6. Kết cấu của luận văn
2.5.3. Mô hình hồi quy dữ liệu bảng
Dữ liệu bảng điều khiển còn được biết đến với các tên khác, chẳng hạn như dữ liệu gộp (kết hợp các quan sát chéo và chuỗi thời gian), là sự kết hợp của chuỗi thời gian và dữ liệu cắt ngang, dữ liệu bảng vi mô), dữ liệu dọc (nghĩa là, một nghiên cứu về điều gì đó theo thời gian về một biến số hoặc một nhóm đối tượng), phân tích lịch sử các sự kiện (ví dụ: nghiên cứu sự thay đổi theo thời gian của các đối tượng giữa các trạng thái), dữ liệu dọc nghĩa là nghiên cứu về điều gì đó theo thời gian về một biến số hoặc nhóm đối tượng theo chiều dọc. Mặc dù có sự khác biệt nhỏ, nhưng tất cả các tiêu đề này đều ám chỉ đến sự biến thiên thời gian của các đơn vị chéo.
Đối với dữ liệu bảng, có 3 phương pháp chính để ước lượng mô hình là mô hình tác động cố định (FEM), mô hình tác động ngẫu nhiên (REM) và mô hình Pooled- OLS. Cách xác định mô hình phù hợp như sau:
Bảng 2.8. Phương pháp lựa chọn mô hình hồi quy dữ liệu bảng Kiểm định
Hausman
FEM REM Pooled – OLS Mô hình
được chọn
Prob < 0,05 X FEM
Prob > 0,05 X
Dùng kiểm định nhân tử Lagrange để loại trừ Chạy xttest0
Nếu Prob < Chi2 < α,
chọn REM Nếu Prob > Chi2 > α, chọn Pooled - OLS 2.5.3.1. Mô hình tác động cố định (FEM)
Xem xét mối quan hệ kinh tế với Y là biến phụ thuộc, X1 và X2, là hai biến giải thích có thể quan sát được và một hoặc nhiều biến không nhìn thấy được. Đối với Y, X1 và X2, chúng tôi có dữ liệu bảng. Chúng ta có các quan sát NxT vì dữ liệu bảng
được tạo thành từ N đối tượng và T thời gian. Sau đây là định nghĩa của mô hình hồi quy tuyến tính thông thường không có điểm cắt:
Trong đó:
Yit: giá trị của Y đối với đối tượng i tại thời điểm t; Xit1: giá trị của X1 đối với đối tượng i tại thời điểm t; Xit2: là giá trị của X2 đối với đối tượng i tại thời điểm t; μit: là sai số của đối tượng i tại thời điểm t.
Mô hình hồi quy tác động cố định là một biến thể của mô hình hồi quy tuyến tính cổ điển, được biểu diễn như sau:
Trong đó: μit = νi + εit. Sai số từ mô hình hồi quy tuyến tính truyền thống được chia thành hai phần:
Các thành phần không thể quan sát được khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian được biểu diễn bằng thành phần νi. Các thành phần không thể quan sát được khác nhau giữa các đối tượng và
thay đổi theo thời gian được đại diện bởi thành phần εit. Giả thiết mô hình:
H0: P value <0,0500 => chấp nhận H0, mô hình phù hợp H1: P value >0,0500 => bác bỏ H0, mô hình không phù hợp
Yit = β1Xit1 + β2Xit2 + μit với i = 1, 2, …, N và t = 1, 2, …, T (3.1)
Bảng 2.9. Mô hình tác động cố định (FEM)
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do P value = 0,0000 (<0,0500) nên ta chấp nhận mô hình FEM. 2.5.3.2. Mô hình tác động ngẫu nhiên (REM)
Xem xét một mối quan hệ kinh tế trong đó Y là biến phụ thuộc và X1 và X2 là hai biến giải thích có thể quan sát được. Đối với Y, X1 và X2, ta có dữ liệu bảng. Ta có NxT quan sát vì dữ liệu bảng có N đối tượng và T thời gian. Mô hình tác động ngẫu nhiên được biểu diễn như sau:
Trong trường hợp này, sai số cổ điển được chia thành hai nửa. Tất cả các phần tử không thể quan sát được thay đổi giữa các đối tượng nhưng không thay đổi theo thời gian được biểu diễn bằng thành phần νi. Tất cả các yếu tố không thể quan sát được
khác nhau giữa các đối tượng và theo thời gian được đại diện bởi νi. Giả sử rằng vi gồm:
Trong trường hợp này, vi được chia thành hai phần: α0, thành phần bất định và ωi là thành phần ngẫu nhiên.
