đến giá cổ phiếu trên thị trường
Để đo lường quan hệ của giá cổ phiếu ngân hàng trên thị trường với các yếu tố vĩ mô và các yếu tố liên quan đến đại dịch trong kỳ, tác giả đề xuất mô hình hồi quy đa biến như dưới đây:
Phương trình 2. Phương trình hồi quy đa biến nghiên cứu tác động đến
giá cổ phiếu ngân hàng
P(i,t) = α + β1GDP(t)+ β2CPI(t) + β3LS(t) + β4CA(t) + β5DN(t) + ε(i,t) Trong đó:
Biến phụ thuộc P(i,t) là giá cổ phiếu i trong ngày cuối quý t Biến độc lập:
o GDP(t) là mức tăng trưởng GDP trong quý t so với cùng kỳ năm trước
o CPI(t) là mức thay đổi CPI trong quý t so với cùng kỳ năm trước
o LS(t) là lãi suất tại ngày cuối quý t
o CA(t) là số ca mắc mới COVID-19 trong ngày cuối quý t o DN(t) là số doanh nghiệp dừng hoạt động trong quý t ε(i,t) là phần dư
Với phương trình này, các biến kinh tế vĩ mô được thêm vào như các biến kiểm soát của mô hình. Ta đo lường được với mỗi đơn vị thay đổi của các biến độc lập, biến phụ thuộc là giá cổ phiếu cuối quý sẽ tăng lên hoặc giảm đi bao nhiêu đơn vị. Mức độ tương quan sẽ được thể hiện bởi các hệ số hồi quy β1, β2, β3, β4, β5.
Tác giả cũng kiểm định mức độ phù hợp của mô hình, hay khả năng ảnh hưởng của các yếu tố trong mô hình đến giá cổ phiếu các ngân hàng
trên thị trường, bằng chỉ số R-squared hiệu chỉnh để biết có bao nhiều phần trăm sự thay đổi của biến phụ thuộc được giải thích bởi sự thay đổi của các biến độc lập.
Lý do tác giả sử dụng chỉ số R-squared hiệu chỉnh là để giảm bớt hiệu ứng không mong muốn khi có nhiều biến cùng được ước lượng trong mô hình hồi quy này.
Trong mô hình này, các biến số được quan sát theo các quý trong hai năm 2020- 2021, thay vì các ngày như mô hình trước. Các giả thuyết H1a, H2a, H3a, H4a, H5a sẽ được kiểm nghiệm.
Theo đó, mối quan hệ giữa biến phụ thuộc là giá cổ phiếu ngân hàng trên thị trường và các biến độc lập đại diện cho các yếu tố kinh tế vĩ mô được ước lượng trong một mô hình cùng với biến độc lập là thông tin số ca mắc mới COVID-19 tại ngày cuối quý.
Mô hình này được tham khảo và phát triển từ mô hình nghiên cứu các yếu tố vĩ mô tác động đến giá cổ phiếu ngân hàng của các công trình nghiên cứu đi trước, sử dụng một số biến kinh tế vĩ mô như mức tăng trưởng GDP, chỉ số giá tiêu dùng CPI và lãi suất điều hành (Kiều và Nhiên 2020; Jamaludin và cộng sự 2017; Alam và Uddin 2009).
Trong mô hình này, tác giả xem xét sự ảnh hưởng của yếu tố thông tin dịch bệnh COVID-19 bên cạnh các yếu tố kinh tế vĩ mô đến giá cổ phiếu trên thị trường. Từ đó, chúng ta có thể thấy được mối tương quan giữa dịch bệnh và giá cổ phiếu, cũng như mối tương quan giữa các yếu tố vĩ mô và giá cổ phiếu trong thời điểm dịch bệnh đang diễn biến phức tạp.
được xem xét để đánh giá tác động tổng thể của thông tin đại dịch và các yếu tố vĩ mô lên sự thay đổi giá của cổ phiếu ngân hàng trên thị trường chứng khoán.
Ngoài ra, tác giả cũng sử dụng ma trận tương quan để xem xét mối quan hệ giữa các biến độc lập của mô hình. Tác giả dự đoán có thể thấy được những mối tương quan có ý nghĩa giữa biến số ca mắc mới COVID-19 trong kỳ và các biến độc lập khác đại diện cho các yếu tố kinh tế vĩ mô.
Nếu kết quả nghiên cứu cho thấy mối tương quan giữa biến số ca mắc COVID- 19 và các biến kinh tế vĩ mô, và mối tương quan giữa các biến kinh tế vĩ mô và biến phụ thuộc là sự biến động giá cổ phiếu của các NHTM niêm yết, tác giả có thể đưa ra nhận định rằng đại dịch COVID- 19, cụ thể là thông tin về số ca mắc mới được thống kê trong ngày, có tác động gián tiếp đến sự thay đổi giá cổ phiếu các ngân hàng niêm yết trên thị trường chứng khoán.
