Trong mô hình REM, chúng ta giả định rằng giá trị hệ số cắt của một đơn vị chéo là ngẫu nhiên được rút từ một tổng thể lớn hơn nhiều với một giá trị trung bình không đổi. Mô hình REM của đề tài được biểu diễn như sau:
TLEVit = i + β1SIZEit + β2TANGit + β3LIQit + β4ROAit + β5GROWit + β6STATEit + uit (3.8)
SLEVit = i + β1SIZEit + β2TANGit + β3LIQit + β4ROAit + β5GROWit + β6STATEit + uit (3.9)
Trong mô hình REM có giả định rằng i là một biến ngẫu nhiên với giá trị trung bình là và giá trị hệ số cắt được mô tả như sau:
i = + εi, với εi là sai số ngẫu nhiên có trung bình bằng 0 và phương sai là σ2ε. Khi đó mô hình được viết lại như sau:
TLEVit = + β1SIZEit + β2TANGit + β3LIQit + β4ROAit + β5GROWit + β6STATEit + wit (3.10)
SLEVit = + β1SIZEit + β2TANGit + β3LIQit + β4ROAit + β5GROWit + β6STATEit + wit (3.11)
wit = εi+ uit
Sai số cổ điển được chia làm 02 thành phần. Thành phần εi đại diện cho tất cả các yếu tố không quan sát được mà thay đổi giữa các đối tượng nhưng không thay đổi theo thời gian. Thành phần uit đại diện cho tất cả các yếu tố không quan sát được mà thay đổi giữa các đối tượng và thời gian. Do đó, REM thích hợp trong các trường hợp ở đó tung độ gốc (ngẫu nhiên) của mỗi đơn vị chéo không có tương
quan với các biến độc lập, trong khi đó mô hình FEM phù hợp trong những tình huống mà tung độ gốc của từng đơn vị chéo có thể tương quan với một hay nhiều biến độc lập. Một ưu điểm khác của REM là chúng ta có thể đưa các biến giải thích (biến độc lập) không đổi theo thời gian vào mô hình (Gujarati, 2011).