Trong thống kê có nhiều phương pháp để giảm tải số lượng biến nghiên cứu, thông thường sử dụng phương pháp chọn từng bước (Stepwise selection)
Zavgren (1983) chứng minh rằng mơ hình với nhiều biến cũng có khả năng xử lý đáng kể được hiện tượng đa cộng tuyến.
Bài nghiên cứu này sử dụng 31 biến độc lập, sử dụng phương pháp phương pháp của Leshno và Spector (1996) và phương pháp chọn từng bước, phương pháp này như sau:
Bao gồm tất cả các biến được sử dụng trong mơ hình Z score của Altman (1968).
Giữ lại một biến hoặc một cặp biến độc lập có hệ số tương quan từ 0.9 trở lên.
Loại biến mà dữ liệu bị khuyết nhiều từ cặp có hệ số tương quan cao.
Nếu cả hai biến có cùng dữ liệu bị khuyết thì loại trừ theo hướng xác định biến nào ít liên quan hơn đến mơ hình dựa vào kinh nghiệm của các nghiên cứu trước.
Một tiêu chí được bổ sung thêm để giảm tải số lượng biến là sử dụng phương pháp chọn từng bước (Jo Han & Lee 1997), theo đó vài chỉ số đo lường nhất định sẽ có quan hệ tương quan hay cộng tuyến cao với các chỉ số khác
3.5. Quy trình thực hiện mơ hình MDA:
Thơng thường một mơ hình MDA được thực hiện với các bước như sau
STT Bước thực hiện Nội dung thực hiện Phương pháp sử dụng
1 Bước 1 Xác định biến quan trọng. Sử dụng thống kê F-
test hoặc Wilks Lambra để xác định.
2 Bước 2 Giảm tải biến độc lập Phương pháp Leshno
và Spector (1996).
3 Bước 3 Kiểm tra tác động của vi phạm giả
định các biến có phân phối chuẩn.
Điều kiện phân phối chuẩn Skewness và Kurtosis.
STT Bước thực hiện Nội dung thực hiện Phương pháp sử dụng
4 Bước 4 Chạy mơ hình và lựa chọn các hàm
biệt thức phù hợp nhất.
Sử dụng SPSS, với phương pháp chạy từng bước.
5 Bước 5 Kiểm định mơ hình MDA. Sử dụng bảng kiểm
định Wilks Lambra. Bước 1: Xác định biến quan trọng. Đây là quy trình chọn từng bước để xác định các biến độc lập có ảnh hưởng nhất đối với cơng ty có nguy cơ tài chính và cơng ty khơng có nguy cơ tài chính. Sử dụng thống kê F-test hoặc Wilks Lambra để xác định.
Bước 2: Giảm tải biến độc lập theo phương pháp Leshno và Spector (1996).
Bước 3: Kiểm tra tác động của vi phạm giả định các biến có phân phối chuẩn. Thực hiện bằng cách sử dụng điều kiện phân phối chuẩn Skewness và Kurtosis tìm ra các biến có phân phối chuẩn và quy biến khơng có phân phối chuẩn về phân phối chuẩn nếu có thể được.
Bước 4: Chạy mơ hình và lựa chọn các hàm biệt thức phù hợp nhất. Các hàm biệt thức phù hợp nhất đánh giá sự phân loại chính xác và phù hợp với tổng thể. Ma trận phân loại được tính tốn để tăng cường sự chính xác của việc đo lường.
Bước 5: Kiểm định mơ hình MDA.
Phương pháp chọn từng bước đã được sử dụng để phát triển đo lường. Ý nghĩa thống kê của mơ hình MDA được đánh giá bằng cách kiểm tra thống kê F test hoặc Wilks Lambra. Phân tích này là cần thiết cho việc xác định biến quan trọng trong việc phân loại cơng ty có rủi ro tài chính và cơng ty khơng có rủi tro tài chính.
