Để ước lượng mô hình nghiên cứu để xem xét tác động của BĐDT đến CTV, các nghiên cứu trước đây sử dụng nhiều phương pháp ước lượng khác nhau. Phương
pháp đầu tiên là phương pháp hồi quy bình phương nhỏ nhất (OLS), hồi quy tuyến tính với hiệu ứng cố định (FEM) (Harris and Roark, 2019, Karimli, 2018). Phương pháp này đơn giản, dễ tiếp cận. Tuy nhiên, dữ liệu bảng với số mẫu quan sát lớn trong khoảng thời gian nghiên cứu ngắn thường phát sinh hiện tượng phương sai sai số thay đổi, khó có thể khắc phục. Đồng thời, nếu mô hình nghi ngờ tồn tại vấn đề nội sinh tức là có sự tương quan hai chiều giữa các biến độc lập và biến phụ thuộc thì các ước lượng theo hồi quy bình phương nhỏ nhất, hồi quy tuyến tính cố định sẽ không còn ý nghĩa. Do đó, để khắc phục một phần vấn đề này, phương pháp thứ hai một số nghiên cứu sử dụng sử dụng mô hình tuyến tính tổng quát (GLM) kết hợp với logit do biến phụ thuộc ĐBTC là phân số nhận giá trị trong khoảng 0 đến 1 (Keefe and Yaghoubi, 2016, Memon và cộng sự, 2018, Santosuosso, 2015). GLM có thể giải quyết một số vấn đề phổ biến khi sử dụng hàm tuyến tính để ước lượng cho các biến tỷ lệ hoặc phân số. Tuy nhiên, GLM khá nhạy cảm với các biến ngoại lai. Do đó, khi ước lượng bằng GLM các nghiên cứu thường loại bỏ các giá trị ngoại lai bằng cách bỏ đi 1% các giá trị đầu và đuôi của mẫu nghiên cứu. Đồng thời, các biến nghiên cứu trong mô hình cần được lấy trễ và xác định độ trễ phù hợp. Dudley and James (2015) thực hiện theo phương pháp khác, sử dụng biến công cụ là sự thay đổi của thuế và sự cạnh tranh của thị trường sản phẩm để giải quyết vấn đề nội sinh giữa các biến nghiên cứu. Tuy nhiên vấn đề phát sinh khi sử dụng ước lượng biến công cụ là (i) thường không dễ để tìm được biến công cụ phù hợp, (ii) nếu sử dụng biến công cụ yếu, các ước lượng sẽ không đảm bảo tính vững (Mileva, 2007).
Mặc khác trên thực tế, các yếu tố của DN là ràng buộc và có thể tác động nhân quả và hai chiều lẫn nhau, nên trong mô hình nghiên cứu có thể phát sinh nhiều yếu tố khác. Thứ nhất, luận án cân nhắc về BĐDT và khả năng chịu sự tác động từ các yếu tố khác bởi việc BĐDT hay rủi ro kinh doanh của DN là một trong những vấn đề quan trọng mà người quản lý phải cân nhắc về tình hình hoạt động của công ty. Bloom (2014) khi nghiên cứu về rủi ro kinh doanh DN cũng cho thấy có tồn tại sự mối quan hệ nghịch hai chiều giữa sự biến động và khả năng sinh lời. Ủng hộ lập luận này, Dudley and James (2015) cho rằng BĐDT và khả năng sinh lời đều có khả năng bị
nội sinh, nên việc xác định những ảnh hưởng của sự thay đổi trong BĐDT và việc sử dụng nợ của DN đòi hỏi một phương pháp ước lượng để giải quyết vấn đề nội sinh. Bên cạnh đó, như đề cập ở chương 2, các lý thuyết hàm ý rằng BĐDT ảnh hưởng đến việc sử dụng nợ của DN. Ở một góc độ khác, khi DN sử dụng nợ cao làm gia tăng chi phí phá sản và kiệt quệ tài chính, đồng nghĩa với làm tăng nguy cơ rủi ro kinh doanh. Hay nói cách khác, có tồn tại mối quan hệ hai chiều giữa BĐDT và ĐBTC (Keefe and Yaghoubi, 2016, Memon và cộng sự, 2018, Santosuosso, 2015). Những điều này khiến tác giả nghi ngờ rằng biến BĐDT trong mô hình có thể là biến nội sinh, tức là nó còn có thể chịu tác động của nhiều biến khác trong mô hình như ĐBTC hay khả năng sinh lời của DN. Thứ hai, bên