CHƢƠNG 3 : PHƢƠNG PHÁP VÀ MÔ HÌNH NGHIÊN CỨU
3.1. Xác định mô hình hồi quy và lựa chọn phƣơng pháp ƣớc lƣợng
3.1.1. Mô hình hồi quy dữ liệu bảng
Dữ liệu đƣợc sử dụng trong phân tích thực nghiệm gồm có dữ liệu theo chuỗi thời gian (time series), dữ liệu chéo theo không gian (cross sectional data) và dữ liệu bảng (panel data). Trong dữ liệu theo chuỗi thời gian, ta quan sát giá trị của một hay nhiều biến trong một khoảng thời gian. Trong dữ liệu chéo không gian, giá trị của một hay nhiều biến đƣợc thu thập cho một vài đơn vị mẫu vào cùng một thời điểm. Còn trong dữ liệu bảng, đơn vị chéo theo không gian đƣợc khảo sát theo thời gian. Vậy dữ liệu bảng có cà bình diện không gian cũng nhƣ thời gian. Nói cách khác, dữ liệu bảng là các quan sát về một chỉ tiêu nào đó sẽ bao gồm quan sát chéo và quan sát theo thời gian. Có 03 mô hình hồi quy thông dụng với dữ liệu dạng bảng là mô hình hồi quy Pool, mô hình hồi quy tác động cố định và mô hình hồi quy tác động ngẫu nhiên. Nghiên cứu sẽ lần lƣợt trình bày các mô hình.
3.1.2. Mô hình hồi quy Pool
Trong mô hình này, giả định rằng các hệ số độ dốc và tung độ gốc là hằng số theo thời gian và không gian, và số hạng sai số thể hiện sự khác nhau theo thời gian và theo các công ty. Đây là trƣờng hợp đơn giản nhất, bỏ qua bình diện không gian và thời gian của dữ liệu kết họp và chỉ ƣớc lƣợng hồi quy bình phƣơng bé nhất (OLS) thông thƣờng. Mô hình đƣợc biểu diễn nhƣ sau:
Yit = β1 + β2X2it + β3X3it +…+ βkXkit + µit (1) Trong đó: i = 1, 2, 3,...N ; t= 1, 2, 3,...T
Tuy nhiên, phƣơng pháp này thƣờng dẫn đến hiện tƣợng tƣơng quan trong dữ liệu hay ràng buộc phần dƣ làm cho giá trị Durbin-Watson thấp. Ngoài ra, ràng buộc của giả định trong trƣờng hợp này rất cao, đây cũng là một hạn chế của mô hình. Do đó, tuy đơn giản, nhƣng mô hình hồi quy Pool có thể bóp méo bức tranh thực tế về mối quan hệ giữa Y và các biến số X của các đối tƣợng quan sát.
3.1.3. Mô hình hồi quy với tác động cố định (Fixed Effects Model - FEM)
Mô hình đƣợc biểu diễn nhƣ sau:
Yit = β1it + β2X2it + β3X3it +…+ βkXkit + µit (2) Mô hình (2) có thể tách ra thành hai mô hình:
Yit = β1i + β2X2it + β3X3it +…+ βkXkit + µit (2.1) Yit = β1t + β2X2it + β3X3it +…+ βkXkit + µit (2.2)
Mô hình (2.1) giả định tung độ gốc có thể khác nhau đối với các đơn vị chéo, nhƣng tung độ gốc của từng biến không thay đổi theo thời gian. Sự khác biệt về tung độ gốc có thể biểu thị cho đặc tính của mỗi công ty nhƣ: lối điều hành, quản trị của công ty...Mô hình thích hợp trong trƣờng hợp mẫu có kích thƣớc thời gian tƣơng đối ngắn.Tƣơng tự, mô hình (2.2) giả định tung độ góc thay đổi theo thời gian nhƣng giống nhau giữa các đơn vị chéo trong cùng một năm quan sát, đƣợc biết đến nhƣ là hồi quy tác động cố định thời gian. Những yếu tố tác động theo thời gian có thể là: thay đổi công nghệ, thay đổi chính sách thuế hay qui định của chính phủ và các ảnh hƣởng bên ngoài.
