Cùng với kiểm định khuyết tật về đa cộng tuyến, tác giả tiến hành kiểm định hiện tượng phuong sai sai số thay đổi và tự tương quan nhằm tìm ra mô hình phù hợp nhất VIF Squared LNPL 1.13 1.06 0.8843 0.1157 LEV 1.05 1.02 0.9535 0.0465 ROE 1.81 1.35 0.5510 0.4490 UEP 1.45 1.21 0.6881 0.3119 INF 1.51 1.23 0.6634 0.3366 GDP 1.38 1.18 0.7223 0.2777 LLR 1.49 1.22 0.6689 0.3311 LNSIZE 1.5 1.22 0.6670 0.3330 Mean VIF 1.42
cho mô hình. Phương sai sai số thay đổi là hiện tượng phương sai của các sai số ước lượng không bằng nhau, trong khi đó, tự tương quan chuỗi là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian trong các số liệu chuỗi thời gian hoặc được sắp xếp theo thứ tự không gian, đối với các số liệu quan sát theo không gian. Để kiểm định các vấn đề trên, nghiên cứu sử dụng ba phương pháp ước lượng cho mô hình nghiên cứu là mô hình Pooled OLS, mô hình tác động cố định và tác động ngẫu nhiên. Ngoài ra, tác giả cũng sử dụng các kiểm định như kiểm định mẫu nhỏ (F-test), Breusch and Pagan và Hausman để lựa chọn mô hình phù hợp. Những kiểm định này hỗ trợ cho việc lựa chọn giữa mô hình Pooled OLS, FEM và REM.
Bảng 4.4. Kết quả ước tính các nhân tố theo Pooled OLS, FEM,REM
Mô hình OLS-ROBUST FEM REM
LNPL 0.464*** 0.351*** 0.464*** (0.0774) (0.0550) (0.0509) LEV 0.344 -3.246 0.344 (0.514) (2.125) (0.527) ROE -0.0385*** -0.0465*** -0.0385*** (0.0145) (0.0130) (0.0113) UEP -0.207 -0.398 -0.207 (0.337) (0.314) (0.281) INF 0.0306*** 0.0286* 0.0306* (0.0110) (0.0169) (0.0164) GDP -0.198* -0.360*** -0.198* (0.110) (0.138) (0.115) LLR 0.0262 0.0374** 0.0262* (0.0192) (0.0168) (0.0145) LNSIZE 0.0438 0.467** 0.0438 (0.0631) (0.206) (0.0667) Hằng số 1.883 -1.018 1.883
Số quan sát 279 279 279 R-Squared 0.327 0.205 Kiểm định F (P- Value) 0.12 Kiểm định Hausman (P-Value) 0.0002
Sai số chuẩn trong *** p<0.01, ** p<0.05, *p<0.1
Nguồn: Kết quả xử lý dữ liệu từ Stata Dựa vào bảng kết quả thu được, mô hình Pooled OLS có thể giải thích 32.7% sự thay đổi các yếu tố tác động đến NPL. Bảng trên cho thấy các biến LNPL, ROE, INF có ý nghĩa thống kê ở mức 1%, biến GDP có ý nghĩa thống kế tại mức 10% trong khi các biến LEV, UEP, LLR, LNSIZE chưa thể hiện có ý nghĩa thông kê trong mô hình nghiên cứu. Các biến LNPL, LEV, INF, LLR và LNSIZE có tác động đồng biến với NPL, trong khi các biến ROE, GDP và UEP có tác động nghịch biến đối với RRTD. Kiểm định mẫu nhỏ F-test được dùng để kiểm tra sự phù hợp của mô hình Pooled OLS và mô hình tác động cố định FEM với giả thuyết như sau:
H0: Ước lượng mô hình Pooled OLS hiệu quả hơn.
H1: Ước lượng mô hình tác động cố định FEM hiệu quả hơn.
Kết quả mô hình cho thấy, nghiên cứu sử dụng phương pháp ước lượng Pooled OLS phù hợp hơn so với FEM vì Prob > Chi2 = 0.12 > 5%.