3.6.1. Thống kê mơ tả biến độc lập:
ảng 3.06: ảng thống kê mô tả biến độc lập
Chỉ số nhấtNhỏ NhấtLớn TrungBình Độ lệchchuẩn DARATO 0.01 1.05 0.54 0.24 DERATIO -22.56 30.95 1.95 3.70 TAEQ -21.56 31.95 2.95 3.70 FAEQLTL 0.00 2.90 0.52 0.52 EQTA -0.05 0.99 0.46 0.24 RETAINTA -0.26 0.79 0.07 0.12 WCSALES -18.55 14.64 0.26 2.03 INVETURN 0.00 18073.43 134.04 1474.91 TATURN 0.01 25.67 2.13 2.72 FATURN 0.00 29680.01 357.87 2633.56 RECETURN 0.00 500.48 17.88 48.78 EQTURN -6.37 102.50 6.26 10.02 CASALES 0.04 13.84 0.88 1.53 CATURN 0.07 26.60 3.03 3.28 QUISALE 0.01 13.67 0.49 1.21 INVESALE 0.00 6.12 0.33 0.73 ROA -0.17 0.66 0.07 0.09 ROE -0.81 1.09 0.17 0.22 ROS -5.16 1.00 0.02 0.44 GPMARGIN -5.16 1.00 0.02 0.44 EBITSALE -0.10 5.42 0.17 0.50 EBITTA -0.06 0.68 0.14 0.11 CRRATIO -17.37 95.58 3.48 10.90 CASHCL -10.70 82.95 1.19 7.12 QUIRATIO -17.15 82.95 2.05 7.59 WCTA -0.54 0.97 0.27 0.28 CASHSALE 0.00 8.53 0.21 0.80 CATA 0.03 1.00 0.74 0.25 INVECA 0.00 0.95 0.39 0.26 CLEQUITY -16.97 30.95 1.69 3.24 INCORATIO -4.67 456.46 8.49 38.03
(Nguồn: tác giả thống kê từ SPSS và excel) Có những biến độc lập có độ lệch chuẩn đến hàng trăm lần như các biến FATURN và INVETURN, RECETURN
Có sự chênh lệch khá lớn ở mẫu phân tích giữa giá trị cao nhất và giá trị thấp nhất của các biến quan sát như INVETURN, FATURN, RECETURN, INCORATIO
3.6.2. ước 1 : Xác định biến quan trọng: ảng 3.07: ảng thống kê các biến giải thích
Tests of Equality of Group Means (Nhóm biến Phân tích N=100)
Chỉ số LambdaWilks' F Sig. Nhóm Biến
ROA 0.836 11.550 0.001 Chỉ số lợi nhuận RETAINTA 0.866 9.150 0.004 Chỉ số hoạt động INCORATIO 0.901 6.471 0.014 Chỉ số thanh toán ROE 0.920 5.130 0.027 Chỉ số lợi nhuận TATURN 0.926 4.740 0.033 Chỉ số hoạt động QUISALE 0.930 4.451 0.039 Chỉ số hoạt động CASALES 0.932 4.286 0.043 Chỉ số hoạt động EBITTA 0.933 4.206 0.045 Chỉ số lợi nhuận INVESALE 0.961 2.407 0.126 Chỉ số hoạt động WCTA 0.965 2.171 0.146 Chỉ số thanh toán DARATO 0.973 1.663 0.202 Chỉ số đòn bẩy
EQTA 0.974 1.578 0.214 Chỉ số đòn bẩy
INVETURN 0.974 1.563 0.216 Chỉ số hoạt động GPMARGIN 0.979 1.283 0.262 Chỉ số lợi nhuận ROS 0.980 1.222 0.273 Chỉ số lợi nhuận CATURN 0.980 1.198 0.278 Chỉ số hoạt động FATURN 0.981 1.132 0.292 Chỉ số hoạt động QUIRATIO 0.982 1.080 0.303 Chỉ số thanh toán INVECA 0.984 0.930 0.339 Chỉ số thanh toán RECETURN 0.990 0.615 0.436 Chỉ số hoạt động EBITSALE 0.991 0.508 0.479 Chỉ số lợi nhuận EQTURN 0.992 0.466 0.498 Chỉ số hoạt động CASHCL 0.994 0.338 0.563 Chỉ số thanh toán WCSALES 0.994 0.335 0.565 Chỉ số hoạt động CRRATIO 0.995 0.283 0.597 Chỉ số thanh toán CASHSALE 0.996 0.209 0.649 Chỉ số thanh toán FAEQLTL 0.997 0.185 0.669 Chỉ số đòn bẩy DERATIO 0.998 0.090 0.765 Chỉ số đòn bẩy
TAEQ 0.999 0.086 0.770 Chỉ số đòn bẩy
CLEQUITY 0.999 0.083 0.774 Chỉ số thanh toán CATA 1.000 0.004 0.948 Chỉ số thanh toán
(Nguồn: tác giả thống kê từ SPSS và excel) Sắp xếp theo thứ tự tăng dần của chỉ số F-test và giảm dần của chỉ số Sig, Theo bảng thống kê trên ta thấy có 8 biến có thể phân biệt rõ giữa nhóm có rủi ro và nhóm khơng có rủi ro tài chính, có khả năng đo lường rủi ro tài chính cao nhất giữa các KHDN đang vay tại ACB
Tests of Equality of Group Means Chỉ số Wilks' Lambda F Sig. ROA 0.836 11.550 0.001 RETAINTA 0.866 9.150 0.004 INCORATIO 0.901 6.471 0.014 ROE 0.920 5.130 0.027 TATURN 0.926 4.740 0.033 QUISALE 0.930 4.451 0.039 CASALES 0.932 4.286 0.043 EBITTA 0.933 4.206 0.045
(Nguồn: tác giả thống kê từ SPSS và excel)
Theo thống kê trên điều này cũng phù hợp với các phân tích trước đây. Những KHDN có rủi ro tài chính là những DN cơng ty có:
RETAINTA thấp, hoạt động của DN khơng có tích lũy, lợi nhuận giữ lại thấp
ROA, ROE, EBITTA thấp, lợi nhuận hoạt động hiện tại không tốt
INCORATIO thấp, khả năng thanh tốn lãi vay của DN khơng đảm bảo.
