ngày đến giá cổ phiếu trên thị trường
3.3.1.1. Mô hình hồi quy đơn biến
Để nghiên cứu mối quan hệ trực tiếp giữa giá cổ phiếu các ngân hàng niêm yết trên thị trường và số ca mắc COVID-19 mỗi ngày, mô hình này chỉ có một biến phụ thuộc là giá đóng cửa mỗi cổ phiếu trong mỗi ngày, và một biến độc lập duy nhất là số ca mắc mới COVID-19 trong ngày.
Cụ thể ta có phương trình hồi quy đơn biến như sau:
Phương trình 1. Phương trình hồi quy đơn biến
P(i,t) = α + βCA(t) + ε(i,t) Trong đó:
Biến phụ thuộc P(i,t) là giá cổ phiếu i trong ngày t
Biến độc lập CA(t) là số ca mắc mới COVID-19 trong ngày t ε(i,t) là phần dư
Cụ thể, ta có thể đo lường được với mỗi một đơn vị tăng lên của số ca mắc mới CA(t), thì giá cổ phiếu P(i,t) sẽ tăng lên hoặc giảm đi bao nhiêu đơn vị. Hệ số hồi quy β thể hiện mức độ tăng lên hoặc giảm đi của P(i,t) theo CA(t).
Đồng thời, tác giả cũng sử dụng giá trị P-value để kiểm định ý nghĩa thống kê của hệ số tương quan, với mức ý nghĩa 5%.
Như vậy, phương trình đơn biến này sẽ kiểm nghiệm giả thuyết H4a, cho phép ta nhìn nhận mối quan hệ trực tiếp giữa số ca mắc mới trong ngày và giá cổ phiếu các ngân hàng trên thị trường, với mẫu dữ liệu mà tác giả đã sử dụng trong mô hình nghiên cứu.
Bên cạnh đó, tác giả kiểm định khả năng giải thích của biến độc lập với biến phụ thuộc bằng chỉ số R-squared, để biết sự thay đổi của biến độc lập giải thích được bao nhiêu phần trăm sự thay đổi của biến phụ thuộc. Hay nói cách khác, tác giả đánh giá bao nhiêu phần trăm sự biến động giá cổ phiếu trên thị trường có thể được giải thích bằng sự thay đổi số ca mắc mới COVID-19, và bao nhiêu phần trăm được giải thích bằng các yếu tố nằm ngoài mô hình.
Tuy nhiên, để có được cái nhìn toàn cảnh về sự ảnh hưởng của đại dịch COVID-19, cũng như đánh giá lại mức độ tác động của các yếu tố vĩ mô đến sự biến động giá cổ phiếu các NHTM niêm yết trong đại dịch, ta cần sử dụng mô hình phân tích đa biến.
3.3.1.2. Kiểm định mô hình hồi quy đơn biến
Để đưa ra kết luận khách quan về kết quả nghiên cứu, hạn chế các sai lệch trong mô hình nghiên cứu về mức độ ảnh hưởng trực tiếp của số ca mắc mới đến giá trị cổ phiếu các ngân hàng trên thị trường chứng khoán, tác giả kiểm định mô hình để phát hiện các hiện tượng không mong muốn phổ biến của hồi quy dữ liệu bảng.
Do mô hình chỉ có một biến độc lập duy nhất nên tác giả không kiểm định hiện tượng đa cộng tuyến, chỉ kiểm định hiện tượng tự tương quan và hiện tượng phương sai sai số thay đổi.
Kiểm định tự tương quan
Đầu tiên, tác giả kiểm định hiện tượng tự tương quan. Tự tương quan là hiện tượng phổ biến ở dữ liệu chuỗi thời gian, và dữ liệu bảng, khi sai số của kỳ này có tương quan với sai số ở kỳ trước. Trong mô hình nghiên cứu với giá đóng cửa của cổ phiếu được lấy theo từng ngày trong hai năm, nên hiện tượng này có thể xảy ra do quán tính mang tính chu kỳ hoặc do độ trễ. Hiện tượng tự tương quan vi phạm một trong những giả định của mô hình hồi quy tuyến tính cổ điển. Điều đó dẫn đến việc các ước lượng OLS vẫn không chệch và nhất quán, vẫn theo phân phối chuẩn trong một mẫu lớn như mẫu dữ liệu được sử dụng của mô hình này, tuy nhiên, chúng không còn hiệu quả nữa. Khi hiện tượng tự tương quan xảy ra, các sai số chuẩn OLS bị ước lượng thấp, và các giá trị t ước lượng cao hơn so với thực tế. Kêt quả nghiên cứu do vậy mà trở nên không còn đáng tin cậy khi các hệ số hồi quy có thể không thực sự có
ý nghĩa thống kê, và khoảng tin cậy có thể chứa khả năng hệ số hồi quy bằng 0. Trong trường hợp này, tác giả sẽ kiểm nghiệm hiện tượng tự tương quan bằng kiểm định Wooldridge. Đây là một kiểm định phổ biến và đáng tin cậy thường được sử dụng trong các mô hình hồi quy dữ liệu bảng. Kiểm định này có giả thuyết H0: Mô hình không có hiện tượng tự tương quan. Vì vậy, giá trị P-value được kỳ vọng lớn hơn 0.1.
Kiểm định phương sai sai số thay đổi
Phương sai sai số thay đổi là hiện tượng mà phương sai của các sai số ước lượng không bằng nhau. Hiện tượng này thường hay xảy ra đối với dữ liệu cắt ngang, khi các quan sát của biến mà có giá trị quá khác biệt so với các quan sát còn lại. Dữ liệu được sử dụng trong bài luận này là dữ liệu bảng, bởi vậy hiện tượng này có thể xảy ra.
Hơn nữa, vì mẫu dữ liệu có bao gồm nhiều ngân hàng có dữ liệu giá cổ phiếu khác nhau nên tác giả phỏng đoán hiện tượng này có khả năng sẽ gây ảnh hưởng đến mô hình và kết quả nghiên cứu.
Tác giả sử dụng kiểm định Breusch-Pagan để kiểm tra hiện tượng này. Kiểm định này có giả thuyết H0: Phương sai sai số không đổi. Bởi vậy, nếu hệ số thống kê
của kiểm định có P-value < 0.1 thì mô hình có hiện tượng phương sai sai số thay đổi xảy ra.
3.3.1.3. Khắc phục các hiện tượng lỗi
Vì dữ liệu thời gian được lấy theo ngày, và cỡ mẫu cũng tương đối lớn, nên tác giả sẽ sử dụng phương pháp ước lượng sai số chuẩn Newey-West. Phương pháp này vẫn sử dụng mô hình hồi quy OLS thông thường, và các ước lượng hệ số hồi quy không thay đổi. Tuy nhiên, các sai số của hệ số hồi quy sẽ được điều chỉnh để khắc phục những ảnh hưởng của hiện tượng tự tương quan và hiện tượng phương sai sai số thay đổi.