3. DỮ LIỆU VÀ PHƯƠNG PHÁP LUẬN
3.3 Phương pháp nghiên cứu
Trong bài nghiên cứu này, tôi dùng công cụ Stata 12 để chạy các mơ hình hồi quy nhằm kiểm tra tính bất định trong dịng tiền đã ảnh hưởng chính sách chi trả cổ tức như thế nào.
Các nghiên cứu dựa trên kinh nghiệm trước đây hầu hết đều tập trung nghiên cứu là tại sao các cơng ty thay đổi chính sách cổ tức và sự thay đổi này có truyền tải thơng tin về sự thay đổi trong hiệu quả hoạt động của công ty hay không, hơn là tập trung nghiên cứu vào mức độ chi trả cổ tức như nghiên cứu của Benartzi, Michaely và Thaler (1997); Grullon, Michaely và Swaminathan (2002).
Các nghiên cứu thực nghiệm gần đây như nghiên cứu của Fama và French (2001); Baker và Wurgler (2004); DeAngelo, DeAngelo và Stulz (2006); Denis và Osobov (2008) đã nghiên cứu các nhân tố ảnh hưởng đến quyết định trả hay không trả cổ tức mà chưa thực hiện nghiên cứu giá trị cổ tức mà các công ty quyết định chi trả là bao nhiêu.
Vì vậy, nghiên cứu của tôi sẽ nghiên cứu tác động đồng thời của tính bất định trong dòng tiền và 3 yếu tố quyết định khác như vịng đời của doanh nghiệp, chi phí đại diện và cơ hội đầu tư ảnh hưởng đến chính sách chi trả cổ tức nhằm kiểm tra xem dòng tiền bất định có phải là nhân tố quan trọng nhất ảnh hưởng đến chính sách chi trả cổ tức, bên cạnh đó nghiên cứu dịng tiền bất định có giải thích được sự thay đổi trong giá trị cổ tức được chi trả hay khơng và mơ hình thích hợp được sử dụng trong trường hợp này là mơ hình Tobit.
Mơ hình Tobit được phát triển bởi James Tobin (1958), ông cho rằng các công ty trong mẫu được chia ra làm 2 loại (1) các cơng ty có đầy đủ dữ liệu biến độc lập và dữ liệu biến phụ thuộc; (2) các cơng ty chỉ có dữ liệu biến độc lập nhưng thiếu dữ liệu biến phụ thuộc. Mơ hình Tobit cơ bản:
Trong đó y* làgiá trị kỳ vọng biến phụ thuộc, có giá trị quan sát >0 hoặc giá trị bằng 0 trong trường hợp thiếu dữ liệu (censoring), xi là các biến độc lập, có giá trị quan sát trong tất cả các trường hợp. β là vector hệ số hồi quy, u là sai số mơ hình, giả định là phân phối chuẩn. Biến phụ thuộc được xác định bởi công thức sau:
Việc dự báo bằng mơ hình OLS sẽ không phù hợp trong trường hợp dữ liệu bị thiếu y = 0 hoặc y bị chặn (chỉ có giá trị >0). Nếu hệ số tương quan β giữa biến yi và xi được ước lượng trong mơ hình hồi quy OLS thì giá trị ước lượng không nhất quán, Takeshi Amemiya (1973) chứng minh rằng giá trị ước lượng maxium likelihood trong mơ hình Tobit thì nhất qn. Bên cạnh đó, hệ số tương quan β khơng được giải thích
bởi vì tác động của xi lên yi trong mơ hình hồi quy tuyến tính (linear regression model) là sai số thơng thường, thì trong mơ hình Tobit có thể được giải thích bằng việc kết hợp (1) thay đổi giá trị yi của giới hạn trên, tỷ trọng xác suất giới hạn trên; (2) sự thay đổi trong xác suất giới hạn trên, tỷ trọng giá trị kỳ vọng yi
Một mơ hình dữ liệu chéo được cho là tốt thì phải thoả mãn điều kiện phương sai sai số không đổi. Hậu quả của việc bỏ qua kiểm định phương sai sai số không đổi là các ước lượng sẽ không hiệu quả vì vậy các dự báo cũng sẽ khơng hiệu quả. Để kiểm tra phương sai sai số thay đổi của mô hình Tobit trong bài nghiên cứu này tôi dùng kiểm định Lagrange Multiplier Test như Greene (2003, p. 769). Nếu sau khi kiểm định phát hiện phương sai sai số thay đổi, tôi xử lý bằng cách sử dụng mơ hình Interval regression với ước lượng robust để khắc phục.
