4.2.1.Mô hình ảnh hưởng trực tiếp
Kết quả hồi quy đơn biến được tổng hợp theo Bảng 4.4 dưới đây:
Bảng 4.4. Kết quả hồi quy mô hình đơn biến
Biến độc lập Hệ số β Độ lệch chuẩn t P>t CA 0.7854574 0.0477553 16.45 0.000 F(1, 8001) = 270.52 Prob > F = 0.0000 R-squared = 0.0327 R-squared hiệu chỉnh = 0.0326
Chú thích:
CA: số ca mắc trong ngày
Theo bảng kết quả trên đây, ta có hệ số β là 0.7854574, P-value tương ứng là0.000. Như vậy, ta có thể kết luận rằng mối liên quan giữa biến phụ thuộc P(i,t) và biến độc lập CA(t) có ý nghĩa thống kê, và mỗi liên quan này là đồng biến. Cụ thể, ta có thể diễn giải như sau: Với mỗi đơn vị tăng thêm (giảm đi) của biến CA(t), biến P(i,t) tăng thêm (giảm đi) 0.7854574 đơn vị. Hay nói cách khác, với mỗi số ca mắc COVID-19 mới tăng thêm trong ngày, giá đóng cửa cổ phiếu ngân hàng tăng thêm 0.7854574 đơn vị. Tác giả nhận định kết quả này tương đối thú vị, do về tổng thể trong hai năm 2020-2021, thông tin số ca mắc mới tăng thêm trong đại dịch COVID- 19 không hề ảnh hưởng tiêu cực đến giá cổ phiếu ngân hàng trên thị trường chứng khoán, mà ngược lại còn góp phần khiến cho giá cổ phiếu tăng trưởng mạnh mẽ. Tác giả đặt vấn đề liệu mối quan hệ cùng chiều này đang thể hiện phản ứng tích cực của thị trường đối với giá cổ phiếu các ngân hàng niêm yết, hay tiềm ẩn một bong bóng giá cổ phiếu ngân hàng do đại dịch COVID-19.
Tiếp theo, tác giả xem xét đến hệ số R-squared. R-squared thể hiện bao nhiêu phần trăm thay đổi của biến phụ thuộc P(i,t) được giải thích bởi biến độc lập CA(t). Ở đây, R-squared hiệu chỉnh = 0.0326. Điều này có nghĩa rằng, chỉ có 3.26% sự thay đổi giá đóng cửa cổ phiếu các ngân hàng niêm yết trên thị trường được giải thích bởi sự thay đổi số ca mắc mới mỗi ngày. Tác giả cho rằng đây cũng là kết quả cần chú ý đánh giá thêm, do sự biến động giá cổ phiếu của các NHTM niêm yết, theo các bài nghiên cứu trước đây, chịu ảnh hưởng từ nhiều yếu tố kinh tế vĩ mô và yếu tố nội tại của bản thân mỗi cổ phiếu (Kiều và Nhiên 2020). Như vậy, ở các mô hình tiếp theo chúng ta cần xem xét đến sự tác động các yếu tố kinh tế vĩ mô đến sự biến động giá cổ phiếu của các NHTM niêm yết như thế nào, khi đại dịch COVID-19 có khả năng sẽ ảnh hưởng đến nền kinh tế vĩ mô của đất nước.
Biểu đồ tương quan giữa số ca mắc mới COVID-19 theo ngày và sự biến động giá cổ phiếu của các NHTM niêm yết được thể hiện dưới đây.
Biểu đồ 4.5. Đồ thị tương quan giữa số ca mắc trong ngày và sự biến động giá cổ phiếu của các NHTM niêm yết
Để đạt được kết quả thuyết phục hơn 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 các hiện tượng tự tương quan và hiện tượng phương sai sai số thay đổi, và đạt được các kết quả dưới đây:
F(1,15) = 471.647 Prob>F = 0.0000
(Nguồn: Kết quả của chương trình Stata 14)
Việc Prob>F = 0.0000 có nghĩa là giả thuyết không có hiện tượng tự tương quan bị bác bỏ. Như vậy, ta có thể kết luận mô hình có hiện tượng tự tương quan xảy ra.
