CHƯƠNG 1 GIỚI THIỆU ĐỀ TÀI LUẬN VĂN CAO HỌC
4.5 Kết quả nghiên cứu
4.5.3 Phân tích đa cộng tuyến
Trước khi phân tích đa cộng tuyến, tác giả sử dụng mơ hình với đầy đủ các biến để thực hiện hồi quy xem xét dấu và mức ý nghĩa của 2 biến INF và RLR, đang xảy ra hiện tượng tương quan cao. Trong phân tích hồi quy tại phụ lục 5, biến INF có hệ số hồi quy là 0.311, tác động dương tới ROA với mức 𝑝𝑣𝑎𝑙𝑢𝑒 0.07 hay nói cách khác là có ý nghĩa thống kê trong khi biến RLR có hệ số hồi quy là 0.0258 khơng có ý nghĩa thống kê trong mơ hình.
Tác giả sử dụng phương pháp nhân tử phóng đại phương sai VIF, theo như bảng 4.2 phân tích đa cộng tuyến dưới đây cho thấy biến INF và biến RLR lần lượt có hệ số VIF rất cao là 29.3 và 26.84 vượt mức 10 theo quy tắc kinh nghiệm. Vì vậy với mức tương quan -0.9671 và hệ số VIF cho thấy 2 biến này thực sự đang xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
Bảng 4.2 Phân tích đa cộng tuyến qua phương pháp phóng đại phương sai.
Variable VIF 1/VIF
inf 29.3 0.0341 rlr 26.84 0.0373 ea 6.21 0.161 ldr 6.18 0.1617 nim 3.92 0.2551 size 3.57 0.2799 la 3.52 0.2842 em 3.38 0.2957 fc 3.23 0.3097 gdp 2.86 0.3493 cr 1.63 0.6137 gfd 1.41 0.7085 tax 1.4 0.7141 nii 1.38 0.7224
Nguồn : Số liệu tổng hợp của tác giả xử lý qua phần mềm Stata12 (Phụ lục 5)
Để biết được nên loại biến nào ra khỏi mơ hình hồi quy, tác giả tiến hành hồi quy lại với phương trình lần lượt bỏ 1 trong 2 biến để xác định 𝑅2 tại hồi quy nào cao hơn để có thể loại biến đó ra khỏi mơ hình. Theo bảng hồi quy tại phụ lục 5 nếu hồi quy bỏ bớt biến INF thì hệ số hồi quy của RLR đã không như dấu hồi quy ban đầu và mức 𝑅2 là 88.05%, với phép hồi quy bỏ biến RLR thì hệ số hồi quy của INF vẫn giữ đúng dấu như hồi quy ban đầu và có ý nghĩa thống kê đồng thời 𝑅2 là 88.2% cao hơn của phép hồi quy loại bỏ biến INF. Đến đây tác giả có thể loại bỏ biến RLR ra khỏi mơ hình. Tuy nhiên tác giả sẽ dùng kiểm định Wald cho 2 biến INF và RLR để một lần nữa chứng minh việc loại biến RLR là đúng. Theo bảng kiểm định Wald trong Stata cho thấy mức 𝑝𝑣𝑎𝑙𝑢𝑒 là 0,014 nhỏ hơn mức 𝛼 = 5% nên bác bỏ việc loại đồng thời 2 biến ra khỏi mơ hình mà chấp nhận giả thiết loại biến RLR ra khỏi mơ hình hổi quy. Bên cạnh đó tác giả cũng dùng kiểm định Redundant trong Eviews để kiểm chứng lại, với phép kiểm tra cho biến RLR như là biến dư trong mơ hình thì kết quả 𝑝𝑣𝑎𝑙𝑢𝑒là 0.2916 lớn hơn 𝛼 = 10% cho thấy nên loại biến này ra khỏi mơ hình ban đầu. Trong khi đó với phép kiểm tra cho biến INF thì kết quả giống như kiểm định trong Stata với 𝑝𝑣𝑎𝑙𝑢𝑒là 0.068 nhỏ hơn 𝛼 = 10% nên giữ lại biến INF. Vậy sau khi loại bỏ biến RLR ra khỏi mơ hình ban đầu, tác giả sẽ chạy hồi quy cho mơ hình để tìm và phát hiện ra những lỗi thường gặp ở mỗi mơ hình hồi quy và tìm mơ hình thích hợp cho kết quả bài nghiên cứu.