CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU
2.3. Phương pháp phân tích
2.3.1. Phương pháp sử dụng trong phân tích định lượng
2.3.1.1. Các công cụ sử dụng
Dữ liệu trong luận án sử dụng dữ liệu bảng. Trong đó mơ hình tổng quát của dữ liệu bảng như sau:
Yit= βit+ β2 X2it+ β3X3it+ uit i = 1, 2, 3, 4 t = 1, 2, ...,
Để phân tích dữ liệu bảng, luận án sử dụng 4 phương pháp gồm: phương pháp
phân tích ảnh hưởng cố định (fixed effect), phương pháp phân tích ảnh hưởng ngẫu
nhiên (random effect) và phương pháp GSL, PCSE để khắc phục những khuyết tật của mơ hình nếu có.
Mơ hình tác động cố định
Hiệu ứng cố định được sử dụng khi cần phân tích tác động giữa các biến thay đổi theo thời gian. FE khám phá mối quan hệ giữa biến dự báo và biến kết quả trong
một thực thể (như trong một cơng ty). Trong mỗi thực thể lại có những đặc điểm riêng có ảnh hưởng hoặc khơng thể ảnh hưởng đến các biến dự báo (ví dụ, hoạt động kinh
doanh của một cơng ty có thể ảnh hưởng đến giá cổ phiếu của nó).
Khi sử dụng FE, giả định rằng có điều gì đó bên trong thực thể có thể tác động các biến dự báo hoặc kết quả và cần kiểm soát điều này. Đây là nền tảng đằng sau giả
định rằng có mối tương quan giữa lỗi của thực thể và các biến dự báo. FE loại bỏ ảnh
hưởng của các đặc điểm bất biến theo thời gian đó để chúng ta có thể đánh giá ảnh
Một giả định quan trọng khác của mơ hình FE là các đặc điểm bất biến theo thời gian đó là duy nhất đối với cá nhân và không nên tương quan với các đặc điểm cá nhân khác. Mỗi thực thể là khác nhau, do đó, thuật ngữ lỗi của đơn vị và hằng số (ghi lại các
đặc điểm riêng lẻ) không được tương quan với những đối tượng khác. Nếu các điều khoản
lỗi có tương quan, thì FE khơng phù hợp vì các suy luận có thể khơng đúng và bạn cần
phải mơ hình hóa mối quan hệ đó (có thể sử dụng hiệu ứng ngẫu nhiên), đây là điều chính cơ sở lý luận cho phép thử Hausman (được trình bày ở phần sau của tài liệu này).
Phương trình cho mơ hình hiệu ứng cố định trở thành: Yit = β1Xit + αi + uit Trong đó: αi (i = 1… .n) là vùng chặn chưa biết cho mỗi thực thể (n vùng chặn dành riêng cho thực thể). Yit là biến phụ thuộc (DV) trong đó i = thực thể và t = thời gian. Xit đại diện cho một biến độc lập. β1 là hệ số của biến đó. uit là sai số
Về cơ bản, các mơ hình hiệu ứng cố định được thiết kế để nghiên cứu nguyên
nhân của những thay đổi bên trong một thực thể. Hiệu ứng cố định sẽ không hoạt động tốt với dữ liệu mà sự thay đổi trong cụm là tối thiểu hoặc đối với các biến thay đổi
chậm theo thời gian.
Mơ hình tác động ngẫu nhiên
Trong các mơ hình hiệu ứng cố định, mỗi biến giả loại bỏ một bậc tự do khỏi mơ hình. Do đó, các mơ hình hiệu ứng cố định hoạt động tốt khi có một số khoảng thời gian đáng kể. Để tránh mất bậc tự do và sử dụng cả thông tin về sự thay đổi theo thời gian của một đơn vị nhất định và thông tin về sự khác biệt giữa các đơn vị, mơ hình
hiệu ứng ngẫu nhiên ngẫu nhiên.
Mơ hình tác động ngẫu nhiên vẫn phân tích phần dư: Yit = α + Xitβ + ui +
eit trong đó ui biểu thị hiệu ứng của đơn vị i và eit là hiệu ứng dư cho thời điểm t đối với đơn vị đó. Nhưng trong một mơ hình tác động ngẫu nhiên, phần dư đơn vị
ui khơng có giá trị cụ thể - ui là một biến ngẫu nhiên phân phối chuẩn (do đó có tên - tác động ngẫu nhiên).
Ý tưởng cơ bản là bắt đầu với phương trình: Yit = β1i + β2X2it + β3X3it + uit Thay vì coi β1i như là hằng số thì mơ hình tác động ngẫu nhiên giả định rằng đây là một biến ngẫu nhiên với giá trị trung bình là β1 (khơng có ký hiệu dưới dịng i ở đây). Và giá trị tung độ gốc đối với một cơng ty đơn lẻ có thể được biểu thị như sau:
β1i + β1 + εi i = 1, 2, . . . , N trong đó εi là một số hạng sai số ngẫu nhiên có
Bản chất của các hệ số β cũng thay đổi khi chúng ta đi từ mơ hình tác động cố
định sang một mơ hình tác động ngẫu nhiên. Trong mơ hình tác động ngẫu nhiên,
chúng ta khơng chỉ dự đốn sự thay đổi theo thời gian mà cịn giải thích sự khác biệt giữa các đơn vị. Do đó, dữ liệu về sự thay đổi theo mặt cắt ngang được sử dụng để ước tính ảnh hưởng của các biến độc lập. Nguyên nhân do các yếu tố dự báo được sử dụng
để giải thích khơng chỉ thay đổi theo thời gian mà cịn cả sự khác biệt giữa các đơn vị,
phân dư của đơn vị ngẫu nhiên u được giả định là không tương quan với Xβ: corr (u_i, Xb) = 0.