TATURN Doanh thu thấp, hoạt động thấp
CASALE, QUISALE chất lượng hàng tồn kho khơng tốt, chính sách bán hàng kém, hàng tồn kho cịn nhiều, tài sản có khả năng chuyển hóa thành tiền mặt thấp, DN có nguy cơ mất khả năng thanh toán
3.6.3. ước 2: Giảm biến độc lập
Kiểm định tương quan giữa các biến độc lập (hệ số tương quan Pearson)
Hệ số tương quan Pearson chỉ ra mối quan hệ tương quan giữa các biến độc lập, hệ số tương quan giữa các biến độc lập lớn hơn 0.9 nghĩa là các cặp biến này có mối quan hệ tương quan chặt chẽ, có sự hiện tượng đa cộng tuyến trong mơ hình nghiên cứu.
Trong 31 biến độc lập quan sát những cặp biến có độ tương quan hệ số tương quan lớn hơn 0.9 và mức ý nghĩa nhỏ hơn 0.01 sẽ được loại bỏ để đảm bảo tính chính xác cho mơ hình.
Theo kết quả thống kê thì trong 31 biến quan sát thì các biến có hệ số tương quan lớn hơn 0.9 với mức ý nghĩa nhỏ hơn 1% được thể hiện dưới bảng sau:
ảng 3.08: Bảng thống kê các biến độc lập có hệ số tương quan cao
Các cặp tương quan Hệ số Pearson Sig.
ROS GPMARGIN 0.999 0.000 DARATIO EQTA 0.999 0.0000 TAEQ DERATIO 0.999 0.0000 CASHCL QUIRATIO 0.976 0.0000 TAEQ CLEQUITY 0.953 0.0000 QUISALE CASHSALE 0.949 0.0000 DERATIO CLEQUITY 0.953 0.0000 TATURN EQTURN 0.901 0.0000
(Nguồn: tác giả thống kê từ SPSS và excel)
Sau khi thống kê nghiên cứu có 8 cặp biến có mối tương quan chặt chẽ với hệ số tương quan Pearson lớn hơn và gần bằng 0.9 và mức ý nghĩa (Sig.) nhỏ hơn 1% .
Tổng số lượng biến độc lập trong 8 cặp tương quan là 13 biến, ta giữ lại 1 biến là TATURN, các biến bị loại ra khỏi mơ hình là : EQTURN, CLEQUITY, DERATIO, CASHSALE, QUISALE, TAEQ, QUIRATIO, CASHCL, EQTA, DARATIO, GPMARGIN, ROS
Sau khi loại 12 biến thì mơ hình cịn lại với số biến là 19 biến. Sau đó kiểm định có vi phạm phân phối chuẩn theo chỉ số Skewness và Kurtosis
Skewness (độ trồi) là thước đo để tính độ cân xứng hay độ lệch của một phép phân phối thống kê so với giá trị trung bình. Phân phối cân xứng khi Skewness=0, phân phối lệch phải khi Skewness>0, phân phối lệch trái khi Skewness< 0
Kurtosis là một thước đo dùng để xác định phép phân phối có đỉnh là nhọn hay phẳng khi so sánh với phân phối chuẩn thơng thường (Gaussian). Nếu Kurtosis có giá trị lớn hơn 3 thì phép phân phối có đỉnh là nhọn, ngược lại nếu có giá trị nhỏ hơn 3 thì đỉnh sẽ phẳng so với phép phân phối bình thường.
Kết hợp thước đo Skewness và Kurtosis, ta có điều kiện của một biến có phân phối chuẩn : Skewness gần trong khoản (-1:1) và Kurtosis nằm trong khoản (2:4)
Bảng thống kê 19 biến còn lại để kiểm tra phân phối chuẩn
ảng 3.09: ảng kiểm định phân phối chuẩn của biến độc lập
Chỉ số SKEWNESS KURTOSIS Nhóm Chỉ số FAEQLTL 1.94 5.97 chỉ số đòn bẩy RETAINTA 0.74 1.49 chỉ số đòn bẩy WCSALES -2.48 44.74 Chỉ số hoạt động INVETURN 9.99 99.92 Chỉ số hoạt động TATURN 2.05 4.58 Chỉ số hoạt động FATURN 4.59 24.44 Chỉ số hoạt động RECETURN 7.43 62.81 Chỉ số hoạt động CASALES 5.09 31.08 Chỉ số hoạt động CATURN 1.71 2.52 Chỉ số hoạt động INVESALE 5.94 40.68 Chỉ số hoạt động
ROA 0.68 2.03 Chỉ số lợi nhuân
ROE 0.27 7.39 Chỉ số lợi nhuân
EBITSALE 7.31 59.52 Chỉ số lợi nhuân
EBITTA 1.76 6.47 Chỉ số lợi nhuân
CRRATIO 7.04 60.48 Chỉ số thanh toán
WCTA 0.22 0.32 Chỉ số thanh toán
CATA -0.94 -0.11 Chỉ số thanh toán
INVECA 0.18 -0.96 Chỉ số thanh toán
(Nguồn: tác giả thống kê từ SPSS và excel)
Theo bảng thống kê trên 19 biến được đưa vào tính chỉ số Skewness và Kurtosis thì có biến ROA đảm bảo điều kiện của phân phối chuẩn. Do đó ta giữ lại biến ROA để xử lý dữ liệu về phân phối chuẩn bằng cách lấy Ln.
Các chỉ số giống mơ hình Atlman: RETAINTA, TATURN, EBITTA,WCTA có giá trị gần bằng 0 không thể lấy ln. Các biến cần phải lấy log để đưa về phân phối chuẩn: là FAEQLTL, WCSALES, INVETURN, FATURN, RECETURN, CASALES, CATURN, INVESALE, ROE, EBITSALE, CRRATIO, CATA, INVECA, INCORATIO.
3.6.5. ước 4 : Kết quả nghiên cứu thực nghiệm, chọn hàm biệt thức phù hợp ảng 3.10: ảng kết quả thực nghiệm.
Eigenvalues
Function Eigenvalue % of Variance
Cumulative %
Canonical Correlation 1 0.448a 100.00 100.0 0.556 a. First 1 canonical discriminant functions were used in the analysis. (N =100)
(Nguồn: Thống kê từ SPSS và excel)
Giá trị eigenvalue bằng 0.448 chiếm đến 100% phương sai giải thích. Do có 2 nhóm KHDN là có rủi ro và nhóm KHDN là khơng có rủi ro nên ước lượng được một hàm biệt thức. Bên cạnh đó chỉ số Canonical Correlation bằng 0.556 cho thấy 0.5562
=30.91% Phương sai của biến phụ thuộc có thể giải thích được bằng mơ hình tìm thấy. Sử dụng phương pháp từng bước để tìm ra biến quan trọng trong tất cả các biến độc lập trong mẫu dữ liệu. Theo kết quả của của phân tích biệt số theo phương pháp từng bước cho thấy 2 trong 19 biến có ý nghĩa quan trọng trong việc phân biệt 2 nhóm có rủi ro tài chính và nhóm khơng có rủi ro tài chính
Bảng giá trị F và Wilk’s Lambda của hai biến giải thích ta thấy giá trị F có giá trị lớn và với Sig.< 0.01, Hai chỉ số ROA và LNINCORATIO được thể hiện để giải thích mơ hình.