Ngồi ra, nghiên cứu cịn sử dụng các mơ hình sau:
- Mơ hình OLS nhằm kiểm tra mối tương quan giữa chính sách cổ tức và các biến chính trong bài nghiên cứu. Để kiểm tra phương sai sai số thay đổi của mơ hình OLS
trong bài nghiên cứu này tơi dùng kiểm định White Test, kiểm định này thực hiện bằng cách hồi quy phụ bình phương phần dư của mơ hình ban đầu với các biến độc lập cịn lại. Sau đó xem xét nếu giá trị p-value của χ2 > α (mức ý nghĩa) thì mơ hình ban đầu có phương sai sai số là khơng đổi. Ngược lại nếu giá trị p-value của χ2 < α tức là phương sai sai số thay đổi. Ngồi White Test vẫn cịn nhiều phương pháp để kiểm định như Breusch – Pagan Test, Glejser Test và Harvey Godfrey Test. Nếu sau khi kiểm định phát hiện phương sai sai số thay đổi, tôi xử lý bằng cách sử dụng mơ hình GLS với ước lượng robust để khắc phục.
- Mơ hình Logit để kiểm tra liệu dịng tiền bất định có giải thích xác suất chi trả cổ tức hay không và dựa vào dịng tiền bất định năm trước có dự đốn được sự thay đổi chính sách cổ tức khơng. Trong mơ hình Logit, biến phụ thuộc Y sẽ chỉ nhận giá trị 0 và 1, biến phụ thuộc Y = 1 khi các cơng ty có thực hiện chi trả cổ tức và Y = 0 khi các công ty không chi trả cổ tức, với các xác suất tương ứng p và (1-p), xác suất p = [0,1]
1 = 0 1 xacsuat p Y xacsuat p → = → = −
Bên cạnh đó, làm theo nghiên cứu của Chay và Suh (2009), giá trị t-statistics trong các mơ hình được tính tốn dựa theo cách tiếp cận của Fama-MacBeth (1973), tức là bài nghiên cứu của tơi sẽ thực hiện hồi quy các mơ hình theo từng năm trong giai đoạn nghiên cứu từ năm 2010-2013 để kiểm tra số lần hệ số hồi quy của biến độc lập cùng dấu với dấu đã dự đoán về tác động của biến độc lập đến biến phụ thuộc theo từng năm nghiên cứu cũng như xác định hệ số hồi quy trung bình và đồng thời xác định giá trị t-statistics trung bình để kiểm định giả thuyết Ho: hệ số tương quan trung bình bằng 0.
Hồi quy theo Fama–MacBeth: là phương pháp sử dụng ước lượng trong mơ hình định giá tài sản như CAPM. Eugene F. Fama and James D. MacBeth (1973) cho rằng các mơ hình hồi quy giữa rủi ro và lợi nhuận và các đặc điểm quan sát của hệ số tương
trong quan sát thành 20 danh mục và tính tỷ suất sinh lợi theo từng tháng với tỷ trọng ngang nhau ở mỗi chứng khoán riêng rẻ tại mỗi tháng. Tại mỗi tháng t, hồi quy chéo được thực hiện:
Trong đó, biến độc lập là trung bình giá trị các chứng khốn có trong danh mục. và được sử dụng là các biến giải thích lần lượt là trung bình bình phương β và trung bình độ lệch chuẩn . Từ kết quả hồi quy, các hệ số hồi quy sẽ được xác định và qua đó xác định giá trị tỷ suất sinh lợi theo từng danh mục.
Giá trị t-statistics được sử dụng để kiểm định giả thuyết Ho: hệ số hồi quy trung bình bằng 0.
Cơng thức tính giá trị t-statistics là:
Với n là số tháng trong thời gian quan sát, là trung bình các hệ số hồi quy ước lượng từng tháng, là độ lệch chuẩn của hệ số hồi quy ước lượng từng tháng.
Đôi khi, cổ tức được các công ty chi trả cao hơn rất nhiều so với thu nhập của họ, đặc biệt, khi thu nhập của những công ty này gần bằng không, điều này dẫn đến một tỷ lệ DV/E cao vô cùng. Để xử lý số liệu cao vô cùng này, tôi tiến hành winsorize các biến DV/E, DV/S tại mức 2% từ giá trị cao nhất của phân phối tương ứng. Bên cạnh đó một vài biến chính cũng gây vấn đề bất thường, để giải quyết vấn đề này, tôi cũng tiến hành winsorize biến SRVOL và MBR tại mức 2% từ giá trị cao nhất, và biến RE/TE tại mức 2% từ giá trị cao nhất và giá trị thấp nhất của phân phối tương ứng.