ωi được suy ra từ phân phối xác suất độc lập với giá trị trung bình bằng 0 và phương sai không đổi: E(ωi) = 0 Var(ωi) = sω2 Cov(ωi,ωs) = 0
N biến ngẫu nhiên ωi được gọi là tác động ngẫu nhiên Có thể viết lại mô hình tác động ngẫu nhiên như sau:
Trong đó: μitit = ωii + εit. Thành phần sai số không liên quan đến bất kỳ biến giải thích nào trong mô hình.
Giả thiết mô hình:
H0: P value <0,0500 => chấp nhận H0, mô hình phù hợp H1: P value >0,0500 => bác bỏ H0, mô hình không phù hợp
vi = α0 + ωi, với i = 1, 2, …, N (3.4)
Bảng 2.10. Mô hình tác động ngẫu nhiên (REM)
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do P value = 0,0000 (<0,0500) nên ta cũng chấp nhận mô hình REM. 2.5.3.3. Lựa chọn mô hình phù hợp
Kiểm định Hausman là một kiểm định giả thuyết thống kê trong kinh tế lượng. Phương pháp ước lượng FEM và REM được lựa chọn bằng cách sử dụng cách này. Nói một cách khác, ta áp dụng bài kiểm tra Hausman để quyết định mô hình FEM hoặc REM tốt hơn. Trên thực tế, kiểm định Hausman được sử dụng để xác định có hay không có tự tương quan giữa εi và các biến độc lập. Giả thiết:
Ho: εi và biến độc lập có tương quan với biến độc lập H1: εi và biến độc lập không tương quan với biến độc lập
Ta bác bỏ Ho khi giá trị P<0,05 và sử dụng mô hình ảnh hưởng cố định khi εi và biến độc lập có tương quan với nhau. Ngược lại, sử dụng mô hình tác động ngẫu nhiên.
H0: P value <0,0500 => chấp nhận H0, chọn mô hình FEM H1: P value >0,0500 => bác bỏ H0, chọn mô hình REM
Bảng 2.11. Kiểm định Hausman
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do P value = 0,0092 (< 0,0500) nên ta lựa chọn mô hình tác động cố định (FEM). 2.5.4. Kiểm định mô hình
2.5.4.1. Đa cộng tuyến
Đa cộng tuyến trong mô hình hồi quy xảy ra nếu các biến độc lập có mối quan hệ chặt chẽ với nhau, các biến độc lập có mối quan hệ tuyến tính với nhau, tức là các biến độc lập có tương quan chặt và mạnh với nhau. Hiện tượng các biến độc lập trong mô hình phụ thuộc vào nhau và có thể được viết dưới dạng một hàm được gọi là độ tuyến tính. Nếu hai biến độc lập, A và B, khi A tăng thì B tăng, A giảm thì B giảm thì trong mô hình có khả năng xuất hiện đa cộng tuyến. Nói cách khác, hai biến độc lập có mối liên hệ rất chặt chẽ với nhau; trên thực tế, hai biến này nên là một, nhưng nhà nghiên cứu chia chúng thành hai biến trong mô hình. Đa cộng tuyến vi phạm giả định của mô hình hồi quy tuyến tính chuẩn rằng các biến độc lập không có mối quan hệ tuyến tính với nhau. Trong Stata, ta sử dụng hàm Collin để kiểm định hiện tượng này.
Giả thiết mô hình:
H0: VIF < 10 => mô hình có hiện tượng đa cộng tuyến
H1: VIF > 10 => mô hình không có hiện tượng đa cộng tuyến
Bảng 2.12. Kiểm định đa cộng tuyến (VIF)
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do hệ số VIF đều nhỏ hơn 10 nên mô hình không xảy ra hiện tượng đa cộng tuyến. 2.5.4.2. Phương sai sai số thay đổi
Các yếu tố gây nhiễu ui (còn được gọi là phần dư) xuất hiện trong hàm hồi quy tổng thể có cùng phương sai, đây là một giả thiết quan trọng trong mô hình hồi quy
tuyến tính thông thường. Một phương sai có thể thay đổi nếu giả định này không được đáp ứng. Tính không thiên lệch và nhất quán của các ước tính OLS không bị ảnh hưởng bởi sự biến thiên. Nhưng các ước lượng này không còn phương sai nhỏ nhất hay là các ước lượng hiệu quả. Nói cách khác, chúng không còn là những công cụ ước lượng tuyến tính không chệch tốt nhất nữa. Các phương sai của các ước tính OLS không được suy ra bằng các thủ tục OLS thông thường khi có sự thay đổi khác nhau. Tuy nhiên, nếu chúng ta tiếp tục sử dụng các công thức OLS chuẩn, chúng có thể gây ra kết quả sai lệch. Đối với mô hình tác động cố định, ta sử dụng hàm xttest3 để kiểm định PSSS thay đổi.