3.1.4. Mô hình hồi quy với tác động ngẫu nhiên (Random Effects Model - REM) REM)
Ý tƣởng của tiếp cận này cho rằng sự khác biệt về các điều kiện đặc thù của các đơn vị chéo đƣợc chứa đựng trong phần sai số ngẫu nhiên. Ý tƣởng cơ bản của mô hình đƣợc viết nhƣ sau:
Yit = β1i + β2X2it + β3X3it +…+ βkXkit + µit
Thay vì cố định β1i, mô hình giả định β1i là một biến ngẫu nhiên với giá trị trung bình là β1 . Và giá trị hệ số tung độ gốc cho mỗi giá trị chéo có thể đƣợc biểu diễn
nhƣ sau:
β1i = β1 + εi với i= 1, 2,...N
Trong đó, εi là số hạng sai số ngẫu nhiên với một giá trị trung bình bằng 0 và phƣơng sai σ2
ε
3.1.5. So sánh và lựa chọn giữa FEM với REM
Vấn đề đặt ra đối với các nhà nghiên cứu là lựa chọn mô hình nào là phù hợp hơn, FEM hay REM? Câu trả lời xoay quanh giả định mà ta đƣa ra về mối tƣơng quan giữa các thành phần sai số εi và các biến hồi quy độc lập X. Nếu ta giả định rằng εi và các biến X không tƣơng quan thì REM có thể phù hợp hơn. Ngƣợc lại, nếu giả định rằng εi và các biến X tƣơng quan thì FEM có thể lại thích hợp hơn.
3.1.6. Kiểm định trong mô hình hồi quy dữ liệu bảng 3.1.6.1. Kiểm định Hausman 3.1.6.1. Kiểm định Hausman
Theo Wooldridge (1997), kiểm định này là cơ sở giúp ta lựa chọn giữa FEM hay REM - mô hình nào phù hợp cho hồi quy dữ liệu mẫu. Chính sự tƣơng quan là nguyên nhân tạo nên sự khác biệt giữ FEM và REM nên kiểm định này sẽ giả định không có sự tƣơng quan giữa biến độc lập và yếu tố ngẫu nhiên. Từ đó, ta có giả thiết:
Ho: kết quả hồi quy giữa FEM và REM không có khác biệt đáng kể. H1: kết quả hồi quy giữa FEM và REM có khác biệt đáng kể.
Nếu α > p-value thì giả thiết Ho bị bác bỏ, khi đó ta kết luận là FEM phù hợp hơn. Ngƣợc lại, nếu chấp nhận giả thiết Ho thì REM sẽ đƣợc lựa chọn.
3.1.6.2. Kiểm định Durbin-Watson (DW)
Theo Nhậm (2008), kiểm định này nhằm xác định có hay không có hiện tƣợng tƣơng quan phần dƣ trong mô hình. Thông thƣờng, kết luận cho hiện tƣợng tƣơng quan này nhƣ sau:
Nếu giá trị d trong kiểm định DW:
1 < d < 3: mô hình không có hiện tƣợng tƣơng quan phần dƣ. 0 < d < 1: mô hỉnh có hiện tƣợng tƣơng quan dƣơng phần dƣ. 3 < d < 4: mô hình có hiện tƣợng tƣơng quan âm phần dƣ.
3.1.6.3. Kiểm định Wald
Kiểm định này kiểm định các biến độc lập mà hệ số hồi quy không có ý nghĩa thống kê, để xác định có cần thiết đƣa các biến này vào trong mô hình nghiên cứu không. Với giả thiết:
Ho: các biến độc lập không cần thiết trong mô hình nghiên cứu. H1: các biến độc lập cần thiết trong mô hình nghiên cứu.
Nếu α < p-value thì chấp nhận giả thiết Ho, tức các biến độc lập này cần không thiết đƣa vào mô hình.