2.1.3 .Tác động của biến động giá dầu đối với nợ xấu của ngân hàng
3.3. Phương pháp ước lượng và kiểm định
3.3.1.1. Thống kê mô tả
Các thống kê liên quan đến giá trị trung bình, độ lệch chuẩn, phân phối chuẩn, giá trị nhỏ nhất, lớn nhất, mức ý nghĩa để đánh giá, xem xét sơ bộ về những biến độc lập khi đưa vào trong mơ hình.
Tiến hành kiểm định giá trị các biến số trong mơ hình cho các ngân hàng thương mại Việt Nam giai đoạn 2006 – 2016.
3.3.1.2. Phân tích tương quan cá c biến độc lập
Bài nghiên cứu phải kiểm tra sự tương quan ở những biến độc lập rằng sẽ không xảy ra bất cứ sự đa cộng tuyến nào giữa chúng.
Với các mức độ đa cộng tuyến: Tương quan yếu < 0.3
Tương quan mạnh (0.3, 0.6)
Có khả năng xảy ra đa cộng tuyến (0.6, 0.8)
Đa cộng tuyến > 0.8. Đây là mơ hình khơng được tốt.
Việc thực hiện phân tích vấn đề tương quan này là cần thiết, do sự đa cộng tuyến gây nên hậu quả là làm cho hệ số hồi quy có khả năng bị trái dấu hoặc ý nghĩa của các biến mà xảy ra đa cộng tuyến có khả năng bị mất đi hay nghiêm trọng hơn là mơ hình ước lượng khơng thể thực hiện được.
3.3.2. Cách thức kiểm định
Để giúp cho mơ hình đạt được độ tin cậy, những giả thuyết định lượng sẽ được kiểm định một cách lần lượt.
(a) Giả định không tồn tại đa cộng tuyến (không xảy ra sự tương quan trong những biến độc lập)
Trong mơ hình hồi quy, khi các biến độc lập tồn tại một mối tương quan tuyến tính và có liên quan chặt chẽ với nhau thì xảy ra hiện tượng đa cộng tuyến. Thống kê T và hệ số ước lượng sẽ khơng cịn đúng nếu các biến này trong mơ hình phụ thuộc lẫn nhau hay có quan hệ tuyến tính.
Sự đa cộng tuyến có thể làm cho dấu các ước lượng bị sai lệch, sai số chuẩn lớn và ước lượng OLS trở nên nhạy cảm hơn khi số liệu có những thay đổi, hệ số xác định vẫn cao nhưng thống kê t khơng cịn hay ít ý nghĩa, gây nên một sự thay đổi khác biệt về độ lớn và dấu cho hệ số những biến còn lại khi bớt đi hoặc thêm vào bất kì những biến đa cộng tuyến nào với những biến khác, khoảng tin cậy lớn, hiệp phương sai và phương sai của OLS lớn. Hiện tượng đa cộng tuyến ln tồn tại và
sai sót vốn có chỉ xảy ra khi mức độ gây ảnh hưởng đủ lớn để làm cho kết quả trong ước lượng khơng cịn đúng hay bị chệch.
Mơ hình bị vi phạm giả thuyết, có đa cộng tuyến xảy ra, khi hệ số R2 có được từ kết quả trong q trình hồi quy cao nhưng thống kê t thấp, giữa các biến độc lập có mối quan hệ cao, xét riêng, nhận thấy tồn tại khía cạnh tương quan giữa những biến giải thích trong hồi quy phụ.
Có một vài cách xác định hiện tượng đa cộng tuyến được đưa ra bởi Gujatati (2004):
- Trong trường hợp giá trị của hệ số tương quan hai biến độc lập được lấy trị tuyệt đối cao (> 0.8), kết luận đa cộng tuyến có tồn tại.
- Nhiều trường hợp xảy ra khi mơ hình nhận được R2 cao (>0.8) nhưng | t | lại thấp.
- Dựa vào VIF –nhân tử phóng đại phương sai. Nếu VIF một biến > 2 thì tồn tại dấu hiệu đa cộng tuyến. Khi VIF > 10, chắc chắn có đa cộng tuyến.