ảng 3.11 : ảng kết quả phân tích từng bước Step F to Remove Wilks' Lambda Sig. 1 ROA 34.178 0.0000 2 ROA 12.862 0.782 0.0000 LNINCORATIO 7.167 0.741 0.0000
(Nguồn: Thống kê từ SPSS và excel)
ảng 3.12: ảng hệ số biệt tải của các biến độc lập là:
Chỉ số Nhóm phân tích 1 (N=100) ROA 0.882 LNINCORATIO 0.789 EBITTA 0.625 LNROE 0.450 RETAINTA 0.444 WCTA 0.207 LNCATURN 0.202 LNCASALES -0.202 LNINVESALE -0.173 TATURN 0.167 LNCRRATIO 0.161 LNINVETURN 0.148 LNWCSALES -0.116 LNINVECA -0.113 LNCATAa 0.098 LNRECETURNa 0.072 LNFATURN 0.065 LNFAEQLTL -0.038 LNEBITSALE -0.019
(Nguồn: Thống kê từ SPSS và excel)
Hệ số biệt tải cho biết tính quan trọng của từng biến độc lập trong việc giải thích mơ hình, theo bảng tính tốn trên thì hai chỉ số ROA và LNINCORATO có hệ số biệt tải lớn nhất qua đó cho thấy khả năng cho thấy 2 biến này đóng góp lớn vào việc phân biệt của của 2 nhóm có rủi ro và khơng có rủi ro. Và biến ROA là biến quan trọng nhất
trong việc xác định mơ hình.
ảng 3.13 : ảng hệ số chuẩn hóa và chưa chuẩn hóa
Canonical Discriminant Function Coefficients
Ratio Standardized coefficients Unstandardized coefficients ROA 0.673 9.436 LNINCORATIO 0.516 0.478 (Constant) -1.175
(Nguồn: Thống kê từ SPSS và excel) Như vậy hàm số biệt thức tìm được là một hàm tuyến tính là
Z = 9.436 ROA + 0.478 LNINCORATIO -1.175 Kết quả phân loại của mơ hình
ảng 3.14: ảng phân loại của mơ hình trên cơ sở mẫu phân tích
Phân_tích Predicted Group Membership Total Có rủi ro Khơng rủi ro
Original
Count Có rủi ro 38 12 50 Khơng rủi ro 12 38 50 % Có rủi ro 76.0 24.0 100.0 Không rủi ro 24.0 76.0 100.0
(Nguồn: Thống kê từ SPSS và excel)
Bảng kết quả phân loại đưa ra, mơ hình dự báo chính xác 38 KHDN có rủi ro và 38 KHDN khơng có rủi ro. Tương tự mơ hình dự báo sai 12 KHDN khơng có rủi ro và 12 KHDN có rủi ro. Như vậy tính chung tổng thể thì mơ hình đưa ra tỷ lệ chính xác với số liệu trong năm 2011 là 76 %.
3.6.6. ước 5: Kiểm định mơ hình nghiên cứu
Sử dụng kiểm định Wilks’Lambda của biến phân tích:
- Giả thiết Ho: Có sự tương đồng giữa các chỉ số tài chính trong nhóm rủi ro và khơng có rủi ro.
- Giả thiết H1: Các chỉ số tài chính có sự phân biệt được các nhóm có rủi ro và khơng có rủi ro
ảng 3.15 : ảng kiểm định Wilks’Lambda Wilks' Lambda
Test of Function(s) Wilks' Lambda Chi-square Df Sig. 1 0.690 35.935 2 0.000
(Nguồn: Thống kê từ SPSS)
Bảng Wilks-lambda cho thấy giá trị Wilks Lambda bằng 0.690 có Sig=0.000< 0.05 có ý nghĩa thống kê nghĩa là bác bỏ giả thiết Ho, chấp nhận giả thiết H1: là mơ hình đưa ra giải thích được sự phân biệt bằng các chỉ số tài chính. Các chỉ số tài chính có thể phân biệt được sự khác nhau giữa nhóm KHDN có rủi ro và KHDN khơng có rủi ro. 3.6.7. ước 6 : Tính giá trị Z:
Mơ hình MDA giải quyết bài tốn phân bổ một hoặc một số cơng ty vào nhóm nào đó theo tiêu chuẩn đã được xác định. Có rất nhiều tiêu chuẩn phân bổ được đưa ra như phân bổ theo quan điểm hình học hay quan điểm xác suất. Tuy nhiên về nguyên tắc tiêu chuẩn này thường được xác định như sau:
Gọi NA, NB lần lượt là trọng tâm (centroid) hay có thể hiểu là giá trị trung bình của điểm phân biệt (Zscore) của hai nhóm. Khi đó một cơng ty là Xo sẽ được phân bổ vào nhóm có khoảng cách từ nó đến trọng tâm của nhóm là nhỏ nhất.
Nếu một KHDN được phân bổ vào nhóm có hệ số Z lớn hơn Z cutting score thì được xếp vào nhóm khơng có rủi ro và một KHDN có hệ số Z nhỏ hơn điểm Zcutting score