Phân tích hồi quy các nhân tố nội tại và bổ sung hai nhân tố vĩ mô

6. Kết cấu của luận văn

3.4 Kết quả nghiên cứu

3.4.3 Phân tích hồi quy các nhân tố nội tại và bổ sung hai nhân tố vĩ mô

Bảng 3.4: Kết quả hồi quy các nhân tố nội tại và bổ sung hai biến vĩ mô theo phương pháp Least Squares

Biến phụ thuộc LEV

Phương pháp Bình phương nhỏ nhất (OLS) Số quan sát 224 BIẾN ĐỘC LẬP HỆ SỐ  GIÁ TRỊ T MỨC Ý NGHĨA T C 0.461181 6.109853 0.0000 PROF -5.110861 -10.51167 0.0000 ROE 0.334516 6.054838 0.0000 SIZE 0.023973 6.731745 0.0000 FA -0.737066 -2.385300 0.0179 GROW 0.002019 0.737367 0.4617 GDP 0.558660 1.576347 0.1164 INF -0.034523 -0.606835 0.5446 R2 0.714648 Kiểm nghiệm F 77.27981 R2 hiệu chỉnh 0.705400 Mức ý nghĩa (Kiểm nghiệm F) 0.000000 Sai số chuẩn S.E. 0.050489 Giá trị Durbin-Watson 1.404717

Nguồn: Tính tốn từ chương trình Eviews.

Với kết quả này, ta thấy độ tương thích của mơ hình (R2 hiệu chỉnh = 70.54%)

khơng khác biệt mấy so với mơ hình ước lượng các nhân tố nội tại ban đầu (70.40%).

Chỉ số kiểm nghiệm F là 77.27981 với mức ý nghĩa thống kê cũng rất nhỏ (0.000000). Ngồi ra, nhìn vào bảng so sánh hai mơ hình LEV1 và LEV2 (Phụ lục 01), ta thấy giá trị Durbin-Watson trong mơ hình LEV2 (1.404717) lớn hơn 0.019476 so với mơ

hình LEV1 (1.385241). Nhưng một vấn đề phát sinh ở mô hình LEV2 là cả ba biến GROW, GDP và INF đều có giá trị T tuyệt đối < 2 và các mức ý nghĩa cũng vượt qua ngưỡng = 0.05.

Tuy nhiên, ta không dừng lại và kết luận ở mơ hình này mà sẽ quay về xét đến

các phương pháp hỗ trợ ước lượng.

3.4.4 Ước lượng mơ hình hồi quy dữ liệu bảng: Phương pháp tác động cố định

Trong bộ dữ liệu thống kê được thu thập, để xây dựng hàm hồi quy, đề tài đã sử dụng số liệu tổng hợp – nghĩa là số liệu chuỗi thời gian của các thực thể khác nhau, có

thể gọi là dữ liệu gộp chung (gộp chung các quan sát chéo và chuỗi thời gian), hay còn gọi là dữ liệu bảng. Bản chất của loại dữ liệu này là muốn đề cập đến sự thay đổi theo thời gian của các đơn vị chéo. Một cách cụ thể hơn, đó chính là ta tiến hành nghiên cứu theo dòng thời gian từ năm 2006 đến năm 2012 về các nhân tố tác động đến cấu trúc vốn của 32 ngân hàng thương mại Việt Nam khác nhau. Tựu trung lại, đề tài đã tiến hành phân tích mơ hình hồi quy dữ liệu bảng.

Nhưng vấn đề là để có được kết quả của hai mơ hình hồi quy ban đầu (mơ hình hồi quy các nhân tố nội tại LEV1 và mơ hình bổ sung thêm hai biến vĩ mô LEV2), đề tài

đã gộp tất cả các quan sát có được (khơng phân biệt số liệu thời gian hay số liệu chéo)

thành một dãy số liệu duy nhất. Từ đó, đề tài tiến hành xây dựng được hàm hồi quy chung ứng với dãy số liệu này, và rồi chiết xuất từ phần mềm thống kê Eviews. Tuy nhiên, với cách làm này, đề tài đã vơ tình ngầm giả định là các tham số của hồi quy

không thay đổi theo thời gian, và khơng có khác biệt gì giữa các thực thể ngân hàng, mà

chỉ tiến hành ước lượng hồi quy Bình phương Nhỏ nhất Thông thường (OLS) (xếp 7

quan sát (7 năm) của mỗi ngân hàng lên trên các quan sát của ngân hàng khác, tổng

cộng cuối cùng là 224 quan sát (7 năm x 32 ngân hàng) đối với mỗi biến trong mơ

hình). Ngồi ra, đề tài cũng ngầm giả định rằng sai số trong hàm hồi quy của các ngân

hàng là thuần nhất và không tương quan với nhau.

Tuy nhiên, trên thực tế, bản chất cụ thể của các nhân tố tác động đến cấu trúc vốn của các ngân hàng qua các năm chưa hẳn hồn tồn khơng có khác biệt nào. Với phương pháp ước lượng trên, vơ hình trung, đề tài có thể đã làm biến dạng bức tranh đích thực của mối quan hệ giữa các biến độc lập và biến phụ thuộc giữa các ngân hàng hay nhầm lẫn trong việc bóp méo sự khác biệt giữa năm này qua năm khác trong thời gian mẫu nghiên cứu.

Chính vì vậy, đối với mơ hình hồi quy tuyến tính dữ liệu dạng bảng, để đánh giá

và đo lường được các tác động chéo của các khác biệt về thời gian và ngân hàng, ta sẽ

tiến hành phân tích mơ hình hồi quy tác động cố định (FEM) hay cịn được gọi là mơ

hình hồi quy biến giả bình phương nhỏ nhất (LSDV) (Xinh Xinh, 2010). Như vậy, phương pháp này sẽ sử dụng các biến giả để ước lượng các tác động cố định (Phạm Trí Cao và Vũ Minh Châu, 2010).

Đầu tiên, đề tài tiến hành ước lượng mơ hình sử dụng tác động cố định biến ngân

hàng. Nghĩa là, ta sẽ sử dụng kỹ thuật biến giả để thực sự tính đến những thay đổi giữa các ngân hàng. Như vậy, mơ hình lần này có dạng là:

Trong đó:

D1i = 1: nếu quan sát thuộc về ngân hàng đầu tiên; 0 nếu khác đi. D2i = 1: nếu quan sát thuộc về ngân hàng thứ hai; 0 nếu khác đi. Lần lượt như vậy đến:

D31i = 1: nếu quan sát thuộc về ngân hàng thứ 31; 0 nếu khác đi.

Như đã được đề cập, đề tài đã thống kê số liệu 32 ngân hàng, nên mơ hình chỉ sử

dụng 31 biến giả (để tránh rơi vào bẫy biến giả – nghĩa là tình huống có hiện tượng đa

cộng tuyến hoàn hảo). Do vậy, ở đây ta sẽ khơng có biến giả cho ngân hàng thứ 32.

Kế tiếp, đề tài sẽ tiến hành ước lượng mơ hình sử dụng tác động cố định biến thời gian. Tương tự như trên, ta cũng sử dụng kỹ thuật biến giả để tính đến những khác biệt giữa năm này qua năm khác, và rồi từ đó giải thích cho tác động thời gian. Xét về bản chất, chung qui điều này được hiểu như sau: hàm hồi quy các nhân tố tác động đến

cấu trúc vốn sẽ dịch chuyển theo thời gian. Quả thực, những tác động này có thể được

lý giải nếu ta đưa vào các biến giả thời gian, một biến tính cho mỗi năm (Xinh Xinh, 2010). Và bởi vì đề tài có dữ liệu nghiên cứu trong 7 năm, từ năm 2006 đến 2012, nên ta có thể đưa vào 6 biến giả thời gian. Thế là, mơ hình được viết lại như sau:

Trong đó:

D32t = 1: nếu quan sát trong năm 2006; 0 nếu khác đi. D33t = 1: nếu quan sát trong năm 2007; 0 nếu khác đi. Lần lượt như vậy đến:

D37t = 1: nếu quan sát trong năm 2011; 0 nếu khác đi.

