Định nghĩa Ký hiệu Đo lường
Tài sản cố
định ròng K
Giá trị sổ sách của tài sản, nhà xưởng và thiết bị ròng (PPE)
Đầu tư I/K
Dòng tiền CF/K Cơ hội tăng trưởng Q Tăng trưởng doanh thu Sales Growth Kiểm sốt chính phủ GOV
- Đánh số 1 cho quan sát chịu kiểm soát nhà nước - Đánh số 0 cho quan sát chịu kiểm soát tư nhân
Kiểm sốt
chính phủ State Tỷ lệ cổ phần được sở hữu bởi cổ đơng nhà nước
Dịng tiền
âm NEG
- Đánh số 1 cho quan sát có CF/K âm - Đánh số 0 cho quan sát có CF/K dương
Dịng tiền
dương POS
- Đánh số 1 cho quan sát có CF/K dương - Đánh số 0 cho quan sát có CF/K âm
Quy mô Size Size = Log (GTSS TTS)t-1
Đòn bẩy Leverage
Tỷ suất sinh lợi
trên tài sản ROA
Số năm niêm yết Age Số năm niêm yết của công ty
Rủi ro hệ thống Beta
Mơ hình là: Ri,t = α + βRm,t + εi,t mà Ri,t là lợi nhuận giá cổ phiếu của công ty i trong ngày t, Rm,t là lợi nhuận thị trường trong ngày t. Ước
lượng β cho mỗi quan sát năm – công ty là Beta. Thời gian ước lượng là một năm.
Rủi ro phi
hệ thống Volatility
Độ lệch chuẩn của các số dư từ mơ hình thị trường được ước tính bằng cách sử dụng lợi nhuận chứng khoán và thị trường hàng ngày. Mơ hình này giống như tác giả đang sử dụng để tính Beta. Thời gian ước lượng là một năm.
Phát hành cổ phần Gross Equity/K Phát hành nợ Net Debt/K Bán tài sản Assets sales/K
Nguồn: Tổng hợp của tác giả
3.5 Phương pháp nghiên cứu
Phương pháp luận của bài nghiên cứu này được dựa trên bài nghiên cứu của Michael Firth và cộng sự (2012). Mặc khác, tác giả có bổ sung một số phương pháp ước lượng để kiểm tra tính vững của các kết quả nghiên cứu. Tuy nhiên, tác giả sẽ tiến hành báo cáo các kết quả nghiên cứu dựa trên phương pháp ước lượng chính là mơ hình GMM - Generalized Method of Moments (theo Arellano và Bond, 1991). Bài nghiên cứu của tác giả sử dụng mơ hình hồi quy dữ liệu bảng được thực hiện trên phần mềm Stata 12. Dữ liệu bảng là bộ dữ liệu bao gồm cả hai chiều không gian và thời gian. Việc sử dụng dữ liệu bảng có một vài ưu điểm: thứ nhất, dữ liệu bảng làm tăng kích thước mẫu một cách đáng kể; thứ hai, thông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu bảng phù hợp hơn để nghiên cứu động học thay đổi; thứ ba, dữ liệu bảng hữu ích trong việc nghiên cứu những mơ hình hành vi phức tạp hơn.
Trước tiên, tác giả thực hiện các kiểm định vi phạm giả thuyết mơ hình như hiện tượng đa cộng tuyến, phương sai thay đổi và tự tương quan cho tất cả các mơ hình hồi quy trong bài nghiên cứu. Đối với kiểm định đa cộng tuyến, nếu giá trị VIF trung bình của các biến trong mơ hình nhỏ hơn 10, điều đó có nghĩa mơ hình khơng
xảy ra hiện tượng đa cộng tuyến. Đối với kiểm định hiện tượng phương sai thay đổi, nếu giả thuyết H0 của kiểm định Wald được chấp nhận, điều đó có nghĩa là mơ hình khơng xảy ra hiện tượng phương sai thay đổi. Đối với kiểm định hiện tượng tự tương quan, nếu giả thuyết H0 của kiểm định Wooldridge được chấp nhận, điều đó có nghĩa là mơ hình khơng xảy ra hiện tượng tự tương quan.
