STT Chỉ tiêu Giả
thuyết
Tác giả các nghiên cứu thực nghiệm trước
1 Giới tính - Chapman (1990), Weber và Musshoff (2012)
2 Độ tuổi - Orebiyi (2002), Oladeebo and
Oladeebo (2008) 3 Tình trạng hôn nhân + Nwosu và ctg (2014)
4 Nghề nghiệp - Chapman (1990)
5 Thời gian làm công
việc hiện tại +
Kohansal và Mansoori (2009), C.A. Wongnaa và D. Awunyo-Vitor
(2013)
6 Thu nhập +
Chapman (1990), Kohansal và Mansoori (2009), Trương Đông Lộc
và Nguyễn Thanh Bình (2011)
7 Tình trạng nhà ở + Crook (1992)
8 Quy mô khoản vay -
Zeller (1997), Maharjan và ctg (1983), Kohansal và Mansoori (2009), Chapman (1990), Hạ Thị
Thiều Dao (2010)
9 Lãi suất - Mohammad Reza Kohansal (2009), Onyeagocha và ctg (2012) 10 Quan hệ tín dụng - Đinh Thị Huyền Thanh và Stefanie
Kleimier (2006) (Nguồn: tác giả tổng hợp)
3.2 DỮ LIỆU NGHIÊN CỨU
Tác giả tiến hành thu thập hồ sơ vay vốn của những khách hàng vay vốn tại Công ty Tài chính FE Credit và đã tất toán hợp đồng hoặc đã được xử lý nợ xấu trong giai đoạn từ tháng 02/2012 đến tháng 06/2016. Tổng số lượng hồ sơ thỏa mãn những điều kiện trên tại Công ty Tài chính FE Credit có 3.208 hồ sơ.
Để tiết kiệm thời gian và giảm chi phí nghiên cứu, tác giả tiến hành phương pháp chọn mẫu ngẫu nhiên 1.676 hồ sơ của khách hàng cá nhân vay vốn tiêu dùng tín chấp, trong đó có 408 hồ sơ vay đã được xử lý nợ xấu được lựa chọn ngẫu nhiên trong số 780 hồ sơ vay đã được xử lý nợ xấu, chiếm tỷ lệ 24,3% trong tổng số lượng hồ sơ thỏa mãn điều kiện và có 1.268 hồ sơ khách hàng đã tất toán toàn bộ khoản vay được lựa chọn ngẫu nhiên trong số 2.428 hồ sơ khách hàng đã tất toán toàn bộ gốc và lãi cho Công ty Tài chính FE Credit, chiếm tỷ lệ 75,7%.
Tác giả lấy số liệu trong vòng 5 năm từ năm 2012 đến năm 2016, mỗi năm khoảng 345 hồ sơ, mẫu tác giả lựa chọn vẫn đảm bảo được tỷ lệ hồ sơ vay vốn có nợ xấu đã được xử lý là 23,7% và tỷ lệ khách hàng đã tất toán khoản vay là 76,3% đảm bảo được tương đối tính chính xác và phù hợp của mẫu so với tổng thể.
3.3 PHƯƠNG PHÁP NGHIÊN CỨU
Tác giả chủ yếu sử dụng phương pháp nghiên cứu định lượng để nghiên cứu nhằm thực hiện được mục tiêu nghiên cứu của đề tài.
Hình 3.2 Sơ đồ quy trình các bước thực hiện phân tích trong nghiên cứu
Phân tích thống kê mô tả
Một số kiểm định liên quan
-Kiểm định đa cộng tuyến: Hệ số VIF
-Ma trận hệ số tương quan
Phân tích và thảo luận kết quả nghiên cứu
-Kiểm định mức độ phù hợp của mô hình, các giả thiết về hệ số hồi quy
Hồi quy Binary Logistic Nhập và mã hóa dữ liệu
3.3.1 Phương pháp thống kê mô tả
Phương pháp thống kê mô tả được sử dụng trong nghiên cứu để mô tả khái quát lại những đặc tính cơ bản của dữ liệu thu thập được qua các phương pháp khác nhau. Trên cơ sở dữ liệu có sẵn, tác giả thực hiện thống kê để lập luận, phân tích, đánh giá và giải thích sơ lược về các đặc trưng của khách hàng cá nhân vay vốn tín chấp tại Công ty Tài chính FE Credit.
3.3.2 Phân tích tương quan
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì phân tích tương quan Pearson còn gọi là phân tích tương quan tuyến tính được sử dụng để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa biến phụ thuộc và các biến độc lập trong mô hình hồi quy.
Đặc điểm của phân tích tương quan là phản ánh tính chất tuyến tính của mô hình. Dựa trên một khoảng tin cậy cho trước sẽ có một giá trị tương quan của mô hình giữa các biến đại diện, khoảng giá trị của hệ số tương quan sẽ chạy trong khoảng [-1, 1], dấu của hệ số tương quan thể hiện quan hệ thuận nghịch giữa các biến.
Ý nghĩa của các hệ số trong ma trận tương quan:
Hệ số Pearson Correlation: thể hiện mức độ tương quan tuyến tính giữa các biến với nhau trong mô hình.