LEV = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW

+ 7GDP + 8INF + 9D1i + 10D2i + … + 39D31i +  (3.4)

LEV = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW

Như vậy, ban đầu đề tài sử dụng chương trình Eviews tiến hành cố định lần lượt

biến ngân hàng (gồm 31 biến giả) và biến thời gian (gồm 6 biến giả) (lần lượt cố định mơ hình hồi quy các nhân tố nội tại rồi đến mơ hình hồi quy có bổ sung thêm biến vĩ mơ). Sau đó, đề tài sẽ kết hợp hiệu ứng cố định cả hai tác động trên. Tuy nhiên, riêng đối với mơ hình hồi quy có bổ sung biến vĩ mơ, ta chỉ thực hiện tác động cố định biến

ngân hàng, mà không thực hiện hiệu ứng cố định biến thời gian và hiệu ứng kết hợp cả

hai tác động (nếu khơng, mơ hình sẽ rơi vào hiện tượng đa cộng tuyến hoàn hảo). Lẽ dĩ

nhiên, như ta đã biết, trong một nền kinh tế tại một quốc gia cụ thể, biến Tăng trưởng tổng sản phẩm quốc nội (GDP) và biến Lạm phát (INF) sẽ không chịu chi phối bởi thời gian theo từng ngân hàng khác nhau. Nghĩa là, cho dù có đến 32 ngân hàng hoặc nhiều

hơn đi chăng nữa thì các ngân hàng này cũng đều hiện hữu trên cùng một đất nước Việt

Nam. Do vậy, chúng sẽ có cùng một mức GDP và INF tương đồng cho mỗi năm.

Tiếp theo, trên cơ sở ứng dụng hiệu ứng cố định và trích xuất kết quả (với sự trợ

giúp của chương trình Eivews), ta sẽ tiến hành phân tích kết quả của các mơ hình hồi

quy đã được ước lượng.

3.4.5 Kết quả của mơ hình hồi quy

Từ kết quả của chương trình Eviews, ta nhận thấy rằng cả R2 và R2 hiệu chỉnh của các mơ hình khi sử dụng phương pháp tác động cố định đều được cải thiện đáng kể so với mơ hình ban đầu (khi không ứng dụng hiệu ứng cố định).

Thật vậy, nhìn vào Phụ lục 02 (Tổng hợp kết quả các mơ hình hồi quy với tác

động cố định), ta nhận thấy R2 hiệu chỉnh cao nhất (79.26%) là của mơ hình hồi quy các nhân tố nội tại sử dụng hiệu ứng cố định biến ngân hàng kết hợp hiệu ứng cố định biến thời gian (LEV5). Đứng ở vị trí thứ hai là mơ hình hồi quy các nhân tố nội tại có tác

động cố định biến ngân hàng (LEV3) với R2 hiệu chỉnh là 77.73%. Riêng đối với mơ

hình thực hiện tác động cố định biến thời gian về các nhân tố nội tại (LEV4) thì lại có R2 hiệu chỉnh (71.35%) khác biệt không đáng kể so với mô hình hồi quy khi khơng ứng

dụng hiệu ứng cố định.

Sau khi thực hiện lần lượt các tác động cố định đối với mơ hình các nhân tố nội tại, ta sẽ tiếp tục thực hiện hồi quy các nhân tố có bổ sung thêm hai biến vĩ mô trong cùng một mơ hình với phương pháp hiệu ứng cố định (LEV6) được thể hiện trong Phụ

lục 02. Kết quả cuối cùng, ta có được R2 hiệu chỉnh của mơ hình này là 77.70% (tăng

lên 7.16% so với mơ hình hồi quy các nhân tố có thêm biến vĩ mô ban đầu (LEV2) (70.54%)). Như vậy, mức độ giải thích của các mơ hình đã được cải thiện rõ rệt. Điều

này cung cấp thêm bằng chứng để lý giải cho việc gia tăng mức độ giải thích của mơ hình khi ta ước lượng hồi quy dữ liệu bảng với phương pháp tác động cố định so với phương pháp nghiên cứu dữ liệu thông thường.

