❖ Kiểm định Đa cộng tuyến
Theo Nguyễn Quang Dong (2012), khi có mối quan hệ tuyến tính giữa các biến độc lập trong mô hình thì có thể xảy ra hiện tượng đa cộng tuyến. Để xác định xem liệu mô hình có khuyết tật này hay không, sẽ xem xét đến hệ số phóng đại phương sai (VIF - variance inflation factor). Kết quả tính toán VIF được thực hiện thông qua phần mềm Stata được thể hiện ở bảng 3.15:
chi2 (509) = 1.2e+06 Prob>chi2 = 0.0000
(Nguồn: Người viết thực hiện trên phần mềm Stata 14.0) Theo lý thuyết kinh tế lượng, nếu VIF > 10 thì sẽ thể hiện có sự đa cộng tuyến cao. Theo kết quả ở bảng 3.15, tất cả các giá trị VIF đều chỉ lớn hơn 1 và rất nhỏ so với 10, cho nên có thể kết luận rằng không có hiện tượng đa cộng tuyến.
❖ Kiểm định phương sai sai số thay đổi (PSSS)
Phương sai sai số thay đổi là hiện tượng các giả định chính của của hồi quy OLS về phân phối chuẩn của phần dư (residuals) Ui và tính đồng nhất về phương sai của phần dư luôn bằng σ2, hay Var(Ui) = σ2, bị vi phạm. Vấn đề này tuy không làm
70
chệch kết quả ước lượng tuyến tính OLS, tuy nhiên sẽ làm cho các sai số chuẩn của ước lượng không còn là bé nhất, nghĩa là ước lượng sẽ không còn hiệu quả nữa.
Để phát hiện hiện tượng PSSS thay đổi, có rất nhiều phương pháp như sử dụng kiểm định Park, kiểm định Breusch - Pagan, kiểm định White, kiểm định Goldfeld - Quandt... Trong bài nghiên cứu này, với việc sử dụng dữ liệu bảng hồi quy theo mô hình FEM, thì việc kiểm định được thực hiện thông qua Stata bằng kiểm định Wald với cặp giả thuyết thống kê:
Ho: PSSS không đổi và luôn bằng σ2
H1: PSSS thay đổi
Kết quả kiểm định Wald được thể hiện ở bảng 3.16 dưới đây:
Bảng 3.16 Kết quả kiểm định Wald cho phương sai sai số thay đổi
Modified Wald test for groupwise heteroskedasticity in fixed effect regression model: H0: sigma(i)^2 = sigma^2 for all i
F( 1, 508) = 1.168 Prob > F = 0.2803
(Nguồn: Người viết thực hiện trên phần mềm Stata 14.0) Với giá trị p-value = 0.00 < 0.05, cho nên giả thuyết Ho bị bác bỏ. Do đó kết luận rằng mô hình tồn tại phương sai sai số thay đổi và cần phải khắc phục thông qua
việc sử dụng các sai số chuẩn mạnh (Robust Standard errors).
❖ Kiểm định hiện tượng tự tương quan
Trong mô hình hồi quy tuyến tính cổ điển có giả định rằng giữa các nhiễu Ui không có quan hệ tự tương quan, tức là Cov(Ui, Uj) = 0 ( i ≠ j). Tuy nhiên, trên thực tế hiện tượng tự tương quan có thể xảy ra giữa thành phần của các chuỗi quan sát được sắp xếp theo thời gian (dữ liệu chuỗi thời gian) hoặc không gian (trong dữ liệu chéo), làm cho các phương sai ước lượng được bị chệch, các kiểm định t và F không còn đáng tin cậy. Dữ liệu dạng bảng là sự tổng hợp của cả 2 thành phần chuỗi thời gian, và không gian, do đó hoàn toàn có thể xảy ra hiện tượng tự tương quan.
71
Để phát hiện hiện tượng tự tương quan cho dữ liệu dạng bảng, sử dụng kiểm định Wooldridge thông qua phần mềm Stata với cặp giả thuyết thống kê:
HO: Không có hiện tượng tự tương quan H1: Có hiện tượng tự tương quan xảy ra
Kết quả kiểm định được thể hiện ở bảng 3.17 như sau:
Bảng 3.17 Kết quả kiểm định Wooldridge cho hiện tượng tự tương quan Wooldridge test for autocorrelation in panel data
p v____________Coef
. . St.Err t-value p-value [95%Conf ] Interval Sig
dy 0.00 4 0.09 8 0.04 0.96 6 -0.188 0.19 7 po ■0.0 0.00 -2.29 0.02 -0.012 - ** spo 0.18 0 0.05 4 3.34 0.00 1 0.074 0.28 6 *** size ■0.0 0.02 -0.65 0.51 -0.071 0.03 grw 0.00 0.01 0.51 0.60 -0.014 0.02 debt ■0.0 21 9 0.09 -0.21 2 0.83 -0.215 3 0.17 ev 0.43 0.17 2.53 0.01 0.097 0.77 ** aef 0.13 0.20 0.65 0.51 -0.269 0.53 Constant 1.01 3 7 0.71 1.41 8 0.15 -0.395 2 2.42 Mean dependent var 0.56 2 SD dependent var 0.25 9
R-squared 0.03 Number of obs 2545.00
F-test 4.97 Prob > F 0.00
Akaike crit. (AIC) -
954.085
Bayesian crit. (BIC) -
907.349
(Nguồn: Người viết thực hiện trên phần mềm Stata 14.0) Dựa theo kết quả ở bảng 3.17, giá trị p-value = 0.28 > 0.05, do đó chấp nhận giả thuyết HO , kết luận rằng không có hiện tượng tự tương quan xảy ra.
Tổng kết lại, mô hình FEM được lựa chọn không tồn tại các khuyết tật về đa cộng tuyến và tự tương quan, nhưng tồn tại PSSS thay đổi. Khuyết tật về PSSS thay đổi với mô hình hồi quy dữ liệu bảng có thể được khắc phục thông qua việc sử dụng các sai số chuẩn mạnh (Robust Standard errors) như Trần Thị Tuấn Anh (2014) hay Đinh Công Khải (2016) đã gợi ý.