Gujarati (2004) cho rằng đối với mô hình hồi quy Pooled OLS các giả định về hiện tượng tự tương quan, phương sai thay đổi, những khác biệt về không gian và thời gian của từng biến quan sát đều không tác động đến. Chính vì vậy mà tung
độ gốc và độ dốc của các hệ số được giả định là không đổi theo thời gian và cả theo từng biến.
Việc thực hiện hồi quy Pooled OLS đó là cách xếp hết các quan sát của đơn vị này lên trên các quan sát của đơn vị kia sẽ làm cho số quan sát tăng lên nhiều so với số liệu chéo và tương tự như Gujarati (2004) các giả định về hiện tượng tự tương quan, phương sai thay đổi, những sự khác biệt về không gian và thời gian của từng biến quan sát đều không tác động đến (Nguyễn Trọng Hoài, 2012). Mô hình hồi quy Pooled OLS của đề tài được biểu diễn như sau:
Trong đó: i: Ngân hàng
t: Thời gian (năm), t = 1, 2, 3, 4
LEVit: Biến phụ thuộc của quan sát i vào năm t, mô tả CTTC của ngân hàng. β0: Hệ số tự do
β1, β2, β3, β4, β5, β6, β7, β8: lần lượt là hệ số góc của các nhân tố SIZEit, TANGit, ROAit, GROWit, RISKit, ROEit, LIQit và AGEit
uit: Sai số hồi quy (phần dư)
Theo Wooldridge (2003) thì tổng hợp các mẫu ngẫu nhiên rút ra từ một tổng thể ở những thời điểm khác nhau, có thể giúp chúng ta ước lượng chính xác hơn và số liệu thống kê thử nghiệm tốt hơn. Nhưng trong thực tế bảng dữ liệu tổng thể có nhiều phân phối khác nhau tại một thời điểm khác nhau hoặc do các đơn vị chéo tạo nên tung độ góc khác nhau khi ước lượng. Khi đó, sử dụng mô hình hồi quy Pooled OLS có thể làm bóp méo hình ảnh của biến độc lập và biến phụ thuộc thông qua các đơn vị chéo.
LEVit = β0 + β1SIZEit + β2TANGit + β3ROAit + β4GROWit + β5RISKit +β6ROEit + β7LIQit + β8AGEit + uit (3.2)
Như vậy, mô hình hồi quy Pooled OLS có sự ràng buộc quá chặt chẽ giữa các đơn vị chéo và điều này rất khó xảy ra trong thực tế.