉ có thể nhận 2 giá trị là 0 hoặc 1, do vậy người ta đưa vào 1 ngưỡng xác suất để xếp khách hang vào mức 0 hoặc 1 (tương ứng với không có khả năng trả nợ - có khả năng trả nợ). Ngưỡng xác suất ở đây thường được lấy là 0,5; tức là, nếu xác suất khách hàng trả được từ 0,5 trở lên, khi đó xếp khách hàng vào nhóm trả được nợ. Nếu xác suất khách hàng trả được nợ nhỏ hơn 0,5, khi đó xếp
hàng này với thực tế trả nợ của họ xem 18 tỷ lệ đúng là bao nhiêu, đó chính là độ chính xác của kết quả dự báo.
− Mô hình Logit và Probit vè cơ bản thì giống nhau, chỉ có sự khác biệt về phân phối. Mô hình Logit thì tuân theo phân phối Logistic chuẩn tích lũy(F) còn mô hình Probit thì tuân theo phân phối chuẩn tích lũy (). Trong bài viết này tôi sẽ hướng dẫn chạy mô hình Logit bằng Eviews 8.0, và giải thích ý nghĩa của từng tham số trong mô hình. Mô hình Probit sẽ được đề cập đến trong các bài viết tiếp theo.