- Phương pháp thống kê mô tả được sử dụng để xác định các đặc điểm quan trọng về số giá trị quan sát, giá trị trung bình, trung vị cũng như các giá trị lớn nhất, nhỏ nhất của các biến trong mô hình.
35
- Sau đó tiến hành phân tích mối tương quan giữa các biến thông qua việc phân
tích ma trận tương quan bằng phần mềm Stata. Tuy nhiên, ma trận tương quan chỉ có thể dùng để đánh giá mối tương quan giữa 2 biến với nhau. Việc đánh giá hiện tượng đa cộng tuyến giữa các biến sẽ được thực hiện sau thông qua việc tính toán hệ số VIF.
- Phân tích hồi quy: Người viết sẽ tiến hành hồi quy dữ liệu dạng bảng với 3 dạng mô hình: Mô hình hồi quy OLS gộp (Pooled OLS Model), Mô hình hiệu ứng tác động cố định (Fixed Effect Model - FEM) và Mô hình hiệu ứng tác động ngẫu nhiên (Random Effect Model - REM).
❖ Mô hình hồi quy gộp (Pooled OLS) với dạng thức hồi quy được minh hoạ dưới dạng công thức:
Yit = α + β1 * Xit1 + β2 * Xit2 + β3 * Xit3 + ∙ ∙ ∙ + βn * Xitn + ɛit
Trong đó, Yit là giá trị của biến phụ thuộc ứng với mỗi quan sát i trong thời gian t, còn Xitlà giá trị các biến độc lập tương ứng với quan sát thứ i trong thời gian t.
Mô hình hồi quy gộp Pooled OLS xem xét các doanh nghiệp niêm yết là đồng
nhất, thường không phản ánh đúng thực tế vì mỗi doanh nghiệp là thực thể riêng biệt với những đặc điểm riêng khác biệt có thể ảnh hưởng đến giá cổ phiếu và các quyết định về chính sách cổ tức.Vì vậy, theo Phạm Tiến Minh & Nguyễn Tiến Dũng (2015)
thì mô hình Pooled OLS có thể dẫn đến hiện tượng các ước lượng bị sai lệch khi không kiểm soát được các tác động riêng biệt này.
❖ Mô hình tác động cố định FEM hoặc tác động ngẫu nhiên REM được minh hoạ dưới dạng công thức sau:
Yit = α + β1 * Xit1 + β2 * Xit2 + β3 * Xit3 + ∙ + βn * Xitn + ®it
Trong đó ωit = vi + ɛit , với thành phần vi là giá trị đại diện cho các tác động riêng biệt, không biến động theo thời gian và không quan sát được của mỗi thực thể doanh nghiệp thứ i.
36
Với giả định mỗi thực thể đều có những đặc điểm riêng biệt có ảnh hưởng đến
các biến giải thích, mô hình tác động cố định FEM phân tích mối tương quan này giữa phần dư của mỗi thực thể với các biến giải thích qua đó kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) Vi ra khỏi các biến giải thích để có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.
Ngược lại, trong mô hình tác động ngẫu nhiên REM, sự biến động giữa các thực thể được giả định là ngẫu nhiên và không có sự tương quan với các biến giải thích trong mô hình. Khi đó, phần dư của mỗi thực thể (không tương quan với các biến giải thích) được xem là một biến giải thích mới trong mô hình.
Lý do tại sao lại sử dụng dữ liệu bảng và các mô hình hồi quy Pooled OLS, REM và FEM Model, Baltagi (1999) đã liệt kê một các ưu điểm của dữ liệu bảng so với dữ liệu theo chuỗi thời gian, dữ liệu chéo theo không gian. Một số ưu điểm đó là:
- “Nhờ việc kết hợp các chuỗi theo thời gian của các quan sát theo không gian,
dữ liệu sẽ bảng cung cấp ‘những dữ liệu có nhiều thông tin hơn, đa dạng hơn, ít cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và hiệu quả hơn.”
- “Thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu tính động của sự thay đổi, có thể phát hiện và đo lường tốt hơn những ảnh hưởng mà không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy”
- “Dữ liệu bảng có thể giúp nghiên cứu những mô hình hành vi phức tạp hơn, và có thể tối thiểu hoá sự chênh lệch có thể xảy ra nếu tổng hợp các đơn vị riêng biệt thành số liệu tổng”...
Tóm lại, theo Gujarati(2013), “dữ liệu bảng có thể làm phong phú các phân tích thực nghiệm theo những cách thức mà việc phân tích dữ liệu theo chuỗi thời gian
hay không gian thuần túy có thể đạt được”. Trên thực tế, khi thực hiện các nghiên cứu thực nghiệm về mối liên hệ của CSCT với biến động giá cổ phiếu, việc hồi quy
37
dữ liệu bảng cũng đã được nhiều học giả, nhiều nhà nghiên cứu sử dụng. Chính vì vậy, người viết quyết định sử dụng dạng dữ liệu bảng cũng như hồi quy các mô hình Pooled OLS, REM và FEM để thực hiện nghiên cứu.
Sau cùng, để lựa chọn mô hình nào là phù hợp hơn cả, người viết sẽ tiến hành các kiểm định để so sánh sự phù hợp giữa các mô hình theo gợi ý của Đinh Công Khải (2016).
* Kiểm định nhân tử Lagrange (hay Breusch-pagan Lagrange) để lựa chọn giữa mô hình Pooled OLS hay mô hình REM với cặp giả thuyết như sau:
H0: Không có sự khác nhau giữa ước lượng của REM và Pooled OLS (Pooled OLS là phù hợp hơn)
H1: có sự khác nhau giữa ước lượng của REM và Pooled OLS (Mô hình tác động ngẫu nhiên REM là phù hợp)
Nếu p-value của kiểm định Lagrange < α, giả thuyết H0 bị bác bỏ, chấp nhận giả thuyết H1. Ngược lại, chấp nhận giả thuyết H0..
* Kiểm định Hausman để lựa chọn giữa mô hình FEM hay mô hình REM với
cặp giả thuyết như sau:
H0: Mô hình tác động ngẫu nhiên REM phù hợp hơn (các biến giải thích không
có tương quan với thành phần ngẫu nhiên).
H1: Mô hình tác động cố định FEM phù hợp hơn (các biến giải thích có tương quan với thành phần ngẫu nhiên).
Nếu p-value của kiểm định Hausman < α, giả thuyết H0 bị bác bỏ và chấp nhận
giả thuyết H1. Ngược lại, khi p-value > α, giả thuyết H0 được chấp nhận.
Sau khi đã sử dụng kiểm định Hausman và Lagrange để lựa chọn giữa mô hình
phù hợp hơn giữa các mô hình Pooled OLS, REM và FEM, sẽ tiến hành kiểm định các khuyết tật của mô hình như Đa cộng tuyến, tự tương quan, phương sai sai số thay
38