CHƯƠNG 1 : GIỚI THIỆU NGHIÊN CỨU
3.2. Mơ hình và phương pháp nghiên cứu
3.2.2. Xây dựng mơ hình nghiên cứu
Cơ sở chọn mơ hình nghiên cứu
Nhằm tìm cách trả lời cho câu hỏi nghiên cứu và mục tiêu nghiên cứu của nghiên cứu này của mình tác giả dựa vào nghiên cứu của Zouari, et al (2011) để lựa chọn mơ hình nghiên cứu cho nghiên cứu này.
- Việt Nam chưa có nhiều nghiên cứu về định giá thấp IPO cũng như chưa có mơ hình chuẩn cho nghiên cứu về vấn đề này nên việc sử dụng mơ hình nghiên cứu ở những nước có nền kinh tế mới nổi như Tunisia với một số điểm tương đồng với TTCK Việt Nam như mức độ thông tin bất cân xứng cao, hiệu quả thông tin thấp, giao dịch mỏng và sự hiện diện của "đội lái", ... là phù hợp.
- Các biến định lượng đưa vào mơ hình nghiên cứu của luận văn này xuất hiện trong phần lớn các nghiên cứu về định giá thấp IPO ở các nước và có thể tìm được dữ liệu tại Việt Nam.
Với những lý do trên, tác giả nhận thấy là có thể dựa vào mơ hình nghiên cứu của Zouari, et al (2011), nhằm áp dụng cho nghiên cứu với dữ liệu tại Việt Nam để nghiên cứu về định giá thấp IPO và phân tích kết quả.
Mơ hình nghiên cứu
Mơ hình nghiên cứu là mơ hình hồi quy tuyến tính đa biến để kiểm tra các nhân tố quyết định tới việc định giá thấp trong IPO. Biến phụ thuộc là tỷ suất sinh lời ban đầu được điều chỉnh theo thị trường và các biến độc lập gồm: tỷ lệ giữ vốn nội bộ, tỷ lệ mua vượt mức, độ trễ niêm yết, giá khởi điểm, tuổi công ty, quy mô công ty và quy mô phát hành.
MARmi= β0 + β1*Capret + β2*Over + β3*lDel + β4*lPrice + β5*lAge +
β6*lFsize + β7*lOsize + ε (2)
Trong đó:
β0: hệ số tự do (hằng số của mơ hình)
ε: phần dư hay sai số đại diện cho những yếu tố bên ngồi mơ hình có ảnh hưởng đến biến phụ thuộc.
Biến phụ thuộc: MARmi là mức độ định giá thấp ngắn hạn với m=1, 2, 3 (tỷ suất sinh lời ban đầu được điều chỉnh theo thị trường của IPO cho ba ngày giao dịch đầu tiên)
Bảng 3.2. Biến độc lập
Biến độc lậpKí hiệuGiải thích
Tỷ lệ nguồn vốn
được nội bộ nắm giữ Capret
Phần trăm giữa số cổ phần tăng lên trên tổng số cổ phần đang lưu hành
Tỷ số vượt mức phát
hành Over
Nhu cầu cổ phiếu (số cổ phiếu đăng ký mua) trên số cổ phiếu phát hành
Độ trễ niêm yết LDel Logarit tự nhiên số ngày chênh lệch giữa ngày IPO và ngày giao dịch đầu tiên
Giá phát hành LPrice Logarit tự nhiên của giá phát hành được đặt ra bởi nhà phát hành
Tuổi của công ty LAge Logarit tự nhiên của số năm giữa năm thành lập và năm IPO
Quy mô công ty LFsize Logarit tự nhiên của tổng tài sản ở cuối năm của năm trước IPO của công ty phát hành Quy mô phát hành LOsize Logarit tự nhiên của tích giữa số cổ phiếu phát
hành và giá phát hành
(Nguồn: Nghiên cứu của Zouari, et al (2011))
3.2.3. Phương pháp nghiên cứu
Để phân tích mối quan hệ giữa mức độ định giá thấp cổ phiếu của các doanh nghiệp IPO với các yếu tố tác động, luận văn sử dụng các phương pháp sau:
3.2.3.1. Thống kê mô tả
Thống kê mô tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả và thống kê suy luận cùng cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu.
Tác giả thu thập, tổng hợp và xử lý dữ liệu để biến đổi dữ liệu thành thơng tin, sau đó thống kê mơ tả dữ liệu bằng các phép tính và các chỉ số thống kê thông thường như các đại lượng về vị trí: số trung bình (mean), số trung vị (median); các đại lượng về sự biến thiên: phương sai (variance), độ lệch chuẩn (standard deviation) cho các biến số liên tục và tỉ số (proportion) cho các biến số không liên tục. Kế đến tác giả dùng phần mềm Eview 6.0 để biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu và thống kê tóm tắt (dưới dạng các giá trị thống kê đơn nhất) mơ tả dữ liệu với mục tiêu chính là tìm các ước số của mẫu.