Bài nghiên cứu sẽ sử dụng hệ số phóng đại phương sai (VIF) kèm theo tiến hành tính tốn mức độ tương quan ở những hai biến độc lập để xác định đa cộng tuyến. Tuy nhiên, bài viết có thể hạn chế được vấn đề này do việc dùng dữ liệu bảng, theo Baltagi (2008). Nhưng nếu xảy ra đa cộng tuyến, các giải pháp khắc phục có thể được đưa ra như bổ sung dữ liệu hay tìm dữ liệu mới để tăng số quan sát, tăng cỡ mẫu hoặc bỏ bớt biến độc lập (những biến xảy ra đa cộng tuyến).
(b) Giả định rằng phương sai số không thay đổi:
Tồn tại phương sai thay đổi là khi phương sai các phần dư không đồng nhất trong các quan sát không giống nhau, tức nghĩa là không phải hằng số trong mọi quan sát. Điều này có thể làm cho với mỗi quan sát, độ tin cậy sẽ không giống nhau. Khi các giá trị phương sai có sự liên quan đến một hay một vài biến giải thích thì vấn đề này sẽ trở nên rõ ràng hơn do sự vi phạm trong giả định rằng khơng được có bất cứ sự tương quan nào giữa các biến giải thích và phân phối trong phần dư.
Hậu quả của việc phương sai bị thay đổi là làm cho các ước lượng thống kê khơng cịn tin cậy và phù hợp nữa.
Đối với dữ liệu bảng, để kiểm tra việc có xảy ra hiện tượng phương sai thay đổi, là nguyên nhân gây cho cho mơ hình hồi quy bị vi phạm giả thuyết, bài viết sẽ kiểm tra lại vấn đề được nghiên cứu ở đây, với các phương pháp đồ thị phân phối phần dư, sử dụng một vài kiểm định White, Breusch-Pagan, Park trên OLS, Greene (2000), Goldfeld-Quandt.
(c) Giả định các phần dư không tồn tại sự tương quan:
Tự tương quan là một đặc tính của dữ liệu, xảy ra chủ yếu là do phụ thuộc trong dữ liệu, đặc biệt là chuỗi dữ liệu thời gian, khi sự sắp xếp trong các thành phần ở chuỗi quan sát theo thứ tự thời gian, không gian, trong số liệu theo chuỗi thời gian, khơng gian, tương ứng, có sự tương quan lẫn nhau.
Hậu quả gây nên bởi tự tương quan như các ước lượng được kiểm định bằng OLS khơng cịn là ước lượng hiệu quả. Khi tiến hành hồi quy, bài nghiên cứu sẽ sử dụng Drukker (2003) và Wooldrige (2002) trong việc kiểm định phương sai thay đổi trong mơ hình dữ liệu bảng. Sự thực hiện này nhằm giúp cho mơ hình khơng bị vi phạm các giải thuyết.
3.3.3. Phương pháp hồi quy ước lượng
Bài nghiên cứu được thực hiện bằng việc xem xét những tác động của biến động giá dầu lên các khoản nợ xấu của ngân hàng. Giả thuyết đã được đưa ra và mơ hình nghiên cứu được xây dựng sau khi đã xem xét những lý thuyết có liên quan, tiếp theo bài viết sẽ kiểm định giả thuyết bằng cách dùng những phương pháp phân tích và tiến hành hồi quy. Những sai sót trong mơ hình đã được nêu trên như hiện tượng tự tương quan, phương sai thay đổi và đa cộng tuyến sẽ bị kiểm định trước khi thực hiện chạy hồi quy. Phương pháp phù hợp với các giả thiết định lượng ở bài nghiên cứu là phương pháp ước lượng Moment tổng quát (GMM) tiếp cận trên dữ liệu bảng.
