1. Phần mềm Eviews 8.0
EViews (Econometric Views) là phần mềm chuyên về kinh tế lượng, nghiên cứu với dữ liệu chuỗi thời gian, dữ liệu chéo, dữ liệu mảng…
Với khả năng linh hoạt trong thao thác, quản lý dữ liệu dễ dàng, kết quả hiển thị nhanh và dễ dàng hiểu được đã giúp Eviews đang trở thành một trong những phần mềm thống kê và phân tích dự báo được các nhà nghiên cứu sử dụng phổ biến nhất.
Hình 3. 2. Phần mềm Eviews 8.0
Create a new Eviews Workfile > sau đó thêm thông tin vào > OK
1.1. Phân tích theo mô hình Logit
Tác giả đã nhập dữ liệu từ Phụ lục 2: Biến phụ thuộc của mô hình Logit vào như sau:
Hình 3. 4. Nhập dữ liệu vào
Bảng 3. 3. Mô tả thống kê các biến của mô hình
TLA EBITA EQUITYA SALESA
Mean 0.477197 10.296050 0.361983 0.267343 Median 0.196850 0.029100 0.314200 0.269300 Maximum 8.525400 147.295200 0.946000 0.720700 Minimum 0.015900 -0.026700 -0.038900 0.032900 Std. Dev 1.525479 33.271060 0.300592 0.170594 Observations 30 30 30 30
(Nguồn: Tác giả tính trên phân mềm Eviews 8.0)
Đề tài sử dụng ma trận hệ số tương quan giữa các biến sử dụng để phân tích, như trong bảng sau:
View > Covariance > Analysis… > Dấu các (Probability|t|=0, Convariance, Correlation) > OK
Bảng 3. 4. Ma trận tương quan giữa các biến
Covariance Analysis: Ordinary Date: 10/04/20 Time: 10:15 Sample: 2016 2018
Included observations: 30 Covariance
Correlation
Probability LTLA EBITA EQUITYA SALESA
LTLA 2.249517
EBITA -4.195250 1070.065
EQUITYA -0.027884 -3.573926 0.087343
SALESA -0.040451 1.988301 0.001475 0.028132
(Nguồn: Tác giả tính trên phần mềm Eviews 8.0)
Dựa vào bảng số liệu trên có thể kết luận khả năng xuất hiện đa cộng tuyến trong mô hình hồi quy là không lớn do các cặp hệ số tương quan giữa các biến không có trường hợp nào có trị tuyệt đối vượt qúa 0.8. Tuy nhiên, để chắc rằng hiện tượng đa cộng tuyến không xảy ra giữa các biến nghiên cứu tác giả tiếp tục kiểm tra qua giá trị hệ số nhân tử phóng đại phương sai (Variance flation Factor được viết tắ là VIF). Theo Gujarati (2004) nếu VIF 10 thì kết luận mô hình bị đa cộng tuyến. Theo như kết quả bảng trên thì tất cả các biến độc lập điều có hệ số VIF vượt qua 3, tức là mô hình nghiên cứu không có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 3. 5. Kiểm định điểm dừng của EBITA
Panel unit root test: Summary Series: EBITA
Date: 10/05/20 Time: 09:32 Sample: 2016 2016
Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Cross-sections Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t* 2.11886 0.9829 6 12
Bảng 3.8 tác giả tiến hành kiểm định ADF chuỗi dữ liệu EBITA, với độ trễ là 2, ta thấy chuỗi này không có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 5) Chuỗi dừng ở mức ý nghĩa 1%.
Bảng 3.9 là kiểm định điểm dừng ADF chuỗi dữ liệu EQUITYA, với độ trễ là 0, ta thấy chuỗi này không có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 6) Chuỗi dừng ở mức ý nghĩa 1%.
Bảng 3. 6. Kiểm định điểm dừng EQUITYA
Panel unit root test: Summary Series: EQUITYA
Date: 10/05/20 Time: 09:34 Sample: 2016 2016
Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Cross-
Method Statistic Prob.** sections Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t* -13.3747 0.0000 2 4
Breitung t-stat 2 2
** Probabilities are computed assuming asympotic normality
Bảng 3. 7. Kiểm định điểm dừng LTLA
Panel unit root test: Summary Series: LTLA
Date: 10/05/20 Time: 09:35 Sample: 2016 2016
Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Cross-
Method Statistic Prob.** sections Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t* 1.36308 0.9136 4 8
Breitung t-stat 4 4
** Probabilities are computed assuming asympotic normality
(Nguồn: Tác giả tổng hợp từ Eviews 8.0)
Ta tiến hành kiểm định ADF chuỗi dữ liệu LTLA, với độ trễ là 1, ta thấy chuỗi náy có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 7) Chuỗi dừng ở mức ý nghĩa 1%.
Bảng 3. 8. Kiểm định tính dừng của SALESA
Panel unit root test: Summary Series: SALESA
Date: 10/05/20 Time: 09:41 Sample: 2016 2016
Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Cross- sections Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t* 2.94379 0.9984 3 6
Breitung t-stat 3 3
Ta tiến hành kiểm định ADF chuỗi dữ liệu SALESA, với độ trễ là 2, ta thấy chuỗi này không có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 8) Chuỗi dừng ở mức ý nghĩa 1%.