3.3.2.2.Kiểm định mô hình hồi quy đa biến
Kiểm định tự tương quan
Để tránh trường hợp nhận định sai lầm về ý nghĩa thống kê của các hệ số hồi quy đạt được trong mô hình nghiên cứu đã xây dựng, tác giả tiến hành kiểm định hiện tượng tự tương quan.
Tương tự như mô hình đơn biến ở phần trên, phương pháp nhận biết hiện tượng tự tương quan được sử dụng ở đây là phương pháp kiểm định Wooldridge.
Hiện tượng đa cộng tuyến thường hay xảy ra đối với dữ liệu cắt ngang và dữ liệu bảng khi có sự tương quan giữa các biến độc lập với nhau.
Ước lượng OLS vẫn là ước lượng không chệch tốt nhất miễn đa cộng tuyến ko hoàn hảo. Hiện tượng này xảy ra thường do cỡ mẫu nhỏ và không đủ biến thiên trong giá trị của các biến giải thích. Do các biến kinh tế vĩ mô chỉ có thể lấy dữ liệu theo quý, và tổng cộng chỉ có 8 quan sát trong 2 năm, tác giả dự đoán mô hình nghiên cứu này sẽ có hiện tượng đa cộng tuyến.
Tuy vậy, trong trường hợp này, với mục tiêu nghiên cứu là mức độ ảnh hưởng của các biến kinh tế này, vậy nên tác giả đề xuất có thể chấp nhận hiện tượng đa cộng tuyến trong mô hình do mục đích xây dựng mô hình, và do không thể tăng cỡ mẫu vì điều kiện dữ liệu không cho phép.
Để kiểm định hiện tượng đa cộng tuyến, tác giả sử dụng chương trình Stata để lập ma trận tương quan giữa các biến. Các biến độc lập có mối tương quan với nhau sẽ được biểu thị bằng hệ số tương quan và P- value tương ứng để kiểm nghiệm ý nghĩa thống kê của chúng.
Ngoài ra, việc sử dụng ma trận tương quan còn có một ý nghĩa quan trọng nữa là giúp tác giả đo lường mức độ ảnh hưởng của biến số ca mắc COVID-19 đến các biến kinh tế vĩ mô. Kết quả của ma trận tương quan sẽ phản ánh mức độ ảnh hưởng của đại dịch đến các yếu tố kinh tế vĩ mô được xem là có tác động đến sự thay đổi giá cổ phiếu các NHTM niêm yết trên thị trường.
Bên cạnh đó, hệ số phóng đại phương sai (VIF) cũng được sử dụng để kiểm định hiện tượng đa cộng tuyến. Các biến độc lập có chỉ số VIF
được xem là gây ra hiện tượng đa cộng tuyến của mô hình. Kiểm định phương sai sai số thay đổi
Cũng giống như mô hình hồi quy đơn biến nghiên cứu về mối quan hệ giữa thông tin số ca mắc COVID-19 với giá cổ phiếu các NHTM trên thị trường nêu trên, ở mô hình đa biến này, tác giả cũng cần kiểm định hiện tượng phương sai sai số thay đổi. Như vậy, tác giả có thể đảm bảo phát hiện lỗi của mô hình và khắc phục để không báo cáo sai lệch kết quả nghiên cứu.
Với hiện tượng này, tương tự như mô hình trước, tác giả sẽ sử dụng kiểm định Breusch-Pagan để kiểm tra.
3.3.2.3.Khắc phục các hiện tượng lỗi
Với mẫu dữ liệu bảng nhỏ chỉ có 128 quan sát, tác giả dự đoán mô hình sẽ tồn tại các hiện tượng tự tương quan và phương sai sai số thay đổi giống như mô hìnhđơn biến ở Mục 3.3.1. Các hiện tượng này cần phải được khắc phục để tăng độ tin cậy của các hệ số hồi quy.
Tuy vậy, phương pháp khắc phục các hiện tượng vi phạm giả định hồi quy ở mô hình đa biến với mẫu dữ liệu nhỏ có phần phức tạp hơn so với mô hình đơn biến ở phần trước.
Để khắc phục các hiện tượng lỗi có thể xảy ra, tác giả sẽ điều chỉnh mô hình hồi quy OLS ban đầu theo các phương pháp sau:
Ước lượng với mô hình chuyển hóa sai phân bậc 1 để khắc phục hiện tượng tự tương quan
Với mô hình OLS được dự đoán là có hiện tượng tự tương quan xảy ra, tác giả sử dụng phương pháp chuyển hóa sai phân bậc 1 để khắc phục
hiện tượng này.
