Mơ hình nghiên cứu:

Một phần của tài liệu (LUẬN văn THẠC sĩ) quan hệ giữa sự kiêm nhiệm giám đốc điều hành với giá tri doanh nghiệp và chi phí đại diện của các công ty việt nam (Trang 45 - 50)

3. Dữ liệu và phương pháp nghiên cứu:

3.3. Mơ hình nghiên cứu:

Mục đích của đa số các nghiên cứu thực nghiệm trong kinh tế là muốn biết sự tác động của một hay nhiều biến giải thích Xi (i=1,…,k) lên biến phụ thuộc Y như thế nào ở cả chiều hướng lẫn độ lớn. Trả lời câu hỏi này địi hỏi chúng ta phải kiểm sốt các biến nhiễu ở cả các biến quan sát được lẫn các biến không quan sát được khi thu thập mẫu và xử lý số liệu để có được kết quả ước lượng khơng chệch tác động của X lên Y. Đối với các biến nhiễu quan sát được, chúng ta có thể sử dụng mơ hình hồi quy tuyến tính

đa biến cổ điển. Đối với các biến nhiễu không quan sát được, Tác giả sử dụng các mơ hình ước lượng hồi quy trong dữ liệu bảng được chạy trên phần mềm STATA11 để đánh giá tác động lẫn nhau giữa các biến theo thời gian và không gian.

Dữ liệu bảng là sự kết hợp của dữ liệu chéo và chuỗi thời gian. Dữ liệu bảng còn được gọi bằng các tên khác như là dữ liệu gộp chung (gộp chung các quan sát chéo và chuỗi thời gian). Để thu thập dữ liệu bảng, chúng ta phải thu thập nhiều đối tượng giống nhau trong cùng một hoặc nhiều thời điểm. Mơ hình dữ liệu bảng hữu ích vì những lý do sau: Nghiên cứu được sự khác biệt giữa các đơn vị chéo mà trước đây chúng ta hay sử dụng biến giả (Dummy). Nâng cao được số quan sát của mẫu và phần nào khắc phục được hiện tượng đa cộng tuyến. Chứa đựng nhiều thông tin hơn các dữ liệu khác. Nghiên cứu được động thái thay đổi của các đơn vị chéo theo thời gian.

Các mơ hình hồi quy dữ liệu bảng được thực hiện gồm Pooled OLS model – mơ hình hồi quy gộp, Fixed effect model (FEM)- mô hình tác động cố định, Random effect model (REM) – mơ hình tác động ngẫu nhiên và Generalized method of moments (GMM) – mơ hình mơ men tổng qt.

3.3.1. Mơ hình hồi quy gộp (Pooled OLS):

Mơ hình gộp Pooled OLS là mơ hình được hồi quy bằng cách sử dụng tất cả dữ liệu xếp chồng không phân biệt từng đối tượng, đơn vị chéo. Các thể trong bài nghiên cứu này là công ty. Tức là mơ hình này sử dụng dữ liệu như một phân tích OLS bình thường. Với từng đối tượng, mỗi sai số là ảnh hưởng của yếu tố không quan sát được và không thay đổi theo thời gian và đặc trưng cho mỗi đối tượng. Do đó mơ hình này có thể bỏ qua những khác biệt giữa các đối tượng, giữa các thời gian quan sát. Mơ hình (1) có dạng

TQit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit +µit (1)

ASSETSit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit +µit (2)

Trong đó:

α, β1, β2, β3, β4, β5, β6, β7, β8: Hằng số không thay đổi theo i hay t, là hệ số hồi quy thể hiện mối tương quan giữa các nhân tố quản trị công ty đến giá trị doanh nghiệp và chi phí đại diện cơng ty.

µit: Sai số của phương trình bao gồm sai số do ảnh hưởng của yếu tố không quan sát được, do đặc trưng của đối tượng và những thay đổi theo thời gian.

3.3.2. Mơ hình tác động cố định (Fixed effect model –FEM):

Mơ hình hồi quy tác động cố định được viết dưới dạng:

TQit = αi + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit +εit (3)

ASSETSit = αi + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit + εit (4)

Trong đó:

βk là ma trận cột thể hiện hệ số gốc chung không thay đổi cho tất cả các đối tượng trong mẫu.

μit = αi + εit. Sai số của mơ hình hồi quy tuyến tính cổ điển được tách làm hai thành phần. Thành phần αi đại diện cho các yếu tố không quan sát được khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian. Thành phần εit đại diện cho những yếu tố không quan sát được khác nhau giữa các đối tượng và thay đổi theo thời gian.

3.3.3. Mơ hình tác động ngẫu nhiên (Random effect model – REM):

Mơ hình tác động ngẫu nhiên được viết dưới dạng:

TQit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit + ωi +εit (5)

ASSETSit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit + ωi +εit (6)

Trong đó:

βk là ma trận cột thể hiện hệ số gốc chung không thay đổi cho tất cả các đối tượng trong mẫu.

αi = α + ωi. Thành phần αi đại diện cho các yếu tố không quan sát được khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian lại được phân chia làm hai thành phần: Thành phần bất định α, Thành phần ngẫu nhiên ωi.

Giả định rằng, ωi cho mỗi đối tượng được rút ra từ một phân phối xác suất độc lập với giá trị trung bình bằng 0 và phương sai khơng đổi, đó là, E(ωi) = 0 Var(ωi) = sω2

Cov(ωi,ωs) = 0. N biến ngẫu nhiên ωi được gọi tác động ngẫu nhiên (random effects). Mơ hình tác động ngẫu nhiên có thể được viết lại:

TQit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit +vit (7)

ASSETSit = α + β1 CEOit +β2 BOARDit +β3INSIDEit +β4 NONEit +β5OWNERit + β6LNSIZEit + β7LNAGEit + β8DEBTit +vit (8)

Trong đó vit = ωi + εit. Một giả định quan trọng trong mơ hình tác động ngẫu nhiên là thành phần sai số μit khơng tương quan với bất kì biến giải thích nào trong mơ hình.

3.3.4. Kiểm tra phương sai thay đổi, tự tương quan cho phần dư và cách khắc phục: phục:

Do dữ liệu bảng là tập hợp của nhiều đối tượng nên dễ xảy ra hiện tượng phương sai thay đổi. Trong bài nghiên cứu, Tác giả sử dụng Wald test để kiểm tra phương sai thay đổi. Khi phương sai thay đổi thì ước lượng sẽ khơng cịn hiệu quả, kiểm định hệ số hồi quy khơng cịn đáng tin cậy.

Dữ liệu chuỗi thời gian thường tự tương quan. Trong bài nghiên cứu, Tác giả sử dụng Lagrange-Multipliers test để kiểm định tương quan chuỗi. Tương tự phương sai thay đổi, tự tương quan cũng làm ước lượng không hiệu quả, và kiểm định hệ số hồi quy khơng cịn đáng tin cậy.

Khắc phục hiện tượng phương sai thay đổi và tự tương quan bằng phương pháp ước lượng bình phương nhỏ nhất tổng quát (General Least Square) để khắc phục phương sai thay đổi, tự tương quan trên dữ liệu bảng.

3.3.5. Kiểm tra nội sinh và cách khắc phục:

Một trong những vấn đề tranh luận trong nghiên cứu gần đây về tác động của quản trị công ty đến giá trị doanh nghiệp và chi phí đại diện là liệu số thành viên Hội đồng quản trị và đòn bẩy được xác định nội sinh. Wen và cộng sự (2002) ủng hộ quan điểm số lượng thành viên Hội đồng quản trị nội sinh khi chỉ ra rằng thành phần Hội đồng quản trị có một khả năng nội sinh được xác định, một số các biến kiểm soát và hoạt động tài chính cơng ty có thể được xác định nội sinh đồng thời. Biến nội sinh là những biến có sự tương quan với phần dư. Ở góc độ kinh tế lượng, sự xuất hiện biến nội sinh sẽ dẫn đến các trường hợp như bỏ biến, sai số trong biến, hoặc được xác định đồng thời qua các biến giải thích khác. Trong các trường hợp này, OLS khơng cịn phù hợp với những thông số ước lượng tin cậy. Do vậy, để giải quyết các vấn đề này, Lars Peter Hansen (1982) đã phát triển đưa thêm biến cơng cụ là biến có quan hệ chặt với biến độc lập, phụ thuộc trong mơ hình cũ nhưng khơng có quan hệ với phần dư. Để ước lượng mơ

hình với biến cơng cụ, người ta dùng nhiều kỹ thuật để xử lý phụ thuộc vào chính mơ hình chúng ta định ước lượng, các kỹ thuật ước lượng phổ biến là: ước lượng hồi quy hai giai đoạn (two-stage least squares-2SLS), và ước lượng mô men tổng quát Generalized method of moments (GMM),… việc xác định kỹ thuật ước lượng nào dựa vào số biến nội sinh và biến công cụ mà chúng ta có được. Phương pháp ước lượng 2SLS hay cịn được gọi là ước lượng biến cơng cụ ảnh hưởng cố định, sử dụng các một hay nhiều biến ngoại sinh quan sát được tức biến cơng cụ có ảnh hưởng đến biến độc lập nhưng không ảnh hưởng đến kết quả hồi quy nếu tham gia vào làm biến độc lập. Tuy nhiên phân tích giai đoạn đầu của hồi quy 2SLS thường chỉ ra các biến công cụ là yếu và kết quả ước lượng sẽ bị chệch và không đáng tin cậy tương tự trong cách ước lượng OLS. Ước lượng GMM được giới thiệu bởi Holtz-Eakin, Newey và Rosen (1988); Arellano và Bond (1991), và được phát triển bởi Arellano và Bover (1995), Blondell và Bond (1998). Sai phân bậc một loại bỏ hiện tượng bỏ sót biến chéo khơng quan sát được. Kiểm định sai phân bậc một thu được thông qua GMM bằng cách sử dụng giá trị độ trể của biến giải thích như là cơng cụ cho các biến giải thích.

Kiểm định Durbin-Wu-Hausman (DWH) được sử dụng để kiểm tra hiện tượng nội sinh của giá trị doanh nghiệp và cấu trúc chi phí đại diện và một số biến khác. DWH được Davidson và MacKinnon (1993) đề xuất bằng cách hình thành biến phần dư trong mơ hình hồi quy biến nghi ngờ nội sinh với các biến chọn làm biến cơng cụ. Sau đó đưa biến phần dư như một biến độc lập ngoại sinh vào mơ hình hồi quy ban đầu. Nếu biến phần dư có ý nghĩa thống kê thì biến nghi ngờ nội sinh được xác nhận. Nếu kết quả của kiểm định DWH cho nội sinh là có ý nghĩa, thì mơ hình ước lượng GMM được áp dụng để khắc phục vấn đề này.

Một phần của tài liệu (LUẬN văn THẠC sĩ) quan hệ giữa sự kiêm nhiệm giám đốc điều hành với giá tri doanh nghiệp và chi phí đại diện của các công ty việt nam (Trang 45 - 50)

Tải bản đầy đủ (PDF)

(88 trang)