Phương pháp ước lượng Moment tổng quát (GMM) là một kỹ thuật thường được sử dụng để ước lượng các tham số trong các mơ hình dữ liệu bảng với các biến hồi quy nội sinh và sự không đồng nhất riêng lẻ của từng thành phần không được quan sát. GMM lần đầu tiên được Lars Peter Hansengiới thiệu vào năm 1982. L.P.Hansen, tiến sỹ trẻ của Đại học Minnesota, đã nộp một nghiên cứu cho tạp chí có uy tín Econometrica, mà trong đó mơ tả một phương pháp thống kê sẽ giúp cho các nhà kinh tế đưa ra được những kết luận vững chắc từ các mơ hình chưa được xác định rõ. Kể từ đó, nó đã được áp dụng rộng rãi để phân tích dữ liệu kinh tế và tài chính. Phương pháp GMM đã được áp dụng cho dữ liệu chéo, dữ liệu chuỗi thời gian và dữ liệu bảng. Mơ hình của Arellano và Bover (1995), Blundell và Bond (1998) cho phép kiểm soát được ba vấn đề trong hồi quy: nội sinh, sự thay đổi trong phương sai và tự tương quan. Theo Arellano và Bover (1995), phương pháp tốt nhất đối với mơ hình có cả ba hiện tượng trên là sử dụng hồi quy ước lượng tuyến tính dữ liệu dạng bảng động (Arellano – Bond estimation of linear dynamic panel data models). Phương pháp ước lượng bình phương bé nhất OLS cũng là một phương pháp ước lượng mang lại hiệu quả và không quá phức tạp. Tuy nhiên, OLS chỉ đúng khi không xảy ra các vấn đề như nội sinh, tự tương quan, phương sai thay đổi. Ngoài ra, khi dữ liệu thể hiện theo chuỗi thời gian, có thể dẫn đến nhiều chuỗi bị phạm vào một vài giả định trong OLS như nội sinh hoặc hệ số được ước lượng xảy ra hiện tượng tương quan đến phần dư. Hai vi phạm trên thường dễ xảy ra, làm cho ước lượng khơng cịn tính vững, bị bóp méo và nếu sử dụng phân tích sẽ mắc sai lầm. Với những vấn đề trên, việc ước lượng bằng OLS khơng cịn hiệu quả và đáng tin cậy nữa.
Mơ hình GMM hệ thống được nghiên cứu mở rộng bởi Arellano và Bover (1995), Blundell và Bond (1998) được áp dụng do kích thước mẫu đủ lớn. Cách tiếp cận GMM mang lại rất nhiều ưu điểm so với OLS như sự phi tuyến, phương sai thay đổi, tự tương quan giữa phần dư hay vi phạm trong giả thuyết nội sinh khơng cịn là vấn đề. Ước lượng hệ số sẽ vững, phân phối chuẩn mạnh, không chệch và hiệu quả. Ngoài ra, hiệu ứng của tác động cố định sẽ được khắc phục bằng phương pháp
Arellano – Bond, được hàm chứa trong phần sai số, do các yếu tố không quan sát được khác nhau giữa các đối tượng nhưng khơng thay đổi theo thời gian.
Khi có sự tương quan giữa biến độc lập với phần dư, một phương pháp ước lượng cơ bản sử dụng biến công cụ (Hồi quy IV) được xem xét. Ý tưởng của việc dùng hồi quy IV là sử dụng một bộ biến mới, hay cịn gọi là các biến cơng cụ, có hai tính chất thỏa mãn (1) khơng được tương quan với số dư, (2) nhưng lại tương quan với những biến độc lập trong phương trình. Bộ biến mới này được sử dụng cho việc loại bỏ hiện tượng tương quan giữa phần dư và các biến độc lập.
Bên cạnh đó, phương sai trong uớc lượng GMM cũng đạt được giá trị nhỏ nhất, nghĩa là những giá trị được ước lượng là có ý nghĩa và hiệu quả. Với cỡ mẫu nhiều ngân hàng trong giai đoạn ngắn 2006 - 2016 là phù hợp với chuẩn sử dụng GMM.
IV. KẾT QUẢ NGHIÊN CỨU
4.1. Phân tích thống kê mơ tả
Mô tả dữ liệu thống kê nhằm để xem xét sự liên quan giữa những biến trong mô hình và xác định các đặc điểm thống kê của nó. Các giá trị nhận được từ thống kê mơ tả giúp cho người nghiên cứu có một cái nhìn nhanh về dữ liệu được thu thập có tính thay đổi hay tính đồng đều, tạo ra bức tranh tổng quát về dữ liệu trong nghiên cứu thực nghiệm. Ngồi ra, mơ tả thống kê còn cung cấp các thước đo và mẫu dữ liệu một cách đơn giản, phản ánh tổng thể các đối tượng được nghiên cứu. Do vậy, nó có thể giúp phát hiện trong cỡ mẫu có các giá trị bị dao động một cách sai lệch. Sử dụng phần mềm Stata để thực hiện việc thống kê, kết quả nhận được bao gồm số quan sát, độ lệch chuẩn, giá trị trung bình, phạm vi khoảng cách giá trị của các biến phụ thuộc và độc lập được dùng trong nghiên cứu.
