CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU
4.3 Kết quả hồi quy của mơ hình
4.3.2 Kiểm định các khuyết tật của mơ hình
Kiểmjđịnh đajcộng tuyến
Có nhiềujcách sử dụngjđể kiểm trajđa cộng tuyến giữajcác biến độc lập, trong đó phương pháp kiểm định bằng hệjsố phóng đạijphương sai (VIF) chojmỗi biến độc lập được sử dụngjphổjbiến. Kiểmjđịnh đa cộng tuyến (VIF) là một chỉ số được sử dụng để phát hiện có hay khơng việc biến độc lập này có tương quan với biến độc lập khác. VIF đo lường phương sai của các hệ số hồi quy tăng như thế nào nếu các biếnjđộcjlậpjtươngjquanjvới nhau. Theo nguyên tắc, nếu giá trị của VIF vượtjq 5 thì cójhiện tượng đa cộng tuyến trongjmơ hình.
Bảng 4.6: Hệ số VIF
Biến VIF 1/VIF
Debt 1.67 0.598033 CR 1.59 0.627495 d2 1.27 0.789195 d1 1.25 0.798465 SALES 1.21 0.824024 CCC 1.10 0.912828
(Kếtjquảjkiểmjđịnhjtươngjtựjvớijcácjbiếnjgiảijthíchjcịnjlại là AP, AR, INV và CASH)
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
Qua bảng, ta thấy được các hệ số VIF của các biến độc lập đều < 5, kết quả này cho thấy mơ hìnhjkhơng xảy rajhiện tượng đajcộng tuyến. Cójnghĩajcácjbiếnjđộcjlậpjkhơng tươngjquan với nhaujvà các biếnjđộcjlậpjđưajvàojmơ hìnhjlà phù hợp.
Kiểm định tính dừng của phần dư
Trong phân tích dữ liệu mà thời gian kéo dài qua nhiều năm (chuỗi thời gian), cácjnhà nghiên cứu sẽ đánh giá một mơ hình xem dữ liệu nghiên cứu có tính dừng hay khơng.
Một mơ hình có kết quả tốt khi sử dụng dữ liệu có tính dừng. Chuỗijthời gian có tính dừng là khi giájtrịjtrungjbình, phương sai, hiệpjphương saijgiữjngun không đổijcho dù dữ liệu được xác định ở bất kỳ thời điểm nào. Chuỗi thời gian có tính dừng thường có dữ liệu hướng về giá trị trung bình và những dao động xung quanh giá trị trung bình sẽ là như nhau, đồng thời giá trị phương sai cũng không thay đổi theo thời gian. Do luận văn sử dụng khoản thời gian dài (2006-2018) nên việc kiểm tra tính dừng là cần thiết. Luận văn sử dụng kiểm định Levin-Lin-Chu (2002) để kiểm định tính dừng cho các biến với hai giả thuyết:
Ho: Chuỗi có nghiệm đơn vị khơng dừng H1: Chuỗi dữ liệu thời gian có tính dừng
Bảng 4.7: Kết quả kiểm định Levin-Lin-Chu (2002)
Statistic P-value Kết luận
ROA 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 GOI 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 CCC 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 AP 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 AR 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 INV 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 CASH 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 CR 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 DEBT 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1 SALES 0.0000 p-value<0.05, bácjbỏjHo, chấp nhận H1
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
=>Vì tất cả các biến nghiên cứu có p-value<0.05 nên chuỗi dữ liệu có tính dừng và có thểjđưajvàojmơjhìnhjnghiênjcứu.
Kiểmjđịnh phương saijthay đổi
Luận văn thực hiện kiểm địnhjphương sai thayjđổi dựa theo lý thuyết của Breusch and Pagan (1980) trong mơ hình REM với giả thuyết sau:
H1: Mơ hình có hiệnjtượng phương sai thayjđổi Cho ra kết quả sau:
Kiểm địnhjphương sai thay đổijtrong mô hình REMjcho biến phụ thuộcjROA.
Bảng 4.8: Kiểm định phương sai thay đổi với biến ROA
Tests for the error componentjmodel
p-value Kết luận
Random Effects, Two Sided Pr>chi2(1) = 0.0000 Bác bỏ Ho, chấp nhận H1 Random Effects, One Sided Pr>N(0,1) = 0.0000 Bác bỏ Ho, chấp nhận H1
(Kếtjquảjkiểmjđịnhjtươngjtựjvớijcácjbiếnjgiảijthíchjcịnjlại là AP, AR, INV và CASH)
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
=>Vì p-value=0.0000<0.05 (vớijmứcjýjnghĩaj1%) nên có hiệnjtượngjphươngjsaijthay đổi trong mơ hình hồi quy biến phụ thuộc ROA.