cạnh một số biến hồi quy có thể xác định trước nhưng không hoàn toàn ngoại sinh, cụ thể trong nghiên cứu này là BĐDT – nghi ngờ có nội sinh như vừa phân tích, một số hồi quy có thể bị ảnh hưởng bởi những biến động hoặc thay đổi trong quá khứ, mà biến trễ của biến phụ thuộc là một minh chứng (Roodman, 2009). Khi đó, công cụ ước tính thích hợp và khả dụng là dựa trên độ trễ của các biến công cụ. Kết hợp hai vấn đề trên, luận án đưa thêm biến trễ của biến phụ thuộc vào – cụ thể biến trễ một kỳ của việc sử dụng nợ, để giải quyết vấn đề nội sinh và khắc phục các khuyết tật của mô hình.
Để ước lượng các phương trình hồi quy để kiểm định mối quan hệ giữa các biến đã được đề cập, tác giả sử dụng phương pháp ước lượng mô men tổng quát (Generalized Method of Moments – GMM) của Hansen (1982) – phương pháp hồi quy tổng quát bao gồm cả ước lượng OLS, FEM, REM, GLS, MLE,… là những trường hợp đặc biệt của nó. Ưu điểm của phương pháp GMM là cho ra các hệ số ước lượng vững, đáng tin cậy, phân phối chuẩn và hiệu quả thậm chí khi điều kiện giả thiết nội sinh bị vi phạm. Đồng thời, GMM dễ dàng trong việc lựa chọn các biến công cụ hơn do sử dụng các biến ngoại sinh ở các thời điểm khác nhau hoặc lấy trễ của biến phụ thuộc để làm biến công cụ cho các biến nội sinh tại thời điểm nghiên cứu.
Sau khi phương pháp GMM ra đời, các nghiên cứu sau này phát triển thành các dạng ước lượng GMM khác nhau. Hai dạng ước lượng GMM phổ biến là GMM sai phân (Difference GMM – DGMM) và GMM hệ thống (System GMM – SGMM).
Phương pháp GMM sai phân của Arellano and Bond (1991) thực hiện chuyển mô hình gốc ban đầu đang có chứa khuyết tật bằng cách thêm cộng cụ, cũng như đưa thêm biến trễ của biến phụ thuộc vào mô hình như một biến giải thích để giải quyết vấn đề tương quan và nội sinh. Arellano and Bover (1995) và Blundell and Bond (1998) nhận thấy nếu biến phụ thuộc có tương quan cao với biến trễ của nó hoặc khoảng thời gian nghiên cứu không quá đủ lớn, GMM sai phân sẽ vẫn có thể có các sai lệch trong kết quả mô hình nghiên cứu. Do đó, Arellano and Bover (1995) và Blundell and Bond (1998) phát triển GMM hệ thống bằng cách cho phép bổ sung nhiều công cụ hơn để cải thiện vấn đề này. Mô hình ước lượng theo phương pháp GMM hệ thống với dữ liệu bảng động theo Blundell and Bond (1998), để giải quyết vấn đề nội sinh có thể phát sinh từ: (i) những hiệu ứng cố định trong từng DN không quan sát được tác động đến tỷ lệ nợ và BĐDT (Roodman, 2009), (ii) mối quan hệ nhân quả đồng thời xảy ra giữa BĐDT và tỷ lệ nợ; (iii) sự thiên lệch của mô hình bảng động (Arellano and Bond, 1991, Bond, 2002); (iv) vấn đề nội sinh xuất hiện giữa các biến khác trong mô hình. Phương pháp GMM hệ thống có xem xét tính vững của BĐDT và CTV. Đồng thời, phương pháp GMM hệ thống phù hợp với dữ liệu thu thập của nhóm nghiên cứu với thời gian ngắn và số lượng DN nhiều (Roodman, 2009). Cụ thể, bộ dữ liệu nghiên cứu được sử dụng theo dạng bảng động không cân bằng với chuỗi thời gian ngắn (T = 11 năm) và số lượng đối tượng quan sát lớn (N = 789 DN) cho mỗi đơn vị thời gian, với tổng số quan sát 5495. Bộ dữ liệu này phù hợp với việc sử dụng phương pháp hồi quy GMM. Đồng thời để linh hoạt hơn trong việc điều chỉnh các biến công cụ, luận án sử dụng phương pháp ước lượng SGMM.
