CHƢƠNG 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp phân tích dữ liệu
3.4.3. Các kiểm định liên quan
3.4.3.1. Kiểm định tương quan các đơn vị chéo
Nhằm củng cố thêm bằng chứng khoa học chắc chắn cho việc lựa chọn FEM ho c REM so với phương pháp hồi quy gộp Pooled OLS thì tác giả thực hiện kiểm định sự tương quan của các đơn vị chéo Theo đó, các đơn vị chéo đại diện cho các đ c tính riêng biệt của các đơn vị chéo và mơ hình FEM ho c REM chỉ thực sự phù hợp khi và chỉ khi các đơn vị chéo này tồn tại sự tương quan lẫn nhau và với các biến giải thích trong mơ hình.
Giả thiết H0 của kiểm định là các đơn vị chéo tồn tại độc lập và giả thiết đối là tồn tại sự tương quan của các đơn vị chéo.
3.4.3.2. Kiểm định đa cộng tuyến
Đa cộng tuyến là hiện tượng các biến độc lập tương quan lẫn nhau hay nói khác hơn là tồn tại một hay nhiều mối quan hệ tuyến tính giữa các biến độc lập. Khi đa cộng tuyến xảy ra ta có thể thấy biến này giải thích cho biến kia và cả 2 biến cùng giải thích cho biến phụ thuộc. Có hai dạng đa cộng tuyến:
Cộng tuyến hoàn h o: xảy ra khi một biến có thể biểu diễn bằng một tổ hợp
tuyến tính với các biến cịn lại Đó là mối quan hệ tuyến tính hồn hảo, ch t chẽ của các biến độc lập. Lúc này hệ số tương quan giữa chúng là 1. Với đa cộng tuyến hồn hảo ta khơng thể ước lượng được các hệ số hồi quy.
a cộng tuyến khơng hồn h o: là chưa đạt đến mức hồn hảo có nghĩa là
một biến có quan hệ tuyến tính với với một vài biến trong mơ hình. Khi trong mơ hình có hiện tượng đa cộng tuyến khơng hồn hảo xảy ra thì các hệ số hồi quy vẫn ước lượng được vẫn là tốt và khơng thiên lệch tức là vẫn đảm bảo tính chất BLUE nhưng độ chính xác kém, khoảng tin cậy rộng.
Nguyên nhân thường g p nhất trong kinh tế là do bản chất kinh tế của các biến, giữa chúng luôn tồn tại một mối liên hệ với nhau, ví dụ như số dư tiền gửi khách hàng ln có quan hệ với dư nợ cho vay, sự biến động của số dư tiền gửi
khách hàng ln có một mức tác động nhất định đến sự biến thiên của dư nợ Do đó đa cộng tuyến thường là tất nhiên và chúng ta cần đánh giá mức độ nghiêm trọng hay mức tương quan giữa ch ng để có phương án xử lý.
3.4.3.3. Kiểm định phương sai sai số thay đổi
Sai số trong mơ hình là tất cả các yếu tố cịn lại khơng được đề cập đến hay không quan tâm trong nghiên cứu, các yếu tố này dù sao vẫn tác động đến biến phụ thuộc Để ước lượng được hiệu quả, phương sai của sai số này cần phải đều và không thay đổi khi các biến độc lập biến thiên. Do vậy khi phương sai sai số thay đổi thì các hệ số hồi quy vẫn ước lượng được, vẫn là tuyến tính và khơng thiên lệch nhưng khơng c n là ước lượng hiệu quả nữa. Về m t tốn học có thể khắc phục phương sai sai số thay đổi bằng nhiều kỹ thuật toán. Các kỹ thuật này đã được đưa vào các phần mềm thống kê qua tùy chọn “robust” Hiện nay có rất nhiều cách kiểm định để phát hiện phương sai sai số thay đổi, đối với dữ liệu nghiên cứu là dữ liệu bảng, mô hình được sử dụng cách kiểm định tính tốn giá trị thống kê Wald do Christopher F. Baum (2000) xây dựng có sẵn trong phần mềm Stata Trường hợp mơ hình nghiên cứu có phương sai sai số bị thay đổi, ta cần thêm tùy chọn “robust” trong khi tiến hành hồi quy ước lượng các hệ số.
3.4.3.4. Kiểm định tự tương quan trong phần dư của mơ hình
Cịn gọi là tương quan chuỗi, hiện tượng này phát sinh khi các sai số trong mơ hình của thời kỳ này lại tương quan tác động đến sai số của thời kỳ khác trong chuỗi thời gian, ho c sai số của thực thể này tác động lên sai số của thực thể khác trong chuỗi không gian. Nguyên nhân của hiện tượng tự tương quan của các vấn đề kinh tế thường là do tính “quán tính” và “chu kỳ”, ho c do tính trễ Cũng giống như hiện tượng phương sai sai số thay đổi hiện tượng tự tương quan cũng làm cho các hệ số hồi quy vẫnước lượng được, vẫn là tuyến tính và không thiên lệch nhưng không c n là ước lượng hiệu quả nữa.
Phương pháp ước lượng FEM ho c REM là các phương pháp hồi quy cơ bản và phổ biến trong việc ước lượng dữ liệu dạng bảng Tuy nhiên, các phương pháp này thông thường dễ bị vi phạm các khuyết tật của mơ hình như phương sai thay
đổi, tự tương quan M c dù có rất nhiều cách để xử lý các khuyết tật này, nhưng các phương pháp hồi quy này vẫn chưa thể xử lý triệt để một khuyết tật rất nghiêm trọng trong q trình ước lượng, đó chính là nội sinh. Nội sinh là hiện tương biến giải thích được sinh ra từ trong mơ hình, điều này vi phạm giả định của hồi quy tuyến tính đó là biến giải thích là độc lập. Hay nói cách khác, biến giải thích có tương quan với phần dư của mơ hình Điều này khiến cho kết quả ước lượng bị sai lệch và không đáng tin cậy.
Để kiểm định và xác định biến nào bị hiện tượng nội sinh, bài nghiên cứu sử dụng phương pháp kiểm định Durbin-Wu-Hausman Các bước kiểm định này như sau:
Bƣớc 1: Xác định biến giải thích nghi ngờ bị nội sinh.
Thơng thường việc xác định biến giải thích nghi ngờ bị nội sinh dựa vào các nghiên cứu trước đây và căn cứ theo cách tính tốn biến từ dữ liệu thu thập được. Tuy nhiên, trong bài nghiên cứu này toàn bộ dữ liệu được thu thập và được tính tốn từ báo cáo tài chính của các ngân hàng nên các biến trong mơ hình có nhiều khả năng sẽ bị ảnh hưởng bởi các yếu tố khác trong đó bao gồm trong phần dư của mơ hình. Do đó, việc kiểm định tất cả các biến giải thích được sử dụng trong mơ hình là cần thiết để tránh bỏ sót biến bị nội sinh.
Bƣớc 2: Dùng biến nghi ngờ này làm biến phụ thuộc thực hiện hồi quy với
các biến độc lập cịn lại.
Bƣớc 3: Trích phần dư của mơ hình hồi quy ở bước 2.
Bƣớc 4: Đưa phần dư vừa trích được vào mơ hình chính để thay thế cho biến
độc lập và thực hiện hồi quy ước lượng. Nếu biến phần dư này có ý nghĩa thống kê thì biến nghi ngờ ban đầu chắc chắn đã bị nội sinh.
Các bước trên là lý thuyết của kiểm định Durbin Wu Hausman, tuy nhiên, trong thực tế chúng ta sẽ tiến hành ước lượng mơ hình hồi quy hai giai đoạn (2SLS) các biến trong mơ hình hồi quy gốc; từ đó lựa chọn ra biến nghi ngờ bị nội sinh. Cuối cùng, kiểm định Durbin Wu Hausman được thực hiện để kiểm định biến bị nghi ngờ nội sinh có thực sự bị nội sinh hay không với các giả thiết sau:
H0: Biến nghi ngờ không bị nội sinh (Biến ngoại sinh); H1: Biến nghi ngờ bị nội sinh.
3.4.4. Phƣơng pháp hồi quy các điều kiện Moment tổng quát (GMM)
Xét trên khía cạnh thực tế từ hoạt động của các NHTM thì các biến được sử dụng trong mơ hình nghiên cứu đều được thu thập và tính tốn từ số liệu báo cáo tài chính, báo cáo thường niên của các NHTM Do đó, các số liệu này có sự tương quan rất mạnh với nhau và với các yếu tố khác của ngân hàng Do vậy, theo các nghiên cứu trước đây thì việc sử dụng các biến nghiên cứu như vậy thường sẽ có nhiều khả năng xuất hiện hiện tượng nội sinh, gây ra những ước lượng thiên lệch trong kết quả hồi quy, dẫn đến sai lầm trong kết luận Do đó, để khắc phục được hiện tượng nội sinh thì bài nghiên cứu sử dụng phương pháp ước lượng Moment tổng quát GMM (General Method of Moments) Ưu điểm của phương pháp hồi quy GMM đó là khả năng tích hợp chức năng biến cơng cụ, đây là một công cụ ưu việt để xử lý vấn đề nội sinh của biến giải thích.Kể từ khi được cơng bố cho đến nay, phương pháp GMM vẫn là một trong những phương pháp ưu việt và đáng tin cập nhất trong trường hợp ước lượng dữ liệu bảng và khắc phục tốt nhất vấn đề nội sinh. Để hiểu được phương pháp GMM là gì và vận hành như thế nào, trước hết, chúng ta phải tìm hiểu được khái niệm “Moment” là gì Moment là biểu thức liên hệ giữa các tham số (function of parameters) trong bộ dữ liệu nghiên cứu. Hay nói cách khác, mỗi Moment là một hàm của dữ liệu thực nghiệm với các ẩn số là tham số cần ước lượng. Biểu thức liên hệ này hay thường được gọi là điều kiện Moment (Moment Conditions) Phương pháp GMM là một phương pháp thống kê cho phép kết hợp các dữ liệu kinh tế quan sát được trong các điều kiện Moments tổng thể để ước lượng các tham số chưa biết của các mơ hình kinh tế Phương pháp GMM lần đầu tiên được sử dụng bởi Hansen (1982). Lý do gọi phương pháp này là “General” là vì phương pháp này cho phép ước lượng trường hợp số Moments nhiều hơn số tham số bằng cách sử dụng ma trận trọng số các phương sai ho c hiệp phương sai Phương pháp GMM được sử dụng phổ biến trong các ước lượng dữ liệu bảng động
tuyến tính ho c các dữ liệu bảng vi phạm tính chất quan trọng trong kinh tế lượng là phương sai thay đổi và tự tương quan
Sau khi thực hiện hồi quy theo phương pháp GMM thì các kiểm định sau đây sẽ được thực hiện để đảm bảo mơ hình hồi quy là phù hợp trước khi tiến hành phân tích:
3.4.4.1. Kiểm định tự tương quan (Arellano-Bond)
Kiểm định tự tương quan Arellano- ond được đề xuất bởi Arellano-Bond (1991) để kiểm tra tính chất tự tương quan của sai số ở dạng sai phân bậc nhất trong phương pháp GMM Do đó, chuỗi sai phân m c nhiên có sai phân bậc nhất AR(1) nên có thể bỏ qua Tương quan bậc hai AR(2) được kiểm định trên chuỗi sai phân của sai số để phát hiện hiện tượng tự tương quan ở sai số bậc nhất AR(1). Nói cách khác, kiểm định Arellano-Bond về tự tương quan (Autocorrelation) có giả thiết H0: Không tồn tại tự tương quan trong sai phân của sai số. Kiểm định AR(1) trong sai phân bậc nhất thường bác bỏ giả thiết H0 vì:
D(eit) = eit – eit-1 và D(eit-1) = eit-1 – eit-2 => D(eit) và D(eit-1) đều chứa eit-1. Do
đó, kiểm định AR(2) thường sẽ quan trọng hơn bởi vì nó sẽ phát hiện được tự tương quan ở bậc gốc.
3.4.4.2. Kiểm định sự phù hợp của các biến công cụ (Sargan và Hansen)
Kiểm định Sargan và Hansen xác định tính chất phù hợp của các biến cơng
cụ trong mơ hình GMM Đây là kiểm định giới hạn về nội sinh (Over-identifiyng
restrictions) trong mơ hình. Kiểm định Sargan/ Hansen có giả thiết H0: biến công
cụ là ngoại sinh, nghĩa là biến độc lập, khơng tương quan với phần dư của mơ hình. Do đó, giá trị p-value của kiểm định Sargan và Hansen yêu cầu phải lớn hơn 0.1.
Để kiểm định Sargan khơng bị yếu thì số lượng các biến cơng cụ được lựa chọn về nguyên tắc phải nhỏ hơn ho c bằng số lượng các nhóm (Ngân hàng).
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Thống kê mô tả các biến
4.1.1. Bảng thống kê mô tả b dữ liệu
Bảng 4.1.1 thể hiện thống kê mô tả cho mẫu dữ liệu của 23 ngân hàng TMCP Việt Nam trong giai đoạn 2005 – 2017. Các giá trị thống kê cho thấy các thông tin tổng quát về các biến được sử dụng trong mơ hình.
Bảng 4.1.1 – Thống kê mô tả b dữ liệu
Biến Số quan sát Trung bình Đ lệch chuẩn Giá trị nhỏ nh t Giá trị lớn nh t Risk 293 0.3723186 0.1161358 0.2325318 1.455842 HHI 291 0.1971568 0.0881009 0 0.4874107 HHI2 291 0.0466059 0.0389625 0 0.2375692 LnA 293 17.68974 1.542732 11.88353 20.90749 GrowA 270 0.4469567 0.8474455 -0.3923963 7.79066 Loan_A 293 0.5297734 0.1397997 0.113904 0.879721 Depo_A 293 0.6019904 0.137266 0.0005237 0.8921708 E_A 293 0.1127874 0.0758908 0.026698 0.712055 Exp_A 293 0.0159172 0.0063012 0.0039602 0.0532144 GDPPC 299 0.0519453 0.0074278 0.0406606 0.0655077 INF 299 0.0839275 0.0592278 0.008786 0.2311632
iến Risk đại diện cho mức độ rủi ro phá sản của ngân hàng có giá trị dao động từ 0.23 đến 1.45. Mức độ của biến Risk càng lớn thì rủi ro phá sản càng cao và ngược lại.
Hình 4.1.1a - Biểu đồ chỉ số hiệu chỉnh rủi ro Risk
.3 4 .3 6 .3 8 .4 .4 2 .4 4 R isk 2005 2010 2015 2020 Year
Hình 4.1.1a thể hiện diễn biến của chỉ số Risk tính trung bình của 23 ngân hàng trong giai đoạn 2005 -2017 Theo đó, từ năm 2007 trở lại đây thì chỉ số này luôn tăng mạnh mạnh từ điểm thấp nhất là 0 23 đạt đến đỉnh điểm là 1.45 Điều này cho thấy rủi ro mà các ngân hàng TMCP Việt Nam đang đối m t ngày càng gia tăng nhiều hơn Kéo theo đó là những bất ổn của hệ thống ngân hàng đang ngày càng biểu hiện rõ nét Đây là một chỉ báo quan trọng giúp cho các nhà hoạch định chính sách của Ngân Hàng Nhà Nước cũng như các nhà quản lý ngân hàng nên chú trọng công tác quản trị rủi ro hơn nữa để đảm bảo an tồn cho hệ thống tài chính.
Hình 4.1.1b - Biểu đồ mức đa ạng hóa thu nhập (HHI)
Biến đa dạng hóa thu nhập (HHI) được đo lường bằng cách lấy hiệu của 1 (một) và tổng bình phương của tỷ lệ các nguồn thu nhập (bao gồm thu nhập lãi và thu nhập phi lãi) trên tổng thu nhập Do đó, biến đa dạng hóa thu nhập sẽ có giá trị nằm trong khoảng từ [0;1]. Cụ thể, nếu biến này càng tiến về 0 thì đa dạng hóa càng thấp, ngược lại thì càng đa dạng hóa. Theo bảng thống kê mơ tả, giá trị của HHI dao động trong đoạn [0; 0.48] với giá trị trung bình là 0.19 Do đó, ta có thể có cái nhìn tổng qt về mức độ đa dạng hóa của các ngân hàng TMCP của Việt Nam trong giai đoạn 2005 đến 2017 là ở mức thấp và chủ yếu hoạt động của ngân hàng vẫn tập trung vào hoạt động cho vay và huy động truyền thống. Hình 4.1.1b thể hiện biểu đồ đa dạng hóa thu nhập của 23 ngân hàng TMCP Việt Nam trong giai đoạn 2005 đến năm 2017. Từ biểu đồ tổng hợp ta có thể thấy xu hướng đa dạng hóa thu nhập
.1 6 .1 8 .2 .2 2 .2 4 H H I 2005 2010 2015 2020 Year
đang gia tăng trong khoảng thời gian gần đây kể từ năm 2012 Trong khi trước đó có thời kì giảm xuống từ 2009 đến 2012.
Hình 4.1.1c - Biểu đồ diễn biến tổng tài sản
Hình 4.1.1c thể hiện diễn biến tổn tài sản của các NHTMCP Việt Nam giai đoạn 2005 – 2017. Các ngân hàng TMCP được lựa chọn trong mẫu có quy mơ tổng tài sản rất khác nhau. Cụ thể, tổng tài sản dao động từ mức thấp nhất là 144.8 tỷ đồng của ngân hàng TMCP Quốc Dân (Tên cũ là Ngân hàng TMCP Nam Việt –
Navibank) đến mức cao nhất là hơn 1.2 triệu tỷ đồng của Ngân hàng TMCP Đầu tư
và Phát triển Việt Nam (BIDV).
Hình 4.1.1d - Biểu đồ mức vốn chủ sở hữu trên tổng tổng tài sản
Hình 4 1 1d thể hiện mức Vốn chủ sở hữu trên tổng tài sản của các NHTMCP Việt Nam 2005 – 2017. Biến E_A có giá trị thấp nhất là 2.67% (BIDV)
15 16 17 18 19 L n A 2005 2010 2015 2020 Year .0 8 .1 .1 2 .1 4 .1 6 E_ A 2005 2010 2015 Year
và giá trị lớn nhất là 71.2% (NCB) và giá trị trung bình là 11.2%. Tỷ lệ này càng cao càng thể hiện mức độ chịu đựng rủi ro tốt của ngân hàng. ên cạnh đó, mức vốn chủ sở hữu của các ngân hàng dao động từ mức thấp nhất là 45 tỷ đồng của Ngân hàng TMCP Kiên Long (KL ) đến mức cao nhất là hơn 63 7 ngàn tỷ đồng của Ngân hàng TMCP Công Thương Việt Nam (Vietinbank). Bên cạnh đó, các ngân hàng được lựa chọn trong mẫu có kết quả hoạt động cũng rất khác nhau, cụ thể xét theo tiêu chuẩn lợi nhuận trước thuế thì mức thấp nhất là –1.37 ngàn tỷ đồng của