Kiểm định phương saijthay đổi trong mơjhình REM cho biếnjphụ thuộc GOI
Bảng 4.9: Kiểm định phương sai thay đổi với biến GOI
Tests for the error component model
p-value Kết luận
Random Effects, Two Sided Pr>chi2(1) = 0.0000 Bác bỏ Ho, chấp nhận H1 Random Effects, One Sided Pr>N(0,1) = 0.0000 Bác bỏ Ho, chấp nhận H1
(Kếtjquảjkiểmjđịnhjtươngjtựjvớijcácjbiếnjgiảijthíchjcịnjlại là AP, AR, INV và CASH)
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
=>Vì p-value=0.0000<0.05 (với mức ý nghĩa 1%) nên có hiện tượng phương sai thay đổi trong mơ hình hồi quy biến phụ thuộc GOI.
Kiểm định tự tươngjquan
Luận văn thực hiện kiểmjđịnhjtựjtươngjquan dựa theo Kiểm định của Baltagi-Li (1995) cho tự tương quan bậc nhất và kiểm định của Baltagi-Li (1991) cho tự tương quan chuỗi với tác động ngẫu nhiên trong mơ hình REM vớijgiảjthuyếtjsau:
H1: Mơjhình có hiệnjtượngjtựjtươngjquan Cho ra kết quả sau:
Kiểmjđịnhjtựjtươngjquanjtrong mơ hình REM cho biến phụ thuộc ROA
Bảng 4.10: Kiểm định tự tương quan với biến ROA
Tests forjthe error component model
p-value Kết luận
Serial Correlation Pr>chi2(1) = 0.0000 Bác bỏ Ho, chấp nhận H1
Joint Test: Pr>chi2(2) = 0.0000 Bác bỏ Ho, chấp nhận H1
(Kếtjquảjkiểmjđịnhjtươngjtựjvớijcácjbiếnjgiảijthíchjcịnjlại là AP, AR, INV và CASH)
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
=>Vì p-value=0.0000<0.05 (vớijmứcjýjnghĩaj1%)jnên có hiện tượng tự tươngjquan trong mơ hìnhjhồi quy biến phụ thuộc ROA.
Kiểmjđịnhjtựjtươngjquanjtrongjmơjhình REM cho biến phụ thuộc GOI
Bảng 4.11: Kiểm định tự tương quan với biến GOI
Testsjforjthejerror componentjmodel
p-value Kết luận
Serial Correlation Pr>chi2(1) = 0.0000 Bác bỏ Ho, chấp nhận H1
Joint Test: Pr>chi2(2) = 0.0000 Bác bỏ Ho, chấp nhận H1
(Kếtjquảjkiểmjđịnhjtươngjtựjvớijcácjbiếnjgiảijthíchjcịnjlại là AP, AR, INV và CASH)
Nguồn: Dữ liệu tính tốn và xử lý của tác giả
=>Vì p-value=0.0000<0.05 (vớijmứcjýjnghĩaj1%) nên có hiện tượng tự tươngjquan trong mơ hìnhjhồi quy biến phụ thuộc GOI.
Qua cácjkiểmjđịnh về việc lựajchọnjmơjhình cũng như các khuyếtjtậtjcủajmơjhình, nhằm cho ra kết quả chính xác và mang ý nghĩa thống kê, hướng phát triển tiếp theo của luận văn như sau:
- Luận văn lựajchọn hai phươngjphápjhồijquy để khắcjphụcjhiệnjtượng hiện tiện phương sai thay đổi và tự tương quan đó chính là mơ hình REM có sửjdụngjsaijsốjchuẩn
mạnhjrobustjvàjđồngjthờijsửjdụng mơ hìnhjbìnhjphươngjtốijthiểujtổngjqtjGLS. - Bên cạnh đó vấn đềjnộijsinh cójảnhjhưởngjđến kếtjquả nghiên cứu, một nguyên nhân gây nên nội sinh là do thiếu vắng biến độc lập trong mơ hình và do đó phần giải thích của biến này sẽ nằm ở sai số (phần dư), có rất nhiều yếu tố ảnh hưởng đến khả năng sinh lời của một công ty nên trong phạm vi nghiên cứu của luận văn sẽ dễ dẫn đến thiếu biến độc lập, do đójkhijthực hiện ước lượng luận văn cânjnhắcjđếnjvấn đềjnộijsinhjtiềm tàngjnày. Để khắc phục hiện tượngjnộijsinh, luận văn sử dụng ước lượng GMMjhệjthống (sys-GMM) theo Arellano và Bond (1991) để hồi quy lạijtồn bộjcác biến, saujđó kiểm tra và so sánh kết quả.