CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp ước lượng
Morck cùng các cộng sự (1988) và McConnell và Servaes (1990) nghiên cứu mối quan hệ giữa cấu trúc sở hữu và hiệu quả hoạt động của các công ty cổ phần lập luận cấu trúc sở hữu là biến ngoại sinh. Tuy nhiên vấn đề nội sinh của mối quan hệ trên lần đầu tiên được đề cập và giải quyết bởi lập luận Demsetz (1983). Sau đó nhiều nhà nghiên cứu đã đưa ra các kiểm định thực nghiệm chứng t có tồn tại mối quan hệ nội sinh giữa cấu trúc sở hữu và hiệu quả hoạt động như lập luận của Demsetz và Lehn (1985), Hermalin và Weisbach (1991), Loderer và Martin (1997), Cho (1998), và Demsetz và Villalonga (2001). Trong nghiên cứu này, tác giả giả định rằng các nhà đầu tư tổ chức nước ngoài hiện tại và trong tương lai sẽ đưa ra quyết định đầu tư trên cơ sở hiệu quả hoạt động công ty hiện có. Điều này chứng t tồn tại mối quan hệ nhân quả hai chiều hoặc tồn tại vấn đề nội sinh giữa nhà đầu tư tổ chức nước ngồi và hiệu quả hoạt động cơng ty. Demsetz và Villalonga (2001) và Cho (1998) lập luận rằng việc sử dụng ước lượng OLS sẽ tạo ra kết quả sai lệch và khơng phù hợp. Do đó, việc áp dụng các ước lượng tốt hơn là cần thiết để giải quyết vấn đề này.
Để giải quyết vấn đề nội sinh, tác giả áp dụng phương pháp hồi quy 2SLS. Trong phương trình hồi quy theo phương pháp 2SLS, yêu cầu sử dụng các biến công cụ cho các biến nội sinh để làm giảm bớt sự sai lệch nội sinh. Ước lượng 2SLS thực hiện trong 2 giai đoạn. Giai đoạn đầu tiên, biến đổi hệ về hệ rút gọn và
hồi quy các biến nội sinh theo phương trình rút gọn để ước tính giá trị dự đốn.
Trong giai đoạn thứ hai, thay thế các biến nội sinh ở vế phải phương trình bởi các các ước lượng của nó vừa tính được từ giai đoạn đầu tiên và ước lại phương trình theo tất cả các biến giải thích và biến kiểm sốt. Các biến cơng cụ được lựa chọn phù hợp nếu nó đáp ứng các điều kiện phù hợp và điều kiện loại trừ. Điều kiện phù hợp đòi h i các biến công cụ được lựa chọn tương quan với biến nội sinh, điều kiện loại trừ u cầu khơng nên có sự tương quan giữa các biến công cụ và phần dư mơ hình. Nhiều kiểm định khác nhau để kiểm định độ mạnh của biến công cụ, giới hạn nội sinh của mơ hình, cũng như các vấn đề tồn tại nội sinh khác.
Ngoài ra, bài nghiên cứu này sử dụng dạng dữ liệu bảng không cân đối, do đó, các ước lượng bằng các phương pháp truyền thống sẽ khơng cịn kết quả ước lượng tin cậy, hiệu quả. Để giải quyết vấn đề này, phương pháp GMM lại có khả năng khắc phục được các yếu tố không cân đối trong bảng dữ liệu cũng như vấn đề dữ liệu bảng động khá tốt và cho ra kết quả hồi quy có độ tin cậy cao hơn. Tuy nhiên, như đề cập ở trên, phương pháp GMM an đầu (Hansen 1982) dựa trên ước lượng hợp lý cực đại MLE (Maximum Likehood Estimation) của Fisher. Hansen đã xây dựng nên những ước lượng có đủ các tính chất thống kê tốt như tính nhất quán, tính tiệm cận phân phối chuẩn, tính hiệu quả. Trong mơ hình dữ liệu bảng động, biến phụ thuộc được lấy trễ. Tác giả sử dụng phương pháp GMM trong mơ hình dữ liệu bảng động để kiểm định tính chắc chắn của kết quả. Một số nghiên cứu gần đây cho thấy vấn đề nội sinh được xử lý bằng mơ hình GMM để ước lượng dữ liệu bảng động (Wintoki, Link and Netter, 2012). Mơ hình dữ liệu bảng động được trình bày như sau:
Yit = α1Yit - 1 + β1Xit + ηi + λt+ µit
biến ηi và λt giả định chứa ảnh hưởng tác động cố định đặc trưng công ty và tác động của chuỗi thời gian. Tác giả giả sử ηi và λt hệ số cố định giải thích quyết định cấu trúc. Biến phụ thuộc được lấy trễ trong phương trình trên có thể tự tương quan với dữ liệu không đồng nhất không thể quan sát mặt dù thực tế các biến dự đốn khơng tự tương quan với phần dư. Tác giả giả sử tồn tại mối quan hệ nhân quả ngược chiều làm tăng lên vấn đề nội sinh giữa biến phụ thuộc được lấy trễ và biến giải thích. Tuy nhiên, theo Blundell và Bond (1998), những ước lượng trên sẽ gặp vấn đề biến đại diện yếu khi các hệ số ρ tiến đến 1. Khi ρ = 1 thì các điều kiện moment là hồn tồn khơng liên hệ gì với các tham số thực, và bản chất hành vi của các ước lượng phụ thuộc vào thời gian T. Khi T nh , ước lượng là khá ngẫu nhiên, nhưng khi T lớn thì GMM ước lượng khơng trọng số có thể khơng phù hợp và ngay cả ước lượng 2SLS sẽ khơng cịn đúng. Ước lượng mơ hình dữ liệu bảng động trong bài nghiên cứu là phù hợp vì ước lượng số quan sát (N = 169) lớn và thời gian nh
34
Để giải quyết vấn đề này từ phương pháp GMM an đầu, các học giả đã cải tiến lên nhiều phiên bản GMM phù hợp với các nghiên cứu thực nghiệm. Đáng chú ý nhất là phương pháp D-GMM do Arellano và Bond (1995) xây dựng dựa trên các nghiên cứu trước đó của Anderson và Hsiao (1982) và phương pháp S – GMM (system GMM) do Blundell và Bond (1998) xây dựng dựa trên ý tưởng của Arellano và Bover (1995) bằng các bổ sung thêm một số ràng buộc vào D-GMM. Trong bài nghiên cứu này, tác giả áp dụng mơ hình ước lượng bảng động tuyến tính dưới phương pháp LDP. Phương pháp ước lượng LDP kết hợp giữa phương pháp ước lượng D-GMM của Arellano và Bond (1991) và phương pháp ước lượng S- GMM Arellano - Bover (1995) và Blundell - Bond (1998). Trong phương pháp ước lượng D-GMM, biến phụ thuộc được lấy trễ, biến dự báo và biến nội sinh được sử dụng là biến cơng cụ. Phương pháp này có thể gặp vấn đề biến cơng cụ yếu do sử dụng sai phân bậc nhất để loại trừ đặc trưng công ty. Sử dụng phương pháp ước lượng S-GMM có thể làm giảm vấn đề này do các điều kiện thời gian có chứa nhiều thơng tin giá trị khi điều kiện ban đầu (không lấy trễ) bị hạn chế cố định. Thêm vào đó việc sử dụng các độ trễ khác nhau làm biến cơng cụ trong phương trình sai phân, phương pháp ước lượng S-GMM sử dụng độ trễ sai phân bậc nhất làm biến cơng cụ trong phương trình theo Blundell và Bond (1998).
Áp dụng trong trường hợp phần dư không là phân phối chuẩn. Tác giả áp dụng ước lượng khắc phục phần dư chuẩn 2 ước Windmeijer để tránh phần dư chuẩn bị chệch. Vì vậy, tác giả thực hiện 2 kiểm định với giả thuyết H0 là phần dư không tương quan ậc 1 và bậc 2. Cuối cùng, phương pháp ước lượng GMM cũng
yêu cầu phải th a mãn kiểm định cơ ản khi sử dụng phương pháp đó là kiểm định tự tương quan được thiết kế bởi Arellano và Bond (1991) của mơ hình. Kiểm định
tự tương quan với giả thuyết H0 là không tồn tại tự tương quan trong mơ hình, do đó
tác giả kỳ vọng p-value của kiểm định càng lớn thì mơ hình sẽ khơng tồn tại hiện tượng tự tương quan.