Cụ thể, phương pháp này được thực hiện bằng cách lấy hiệu số giữa quan sát kỳ t và quan sát kỳ t-1 cho mỗi biến của mô hình. Thay vì ước lượng mô hình ban đầu, ta sẽ ước lượng mô hình được biến đổi như sau:
Phương trình 3. Phương trình hồi quy đa biến nghiên cứu tác động đến giá cổ phiếu ngân hàng, chuyển hóa sai phân bậc 1
P(i,t) - P(i,t-1) = β1[GDP(t) - GDP(t-1)] + β2[CPI(t) - CPI(t-1)] + β3[LS(t) - LS(t-
1)] + β4[CA(t) - CA(t-1)] + β5[DN(t) - DN(t-1)] + [ε(i,t) - ε(i,t-1)] Với giả định có tồn tại hiện tượng tự tương quan bậc 1, tức các sai số kỳ này đều có tương quan với sai số kỳ trước đó, thì việc sử dụng mô hình điều chỉnh sẽ biến đổi sai số, sai số của mô hình mới trở thành [ε(i,t) - ε(i,t-1)] và khắc phục hiện tượng tự tương quan.
Ước lượng với mô hình sai số chuẩn mạnh (robust standard errors) để khắc phục hiện tượng phương sai sai số thay đổi
Phương pháp ước lượng bằng mô hình sai số chuẩn mạnh thường được áp dụng để khắc phục hiện tượng phương sai sai số thay đổi.
Với phương pháp này, hệ số hồi quy từ mô hình OLS ban đầu của được giữ nguyên như cũ, nhưng các ước lượng cho sai số của các hệ số hồi quy sẽ được điều chỉnh để cho phép sự tồn tại của hiện tượng phương sai sai số thay đổi, trong khi đó vẫn đảm bảo giả định của mô hình hồi quy.
đến mức độ biến động giá cổ phiếu trên thị trường trong kỳ
Để đo lường quan hệ của mức độ biến động trong kỳ của giá cổ phiếu ngân hàng trên thị trường với các yếu tố vĩ mô và các yếu tố liên quan đến đại dịch trong kỳ, tác giả đề xuất mô hình hồi quy đa biến như dưới đây:
Phương trình 4. Phương trình hồi quy đa biến nghiên cứu tác động đến mức độ biến động giá cổ phiếu ngân hàng
CVp(i,t) = α + β1GDP(t)+ β2CPI(t) + β3Mls(t) + β4 CVca(t) + β5DN(t) + ε(i,t) Trong đó:
Biến phụ thuộc CVp(i,t) là hệ số biến thiên của giá cổ phiếu i trong quý t.
Biến độc lập:
o GDP(t) là mức tăng trưởng GDP trong quý t so với cùng kỳ năm trước
o CPI(t) là mức thay đổi CPI trong quý t so với cùng kỳ năm trước
o Mls(t) là lãi suất trung bình trong quý t
o CVca(t) là hệ số biến thiên của số ca mắc mới COVID- 19 trong quý t
o DN(t) là số doanh nghiệp dừng hoạt động trong quý t ε(i,t) là phần dư
Với phương trình này, ta đo lường được với mỗi đơn vị thay đổi của các biến độc lập, biến phụ thuộc là hệ số biến thiên của giá cổ phiếu mỗi quý sẽ tăng lên hoặc giảm đi bao nhiêu đơn vị. Mức độ tương quan sẽ được thể hiện bởi các hệ số hồi quy β1, β2, β3, β4, β5.
Trong mô hình này, tác giả sử dụng một đại lượng thống kê là hệ số biến thiên để đo lường mức độ biến động giá trong kỳ của các cổ phiếu ngân hàng. Như vậy, các giả thuyết H1b, H2b, H3b, H4b, H5b được kiểm nghiệm.
Thông thường, độ lệch chuẩn, với ý nghĩa là độ dao động của một tập dữ liệu quanh giá trị trung bình của tập đó, được xem là thước đo mức độ biến động của tập dữ liệu. Tuy nhiên, trong mô hình nghiên cứu này, các tập dữ liệu cổ phiếu của các ngân hàng có giá trị trung bình rất khác nhau, nên việc sử dụng hệ số biến thiên bằng cách lấy độ lệch chuẩn chia cho giá trị trung bình giúp tác giả có thể đo lường biến số đại diện cho mức độ biến động giá cổ phiếu của các ngân hàng trên thị trường một cách chính xác hơn.