Bảng 4.1 Thống kê mô tả
Variable Obs Mean Std. Dev. Min Max NPL 235 2.118251 1.416634 0.083509 12.46352 LLP 261 0.200349 0.163165 0 1.043645 LLR 261 0.01 0.010164 0 0.111321 OilreturnI 264 99.74652 6.271371 85.72583 107.0198 OilreturnII 264 99.69392 6.267686 85.77368 106.9535 Oilreturnup 264 8.408318 10.05777 0 34.45306 Oilreturndown 264 -10.8526 15.28597 -44.5137 -0.01131 OilPrice 264 77.41091 19.43198 43.29 99.67 Crisis 264 0.272727 0.446208 0 1 Equityratio 261 0.113982 0.068751 0.027455 0.51765 Assetsgrowth 237 0.385101 0.708715 -0.37261 7.79066 Inefficiency 261 6.314729 21.92055 0 299.1784 NIM 261 3.018073 2.00302 0.369293 28.79825 Liquidity 260 0.248694 0.116363 0.056016 0.641837
SizeLog 261 7.706006 0.609113 5.894248 9.002772 Concentration 264 0.497154 0.069395 0.409967 0.679384 Diversification 261 0.247053 0.132632 0.003589 0.617566 Offbalance 261 0.111374 0.147824 0 1.346276 GDPgrowth 264 6.124909 0.617749 5.247 7.13 Inflation 264 8.716455 6.38125 0.879 23.116 Domesticcredit 264 98.42527 15.73302 65.36 125.1 Trade 264 147.7882 15.67347 119.837 173.242 Nguồn: (Phụ lục 1).
Từ kết quả nhận được ở bảng thống kê mô tả (bảng 4.1), cỡ mẫu của bài nghiên cứu cho mỗi biến bao gồm 235 số quan sát. Sự dao động trong các biến quan sát được ghi nhận đều có mức độ ổn định, đa số những giá trị trung bình trong mẫu nghiên cứu hầu hết lớn hơn độ lệch chuẩn. Số lượng quan sát là hợp lý để tiến hành hồi quy và thực hiện những kiểm định cần thiết trong thống kê.
4.2. Kiểm định sự tương quan các biến trong mơ hình và đa cộng tuyến
4.2.1. Ma trận tương quan đơn tuyến tính giữa các cặp biến Pearson
Hệ số tương quan được sử dụng để cho thấy các mối quan hệ qua những biến ở mơ hình. Bài viết sẽ đánh giá sự tương quan giữa những biến độc lập và biến phụ thuộc, tương quan với nhau ở những biến độc lập trong mơ hình dựa vào các kết quả được đưa ra ở bảng ma trận tương quan.