Tiếp theo, tác giả sử dụng mơ hình gộp Pooled OLS, đây là cách tiếp cận đơn giản nhất, thực chất là hồi quy OLS thông thường với giả định không vi phạm hiện tượng phương sai thay đổi, đa cộng tuyến và tự tương quan. Mơ hình này cịn giả định rằng các hệ số hồi quy (hệ số chặn và hệ số góc) khơng thay đổi giữa các cơng ty cũng như không thay đổi theo thời gian, đây cũng chính là điểm yếu nhất của mơ hình này. Hơn nữa, các biến độc lập phải là các biến ngoại sinh chặt có nghĩa là các biến độc lập không phụ thuộc vào các giá trị quá khứ, hiện tại và tương lai của sai số ngẫu nhiên. Chính những giả định hạn chế này có thể làm cho các ước lượng thu được bị chệch và khơng vững.
Sau đó, tác giả sử dụng mơ hình tác động cố định (Fixed Effects Model - FEM) để khắc phục hạn chế về các hệ số hồi quy của mơ hình gộp Pooled OLS. Mơ hình FEM xem xét đến những khác biệt trong đặc điểm riêng của các công ty để tách ảnh hưởng của những điểm riêng biệt này ra khỏi các hệ số hồi quy, từ đó cho thấy kết quả ước lượng sẽ tốt hơn. Tuy nhiên, mơ hình lại khơng xem xét những ảnh hưởng qua thời gian của những đặc điểm riêng biệt này.
Tác giả tiếp tục ước lượng bằng mơ hình tác động ngẫu nhiên (Random Effects Model – REM) vì mơ hình REM xem xét cả hai vấn đề, thứ nhất là những khác biệt trong các đặc điềm riêng của công ty và xem xét cả những ảnh hưởng qua thời gian của những đặc điểm riêng biệt này. Sau khi ước lượng bằng hai mơ hình FEM và REM, tác giả dùng kiểm định do Hausman xây dựng năm 1978 để xem xét yếu tố ngẫu nhiên có ảnh hưởng hưởng đến các biến phụ thuộc của mơ hình hay không, tức là để lựa chọn giữa hai mơ hình FEM và REM. Nếu giả thuyết H0 của kiểm định
Hausman được chấp nhận, điều đó có nghĩa là mơ hình tác động ngẫu nhiên (REM) phù hợp.
Ngồi ra, ước tính bằng mơ hình gộp (Pooled OLS) hoặc mơ hình tác động cố định (FEM) hay tác động ngẫu nhiên (REM) cho mơ hình chính là khơng phù hợp nếu mơ hình cho thấy phát sinh vấn đề nội sinh - tức là một biến giải thích nào đó trong mơ hình có tương quan với phần sai số. Điều này là hợp lý vì các biến được xây dựng từ số liệu trên các báo cáo tài chính được trình bày bởi các doanh nghiệp, do đó rất khó để xem tất cả chúng là ngoại sinh (theo Kremp, Stohs và Gerdesmeier, 1999).
Do đó, tác giả sử dụng ước tính theo phương pháp GMM - Generalized Method of Moments (theo Arellano và Bond, 1991) để khắc phục hiện tượng nội sinh có thể xảy ra trong mơ hình. Một vài nghiên cứu về đầu tư cơng ty cũng đã sử dụng ước lượng GMM trong những năm gần đây như Guariglia (2008), Brown và Petersen (2009), Guariglia và cộng sự (2011), Michael Firth và cộng sự (2012). Thật vậy, trong dữ liệu của tác giả cho thấy các vấn đề sau: đầu tiên, bảng dữ liệu được thiết lập với chuỗi thời gian T ngắn và số lượng công ty N lớn; thứ hai, dữ liệu của tác giả có thể vấp phải hiện tượng phương sai thay đổi, tự tương quan hay đa cộng tuyến; đặc biệt, trong dữ liệu của tác giả, dòng tiền, Q và các biến hồi quy khác có thể sẽ xảy ra các hiện tượng nội sinh, tức là xảy ra mối quan hệ nhân quả giữa các biến giải thích, điều này sẽ dẫn đến tương quan với các sai số. Do đó, để khắc phục sự ảnh hưởng của các vấn đề trên, tác giả xem xét ước lượng GMM được phát triển bởi Arellano và Bond (1991) trong mối quan hệ đầu tư - dòng tiền bằng cách sử dụng mơ hình GMM sự khác biệt đầu tiên theo đề xuất của Michael Firth và cộng sự (2012). Điều này thì tương tự với Guariglia (2008), người đã sử dụng mơ hình GMM sự khác biệt đầu tiên cho các công ty chưa niêm yết ở Anh. Ngồi ra, vì bộ dữ liệu của bài nghiên cứu này có số lượng doanh nghiệp khơng cao, vì vậy tác giả quyết định sử dụng GMM sự khác biệt thay vì GMM hệ thống sẽ phù hợp hơn. Do đó, tác giả sẽ ước tính phương trình đầu tư bằng cách sử dụng mơ hình GMM sự
khơng được lựa chọn phù hợp thì các ước tính từ các hồi quy biến cơng cụ này có thể bị thiên lệch (theo Wintoki và cộng sự, 2010). Tuy nhiên, một trong những ưu điểm của GMM là cho phép lựa chọn các biến cơng cụ dễ dàng , điều đó có nghĩa là GMM cung cấp nhiều biến công cụ khác nhau bằng cách lấy độ trễ tuỳ ý của các biến để sử dụng như biến công cụ cho biến nội sinh, từ đó có thể dễ dàng lựa chọn biến cơng cụ đạt được điều kiện của một biến công cụ chuẩn.