Tuy nhiên, giống với hai mơ hình ban đầu khi khơng ứng dụng hiệu ứng cố định (LEV1 và LEV2), cả 3 mơ hình LEV3, LEV4 và LEV5 (Phụ lục 02) sau khi ứng dụng tác

động cố định cũng có biến GROW với các mức ý nghĩa đều lớn hơn rất nhiều so với

= 0.05. Đối với mơ hình LEV6 thì có đến 3 biến GROW, GDP và INF với mức ý nghĩa lớn hơn = 0.05. Cụ thể là:

LEV3: GROW với mức ý nghĩa là 0.3059 > 0.05 LEV4: GROW với mức ý nghĩa là 0.8619 > 0.05 LEV5: GROW với mức ý nghĩa là 0.8270 > 0.05

LEV6: GROW với mức ý nghĩa là 0.6022; GDP với mức ý nghĩa là 0.1976; INF với mức ý nghĩa là 0.8005.

Đối với các biến còn lại (PROF, ROE, SIZE, và FA) đều có mức ý nghĩa nhỏ

hơn = 5%. Kết quả này cũng giống với hai mơ hình LEV1 và LEV2. Trong đó, ba biến

PROF, ROE, và SIZE đều có ý nghĩa thống kê ở mức 1% đối với cả 4 mô hình khi thực

hiện phương pháp cố định. Riêng đối với biến FA: ba mơ hình LEV3, LEV5 và LEV6

đều có kết quả với mức ý nghĩa 1%, mơ hình LEV4 (0.0252) với mức ý nghĩa 5%. Như vậy, những bằng chứng này đã hỗ trợ mạnh mẽ cho lập luận ban đầu rằng: các biến PROF, ROE, SIZE, và FA thực sự có tác động đến biến Địn bẩy tài chính (LEV).

Ngồi ra, sau khi thực hiện tác động cố định lần lượt, ta nhận thấy chỉ số kiểm nghiệm F của cả 4 mơ hình LEV3, LEV4 và LEV5, và LEV6 đều có mức ý nghĩa thống kê rất nhỏ (0.0000) cho thấy các mơ hình hồi quy ước lượng được là phù hợp với dữ liệu thống kê. Bên cạnh đó, giá trị Durbin-Watson đều tăng lên đáng kể so với khi hồi

quy hai mơ hình khơng ứng dụng hiệu ứng cố định (LEV1: Giá trị Durbin-Watson = 1.3852; LEV2: Giá trị Durbin-Watson = 1.4047). Cụ thể, các mơ hình hồi quy với

LEV3: Giá trị Durbin-Watson = 1.7015 LEV5: Giá trị Durbin-Watson = 1.6515 LEV6: Giá trị Durbin-Watson = 1.7302

Riêng đối với LEV4, giá trị Durbin-Watson đạt thấp nhất trong 4 mơ hình và lại còn thấp hơn so với cả hai mơ hình ban đầu LEV1 và LEV2 (LEV4: Giá trị Durbin- Watson = 1.1706).

Tổng quát lại, dù rằng còn một vài điểm cần lưu ý nhưng phương pháp tác động cố định khi hồi quy ước lượng dữ liệu bảng đã giúp ta cải thiện đáng kể mức độ giải thích của các biến độc lập đối với biến phụ thuộc. Từ đó, ta có thể trích xuất được

những mơ hình phù hợp hơn, có ý nghĩa hơn, với độ tin cậy cao hơn.

Tuy nhiên, để chắc chắn hơn nữa về độ phù hợp của các mơ hình, bước tiếp theo

ta sẽ tiến hành thực hiện các kiểm định cần thiết.

3.4.6 Kiểm tra các giả định của mơ hình 3.4.6.1 Kiểm định Wald 3.4.6.1 Kiểm định Wald

Hàm hồi quy tổng thể11

11

Khái niệm Hàm hồi quy tổng thể và Hàm hồi quy giới hạn ngụ ý phân biệt các mơ hình với các biến

độc lập khác nhau: Hàm hồi quy tổng thể là mơ hình với đầy đủ các biến như phần giả thuyết ban đầu.