Dựa trên những lập luận ở trên, các phương trình hồi quy tại mục 3.2 được viết lại dưới dạng mô hình GMM sẽ bao gồm hệ hai phương trình như sau:
{ LEVi,t = α + βLEVi,t−1+ δlncfvi,t+ γXi,t + ηi+ εi,t
∆LEVi,t = α + β∆LEVi,t−1 + δ∆lncfvi,t+ γ∆Xi,t+ ∆εi,t (3.7)
{LEVi,t = α + βLEVi,t−1+ δlncfvi,t+ δ1lncfvi,tx ceo + γXi,t + ηi + εi,t (3.8) ∆LEVi,t = α + β∆LEVi,t−1 + δ∆lncfvi,t+ δ1∆lncfvi,tx ceo + γ∆Xi,t + ∆εi,t
{LEVi,t = α + βLEVi,t−1+ δlncfvi,t+ δ1lncfvi,tx ceo + γXi,t + ηi + εi,t (3.9) ∆LEVi,t = α + β∆LEVi,t−1+ δ∆lncfvi,t+ δ1∆lncfvi,tx fo + γ∆Xi,t + ∆εi,t {LEVi,t = α + βLEVi,t−1+ δlncfvi,t+ δ1lncfvi,tx ceo + γXi,t + ηi+ εi,t (3.10)
∆LEVi,t = α + β∆LEVi,t−1 + δ∆lncfvi,t+ δ1∆lncfvi,tx so + γ∆Xi,t + ∆εi,t
Trong đó:
Biến phụ thuộc: LEVi,t đại diện cho CTV của DN i trong thời gian t. LEVi,tđược đại diện bằng 3 cách đo lường khác nhau theo cơ cấu tỷ lệ nợ so với vốn chủ sở hữu DN (lata, fdc, ltdc). LEVi,t−1 là biến trễ một kỳ của LEVi,t.
lncfvi,t : BĐDT là biến giải thích trong mô hình nghiên cứu.
Xi,t: đại diện cho các biến kiểm soát trong mô hình bao gồm: sizei,t quy mô DN;
tangi,t tài sản cố định hữu hình; liqi,t tính thanh khoản; profiti,t khả năng sinh lời;
nsdti,t: khấu hao; growthi,t của DN i trong thời gian t; induslevj,t ĐBTC trung bình ngành j trong thời gian t; gdpt tốc độ tăng trưởng kinh tế của Việt Nam trong năm t,
Các biến tương tác bao gồm: so biến giả về sở hữu của nhà nước (so = 1: có sở hữu của nhà nước, so = 0: trường hợp còn lại), fo biến giả về sở hữu nước ngoài (fo
= 1: có sở hữu nước ngoài, fo = 0: trường hợp còn lại), ceo biến giả về kinh nghiệm làm việc trong lĩnh vực tài chính của CEO (ceo = 1: CEO từng có kinh nghiệm làm việc trong lĩnh vực tài chính, ceo = 0: trường hợp còn lại).
ηi, εi,t là hai thành phần của sai số, với ηi là những ảnh hưởng không đồng nhất của các DN không quan sát được, và εi,t là những tác động ngẫu nhiên của thời gian. BĐDT lncfv đang được coi là nội sinh để bị tương quan với các ảnh hưởng cố định của DN và những hiệu ứng trong quá khứ cũng như hiện tại của εi,t. Việc giả định nội sinh của BĐDT cho phép xem xét tính đồng thời tiềm ẩn và mối quan hệ nhân quả ngược giữa BĐDT và việc sử dụng nợ cùng với tính không đồng nhất của từng DN cụ thể.
Tương ứng với những nhận định Roodman (2006), lệnh xtabond2 trong phần mềm xử lý và thống kê dữ liệu Stata được đề xuất áp dụng hồi quy các mô hình nghiên
cứu. Đồng thời, tác giả sử dụng phương pháp SGMM hai bước (với cú pháp two- step) hiệu quả hơn trong việc khắc phục vấn đề phương sai sai số thay đổi và tự tương quan so với ước lượng một bước (one-step). Đồng thời, theo Petersen (2009) các hồi quy nên được ước tính bằng cách sử dụng các sai số chuẩn mạnh để hiệu chỉnh phương sai thay đổi và phân cụm ở cấp độ công ty. Do đó, cùng với lệnh xtabond2
kèm lựa chọn two-step, tác giả thêm robust để tăng thêm độ vững của mô hình ước lượng.
Kết quả hồi quy bằng phương pháp ước lượng GMM cần chú ý đến kiểm định về nội sinh của Sargan (1958) và/hoặc Hansen (1982) và kiểm định tự tương quan của Arellano and Bond (1991). Hai kiểm định này kiểm tra tính hợp lý của các công cụ được sử dụng trong mô hình GMM theo đề xuất của Roodman (2009). Với kiểm định Sargan (1958) hoặc Hansen (1982) về vấn đề ràng buộc quá mức (over- identifying restrictions) để xem sự phù hợp của biến công cụ, với giả thuyết Ho: Biến công cụ là biến ngoại sinh (đồng nghĩa với việc không có tương quan với sai số). Giá trị P-value ở mức 0,25 là dấu hiệu tiềm ẩn rủi ro không phù hợp cho mô hình, và giá trị dưới 0,1 là nghiêm trọng và không thể bỏ qua (Roodman, 2009). Đồng thời, cũng theo Roodman (2009), kiểm định Hansen (1982) được ưu tiên xem xét hơn so với Sargan (1958) khi sử dụng SGMM. Hay nói cách khác, kiểm định Hansen (1982) chưa có cơ sở bác bỏ Ho, có thể đưa ra kết luận về sự phù hợp của mô hình. Với kiểm định về tự tương quan trong mô hình Arellano and Bond (1991) với giả thuyết Ho không có hiện tượng tự tương quan với sai số sai phân (autocorrelation), gồm hai bậc AR(1) và AR(2). Giả thuyết Ho sẽ được chấp nhận khi P-value lớn hơn 0,05. Theo đó, kiểm định hồi quy bậc một AR (1) có thể cho kết quả bác bỏ giả thuyết Ho, kiểm định hồi quy bậc hai AR (2) bắt buộc từ chối bác bỏ giả thuyết Ho.
Ngoài nghiên cứu Keefe and Yaghoubi (2016) sử dụng GLM để ước lượng mô hình sau đó sử dụng hồi quy bình phương nhỏ nhất (OLS) để kiểm tra lại tính vững, các nghiên cứu khác về tác động của BĐDT đến CTV chưa sử dụng các phương pháp ước lượng khác để kiểm tra tính vững của mô hình (Dudley and James, 2015, Memon và cộng sự, 2018, Harris and Roark, 2019, Karimli, 2018). Theo Kumar và cộng sự
(2017), hầu hết các nghiên cứu sử dụng các mô hình hồi quy cơ bản để phân tích sự tác động các yếu tố ảnh hưởng đến CTV. Các kết quả thu được từ những nghiên cứu trước đây chưa đủ cơ sở để kết luận về tính vững của ước lượng khi các mô hình được áp dụng trong các bối cảnh khác nhau. Do đó, nghiên cứu này sẽ tiến hành kiểm định mối quan hệ giữa BĐDT và CTV theo các phương pháp khác, để đảm bảo tính vững của mô hình nghiên cứu.