Bảng 4.2 Ma trận tương quan tuyến tính đơn giữa các cặp biến
NPL LLP LLR Oilr
eturnI
OilreturnII Oilreturnup Oilreturndown OilPrice Crisis Equityratio Assetsgrowth I Inefficiency NIM Liquidity SizeLog Concentr
ation
Diversification Offbalance GDPgrowth Inflation Domesticcredi
t Trade NPL 1.000 LLP 0.387 1.000 LLR 0.224 0.629 1.000 OilreturnI 0.094 -0.219 -0.154 1.000 OilreturnII 0.095 -0.217 -0.152 1.000 1.000 Oilreturnup -0.044 -0.255 -0.235 0.652 0.651 1.000 Oilreturndown 0.129 -0.111 -0.040 0.890 0.891 0.276 1.000 OilPrice 0.215 -0.085 0.012 0.690 0.692 0.351 0.627 1.000 Crisis -0.063 -0.229 -0.254 0.211 0.207 0.640 -0.215 -0.013 1.000 Equityratio 0.043 -0.273 -0.144 0.157 0.156 0.259 0.043 0.134 0.192 1.000 Assetsgrowth -0.218 -0.214 -0.226 0.086 0.084 0.071 0.067 -0.139 0.052 0.029 1.000 Inefficiency 0.232 -0.002 -0.033 -0.099 -0.098 -0.156 -0.022 -0.017 -0.150 -0.025 -0.093 1.000 NIM -0.006 -0.054 0.085 -0.018 -0.018 -0.063 0.043 -0.065 -0.099 0.109 -0.119 -0.036 1.000 Liquidity -0.174 -0.342 -0.199 0.251 0.249 0.255 0.179 0.056 0.144 0.056 0.344 -0.151 -0.168 1.000 SizeLog 0.003 0.410 0.276 -0.177 -0.176 -0.311 -0.023 -0.115 -0.281 -0.715 -0.264 -0.021 -0.014 -0.199 1.000 Concentration -0.179 0.094 0.016 -0.194 -0.193 0.123 -0.204 -0.328 -0.051 0.108 0.159 0.023 -0.029 0.075 -0.147 1.000 Diversification -0.097 0.184 0.134 -0.108 -0.108 -0.041 -0.111 -0.185 0.043 -0.103 0.058 -0.053 -0.158 0.027 0.256 0.114 1.000 Offbalance -0.030 0.283 0.260 -0.145 -0.145 -0.080 -0.086 -0.280 -0.115 -0.244 -0.099 -0.052 0.088 0.033 0.382 0.178 0.259 1.000 GDPgrowth -0.252 -0.009 -0.066 0.029 0.031 0.077 0.091 -0.416 -0.212 -0.043 0.374 -0.072 -0.045 0.120 -0.025 0.257 0.115 0.205 1.000 Inflation 0.043 -0.275 -0.191 0.672 0.671 0.864 0.383 0.618 0.385 0.243 -0.007 -0.124 -0.021 0.255 -0.276 -0.101 -0.140 -0.153 -0.167 1.000 Domesticcredit 0.021 0.130 0.075 -0.355 -0.355 -0.390 -0.232 -0.633 -0.018 -0.253 -0.148 0.050 0.120 -0.211 0.346 -0.329 0.104 0.163 0.177 -0.575 1.000
Để nhận biết sự đa cộng tuyến trong các biến dự báo, việc tính tốn hệ số tương quan là cần thiết, cho thấy mức tương quan tuyến tính đơn ở các cặp biến. Bài viết chỉ xem xét mức độ tương quan ở các biến giải thích nằm trong cùng một mơ hình hồi quy. Bảng 4.2 ghi nhận kết quả khơng có hệ số tương quan đạt giá trị tuyệt đối cao (> 0.8). Vì vậy, vấn đề đa cộng tuyến mạnh khơng tồn tại trong mơ hình.
4.2.2. Kiểm định đa cộng tuyến
Bài viết sử dụng nhân tử phóng đại phương sai VIF nhằm kiểm tra đa cộng tuyến nhóm. Kết quả trình bày ở bảng sau:
Bảng 4.3 Kết quả kiểm tra đa cộng tuyến với nhân tử phóng đại phương sai
Variable VIF 1/VIF
Trade 6.87 0.14566 Crisis 6.49 0.154055 Domestic credit 5.87 0.170233 Inflation 3.97 0.251629 Concentration 3.78 0.264264 SizeLog 3.23 0.310055 Equityratio 2.32 0.430459 Assetsgrowth 1.69 0.593416 GDPgrowth 1.68 0.596447 Offbalance 1.43 0.699221 Liquidity 1.36 0.73336 Diversification 1.24 0.80355 NIM 1.18 0.845135 Inefficiency 1.09 0.914184 Mean VIF 3.02 Nguồn: (Phụ lục 3)
Kiểm tra đa cộng tuyến với nhân tử phóng đại phương sai cho thấy khơng tồn tại hai biến có VIF lớn hơn 10, nên không xảy ra hiện tượng đa cộng tuyến mạnh trong mơ
hình dữ liệu nghiên cứu.
4.3. Kiểm định các giả thiết định lượng
4.3.1. Kiểm định hiện tượng phương sai thay đổi phần dư