Hàm hồi quy giới hạn là mơ hình được xây dựng lại (giới hạn các biến thực sự cần thiết trong mơ hình) từ hàm hồi quy tổng thể sau khi kiểm định ý nghĩa thống kê của các tham số. Hai khái niệm trên chỉ

LEV1 = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW+  (3.6)

LEV2 = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW

+ 7GDP + 8INF +  (3.7)

LEV3 = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW+  (3.8)

LEV4 = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW+  (3.9)

LEV5 = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+ 6GROW+  (3.10)

LEV6 = 1+ 2PROF + 3ROE+ 4SIZE + 5FAt + 6GROW

Trong đó, giải thích các mơ hình LEV1,LEV2,LEV3,LEV4,LEV5, vàLEV6 được thể hiện trong Phụ lục 01 và 02.

Ban đầu, ta sử dụng chương trình Eviews để xử lý các dữ liệu thu thập được. Sau đó, từ các giá trị t-Statistic và Prob của các mơ hình LEV1, LEV2,LEV3, LEV4,LEV5, vàLEV6, ta tiến hành kiểm định Wald Test về ý nghĩa thống kê của các biến có hệ số P_value lớn hơn = 0.05. Kế tiếp, để thực hiện việc xây dựng các mơ hình giới hạn phù hợp, ta căn cứ vào hệ số P_value của các biến độc lập lớn hơn 5%. Biến được loại ra khỏi mơ hình là biến có hệ số P_value lớn nhất, rồi lần lượt đến từng biến cịn lại có mức ý nghĩa lớn hơn = 0.05. Kết quả cuối cùng, các mơ hình giới hạn còn lại được lựa chọn tương ứng như sau:

Hàm hồi quy giới hạn:

Trong đó, giải thích các mơ hình LEV1*, LEV2*, LEV3*,LEV4*,LEV5*, vàLEV6*

được thể hiện trong Phụ lục 01 và 03.

Đồng thời, ta có kết quả của kiểm định giả thuyết các mơ hình hồi quy như sau:

LEV1* = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+  (3.12)

LEV2* = 1+ 2PROF + 3ROE + 4SIZE + 5FA + 6GDP +  (3.13)

LEV4* = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+  (3.15)

LEV5* = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+  (3.16)

LEV3* = 1+ 2PROF + 3ROE+ 4SIZE + 5FA+  (3.14)

Bảng 3.5: KKIIỂỂMM ĐĐỊỊNNHH GGIIẢẢ TTHHUUYYẾẾTT CCÁÁCC MMƠƠ HHÌÌNNHH HHỒỒII QQUUYY ((KKiiểểmm đđịịnnhh WWaalldd) )

MH GIẢ THIẾT H0 P_VALUE KẾT LUẬN

Kiểm định việc giới hạn của mơ hình hồi quy tổng thể

LEV1 6 = 0 0.1794 Không bác bỏ H0. Chọn LEV1*

LEV2 6 = 7 = 8 = 0 0.1860 Không bác bỏ H0. Chọn LEV2*

LEV3 6 = 0 0.3059 Không bác bỏ H0. Chọn LEV3*

LEV4 6 = 0 0.8619 Không bác bỏ H0. Chọn LEV4*

LEV5 6 = 0 0.8270 Không bác bỏ H0. Chọn LEV5*

LEV6 6 = 7 = 8 = 0 0.4221 Không bác bỏ H0. Chọn LEV6*

Kiểm định khả năng giải thích của mơ hình hồi quy giới hạn

LEV1* 2 = 3 = 4 = 5 = 0 0.0000 Bác bỏ H0. Chấp nhận LEV1* LEV2* 2 = 3 = 4 = 5 = 6 = 0 0.0000 Bác bỏ H0. Chấp nhận LEV2* LEV3* 2 = 3 = 4 = 5 = 0 0.0000 Bác bỏ H0. Chấp nhận LEV3*