Tuy nhiên, khi ước tính theo mô hình Pooled OLS, dữ liệu chéo thông thường sẽ bị ràng buộc chặt chẽ về không gian và thời gian khi các hệ số hồi quy không đổi. Điều này đôi khi khiến mô hình Pooled OLS không phản ánh được tác động của sự khác biệt của mỗi ngân hàng, dẫn đến mức ảnh hưởng thật sự của biến độc lập lên biến phụ thuộc giảm mạnh và kết quả có thể không phù hợp với điều kiện thực tế. Tuy nhiên, cũng chưa khẳng định được mô hình REM là mô hình đúng. Vậy nên nghiên cứu sẽ tiếp tục sử dụng kiểm định Hausman để lựa chọn giữa FEM và REM. Thực chất, kiểm định Hausman là xem xét có tồn tại sự tương quan giữa Ui và Xit hay không. Nếu kiểm định Hausman cho một kết quả có ý nghĩa thì mô hình tác
động cố định phù hợp hơn so với mô hình tác động ngẫu nhiên. Kiểm định Hausman với giả định:
H0: Ước lượng của mô hình tác động cố định và mô hình tác ngẫu nhiên không khác nhau.
H1: Ước lượng của mô hình tác động cố định và mô hình tác ngẫu nhiên khác nhau.
Về lý thuyết, kiểm định Hausman cho thấy P = 0.000 < 5% nghĩa là cơ sở để bác bỏ H0 và chấp nhận H1. Khi ước lượng mô hình tác động cố định và mô hình tác động ngẫu nhiên có sự khác biệt thì nghiên cứu sẽ sử dụng mô hình tác động cố định để có ý nghĩa cao hơn.
Căn cứ vào bảng kết quả cho thấy mô hình các nhân tố tác động cố định FEM là hình phù hợp cho nghiên cứu vì Prob = 0.0002 < 5%.
Từ kết quả kiểm định Hausman, mô hình FEM đã được lựa chọn là mô hình phù hợp hơn REM, trong khi trước đó mô hình OLS tốt hơn mô hình FEM. Vì vậy, tác giả sẽ sử dụng mô hình Pooled OLS để xác định các yếu tố đến RRTD của các NHTM tại Việt Nam. Để có kết luận đáng tin cậy nhất, bước tiếp theo, tác giả tiến hành kiểm định OLS với tùy chọn Robust đê kiểm tra các khuyết tật thường gặp của mô hình.
Ngoài ra, hiện tượng biến nội sinh cũng sẽ làm cho các ước lượng thu được bằng phương pháp OLS không vững. Mô hình nghiên cứu sử dụng biến trễ của biến phụ thuộc (NPLi,t-1) làm biến độc lập nên theo Abhiman Das & Saibal Ghosh (2007), Daniel Foos & ctg (2010), Gabriel Jimenez & Jesus Saurina (2006), Richard Blundell & Stephen Bond (1998), thì nghiên cứu thuộc dạng mô hình với số liệu dạng bảng động (Dynamic panel data) và với biến trễ của biến phụ thuộc (NPLi,t-1) là biến nội sinh. Với kết quả kiểm định ở trên cho thấy hiện tượng đa cộng tuyến được đánh giá là không nghiêm trọng trong mô hình nghiên cứu. Tuy nhiên, mô hình có sự tự tương quan bậc nhất giữa các sai số và có hiện tượng biến nội sinh. Hiện tượng này sẽ làm cho các ước lượng thu được bằng phương pháp OLS không vững và không hiệu quả, các kiểm định hệ số hồi qui không còn đáng tin cậy. Vì thế tác giả sử dụng phương pháp hồi quy Moment tổng thể (GMM) để khắc phục hiện tượng trên. Với hồi quy
GMM phải đảm bảo thỏa mãn hai kiểm định sau: kiểm định Hansen và kiểm định Arellano – Bond hay kiểm định AR(2).
Với kiểm định Hansen, mục đích của kiểm định này là kiểm định biến công cụ được chọn là phù hợp và mô hình sử dụng biến đó để ước lượng cũng phù hợp với giả thiết:
H0: Biến công cụ là biến ngoại sinh, phù hợp với mô hình GMM H1: Biến công cụ không phù hợp với mô hình GMM
Với kiểm định Arellano – Bond, mục đích dùng để kiểm tra tính chất tự tương quan của phương sai sai số mô hình GMM ở dạng sai phân bậc 1. Do đó, chuỗi sai phân khảo sát mặc nhiên có tương quan bậc 1, AR(1) nên kết quả kiểm định được bỏ qua. Tương quan bậc 2, AR(2) được kiểm định trên chuỗi sai phân của sai số để phát hiện hiện tượng tự tương quan bậc nhất của phần dư mô hình. Với giả thiết như sau:
H0: Phần dư mô hình GMM không xảy ra hiện tượng tự tương quan bậc nhất H1: Phần dư mô hình GMM xảy ra hiện tượng tự tương quan bậc nhất