GMM được phát triển bởi Arellano và Bond (1991), trình bày hai mức độ trong hàm số của phần dư ε. Nếu phần dư có phương sai khơng thay đổi, GMM một giai đoạn hóa ra là tối ưu. Ngược lại, phương sai của phần dư thay đổi, các ước lượng của biến công cụ trong một giai đoạn tiếp tục là phù hợp nhưng tiến hành ước tính trong hai giai đoạn sẽ tăng hiệu quả hơn. Ước tính trong hai giai đoạn sử dụng các phần dư của ước tính một giai đoạn. Ước lượng GMM sử dụng các biến trễ như các biến công cụ là không phù hợp nếu các sai số là tự tương quan (theo Arellano và Bover, 1990). Bằng phương pháp này, giả định rằng khơng có tương quan nối tiếp bậc hai trong các sai phân bậc một. Vì lý do này, để kiểm tra sự phù hợp của các ước tính, tác giả sử dụng kiểm định sự vắng mặt của tương quan nối tiếp bậc hai được đưa ra bởi Arellano và Bond (1991) với giả thuyết H0 là khơng có tương quan nối tiếp bậc hai trong các sai phân bậc một. Tương tự như vậy, tác giả sử dụng kiểm định Hansen hoặc Sargan để kiểm tra sự vắng mặt của mối tương quan giữa các biến công cụ và các sai số của mơ hình với giả thuyết H0 là các biến công cụ là phù hợp hay các biến công cụ là ngoại sinh. Bontempi và Golinelli (2012) cho rằng khi mơ hình tồn tại phương sai thay đổi, sử dụng kiểm định Hansen sẽ hiệu quả hơn và ngược lại. Vì thế giá trị p-value của cả các kiểm định trên càng lớn càng tốt, cụ thể là trên 0.1 cho thấy mơ hình ước tính là phù hợp.
Cuối cùng, để kiểm tra ảnh hưởng của kiểm sốt chính phủ đến việc tiếp cận các nguồn tài trợ bên ngồi, tác giả sử dụng phân tích đơn biến và phân tích hồi quy đa biến. Đối với phân tích đơn biến, tác giả sử dụng kiểm định sự khác biệt t – test cho trung bình và Mann – Whitney test cho trung vị để kiểm tra sự khác biệt giữa các
tiếp cận nguồn tài trợ bên ngồi và kiểm tra cụ thể khi dịng tiền âm và dương. Đặc biệt, đốí với phân tích hồi quy đa biến cho hai mơ hình phụ (V) và (VI), theo đề xuất của Michael Firth và cộng sự (2012) tác giả sẽ sử dụng mơ hình hồi quy Tobit cho kênh phát hành cổ phần và mơ hình hồi quy OLS cho kênh phát hành nợ. Mơ hình hồi quy Tobit, cịn được gọi là mơ hình hồi quy kiểm duyệt, được xây dựng để ước lượng mối quan hệ tuyến tính giữa các biến giải thích và biến phụ thuộc khi biến phụ thuộc bị kiểm duyệt. Do biến phát hành cổ phần bị kiểm duyệt bên trái tại mức bằng 0 nên tác giả sẽ sử dung mơ hình Tobit cho kênh phát hành cổ phần.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU 4.1 Thống kê mô tả