Tác giả tiếp tục kiểm định hiện tượng phương sai sai số thay đổi bằng kiểm định Breusch-Pagan và có kết quả như sau.
chi2(1) = 8.18 Prob > chi2 = 0.0042
(Nguồn: Kết quả của chương trình Stata 14)
Như vậy, mô hình có tồn tại hiện tượng phương sai sai số thay đổi.
Để khắc phục tình trạng tự tương quan và phương sai sai số thay đổi, tác giả xử lý bằng phương pháp ước lượng Newey-West và đạt kết quả hồi quy như dưới đây.
Bảng 4.5. Kết quả hồi quy mô hình đơn biến bằng phương pháp ước lượng Newey-West
Biến độc lập Hệ số β Độ lệch chuẩn t P>t
CA 0.7854574 0.0604238 13.00 0.000 F(1, 8001) = 168.98
Prob > F = 0.0000 Chú thích:
CA: số ca mắc trong ngày
Trong bảng kết quả, ta có thể thấy sai số của hệ số hồi quy đã lớn hơn và giá trị t đã nhỏ hơn nhiều so với mô hình OLS thông thường. Tuy vậy P-value tương ứng vẫn là 0.000, khoảng tin cậy vẫn không có khả năng tồn tại hệ số hồi quy bằng
0. Do đó, ta có thể kết luận rằng số ca mắc mới COVID-19 trong ngày có ảnh hưởng tích cực đến sự biến động giá cổ phiếu của các NHTM niêm yết.
4.2.2.Mô hình ảnh hưởng gián tiếp
4.2.2.1.Mô hình ảnh hưởng đến giá cổ phiếu
Kết quả mô hình hồi quy được thể hiện ở Bảng 4.6 sau đây.
Bảng 4.6. Kết quả hồi quy mô hình đa biến ảnh hưởng đến giá cổ phiếu
Biến Hệ số β Độ lệch chuẩn t P>t GDP 226.5804 449.8309 0.50 0.615 CPI 5237.218 2580.523 2.03 0.045 LS -39871.44 11197.65 -3.56 0.001 CA -0.0424929 0.331127 -0.13 0.898 DN 0.4229657 0.3740218 1.13 0.260 F(5, 122)=4.81 Prob > F =0.0000 R-squared=0.1648 Adj R-squared=0.1305 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
LS: lãi suất tại ngày cuối quý CA: số ca mắc tại ngày cuối quý
DN: số doanh nghiệp ngừng hoạt động trong quý
Từ Bảng 4.6, tác giả nhận định các biến GDP, CPI và DN có ảnh hưởng cùng chiều, các biến LS và CA có ảnh hưởng ngược chiều đến biến phụ thuộc P. Tuy nhiên,chỉ có biến LS và CPI là mối quan hệ ảnh hưởng có ý nghĩa thống kê, với P-value tương ứng là 0.001 và 0.045.
Khả năng giải thích của mô hình chỉ dừng lại ở mức thấp, vào khoảng 13.05%. Điều này có nghĩa là các biến kinh tế vĩ mô và thông tin số ca mắc mới không có nhiều tác động đến giá đóng cửa cuối quý của các cổ phiếu ngân hàng được quan sát. Như vậy, chỉ có sự thay đổi về chỉ số CPI và lãi suất điều hành của NHNN mới được xem là có ảnh hưởng đáng kể đến sự biến động giá cổ phiếu của các NHTM niêm yết.
Về biến CA đại diện cho số ca mắc COVID-19 được đưa vào ước lượng trong mô hình hồi quy giá cổ phiếu theo quý này, ta có thể thấy dấu của hệ số hồi quy là âm và khá nhỏ, không có ý nghĩa thống kê và cũng không đồng nhất với kết quả của mô hình hồi quy giá cổ phiếu theo ngày. Biến DN có tác động dương đến biến P nhưng mức ý nghĩa thống kê không cao.
Để chắc chắn về kết quả đã nhận được, tác giả kiểm định các lỗi của mô hình kết quả được trình bày như dưới đây.
Hiện tượng tự tương quan:
Tác giả thực hiện kiểm định Wooldridge và thu được kết quả: F(1,15) = 270.52 Prob>F = 0.0007
(Nguồn: Kết quả của chương trình Stata 14)
Việc Prob>F = 0.0007 có nghĩa là giả thuyết không có hiện tượng tự tương quan bị bác bỏ. Các ước lượng mô hình OLS vẫn không chệch và nhất quán, nhưng không còn hiệu quả nữa do sai số không còn đáng tin cậy. Do vậy, tác giả sẽ phải điều chỉnh mô hình để khắc phục hiện tượng này.
Đa cộng tuyến:
Ma trận tương quan cho thấy hệ số hồi quy và P-value tương ứng của mỗi cặp biến, được thể hiện như sau:
Bảng 4.7. Ma trận tương quan của mô hình đa biến ảnh hưởng đến giá cổ phiếu
P GDP CPI LS CA DN P 1 GDP 0.0452 1 0.6123 CPI -0.2452 -0.1205 1 0.0053 0.1754 LS -0.3653 -0.0238 0.8595 1 0.0000 0.7894 0.0000 CA 0.1631 -0.1567 -0.1672 -0.3875 1
0.0658 0.0774 0.0593 0.0000
DN -0.0497 0.2599 -0.0445 0.2188 -0.3080 1
0.5774 0.0031 0.6182 0.0131 0.0004 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
LS: lãi suất tại ngày cuối quý CA: số ca mắc tại ngày cuối quý
DN: số doanh nghiệp ngừng hoạt động trong quý
Nguồn: Kết quả của chương trình Stata 14
Ta có thể thấy các mối quan hệ nổi bật giữa các biến độc lập như sau:
Biến CPI có quan hệ cùng chiều với biến LS (β = 0.8595, P-value = 0.0000)
Biến LS có quan hệ ngược chiều với biến CA (β = -0.3875, P-value = 0.0000)
Biến DN có quan hệ ngược chiều với biến CA (β = -0.3080, P-value = 0.0004)
Như vậy, tác giả đưa ra nhận định rằng, thông tin số ca mắc mới COVID-19 có mối tương quan ngược chiều với lãi suất. Điều này có thể lý giải là khi đại dịch COVID-19 bùng phát, số ca mắc mới dâng cao thì NHNN sẽ giảm lãi suất để hỗ trợ các doanh nghiệp. Tuy vậy, về mối tương quan ngược chiều giữa số ca mắc và số doanh nghiệp ngừng hoạt động, điều này có thể là do độ trễ, khi thời điểm số ca mắc tăng cao, các doanh nghiệp đã cố gắng tìm cách ứng phó, chưa rút khỏi thị trường.Ngoài ra, biến GDP được cho thấy có quan hệ ngược chiều với biến CA, dù mối tương quan này không có ý nghĩa thống kê, cho thấy số ca mắc mới có ảnh hưởng tiêu cực đến mức tăng trưởng GDP.
Tiếp theo, tác giả kiểm định hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai (VIF) và có kết quả như sau:
Bảng 4.8. Kiểm định VIF của mô hình đa biến ảnh hưởng đến giá cổ phiếu
Variable VIF LS 6.07 CPI 5.31 DN 1.41 CA 1.37 GDP 1.1 Mean VIF 3.05 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
LS: lãi suất tại ngày cuối quý CA: số ca mắc tại ngày cuối quý
DN: số doanh nghiệp ngừng hoạt động trong quý
Nguồn: Kết quả của chương trình Stata 14
Ta có thể thấy các biến LS và CPI có hệ số VIF cao là nguyên nhân gây ra hiện tượng đa cộng tuyến của mô hình. Tuy vậy, tác giả lựa chọn không loại bỏ các biến này vì tác giả đặt mục tiêu nghiên cứu sự ảnh hưởng của chúng đến biến phụ thuộc.
Hiện tượng phương sai sai số thay đổi:
Tác giả kiểm định hiện tượng phương sai sai số thay đổi bằng kiểm định Breusch-Pagan và nhận được kết quả như sau:
chi2(1) = 2.95 Prob > chi2 = 0.0861
(Nguồn: Kết quả của chương trình Stata 14)
Kết quả cho thấy hiện tượng phương sai sai số thay đổi có tồn tại trong mô hình và cần khắc phục để các ước lượng hệ số hồi quy đáng tin cậy hơn.
Sau khi đã kiểm định ba hiện tượng vi phạm phổ biến ở mô hình OLS thông thường, tác giả nhận định có hai hiện tượng cần điều chỉnh mô hình để xử lý là hiện tượng tự tương quan và hiện tượng phương sai sai số thay đổi.
Trước hết, tác giả chỉnh sửa mô hình gốc ban đầu với phương pháp chuyển hóa sai phân bậc 1 để khắc phục hiện tượng tự tương quan. Kết quả hồi quy với phương pháp này được thể hiện ở Bảng 4.9 dưới đây. Ta có thể thấy khi sử dụng phương pháp này, mức độ phù hợp của mô hình tăng lên nhiều (với R-squared hiệu chỉnh bằng 0.2733).
Bảng 4.9. Kết quả hồi quy mô hình đa biến ảnh hưởng đến giá cổ phiếu sử dụng phương pháp chuyển hóa sai phân bậc 1
Biến Hệ số tương quan Độ lệch chuẩn t P>t
GDP 293.857 102.1977 2.88 0.005 CPI 3964.221 1037.748 3.82 0.000 LS -30377.66 6304.47 -4.82 0.000 CA -0.1955308 0.1673645 -1.17 0.245 DN 0.3329792 0.1412699 2.36 0.020 F(5, 107)= 9.43 Prob > F =0.0000 R-squared=0. 3058 Adj R-squared=0.2733 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
tại ngày cuối quý
DN: số doanh nghiệp ngừng hoạt động trong quý
Quan trọng hơn, mối tương quan giữa các biến GDP, CPI, LS, DN với biến P lại có ý nghĩa thống kê cao hơn rất nhiều, với các giá trị P-value đều ở khoảng dưới 0.05.
Như vậy, tác giả đánh giá mức tăng trưởng GDP, sự thay đổi CPI, và số doanh nghiệp dừng hoạt động có tác động cùng chiều có ý nghĩa đến giá cổ phiếu ngân hàng niêm yết trên thị trường. Yếu tố lãi suất có quan hệ ngược chiều mạnh mẽ với giá cổ phiếu trên thị trường. Trong khi đó, yếu tố thông tin số ca mắc mới được xem là có quan hệ ngược chiều với giá cổ phiếu trên thị trường, mặc dù mức độ ý nghĩa không cao. Điều này trái ngược với kết quả của mô hình đơn biến nghiên cứu ảnh hưởng trực tiếp của số ca mắc mới đến giá đóng cửa cuối ngày của các cổ phiếu ngân hàng.
Cuối cùng, để khắc phục hiện tượng phương sai sai số thay đổi, tác giả sử dụng mô hình sai số chuẩn mạnh để kiểm định lại mức độ ảnh hưởng của các biến độc lập. Kết quả của mô hình được thể hiện ở Bảng 4.10 dưới đây.