1.2. Xác xuất PD
Các tác giả đã xây dựng mô hình như sau:
PD=1 / (1+exp (2.86 + 3.46LTLA + 3.52EBITA + 11.18EQUITYA + 0.43SALESA))
❖ Doanh nghiệp AVS
− PD (2016) = 1 / (1+exp (2.86 + 3.46(0.2732) + 3.52(0.0783) + 11.18(0.5915) + 0.43(0.3678))) = 0.000019 − PD (2017) = 1 / (1+exp (2.86 + 3.46(0.1958) + 3.52(0.0720) + 11.18(0.6040) + 0.43(0.3243))) = 0.000082 − PD (2018) = 1 / (1+exp (2.86 + 3.46(0.1171) + 3.52(0.0597) + 11.18(0.7066) + 0.43(0.2667))) = 0.000220 ❖ Doanh nghiệp KNV − PD (2016) = 1 / (1+exp (2.86 + 3.46(0.1979) + 3.52(0.0162) + 11.18(0.7785) + 0.43(0.4956))) = 0.000004 − PD (2017) = 1 / (1+exp (2.86 + 3.46(0.0360) + 3.52(0.0100) + 11.18(0.7357) + 0.43(0.7207))) = 0.000014 − PD (2018) = 1 / (1+exp (2.86 + 3.46(0.0326) + 3.52(0.0067) + 11.18(0.7275) + 0.43(0.2719))) = 0.000450
Bảng 3. 9. Biến xác suất phá sản của 10 doanh nghiệp 2016 2017 2018 1 AVS 0.000019 0.000082 0.000220 2 KNV 0.000004 0.000014 0.000450 3 IMM 0.004311 0.000563 0.002684 4 EBC 0.000006 0.001195 0.000028 5 RTB 0.000050 0.000857 0.000250 6 LAA 0.000011 0.000100 0.000026 7 DFD 0.000002 0.000036 0.000041 8 KKC 0.001144 0.003936 0.009268 9 RBP 0.000111 0.004066 0.001259 10 REL 0.002502 0.003249 0.007147 PD Tên doanh nghiệp
STT
(Nguồn: Tác giả tổng hợp trên Eviews 8.0)
Xuất phát từ thực tiễn, bài nghiên cứu giới thiệu việc sử dụng mô hình Logit (Logistics), đánh giá khả năng trả nợ của 10 nhóm khách hàng khi vay tại Ngân hàng NAYOBY Lào. Trên cơ sở đó đưa ra một số nhận xét và dự báo nợ xấu của Ngân hàng. Khi xác xuất vỡ nợ càng cao thì khả năng trả nợ của khách hàng càng thấp dẫn tới nợ xấu của ngân hàng tăng. Nhìn chung doanh nghiệp AVS năm 2016 đến năm 2018 tăng 0.000201. Doanh nghiệp KNV từ năm 2016 tới năm 2018 đã tăng 0.000446. Doanh nghiệp IMM chỉ số năm 2016 tới năm 2018 đã giảm 0.001627. Doanh nghiệp EBC năm 2016 bằng 0.000006 cho tới năm 2017 đã tăng 0.001189 nhưng tới năm 2018 đã giảm tới 0.001161. Doanh nghiệp RTB thì có tăng nhẹ từ năm 2016 tới năm 2008 tăng 0.000200. Doanh nghiệp LAA nhìn chung thì có sự tăng nhẹ từ năm 2016 tới năm 2018 là 0.000015. Doanh nghiệp DFD có sự tăng dần theo từng năm từ năm 2016 tới 2018 đã tăng 0.000039. Doanh nghiệp KKC có sự tăng từ năm 2016 tới 2017 là 0.002792 và có sự tăng mạnh từ năm 2017 tới 2018 là 0.005332. Doanh nghiệp RBP có sự thay đổi từ năm 2017 tới 2018 đã giảm 0.002807. Doanh nghiệp REL có sự tăng đần từ năm 2016 tới 2018 là 0.004645.
Hình 3. 7. Nhập dữ liệu vào để phân tích Z-Score
View > Graph… > OK
(Nguồn: Tác giả tổng hợp trên Eviews 8.0) Biểu đồ 3. 1. Sự biến động của xác xuất phá sản của Ngân hàng NBB
Bảng 3. 10. Kiểm định tính dừng của biến PD
Panel unit root test: Summary Series: PD
Date: 11/06/20 Time: 09:43 Sample: 2016 2016
Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Cross-sections Obs
Null: Unit root (assumes common unit root process)
Levin, Lin & Chu t* -1.18541 0.1179 7 14
Breitung t-stat 7 7
** Probabilities are computed assuming asympotic normality
(Nguồn: Tác giả tổng hợp từ Eviews 8.0)
Giả thuyết kiểm định:
✓ H0: = 0 (Yt là chuỗi dữ liệu không dừng) ✓ H1: < 0 (Yt là chuỗi dữ liệu dừng)
Theo kết quả chạy kiểm định ADF, chuỗi dữ liệu của biến PD không có tính dừng. Ta tiến hành xử lý bang cách lấy sai phân một lần để được chuổi dừng kết quả như (bảng 10), với độ trễ bằng 0.
Ta thấy giá trị nhỏ hơn các giá trị tới hạn mức ý nghĩa 1%.