3. PHƢƠNG PHÁP VÀ MÔ TẢ DỮ LIỆU NGHIÊN CỨU
3.1. Phƣơng pháp nghiên cứu:
Mơ hình hồi quy dữ liệu bảng.
Biểu thức cho các mơ hình trên được khái qt như sau: Yit = β1 + β2X2it + β3X3it + µit
Việc ước lượng biểu thức trên phụ thuộc vào các giả định về tung độ gốc, các hệ số dốc và số hạng sai số µit, các trường hợp giả định như sau:
Trường hợp 1: Giả định rằng tung độ gốc và các hệ số dốc không đổi
theo thời gian và không gian. Đây là trường hợp đơn giản nhất. Trong trường hợp này ta khơng kể đến kích thước dữ liệu gộp theo không gian và thời gian và chỉ ước lượng hồi quy đơn thuần theo phương pháp bình phương bé nhất thông thường (OLS). Hay phương pháp bình phương tối thiểu tổng quát (GLS – Generalized least squares). Đối với phương pháp này các biến được biến đổi để
được như vậy được gọi là các ước lượng GLS và các ước lượng này có các tính chất như tính tuyến tính, khơng chệch và hiệu quả (Gọi tắt là tính chất BLUE – Best Linear Unbiased Estimators)
Trường hợp 2: Giả định các hệ số dốc không đổi nhưng tung độ gốc
thay đổi theo các công ty. Đối với giả định này, các đặc tính của mỗi cơng ty được thể thông qua sự khác biệt về hệ số trục tung. Mơ hình được thể hiện như sau:
Yit = β1i + β2X2it + β3X3it + βkXkit + µit
Mơ hình trên được biết đến với tên gọi là mơ hình hồi quy tác động cố định (Fixed Effect Model – FEM). Thuật ngữ tác động cố định được sử dụng là do thực tế là tuy tung độ gốc có thể khác nhau giữa các công ty, nhưng mỗi tung độ gốc của các công ty không thay đổi theo thời gian, hay nói cách khác là tung độ gốc của các công ty bất biến với thời gian. Sự khác biệt giữa tung độ gốc giữa các công ty được thể hiện thông qua các biến giả được đưa vào mơ hình. Khi đó mơ hình được viết lại như sau:
Yit = a1 + a2D2i + a3D3i + ……+ β2X2it + β3X3it + βkXkit + µit
Mơ hình trên được gọi là mơ hình biến giả bình phương bé nhất (LSDV)
Trường hợp 3: Giả định các hệ số dốc không đổi nhưng tung độ gốc
thay đổi theo các công ty và thời gian. Trường hợp này thêm giả định tung độ gốc thay đổi không chỉ theo các công ty mà còn thay đổi theo thời gian. Mơ hình được ước lượng bằng cách thêm các biến giả về thời gian vào mơ hình biến giả bình phương bé nhất (LSDV), cụ thể mơ hình như sau:
Yit = a1 + a2D2i + a3D3i + …+0 + 1 Dum1 + 2 Dum2 + 3 Dum3 + …. + 2X2i + 3X3i + βkXkit + µit
Trường hợp 4: Giả định tất cả các hệ số (tung độ gốc cũng như các hệ số
dốc) thay đổi theo các cơng ty. Hay nói cách khác là tất cả các hệ số khác nhau theo các cơng ty. Mơ hình như sau:
Yit = D2i + 3 D3i + … + 2X2it + 3X3it + βkXkit + 1 (D2i X2it) + 2(D2i X3it) + 3 (D3i X2it) + 4 (D3i X3it) + … + µit
Hệ sốlà các hệ số độ dốc chênh lệch (differential slope coefficients), hệ số 4, … là các tung độ gốc chênh lệch (differential intercepts). Nếu một hay có ý nghĩa thống kê thì chứng tỏ hệ số dốc của biến đó khác biệt so
với các biến cịn lại. Ví dụ: 2 và 1 có ý nghĩa thống kê, thì (1 + 2) là giá trị hệ số dốc của biến X2 đối với công ty B (với D2i = 1 nếu quan sát thuộc về công ty B)
Trường hợp 5: Giả định tất cả các hệ số (tung độ gốc cũng như các hệ số
dốc) thay đổi theo các công ty và thời gian.
Giới hạn của việc sử dụng mơ hình LSDV là có q nhiều biến giả gây phức tạp mơ hình vầ nguy cơ xảy ra hiện tượng đa cơng tuyến.
Dữ liệu của bài nghiên cứu là dữ liệu bảng với kích thước thời gian ngắn từ năm 2009 – 2015 khơng thể ước lượng mơ hình mà tất cả các hệ số thay đổi giữa các công ty. Phương pháp Pooled OLS là một trong các phương pháp
được nhiều nghiên cứu trước đã sử dụng để phân tích để xem xét mối quan hệ giữa quản trị vốn luân chuyển và khả năng sinh lợi của công ty như: nghiên cứu của Zariyawati, Annuar, Taufiq và Rahim (2009), Zubairi (2010), Vahid, Elham, Mohsen và Mohammadreza (2012), Chatterjee (2012), Makori và Jagongo (2013), Enqvist, Graham, Nikkinen (2013), Monsoori và Muhammad (2014).
Bên cạnh đó, các bài nghiên cứu trước đây của Deloof năm 2003, Padachi (2006), Muthava (2010), Manoori và Muhammad (2012) đã sử dụng phương pháp Pooled OLS và FEM để phân tích hồi quy dữ liệu bảng để xem
xét tác động của quản trị vốn luân chuyển đến khả năng sinh lợi của cơng ty. Ngồi ra, để thực hiện hồi quy dữ liệu bảng khi xem xét tác động của quản trị vốn luân chuyển đối với khả năng sinh lợi của cơng ty thì một số nghiên cứu cũng đã thực hiện bằng phương pháp Pooled OLS và GLS như:
nghiên cứu của Lazaridis và Tryfonidis năm 2006, Raheman và Nasr năm 2007, Garcia – Teruel và Martinez – Solano năm 2007, Chatterjee (2012),..
Do đó, bài nghiên cứu này cũng sẽ tiến hành hồi quy theo cả phương pháp OLS, GLS và FEM (có tùy chọn robust để xử lý phương sai của sai số thay đổi) để phân tích dữ liệu nghiên cứu.
Theo như các nghiên cứu trước về mối quan hệ giữa quản trị vốn luân chuyển và khả năng sinh lợi của cơng ty, để phân tích tác động của chu kỳ luân chuyển tiền (CCC) và các thành phần của CCC lên khả năng sinh lợi của công ty, bài nghiên cứu sử dụng biến phụ thuộc là tỷ suất sinh lợi thuần (GOP). Sau đó tiến hành hồi quy các biến độc lập gồm: kỳ thu tiền khách hàng (AR), kỳ chuyển đổi hàng tồn kho (INV), kỳ thanh toán cho nhà cung cấp (AP), chu kỳ luân chuyển tiền (CCC). Ngồi ra tác giả cịn đưa ra các biến kiểm sốt như: Quy mơ cơng ty (LOS), số lượng thành viên ban quản trị (CG). Mơ hình hồi quy cụ thể như sau:
Xem xét có mối quan hệ giữa kỳ thu tiền khách hàng (AR) và khả năng sinh lợi của cơng ty thơng qua mơ hình sau:
Mơ hình 1:
GOPit = β1i + β2AR2it +β3SIZE3it + β4CGit + β5GDPit + µit GOPit = β1 + β2AR2it +β3SIZE3it + β4CGit + β5GDPit + wit
Xem xét có mối quan hệ giữa kỳ chuyển đổi hàng hóa (INV) và khả năng sinh lợi của cơng ty thơng qua mơ hình sau:
Mơ hình 2:
GOPit = β1i + β2AP2it + β3SIZE3it + β4CGit + β5GDPit + µit
GOPit = β1 + β2AP2it + β3SIZE3it + β4CGit + β5GDPit + wit
Xem xét có mối quan hệ giữa kỳ thanh toán tiền cho nhà cung cấp (AP) và khả năng sinh lợi của cơng ty thơng qua mơ hình sau:
Mơ hình 3:
GOPit = β1i + β2INV2it + β3SIZE3it + β4CGit + β5GDPit + µit
GOPit = β1 + β2INV2it + β3SIZE3it + β4CGit + β5GDPit + wit
Xem xét có mối quan hệ giữa kỳ luân chuyển tiền mặt (CCC) và khả năng sinh lợi của cơng ty thơng qua mơ hình sau:
Mơ hình 4:
GOPit = β1i + β2CCC2it + β3SIZE3it + β4CGit + β5GDPit + µit
GOPit = β1 + β2CCC2it + β3SIZE3it + β4CGit + β5GDPit + wit