PHẦN 3 MƠ HÌNH, DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp nghiên cứu
Thống kê mô tả và ma trận tương quan Pearson
Thống kê mô tả đưa ra thông tin chi tiết về các biến sử dụng trong mơ hình. Thơng tin đó bao gồm trung bình, độ lệch chuẩn, giá trị lớn nhất và giá trị nhỏ nhất. Qua những con số đó, ta có thể có cái nhìn ban đầu về tính chất của các biến trong mơ hình.
quan hệ chéo giữa các biến độc lập với nhau và giữa biến phụ thuộc với từng biến độc lập trong mơ hình. Bước này giúp chúng ta biết tổng quan về những mối quan hệ cần nghiên cứu về cả độ lớn, chiều và ý nghĩa thống kê, từ đó giúp việc xây dựng mơ hình hồi quy và sử dụng các phương pháp phân tích được chuẩn xác hơn. Một nhược điểm của tương quan Pearson là không xác định được chiều tác động giữa các biến, tức là không cho thể biết đâu là nguyên nhân và đâu là kết quả. Do đó cần phải sử dụng phân tích định lượng về hiểu rõ các mối quan hệ này.
Phân tích định lượng
Để đo lường mối quan hệ giữa CCC với các khả năng sinh lợi như Tobin Q, ROA và ROIC tác giả sử dụng phương pháp phân tích dữ liệu bảng.
Kỹ thuật phân tích dữ liệu bảng (panel data) được sử dụng do những ưu điểm của chúng vượt trội hơn so với dữ liệu chuỗi thời gian và dữ liệu chéo bởi nó sử dụng tất cả thơng tin sẵn có, điều mà chuỗi dữ liệu thời gian truyền thống hay dữ liệu chéo truyền thống không làm được. Baltagi (2005) đã liệt kê các ưu điểm của dữ liệu bảng như kiểm sốt tính khơng đồng nhất của các đơn vị trong mẫu nghiên cứu; cung cấp dữ liệu có nhiều thơng tin hơn, đa dạng hơn, ít đa cộng tuyến giữa các biến, nhiều bậc tự do hơn và hiệu quả hơn; phát hiện và đo lường tốt hơn những ảnh hưởng không thể quan sát trong dữ liệu chuỗi thời gian thuần túy hay dữ liệu chéo theo không gian thuần túy; phù hợp trong việc nghiên cứu những mơ hình hành vi phức tạp; tối thiểu hóa khả năng kết quả nghiên cứu bị chệch.
Phương pháp dữ liệu bảng gồm ba phương pháp khác nhau:
Phương pháp random effects(REM): trong phương pháp này, hằng số trong
mơ hình hồi quy của mỗi đơn vị chéo giống như một tham số ngẫu nhiên hơn là cố định. Bởi hệ số chặn của mỗi đơn vị chéo là một hệ số chặn chung (giá trị này giống nhau cho tất cả các đơn vị chéo trong giai đoạn nghiên cứu), cộng thêm giá trị ngẫu nhiên của đơn vị chéo εi - giá trị này khác nhau đối với từng đơn vị chéo nhưng không đổi theo thời gian. Ta có thể viết mơ hình hồi quy tác động ngẫu
yit = α + βxit + ωit trong đó ωit = εi + νit
Với εi là thành phần sai số theo không gian, hay theo các đơn vị chéo, νit là thành phần sai số theo không gian và chuỗi thời gian kết hợp.
Xit vẫn là ma trận 1xk vecto của các biến giải thích, nhưng khơng giống phương pháp tác động cố định, biến giả để xác định sự khác biệt giữa các đơn vị chéo không được sử dụng ở đây mà được phản ánh trong sai số εi.
Phương pháp fixed effects (FEM): với giả định mỗi đơn vị chéo đều có
những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa sai số của mỗi đơn vị chéo với các biến giải thích qua đó kiểm sốt và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng rịng của biến giải thích lên biến phụ thuộc, bằng cách cho tung độ gốc thay đổi theo từng đơn vị nhưng vẫn giả định rằng các hệ số độ dốc này là hằng số đối với các đơn vị. Ta có thể viết mơ hình cho phương pháp tác động cố định như sau:
yit = α + βxit + µi + νit
Trong đó, µi đại diện cho sự khác biệt của từng đơn vị chéo, νit đại diện cho phần sai số yit mà mơ hình chưa giải thích được.
Phương pháp mà tất cả các hệ số đều không đổi theo không gian và theo thời gian: cũng được gọi là phương pháp pooled OLS, phương pháp này thể hiện
kết quả theo giả định rằng khơng có sự khác biệt giữa ma trận dữ liệu của các đơn vị chéo.
Phương pháp FGLS: Khi sử dụng dữ liệu bảng, chúng ta cần kiểm định hiện
tượng phương sai thay đổi và hiện tượng tự tương quan của các sai số trong mơ hình, bởi sự hiện diện của chúng sẽ khiến cho ước lượng OLS thông thường khơng đưa ra được mơ hình có phương sai bé nhất trong các ước lượng khơng chệch, do đó mơ hình đạt được khơng có hiệu quả. Do đó, phương pháp FGLS (feasible generalized least square) được sử dụng trong bài viết này bởi nó có thể kiểm sốt
được hiện tượng tự tương quan và phương sai thay đổi. Phương pháp FGLS sẽ ước tính mơ hình theo phương pháp pooled OLS (ngay cả trong trường hợp có sự tồn tại của hiện tượng tự tương quan và phương sai thay đổi). Các sai số được rút ra từ mơ hình sẽ được dùng để ước tính ma trận phương sai - hiệp phương sai của sai số. Cuối cùng, sử dụng ma trận này để chuyển đổi các biến ban đầu và ước tính giá trị các tham số cần tìm trong trong mơ hình.
Các kiểm định được thực hiện trong bài:
Kiểm định F-test: phương pháp này cho phép lựa chọn giữa mơ hình tác
động cố định và mơ hình pooled OLS với giả thuyết H0 - Mơ hình pooled OLS là phù hợp
Kiểm định Hausman: phương pháp này cho phép ta lựa chọn giữa mơ hình
theo FEM và REM. Giả thuyết H0 làm nền tảng cho kiểm định Hausman là tác động cá biệt của mỗi đơn vị chéo khơng gian khơng có tương quan với các biến hồi quy khác trong mơ hình. Nếu có tương quan (giả thuyết H0 bị từ chối), mơ hình hồi quy theo REM sẽ cho kết quả bị thiên lệch, vì vậy mơ hình theo FEM được ưa thích hơn.
Kiểm định đa cộng tuyến: (VIF – Variance inflation factor) là một chỉ số được sử dụng phát hiện có hay không việc biến độc lập này tương quan với biến độc lập khác. VIF đo lường phương sai của các hệ số hồi quy tăng như nào nếu các biến độc lập tương quan với nhau. Theo một quy tắc, nếu giá trị của thừa số tăng phương sai vượt quá giá trị hạn mức là 4 thì đã có hiện tượng đa cộng tuyến trong mơ hình và nếu chỉ số này vượt q 10 thì mơ hình tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
Kiểm định Wooldridge: được dùng để kiểm định hiện tượng tự tương quan
của sai số trong mơ hình với giả thuyết H0 - Mơ hình khơng có hiện tượng tự tương quan.
Kiểm định Wald: được dùng để kiểm định hiện tượng phương sai thay đổi
trong mơ hình với giả thuyết H0 - Mơ hình khơng có hiện tượng phương sai thay đổi.