Giả thiết mô hình:
H0: P value < 0,0500 => mô hình có hiện tượng PSSS thay đổi
H1: P value > 0,0500 => mô hình không có hiện tượng PSSS thay đổi
Bảng 2.13. Kiểm định PSSS thay đổi
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do P value = 0,0000 (<0,0500) nên mô hình có hiện tượng PSSS thay đổi. 2.5.4.3. Tự tương quan
Tự tương quan là tương quan giữa các thành phần của một loạt các quan sát được sắp xếp theo thời gian hoặc không gian. Trong bối cảnh của hồi quy, mô hình hồi quy tuyến tính cổ điển ngụ ý rằng các nhiễu ui không có tự tương quan. Trong mô hình tác động cố định, ta sử dụng kiểm định Wooldridge, với cú pháp: xtserial y x1, x2… (y là biến phụ thuộc, x1, x2… là biến độc lập) để kiểm định tự tương quan.
Giả thiết mô hình:
H0: P value < 0,0500 => mô hình có hiện tượng tự tương quan
H1: P value > 0,0500 => mô hình không có hiện tượng tự tương quan
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
Do P value = 0,1172 (>0,0500) nên mô hình không có hiện tượng tự tương quan. 2.5.5. Hiệu chỉnh mô hình
Do mô hình đang có khuyết tật là PSSS thay đổi nên ta cần điều chỉnh mô hình sao cho phù hợp. Trong Stata, để khắc phục hiện tượng PSSS thay đổi thì ta sử dụng hồi quy bình phương tối thiểu tổng quát khả thi FGLS với lệnh xtgls, thêm lựa chọn panel (hetero). Bảng 3.12 là mô hình hồi quy dữ liệu cuối cùng.
Bảng 2.15. Mô hình tác động cố định (FEM) chuẩn
(Nguồn: BCTC thường niên của 44 CTCP ngành BĐS niêm yết trên HoSE, 2017 – 2020, phần mềm Stata)
2.5.6. Kết quả xác định các nhân tố ảnh hưởng đến cấu trúc vốn của các côngty cổ phần ngành bất động sản niêm yết trên Sở giao dịch chứng khoán Thành ty cổ phần ngành bất động sản niêm yết trên Sở giao dịch chứng khoán Thành phố Hồ Chí Minh
Chiều hướng ảnh hưởng của các nhân tố đến CTV được phát hiện qua kết quả phân tích ma trận tương quan ban đầu. Tuy nhiên, mức độ ảnh hưởng đó vẫn chưa được biết rõ. Để làm như vậy, phân tích hồi quy vẫn đang được sử dụng để kiểm tra các giả thuyết trên. Với mức ý nghĩa α=0,05 được sử dụng trong các mô hình của nghiên cứu, ta có: biến tỷ trọng TSCĐ - Fixasset là biến định lượng có giá trị P- value
= 0,518 > 0,05; biến thuế - Tax có P-value = 0,294 > 0,05 và biến đặc điểm riêng của sản phẩm (UNIQ) có P-value là 0,641>0,05 nên các biến này đều không có ý nghĩa về mặt thống kê và ta loại 3 biến này ra khỏi mô hình. Vậy mô hình hồi quy cuối cùng có thể biểu diễn dưới dạng phương trình như sau:
Debt = -0,5579 + 0,1657 – 0,4772 + 0,0853 + 0,0679 + 0,1265
Growth ROA Size LIQ State
(P- (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) value)
R2 = 0,2959 Prob (F – statistic) = 0,0000 Giải thích các tham số:
β1 = 16,57% Khi tốc độ phát triển của DN tăng 1 đơn vị, Tỷ lệ nợ trên tổng TS sẽ tăng 16,57% trong điều kiện các nhân tố khác không đổi. β2 = -47,72% Khi Tỷ suất sinh lợi của DN tăng 1 đơn vị, Tỷ lệ nợ trên tổng TS
sẽ giảm 47,72% trong điều kiện các nhân tố khác không đổi. β3 = 8,53% Khi quy mô của DN tăng 1 đơn vị, Tỷ lệ nợ trên tổng TS sẽ tăng
8,53% trong điều kiện các nhân tố khác không đổi.
β4 = 6,79% Khi tính thanh khoản của DN tăng 1 đơn vị, Tỷ lệ nợ trên tổng TS sẽ tăng 6,79% trong điều kiện các nhân tố khác không đổi.