Như vậy, việc sử dụng hệ số biến thiên sẽ giảm bớt độ lệch của mẫu dữ liệu quan sát, giúp cho việc ước lượng mức độ biến động giá cổ phiếu được khách quan và đáng tin cậy hơn.
Ngoài ra, tác giả cũng sử dụng các biến được điều chỉnh là lãi suất trung bình trong quý, và hệ số biến thiên của số ca mắc trong quý để phù hợp với việc đánh giá các ảnh hưởng lên hệ số biến thiên của giá cổ phiếu các NHTM niêm yết trong quý.
3.3.3.1.Kiểm định mô hình hồi quy đa biến
Kiểm định tự tương quan
Tương tự như các mô hình nghiên cứu ảnh hưởng đến giá cổ phiếu ngân hàng, để tránh trường hợp nhận định sai lầm về ý nghĩa thống kê của các hệ số hồi quy đạt được trong mô hình nghiên cứu đã xây dựng,
tác giả tiến hành kiểm định hiện tượng tự tương quan.
Ở mô hình này, các phương pháp nhận biết hiện tượng tự tương quan được tác giả sử dụng cũng là phương pháp kiểm định Wooldridge.
Kiểm định đa cộng tuyến
Cũng giống như mô hình nghiên cứu ảnh hưởng đến giá cổ phiếu ngân hàng trên thị trường, mô hình nghiên cứu mức độ biến động giá cổ phiếu được xây dựng cũng làmô hình hồi quy đa biến, sử dụng dữ liệu bảng. Do vậy, tác giả cũng sẽ kiểm định hiện tượng đa cộng tuyến để đo lường sự tương quan giữa các biến độc lập với nhau.
Các phương pháp được sử dụng cũng tương tự như mô hình trên, đó là sử dụng ma trận tương quan và hệ số phóng đại phương sai (VIF).
Kiểm định phương sai sai số thay đổi
Với hiện tượng này, tương tự như các mô hình trước, tác giả sẽ sử dụng kiểm định Breusch-Pagan để kiểm tra.
3.3.3.2.Khắc phục các hiện tượng lỗi
Để khắc phục các hiện tượng không mong muốn gây ảnh hưởng đến kết quả của nghiên cứu, tác giả sẽ thực hiện các phương pháp khắc phục hiện tượng tự tương quan và hiện tượng phương sai sai số thay đổi.
Phương pháp khắc phục lỗi được thực hiện với mô hình đa biến này cũng tương tự với mô hình nghiên cứu giá cổ phiếu ngân hàng ở Mục 3.3.2.3 do các hạn chế của mẫu dữ liệu nhỏ.
Cụ thể, để khắc phục hiện tượng tự tương quan, trước hết tác giả sử dụng phương pháp chuyển hóa sai phân bậc 1.
Tiếp theo, trong trường hợp hiện tượng phương sai sai số thay đổi xảy ra, tác giả sử dụng ước lượng bằng mô hình sai số chuẩn mạnh.
Như vậy, dựa trên mô hình lý thuyết nghiên cứu về mối quan hệ của các biến, tác giả xây dựng các mô hình hồi quy tuyến tính để đo lường mức độ tương quan giữa chúng trong mẫu dữ liệu được sử dụng. Cụ thể, để đo lường các tác động của đại dịch COVID-19 đến giá cổ phiếu của 16 NHTM niêm yết, ta sẽ có 03 mô hình hồi quy tuyến tính như sau:
Mô hình đơn biến nghiên cứu ảnh hưởng trực tiếp của số ca mắc COVID- 19 trong ngày đến giá cổ phiếu trên thị trường
Mô hình đa biến nghiên cứu ảnh hưởng gián tiếp của đại dịch COVID-19 đến giá cổ phiếu trên thị trường
Mô hình đa biến nghiên cứu ảnh hưởng gián tiếp của đại dịch COVID-19 đến mức độ biến động giá cổ phiếu trên thị trường trong kỳ
Đồng thời, tác giả cũng tiến hành các kiểm định mô hình cần thiết để có biện pháp khắc phục, tránh xảy ra hiện tượng hồi quy giả mạo hay các sai lệch trong kết quả nghiên cứu.
Kết quả nghiên cứu thống kê mô tả và định lượng bằng phương pháp hồi quy được báo cáo trong Chương 4. Với các mô hình nghiên cứu về ảnh hưởng trực tiếp và gián tiếp của đại dịch COVID-19 như đã trình bày, kết quả nghiên cứu cũng gợi mở ra nhiều mối tương quan thú vị giữa các nhân tố độc lập, và giữa các nhân tố này với sự biến động giá trong kỳ của các cổ phiếu NHTM niêm yết trên thị trường.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU