CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.3.Phƣơng pháp hồi quy
Trong dữ liệu dạng bảng (Panel Data), cùng một cá thể, hay còn gọi là đơn vị chéo (đơn vị theo không gian: một doanh nghiệp hay một quốc gia…) đƣợc điều tra nghiên cứu theo thời gian. Dữ liệu dạng bảng cho phép luận văn thu thập đƣợc nhiều quan sát hơn trong bối cảnh số năm có thể quan sát của dữ liệu thị trƣờng chứng khoán Việt Nam khá ngắn. Trong nghiên cứu này, dữ liệu bảng với thời gian
chỉ 13 năm nhƣng số doanh nghiệp khá nhiều (396 doanh nghiệp). Tuy nhiên, do bản chất của dữ liệu nên việc ƣớc lƣợng các phƣơng trình hồi quy dựa trên dữ liệu dạng bảng cần sử dụng những phƣơng pháp ƣớc lƣợng phù hợp.
Trong mơ hình thể hiện tác động của cấu trúc sở hữu tới hiệu quả hoạt động đƣợc trình bày ở bài này, ít nhất hai nguyên nhân đƣợc thừa nhận rộng rãi khiến biến cấu trúc sở hữu nội sinh, bao gồm tính đồng thời và phƣơng sai thay đổi không quan sát đƣợc (Hoang, Nguyen và Hu, 2016). Đã có một số kỹ thuật đã đƣợc phát triển để kiểm soát vấn đề này, chẳng hạn nhƣ FEM và REM. Tuy nhiên, FEM chỉ có thể kiểm sốt đối với các biến có phƣơng sai khơng đổi theo thời gian, cả FEM và REM đòi hỏi phải có các biến ngoại sinh ảnh hƣởng mạnh, thƣờng rất khó tìm thấy trong thực tế (Himmelberg và cộng sự, 1999). Vì vậy, thay vì sử dụng các các phƣơng pháp truyền thống, nghiên cứu này sử dụng phƣơng pháp The system dynamic generalized method of moments (S-GMM) để giải quyết hiện tƣợng nội sinh trong mơ hình dữ liệu bảng động trong thời gian ngắn và không cân bằng. Phƣơng pháp này đƣợc cải tiến từ phƣơng pháp GMM ban đầu (Hansen 1982) cho phù hợp với các nghiên cứu thực nghiệm do Blundell và Bond (1998) xây dựng dựa trên ý tƣởng của Holtz-Eakin, Newey và Rosen (1988), Arellano và Bover (1995). S-GMM có thể tính đến phƣơng sai thay đổi không quan sát đƣợc thơng qua hệ thống phƣơng trình sai phân bậc nhất và bậc cao, mặt khác có thể phát hiện ra ảnh hƣởng qua lại giữa các biến. Vì vậy, nó có thể vƣợt qua những hạn chế của mơ hình FEM và REM. Một trong những ƣu điểm của mơ hình S-GMM so với mơ hình ƣớc lƣợng biến cơng cụ đó là mơ hình S-GMM dễ dàng chọn các biến cơng cụ hơn bởi vì sử dụng các biến ngoại sinh ở khoảng thời gian khác hoặc lấy độ trễ của các biến có thể sử dụng nhƣ biến công cụ cho các biến nội sinh tại thời điểm hiện tại. Do đó, S-GMM đã đƣa ra nhiều biến cơng cụ để có thể dễ dàng đạt đƣợc điều kiện của một biến công cụ chuẩn (Overidentification of Estimators). Hơn nữa, ƣớc lƣợng Arellano và Bond còn phù hợp với các dữ liệu bảng ngắn với chuỗi thời gian T ngắn và số lƣợng doanh nghiệp N dài.
Bên cạnh đó, Arellano và Bond (1991) đã đề nghị hai kiểm định chủ chốt để kiểm tra tính hiệu lực của mơ hình S-GMM. Kiểm định đầu tiên đó là kiểm định Sargan hoặc kiểm định Hansen cho tính hiệu lực (Overidentification) của mơ hình. Kiểm định thứ hai đƣợc sử dụng đó là kiểm định Arellano-Bond nhằm kiểm định cho sự tự tƣơng quan.