Β5 = 12,65% Các DN có tỷ lệ sở hữu nhà nước trên 50% sẽ có xu hướng sử dụng
đòn bẩy tài chính cao hơn các DN khác là 12,65%. Phần tiếp theo sẽ bàn luận cụ thể hơn sự ảnh hưởng của các nhân tố tới CTV. 2.5.6.1. Tỷ trọng tài sản cố định
Theo dự đoán, cơ cấu TS có mối liên hệ thuận chiều với tỷ lệ nợ của các CTCP ngành BĐS vì các DN có nhiều TSCĐ có nhiều khả năng thế chấp các khoản vay hơn, cho phép họ tiếp cận với nguồn vốn tốt hơn. TSCĐ không ảnh hưởng đến đòn bẩy tài chính, theo kết quả phân tích các công ty BĐS trên Sở GDCK TP. HCM Do đó, ta bác bỏ giả thuyết:
H1: Đòn bẩy tài chính và tỷ trọng TSCĐ có mối quan hệ đồng biến.
2.5.6.2. Tốc độ phát triển
Biến tốc độ tăng trưởng có tác động (+) đến Tỷ lệ tổng nợ. Điều này có nghĩa DN có mức tăng trưởng càng lớn có xu hướng sử dụng nhiều nợ hơn. Do đó, chấp nhận giả thuyết:
H2: Đòn bẩy tài chính và tốc độ phát triển có mối quan hệ đồng biến.
2.5.6.3. Tỷ suất sinh lời
Giả định rằng hiệu quả hoạt động và tỷ lệ nợ có quan hệ thuận với nhau cũng có thể là nghịch chiều. Tỷ suất sinh lời là một yếu tố có tác động nghịch biến đến đòn bẩy nợ của công ty, theo kết quả của mô hình. Lý thuyết trật tự phân hạng giải thích mối tương quan này: các tổ chức có lợi nhuận hay sử dụng nguồn tài chính nội bộ (thu nhập giữ lại) hơn các nguồn tài trợ bên ngoài. Các DN có lợi nhuận ít có xu hướng sử dụng nợ nhiều hơn. Điều này phù hợp với những phát hiện của Frank và Goyal (2007), cũng như nghiên cứu của Joy Pathak (2010). Kết quả là ta chấp chận giả thiết:
H3: Đòn bẩy tài chính và tỷ suất sinh lời có mối quan hệ nghịch biến.
2.5.6.4. Quy mô doanh nghiệp
Theo nghiên cứu lý thuyết về CTV thì quy mô DN quan hệ đồng biến với tỷ suất nợ. Nghiên cứu thực nghiệm cũng cho thấy quy mô tác động thuận chiều đến việc sử dụng đòn bẩy tài chính. Điều này ủng hộ cho quan điểm của lý thuyết chi phí trung gian: các DN quy mô lớn có khả năng tiếp cận được với vốn vay hơn các DN nhỏ do có lượng thông tin được công bố rộng rãi tới đại chúng và khả năng trả nợ tốt hơn các DN nhỏ. Điều này thể hiện ở kết quả hồi quy đòn bẩy tài chính, hệ số hồi quy của biến quy mô là 0,0853 với giá trị P-value = 0,0000. Như vậy kết quả nghiên cứu của đề tài là hoàn toàn không mâu thuẫn. Do đó, chấp nhận giả thuyết:
Tuy nhiên, nếu chỉ tập trung vào quy mô của DN để đánh giá khả năng khoản vay thì chưa đủ. Các DN quy mô lớn thỉnh thoảng có những dự án có nguy cơ thất bại trong tương lai. Tuy nhiên, do chi phí trung gian của các DN này thấp hơn các DN nhỏ và vừa khác nên các DN quy mô lớn sẽ dễ dàng tiếp cận vốn vay hơn, kéo theo tăng rủi ro cả DN và người cho vay phải gánh chịu. Khi DN đi vay ngắn hạn với số vốn lớn sẽ có nguy cơ mất khả năng thanh khoản nhanh chóng.
2.5.6.5. Thuế suất
Thuế suất thuế thu nhập đối với các DN trong nghiên cứu mẫu là từ 20-22%. Thuế TNDN có mối liên hệ tỷ lệ thuận với đòn bẩy tài chính, theo nguyên tắc cân bằng. Trên thực tế, các DN Việt Nam luôn tận dụng tối đa các lợi ích về thuế. Tuy nhiên, trong bối cảnh khan hiếm vốn như hiện nay của các DN Việt Nam, việc huy động vốn còn quan trọng hơn việc tận dụng các biện pháp lách thuế nên chưa thể