3.2.3.2. Hồi quy tuyến tính - phương pháp bình phương nhỏ nhất (OLS)
Hồi quy là nghiên cứu sự tác động của biến độc lập đến biến phụ thuộc và nếu biết được giá trị của biến độc lập thì ta ước lượng được giá trị của biến phụ thuộc. Phương trình hồi quy tuyến tính như sau:
MARmi= β0 + β1*Capret + β2*Over + β3*lDel + β4*lPrice + β5*lAge +
β6*lFsize + β7*lOsize + ε (2)
Phương pháp bình phương nhỏ nhất (Ordinary least square - OLS) được sử dụng để ước lượng hàm hồi quy tổng thể dựa trên số liệu mẫu. Mơ hình cần thỏa mãn 5 giả thiết của OLS để mơ hình có thể ước lượng tốt hơn, hàm hồi quy mẫu đại diện tốt cho tổng thể:
Giả thiết 1: Mơ hình hồi quy là tuyến tính. Các biến độc lập cho trước và không ngẫu nhiên.
Giả thiết 2: Các sai số trong mơ hình có giá trị trung bình bằng 0 và phương sai khơng đổi.
Giả thiết 3: Khơng có sự tương quan giữa các biến độc lập trong mô hình. Giả thiết 4: Khơng có sự tương quan giữa các sai số trong mơ hình.
Giả thiết 5: Khơng có sự tương quan giữa biến độc lập và sai số trong mơ hình.
3.2.3.3. Phương pháp kiểm định các giả thiết OLS
Tác giả kiểm định hồi quy mẫu có vi phạm các giả thiết của mơ hình OLS hay khơng.
* Với giả thiết 2: Kiểm định hiện tượng phương sai thay đổi * Với giả thiết 3: Kiểm định hiện tượng đa cộng tuyến * Với giả thiết 4: Kiểm định hiện tượng tự tương quan
Để kiểm định tính đầy đủ của mơ hình tác giả thực hiện kiểm sự thừa biến, thiếu biến của mơ hình hồi quy.
a. Kiểm định hiện tượng phương sai thay đổi
Tác giả sử dụng phần mềm STATA thực hiện kiểm định White đối với mơ hình hồi quy. Với giả thiết:
H0: mơ hình khơng có phương sai thay đổi H1: mơ hình có phương sai thay đổi
Nếu giá trị P_value < α: bác bỏ H0 Nếu giá trị P_value > α: chấp nhận H0
Trong trường hợp mơ hình có phương sai thay đổi thì các ước lượng thu được bằng OLS không hiệu quả do phương sai của các ước lượng khá lớn, các kiểm định t và F không còn đáng tin cậy. Để khắc phục hiện tượng phương sai thay đổi, tác giả dùng phương pháp bình phương có trọng số GLS (Generalized Least Squares), lấy căn bậc 2 của biến có P_value nhỏ nhất làm trọng số cho mơ hình hồi quy.
b. Kiểm định hiện tượng đa cộng tuyến
Tác giả lập ma trận hệ số tương quan bằng phần mềm STATA. Nhìn vào lược đồ tương quan, hệ số tương quan r biết mức độ tương quan giữa các biến:
|r| = 1: tương quan chặc chẽ hay tương quan hoàn tồn
|r| = 0: khơng tương quan hay độc lập thống kê (điều mong muốn)
Hệ số tương quan giữa các biến càng lớn (|r| >0.8) thì mơ hình có thể có hiện tượng đa cộng tuyến, tuy nhiên có nhiều trường hợp hệ số này thấp nhưng vẫn có hiện tượng đa cộng tuyến. Vì vậy tác giả lập các hàm hồi quy phụ là hồi quy biến độc lập theo các biến độc lập cịn lại trong mơ hình, trong mơ hình có 9 biến độc lập do vậy có 9 hàm hồi quy phụ để tính R2phu (nếu hệ số R2phu > 0.9: nghiêm trọng), sau đó tác giả dùng hệ số phóng đại phương sai Vif để kiểm định mơ hình có hiện tượng đa cộng tuyến hay khơng. Cơng thức tính Vif:
Vif = 1 1- R2phu
Nếu Vif > 5: có hiện tượng đa cộng tuyến nghiêm trọng. Nếu mơ hình có hiện tượng đa cộng tuyến thì có 2 cách để khắc phục.
Cách 1: bổ sung hoặc điều tra thêm số liệu;
Cách 2: bỏ bớt biến bị đa cộng tuyến ra khỏi mơ hình dựa vào lý thuyết kinh tế hay thực tế số liệu bằng cách hồi quy mơ hình biến phụ thuộc theo các biến độc lập ngoại trừ biến bị đa cộng tuyến, sau đó so sánh hệ số R2 của các mơ hình, chọn biến mà mơ hình có R2 lớn hơn.
c. Kiểm định hiện tượng tự tương quan
Từ bảng kết quả mơ hình hồi quy chạy từ phần mềm STATA, tác giả dùng kiểm định hệ số Durbin-watson. Nếu hệ số này nằm trong khoảng (1,3) theo kinh nghiệm là khơng có hiện tượng tự tương quan. Trong trường hợp có hiện tượng tự tương quan thì các ước lượng thu được bằng OLS khơng hiệu quả do phương sai của các ước lượng khá lớn, các kiểm định t và F khơng cịn đáng tin cậy. Cách khắc phục hiện tượng tự tương quan là dùng ma trận ước lượng Newey-west làm cho kiểm định t và F trở nên tin cậy hơn.
d. Kiểm định tính đầy đủ của mơ hình
Tác giả dùng kiểm định Ramsey – reset test để kiểm định sự khuyết tật bỏ sót biến của mơ hình. Với giả thiết:
H0: mơ hình khơng thiếu biến;
H1: mơ hình thiếu biến Nếu giá trị P_value < α: bác bỏ H0. Nếu giá trị P_value > α: chấp nhận H0
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VỀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN ĐỊNH GIÁ THẤP IPO