Hệ số Sig: đánh giá tính phù hợp của hệ số tương quan giữa các biến theo kiểm định F với một độ tin cậy cho trước. Mức ý nghĩa của hệ số này thường được chọn là 1% hoặc 5%, nếu Sig > 0.05 thì phải thực hiện loại bỏ bớt biến nghiên cứu ra khỏi mô hình nhằm đảm bảo tính phù hợp của mô hình.
3.3.3 Kiểm định đa cộng tuyến
Theo Gujarati & Porter (2009) đa cộng tuyến (Multicollinearity) xảy ra khi có sự tương quan chặt chẽ giữa các biến dự đoán với nhau, dẫn đến sự ước lượng mô hình hồi quy tuyến tính thiếu chính xác.
Một số nguyên nhân gây ra hiện tượng đa cộng tuyến bao gồm: Khi chọn các biến độc lập có mối quan hệ nhân quả hay có tương quan cao vì đồng phụ thuộc vào một điều kiện khác; Khi số quan sát nhỏ hơn số biến độc lập; Cách thu thập mẫu: mẫu không đặc trưng cho tổng thể; Chọn biến Xi có độ biến thiên nhỏ.
Hậu quả của đa cộng tuyến: Làm tăng phương sai dẫn đến không ước lượng chính xác mô hình; Làm tăng sai số chuẩn (standard error) và chúng trở nên rất nhạy với những thay đổi nhỏ trong dữ liệu; Đôi khi làm đổi dấu của hệ số hồi quy, làm đảo ngược kết quả dự đoán; Thêm vào hay bớt đi các biến cộng tuyến với các biến khác, mô hình sẽ thay đổi về dấu hoặc thay đổi về độ lớn của các ước lượng.
Để kiểm tra hiện tượng đa cộng tuyến trong mô hình, ngoài các hệ số trên, ta còn có thể sử dụng hệ số phóng đại phương sai VIF (Variance Inflation Factor).
3.3.4 Phân tích mô hình hồi quy Binary Logistic
3.3.4.1 Độ phù hợp của mô hình
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) để đo lường độ phù hợp tổng quát của mô hình Binary Logistic ta dựa trên chỉ tiêu -2LL (viết tắt của -2 log likelihood), thước đo có ý nghĩa tương tự như RSS (Residual Sum of Square) trong OLS. Hệ số -2LL càng nhỏ thể hiện độ phù hợp của mô hình càng cao. Khi - 2LL = 0 tức là không có sai số thì khi đó mô hình có một độ phù hợp hoàn hảo.
Ngoài ra, thông qua bảng phân loại Clasification table trong SPSS cũng có thể đánh giá được mức độ dự đoán của mô hình, bảng này sẽ so sánh số trị số thực và trị số dự đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng của sự kiện.
Kiểm định Hosmer and Lemeshow cũng là một trong các kiểm định nhằm dự báo độ phù hợp của mô hình, với 2 giả thiết H0: Không có sự khác biệt giữa giá trị thực tế và giá trị dự báo; H1: Có sự khác biệt giữa giá trị thực tế và giá trị dự báo. Hệ số Sig trong kiểm định này được phải lớn hơn mức ý nghĩa thì có thể kết luận đây là mô hình tốt.
3.3.4.2 Kiểm định ý nghĩa của các hệ số
Đối với hồi quy tuyến tính sử dụng kiểm định t để kiểm định giả thuyết H0:
k=0. Còn đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể.
Nếu giá trị p (Sig.) nhỏ hơn mức ý nghĩa được chọn thì bác bỏ H0. Như vậy các hệ số hồi quy tìm được có ý nghĩa và mô hình được sử dụng tốt.
3.3.4.3 Kiểm định độ phù hợp tổng quát
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) ở hồi quy Binary Logistic, tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không. Với hồi quy tuyến tính bội ta dùng thống kê F để kiểm định giả thuyết H0 = 1 = 2= … = k = 0, còn với hồi quy Binary Logistic ta dùng kiểm định Chi-bình phương. Căn cứ vào mức ý nghĩa của quan sát mà SPSS đưa ra trong bảng Omnibus Tests of Model Coefficients để quyết định bác bỏ hay chấp nhận H0.
3.4 PHÂN TÍCH THỐNG KÊ MÔ TẢ
Trước khi tiến hành chạy mô hình hồi quy, tác giả thực hiện thống kê mô tả các biến trong mô hình. Các đại lượng thống kê mô tả chỉ có ý nghĩa khi được tính đối với các biến định lượng, các biến định tính sẽ được thực hiện thống kê tần suất để mô tả khái quát.
Các đại lượng thống kê mô tả bao gồm: Tổng số quan sát, giá trị nhỏ nhất, giá trị lớn nhất, trung bình cộng, độ lệch chuẩn được sử dụng để thống kê mô tả các biến định lượng như: Tuổi, thời gian làm việc, thu nhập, khoản vay, lãi suất. Kết quả mô tả thống kê các biến này được thực hiện trên phần mềm SPSS được thể hiện ở bảng sau: