Số thứ tự
Tên biến Cách tính
1 (Loans) Sai phân bậc nhất cho vay liên ngân hàng 2 (Customer deposits) Sai phân bậc nhất tiền gửi khách hàng
3 (Bank deposits) Sai phân bậc nhất tiền gửi ngân hàng, tổ chức tín ụng.
4 Non-earning assets % đầ ỳ ố ỳ đầ ỳ ố ỳ
5 Net interest revenue % ậ ã ầ
6 Log (Size) Logarit tự nhiên tổng tài sản 7 Capitalization % ố ủ ổ à ả 8 Liquidity % á à ổ à ả 9 ROA % ợ ậ ế ổ à ả Các tính biến:
- Loans: chỉ tiêu cho vay các TCTD khác trên BCĐKT
- Customer deposits: chỉ tiêu tiền gửi khách hàng trên BCĐKT
- Bank deposits: chỉ tiêu tiền gửi của các TCTD khác trên BCĐKT
- Non-erning assets (Tài sản không sinh lời): Tài sản sinh lời (TSSL) là tất cả các tài sản đem lại lãi suất, trong đó, tiền tại quỹ, TSCĐ và máy móc thiết bị là
- Net Interest revenue: chỉ tiêu thu nhập lãi thuần trên báo cáo kết quả hoạt động kinh doanh
- Size: Quy mô ngân hàng được thể hiện qua tổng tài sản của ngân hàng và được tính theo logarit tự nhiên của tổng tài sản: Biến Quy mô (SIZE) = Ln(Tổng tài sản)
- Cap: chỉ tiêu vốn của TCTD trên BCĐKT (gồm vốn điều lệ, thặng ư vốn cổ phần và vốn khác)
- Liquidity: tính từ chỉ tiêu cho vay khách hàng trên BCĐKT (là hoạt động tạo ra thanh khoản của ngân hàng)
- ROA: tính từ chỉ tiêu lợi nhuận sau thuế trên trên báo cáo kết quả hoạt động kinh doanh
Các giả thuyết kỳ vọng của mơ hình nghiên cứu:
- Giả thuyết 1: khủng hoảng tài chính thực sự là một cú sốc thanh khoản
đối với hệ thống NHTM Việt Nam. Vấn đề này sẽ được giải thích qua sự biến động của hai biến độc lập Δcustomer eposits và Δbank eposits vào giai đoạn trước và sau khủng hoảng.
- Giả thuyết 2: tồn tại mối quan hệ giữa cú sốc thanh khoản đến kênh cho
vay liên ngân hàng. Điều này được thể hiện qua kết quả mơ hình sẽ tồn tại ít nhất hệ số hồi quy có ý nghĩa của biến Δcustomer eposits và Δbank eposits trong 3 giai đoạn trước, sau khủng hoảng và toàn bộ thời kỳ.
- Giả thuyết 3: có sự khác biệt giữa hai kênh tiền gửi của khách hàng và
của ngân hàng trong sự truyền dẫn cú sốc thanh khoản đến kênh cho vay liên ngân hàng. Tác giả sẽ thực hiện so sánh về chiều dấu, mức ý nghĩa, độ lớn hệ số hồi quy trước, sau khủng hoảng và toàn bộ thời kỳ để thấy rõ
sự tác tác động khác biệt của hai biến độc lập Δcustomer eposits và Δbank eposits đến biến phụ thuộc Δloanbtb
3.3 Phương pháp nghiên cứu
Sử dụng phương pháp nghiên cứu định lượng, dữ liệu được trình bày theo dạng bảng cân bằng (balance panel data) và sử dụng phần mềm Stata 13 để phân tích với các mục tiêu:
Thống kê mơ tả: Tập hợp dữ liệu và phân tích tổng quan về dữ liệu thu thập
được như số lượng quan sát, giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất, giá trị lớn nhất của các biến.
Phân tích tương quan: Xác định mức độ tương quan giữa các biến trong mơ
hình hồi quy. Kết quả phân tích tương quan có thể bước đầu đánh giá được các dự báo của mơ hình. Ngồi ra, trong trường hợp các biến độc lập có mối tương quan cao thì đây là ấu hiệu của đa cộng tuyến, o đó đây là một cơ sở để tác giả thực hiện kiểm định đa cộng tuyến và điều chỉnh mơ hình.
Phân tích đa cộng tuyến: nhằm mục đích loại bớt những biến giải thích có
tương quan với nhau cao trong mơ hình để có một kết quả ước lượng chính xác các yếu tố tác động đến khả năng sinh lời của các NHTM Việt Nam.
Đa cộng tuyến nghĩa là hai hay nhiều biến giải thích trong biểu thức hồi quy có mối quan hệ tuyến tính với nhau. Nếu các biến có mối quan hệ tuyến tính thì các hệ số ước lượng và thống kê T sẽ khơng cịn hợp lý.
Trong quá trình hồi quy, kết quả hồi quy có hệ số xác định R2 cao nhưng tỷ số
t thấp, tương quan cặp giữa các biến giải thích cao, xét tương quan riêng, hồi quy phụ thấy có tồn tại hiện tượng tương quan giữa các biến độc lập thì mơ hình đã vi phạm giả thiết hồi quy - hiện tượng đa cộng tuyến.
Hiện tượng đa cộng tuyến sẽ dẫn đến một số hậu quả như: phương sai và hiệp phương sai của các ước lượng OLS lớn, khoảng tin cậy rộng lớn, tỷ số t mất ý nghĩa,hệ số xác định cao nhưng tỷ số t mất ý nghĩa, các ước lượng OLS và sai số chuẩn trở nên rất nhạy với những thay đổi trong số liệu,dấu của các ước lượng của các hệ số hồi quy có thể sai lệch, thêm vào hay bớt đi các biến cộng tuyến với các biến khác thì hệ số của các biến cịn lại có thể thay đổi rất lớn và thay đổi cả dấu của chúng.
Đa cộng tuyến giữa các biến luôn tồn tại và khuyết tật chỉ xảy ra nếu mức độ đa cộng tuyến đủ lớn để gây ra sự thiên chệch các kết quả ước lượng.
Theo Gujarati (2004), một số cách kiểm tra vấn đề đa cộng tuyến như sau:
- Nhiều trường hợp mơ hình có R2 lớn hơn 0.8 nhưng | t | thấp.
- Hệ số tương quan giữa các cặp biến độc lập cao. Nếu giá trị tuyệt đối của hệ
số tương quan giữa 2 biến lớn hơn 0.8 cho thấy có tồn tại hiện tượng đa cộng tuyến giữa 2 biến này.
- Sử dụng hệ số khuếch đại phương sai (VIF), nếu VIF của một biến lớn hơn
10 thì tồn tại hiện tượng đa cộng tuyến giữa biến đó với các biến giải thích cịn lại. Trong luận án này, tác giả sẽ thực hiện tính tốn hệ số tương quan giữa các cặp biến độc lập và sử dụng hệ số khuếch đại phương sai (VIF).
Trong luận án tác giả sử dụng hệ số tương quan giữa các cặp biến độc lập kết hợp với sử dụng hệ số khuếch đại phương sai (VIF). Tuy nhiên, cũng theo Baltagi (2008), việc sử dụng dữ liệu bảng cũng đã hạn chế được hiện tượng đa cộng tuyến này nhưng nếu có hiện tượng đa cộng tuyến xảy ra thì tác giả sẽ khắc phục bằng cách bỏ các biến có đa cộng tuyến hoặc tăng thêm số quan sát bằng cách thu thập thêm số liệu.
3.3.1 Kiểm định các trường hợp khuyết tật của m hình do vi phạm các giả định
Nhằm đảm bảo độ tin cậy của hàm hồi quy, mơ hình nghiên cứu cần kiểm sốt các giả thiết định lượng, được trình bày ở phần ưới đây:
(1) Giả định phương sai của sai số không đổi:
Phương sai thay đổi nghĩa là phương sai của các phần ư là không phải hằng số, nghĩa là chúng khác nhau ở các quan sát khác nhau. Điều này sẽ dẫn đến vấn đề nếu các phương sai khơng bằng nhau thì độ tin cậy tương đối của mỗi quan sát (dữ liệu) sẽ khơng bằng nhau. Phương sai càng lớn thì mức độ quan trọng gán cho quan sát càng nhỏ. Vấn đề sẽ rõ ràng hơn khi giá trị của phương sai có mối quan hệ với một hoặc một số biến giải thích. Điều này vi phạm giả định rằng các phân phối của phần ư phải khơng có tương quan với bất kì biến giải thích nào.
Hiện tượng phương sai thay đổi sẽ dẫn đến một số hậu quả như: các ước lượng OLS vẫn là không chệch nhưng khơng cịn hiệu quả nữa, ước lượng của các phương sai sẽ bị chệch, như vậy sẽ làm mất hiệu lực của kiểm định hệ số hồi quy.
Trong quá trình hồi quy, tác giả sẽ tập trung xem xét lại bản chất của vấn đề nghiên cứu, đồ thị phần ư và ùng một số kiểm định Goldfeld-Quandt, Breusch- Pagan, White, Park trên OLS và phương pháp Greene (2000) trên ữ liệu bảng để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng phương sai thay đổi.
(2) Giả định khơng có sự tương quan giữa các phần dư:
Tự tương quan là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian trong các số liệu chuỗi thời gian, hoặc sắp xếp theo thứ tự không gian, đối với các số liệu theo khơng gian.
Để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng tự tương quan. Trong quá trình hồi quy, tác giả sẽ dùng phương pháp đồ thị và kiểm định d
(Durbin-Watson) để phát hiện tượng tự tương quan trong mơ hình hồi quy OLS (pooled regression). Ở khía cạnh kiểm tra phương sai thay đổi dữ liệu bảng, tác giả sử dụng kiểm định được đề xuất bởi Wooldrige (2002) và Drukker (2003).
Hiện tượng tự tương quan sẽ dẫn đến một số hậu quả như: ước lượng OLS vẫn là ước lượng tuyến tính khơng chệch, nhưng khơng là ước lượng hiệu quả nữa; phương sai các ước lượng OLS là bị chệch, đôi khi quá thấp so với phương sai thực và sai số tiêu chuẩn, dẫn đến phóng đại tỷ số t; các kiểm định t và F không đáng tin cậy; cơng thức thơng thường để tính phương sai của sai số là ước lượng chệch của phương sai thực và trong một số trường hợp ường như ước lượng thấp của phương sai thực; có thể hệ số xác định khơng đáng tin cậy và ường như là nhận giá trị ước lượng cao; các phương sai và số tiêu chuẩn của dự đốn khơng có hiệu quả.
3.3.2 Phương pháp hồi quy GMM
3.3.2.1 Ưu điểm của GMM
Thông thường ước lượng theo phương pháp OLS (Poole Regress Mo el) sẽ không chệch, vững và hiệu quả khi không tồn tại các vi phạm về phương sai thay đổi, tự tương quan và biến nội sinh. Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng rất phổ biến trong lĩnh vực kinh tế lượng. Ưu điểm của phương pháp này không quá phức tạp nhưng hiệu quả. Với một số giả thiết ban đầu, phương pháp này sẽ dễ àng xác định các giá trị ước lượng hiệu quả, không chệch và vững.
Tuy nhiên, khi nghiên cứu về chuỗi dữ liệu thời gian, có nhiều chuỗi vi phạm một hoặc một số giả định của OLS. Khi đó, các ước lượng thu được sẽ bị bóp méo, mất tính vững và sẽ là sai lầm nếu sử dụng chúng để phân tích. Một trong những
dạng vi phạm giả định phổ biến là hiện tượng nội sinh, một trường hợp khi hệ số ước lượng (hoặc biến) tương quan với phần ư.
Với những vi phạm trên làm cho kết quả ước lượng theo phương pháp OLS khơng cịn đáng tin cậy và hiệu quả nhất. Để khắc phục phương pháp ước lượng phương pháp GMM hệ thống do Arellano and Bover (1995) and Blundell and Bond (1998) được sử dụng vì cỡ mẫu đủ lớn. Việc sử dụng mơ hình GMM sẽ cho phép khắc phục cả vi phạm tự tương quan, phương sai thay đổi và biến nội sinh nên kết quả ước lượng lúc này sẽ không chệch, vững và hiệu quả nhất. Thêm vào đó, phương pháp Arellano - Bon cũng được thiết kế để khắc phục hiệu ứng tác động cố định hàm chứa trong sai số của mơ hình ( o đặc điểm của các biến quốc gia nghiên cứu không thay đổi theo thời gian như vị trí địa lý và nhân khẩu học có thể tương quan với các biến giải thích trong mơ hình), được phản ánh vào trong phần sai số, sẽ giảm dần theo thời gian (Roodman, 2006).
Phương pháp cơ bản trong trường hợp các biến độc lập tương quan với phần ư là ước lượng một phương trình có ùng các biến công cụ (Instrumental Variables – hồi quy IV). Ý tưởng của phương pháp hồi quy này là tìm một bộ biến, được gọi là biến cơng cụ, thõa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) khơng tương quan với phần ư. Những biến công cụ như vậy được ùng để loại vỏ sự tương quan giữa các biến giải thích và phần ư.
Có nhiều phương pháp hồi quy dựa trên nền tảng của hồi quy IV như phương pháp Bình phương bé nhất hai giai đoạn (2SLS), phương pháp Maximum Likelihoo trong điều kiện giới hạn thông tin (LIML), phương pháp ước lượng Moment tổng quát (GMM)
Làm thế nào để một hồi quy IV ước lượng ra hệ số với sự tham gia của biến công cụ?
Xem xét mơ hình đơn giản sau:
Trong đó: i là quan sát thứ i, yi là biến phụ thuộc, xi là biến độc lập, là
phần ư của mơ hình. Khi đó hệ số ước lượng sẽ được xác định như sau:
Với x, y, là các ma trận cột × 1. Nếu x và khơng tương quan với
nhau thì ̂ ước lượng được là vững và không chệch.Tuy nhiên nếu điều ngược lại xảy ra, hệ số ước lượng sẽ bị chệch và không vững, mơ hình khơng cịn hiệu quả, tác động của biến x lên biến y không đáng tin cậy.
Một biến công cụ z, tương quan với biến giải thích x nhưng không tương
quan với phần ư sẽ được đưa vào mơ hình, phương pháp hồi quy IV sử dụng
biến giả đó để xác định hệ số ước lượng như sau:
Vì biến z không tương quan với nên hệ số ước lượng là vững và không
chệch. Phương pháp này có thể tổng qt lên với một mơ hình nhiều biến. Ta gọi X là ma trận ×K các biến giải thích, Z là ma trận ×L các biến cơng cụ với K là số lượng biến giải thích, L là số lượng biến cơng cụ và n là số quan sát của mỗi biến. Khi đó phương pháp IV có thể được ùng để ước lượng mơ hình và hệ số ước lượng sẽ được xác định như sau:
̂
3.3.2.2 Thủ tục ước lượng GMM và kiểm định cơ bản.
Phần trên đã cố gắng trình bày một cách đơn giản, có thể hiểu được vai trị của biến công cụ trong hồi quy IV. Tuy nhiên, cách thực hiện tính tốn của các phương pháp hồi quy IV là rất phức tạp, GMM là phương pháp hiệu quả, ưu việt hơn cả nên cũng khá phức tạp. GMM được Lars Peter Hansen trình bày lần đầu tiên vào năm
1982 trong bài viết “Large Sample Properties of Generalized Methods of Moments Estimators”Econometrica, Vol. 50, page 1029-1054.
Như đã đề cập ở phần trên, để ước lượng được hệ số β, chúng ta cần một bộ L vector các biến công cụ (trong ước lượng GMM còn được gọi là các điều kiện moment) và số lượng biến công cụ phải không ít hơn số biến giải thích trong mơ hình (L ≥ K).
Điều kiện để một biến được chọn là biến công cụ là nó khơng được tương quan với phần ư, điều này có nghĩa là:
( )
Ý tưởng chủ đạo của phương pháp GMM là thay thế giá trị các biến công cụ bằng giá trị trung bình của mẫu:
( ) ∑
và đi tìm Vector β thõa mãn phương trình trên.
Khi số lượng điều kiện moment lớn hơn số biến trong mơ hình (L > K) thì phương trình khơng thể xác định một nghiệm chính xác duy nhất (có nhiều nghiệm có thể thõa mãn phương trình). Khi đó mơ hình được gọi là overidentified. Trong trường hợp đó, chúng ta phải thực hiện tính tốn lại nhằm xác định giá trị β làm cho
hiểu là khoảng cách với giá trị 0 là nhỏ nhất, khoảng cách đó được xác định như sau:
( ̂ )
Ma trận ngẫu nhiên, cân xứng và không âm ̂ (kích thước L x L) được gọi là
ma trận trọng số vì nó thể hiện mức đóng góp của các điều kiện moment khác nhau vào khoảng cách J. Phương pháp ước lượng GMM sẽ xác định giá trị ước lượng β để khoảng cách J là nhỏ nhất.
Kiểm định quan trọng nhất của phương pháp ước lượng GMM là kiểm định Overidentifying Restrictions (Overidentifying Restrictions Test) hay còn gọi là kiểm định Sargent (Sargent Test) hoặc kiểm định J (J – Test). Đây là kiểm định cần thiết trong trường hợp số biến công cụ nhiều hơn số biến trong mơ hình. Ý tưởng của kiểm định là xem xét biến cơng cụ có tương quan với phần ư của mơ hình khơng. Nếu câu trả lời là khơng, khi đó biến cơng cụ là nội sinh, thì biến cơng cụ được chọn là phù hợp và mơ hình sử dụng biến đó để ước lượng cũng phù hợp.