Bảng 4.10. Kết quả hồi quy mô hình đa biến ảnh hưởng đến giá cổ phiếu sử dụng mô hình sai số chuẩn mạnh
Biến Hệ số tương quan Độ lệch chuẩn t P>t
GDP 226.5804 480.1309 0.47 0.638 CPI 5237.218 2828.067 1.85 0.066 LS -39871.44 12639.79 -3.15 0.002 CA -0.0424929 0.2999907 -0.14 0.888 DN 0.4229657 0.3738796 1.13 0.260 F(5, 122)= 5.56 Prob > F =0.0001 R-squared=0.1648 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
LS: lãi suất tại ngày cuối quý CA: số ca mắc tại ngày cuối quý
DN: số doanh nghiệp ngừng hoạt động trong quý
Nguồn: Kết quả của chương trình Stata 14
Nhìn vào bảng kết quả, ta nhận thấy các giá trị P-value không thay đổi nhiều so với mô hình hồi quy ban đầu. Biến LS vẫn là biến có mức độ giải thích nhiều nhất trong số các biến kinh tế vĩ mô. Trong khi đó, biến CPI trở nên không còn ý nghĩa thống kê với P-value là 0.066.
Sau khi thực hiện mô hình hồi quy giá cổ phiếu, tác giả nhận định các yếu tố về kinh tế vĩ mô cũng như thông tin về đại dịch COVID-19 cộng gộp lại không có nhiều ảnh hưởng đến giá cổ phiếu ngân hàng trên thị trường. Trong đó, thông tin lãi suất được xem là có ảnh hưởng ngược chiều có ý nghĩa đến giá cổ phiếu trong cả ba mô hình được sử dụng. Yếu tố CPI có ảnh hưởng tích cực đến giá cổ phiếu, điều này đi ngược lại cơ sở lý luận tác giả đã đặt ra.
Liên quan đến mối tương quan giữa thông tin số ca mắc trong ngày và các yếu tố lãi suất và CPI, tác giả nhận thấy thông tin số ca mắc có tác động tiêu cực đến lãi suất và CPI, điều này có thể phản ánh ảnh hưởng tiêu cực của đại dịch đến các yếu tố kinh tế vĩ mô là lãi suất và lạm phát.
Yếu tố tăng trưởng GDP chỉ có ý nghĩa ở mô hình chuyển hóa sai phân bậc 1, tuy nhiên các mô hình đều cho thấy dấu của mối tương quan là cùng chiều. Bên cạnh đó, ma trận tương quan cũng cho thấy thông tin số ca mắc mới đã ảnh hưởng tiêu cực đến tăng trưởng GDP, dù mối tương quan cũng không có ý nghĩa. Tuy vậy, ta có thể nhìn thấy mối quan hệ ảnh hưởng gián tiếp của thông tin số ca mắc mới đến giá cổ phiếu trên thị trường, thông qua tác động lên mức tăng trưởng GDP, dù không rõ rệt.
4.2.2.2.Mô hình ảnh hưởng đến mức độ biến động giá cổ phiếu trong kỳ
Kết quả hồi quy mô hình được thể hiện ở Bảng 4.11 dưới đây.
Bảng 4.11. Kết quả hồi quy mô hình đa biến ảnh hưởng đến mức độ biến động giá cổ phiếu trong kỳ
Biến Hệ số tương quan Độ lệch chuẩn t P>t
GDP -0.0000971 0.0009982 -0.1 0.923 CPI 0.0176278 0.0079739 2.21 0.029 Mls -0.0329193 0.0222565 -1.48 0.142 CVca 0.0018293 0.0095426 0.19 0.848 DN 2.74e-06 1.02e-06 2.70 0.008 F(5, 122)=2.45 Prob > F =0.0371 R-squared=0.0914 Adj R-squared=0.0542 Chú thích:
GDP: mức tăng trưởng GDP trong quý CPI: mức thay đổi CPI trong quý
Mls: lãi suất trung bình trong quý
CVca: hệ số biến thiên số ca mắc trong quý DN: số doanh nghiệp ngừng hoạt động trong quý
Nguồn: Kết quả của chương trình Stata 14
Theo kết quả nghiên cứu, biến CPI có mối tương quan lớn nhất và cùng chiều đến mức độ biến động giá