Hệ số tác động ngẫu nhiên có tính chất kép: chúng giải thích đồng thời sự thay đổi theo thời gian và sự khác biệt mặt cắt giữa các đơn vị.
Lựa chọn cơng cụ mơ hình tác động cố định hay ngẫu nhiên
Để kiểm tra việc sử dụng mơ hình tác động cố định hay mơ hình tác động ngẫu
nhiên, phép thử Hausman được sử dụng. Giả thuyết Ho là các hệ số được ước tính bởi cơng cụ ước tính tác động ngẫu nhiên hiệu quả giống với các hệ số được ước tính bởi cơng cụ ước tính tác động cố định nhất quán. Nếu đúng như vậy, sẽ an toàn khi sử
dụng mơ hình hiệu ứng ngẫu nhiên. Nếu hai bộ hệ số khác nhau đáng kể, thì mơ hình tác động ngẫu nhiên có vấn đề.
Xử lý các khuyết tật của mơ hình nếu có
Đặc điểm dữ liệu là long data với T và N tương ứng là 46 và 7. Do đó có 3 cơng
cụ ước lượng được lựa chọn để khắc phục các khuyết tật của mơ hình để xem xét: - Sử dụng Generalized least squares với lựa chọn panel specific AR (1) để xử lý hiện tượng tự tương quan (autocorrrelation) và lựa chọn heteroskedastic and correlated
để xử lý hiện tượng phương sai sai số thay đổi và cross-section correlation.
- Sử dụng Linear regression with panel corrected standard errors với lựa chọn panel specific AR (1) để xử lý hiện tượng tự tương quan (autocorrrelation). Đồng thời trong mơ hình PCSE bổ sung thêm lựa chọn heteroskedastic and correlated để xử lý
hiện tượng phương sai sai số thay đổi và cross-section correlation.
Giữa 2 mơ hình GLS và PCSE, mơ hình GLS sẽ được ưu tiên hơn theo quy tắc
được đề xuất bởi Reed and Ye (2011). Trong đó mục tiêu chính của mơ hình tính
chính xác và tỷ lệ T/N là > 1,5.
Bảng 2.10: Quy tắc lựa chọn giữa GLS và PCSE
Park estimator without cross sectional dependence
Khi mục tiêu chính là ước
lượng hiệu qủa và T/N <1,5
command = xtgls options
= corr(ar1)
panels(heteroscedastic) Park estimator Khi mục tiêu chính là ước
lượng hiệu quả và T/N >1,5
command = xtgls options
= corr(ar1)
panels(correlated)
PCSE Khi mục tiêu chính là kiểm
định giả thuyết
command = xtpcse options = corr(ar1)
Nguồn: tác giả tổng hợp
- Sử dụng Random effects linear model with AR(1) disturbances. Việc lựa chọn công cụ ước lượng này do đặc điểm dữ liệu có N là 7 trong khi T là 46 nên xử lý khuyết tật về tương quan chuỗi (serial correlation) được tập trung hơn, trong khi các
khuyết tật về phương sai sai số thay đổi (heteroskedasticity) và tương quan chéo (cross section correlation) có thể linh hoạt hơn..
2.3.1.2. Trình tự thực hiện phân tích
Trình tự thực hiện phân tích định lượng như sau:
Bước 1. Lựa chọn mơ hình
Trước hết sử dụng kiểm định F làm căn cứ để lựa chọn giữa mơ hình pools OLS và mơ hình tác động cố định (fixed impact model)
Tiếp tục sử dụng kiểm định Breusch-Pagan để lựa họn giữa mơ hình pools OLS và mơ hình tác động ngẫu nhiên (random impact model)
Cuối cùng sử dụng kiểm định hausman để lựa chọn giữa mơ hình tác động cố định và tác động cố định.
Quy tắc lựa chọn như sau:
Bảng 2.11: Quy tắc lựa chọn mơ hình
FE vs OLS Ho = µ1 = µ2 = … = µ
F Test
RE vs OLS Ho = Var(µi) = 0 Breusch – Pagan Test
Mơ hình lựa chọn
Ho khơng bị bác bỏ
→ Bỏ mơ hình FE
Ho khơng bị bác bỏ
→Bỏ mơ hình RE
Ho khơng bị bác bỏ
→Bỏ mơ hình FE
Ho bị bác bỏ
→Chọn mơ hình RE
Mơ hình tác động ngẫu nhiên
Ho bị bác bỏ →Chọn mơ hình FE Ho khơng bị bác bỏ →Bỏ mơ hình RE Mơ hình tác tác động cố định Ho bị bác bỏ →Chọn mơ hình FE Ho bị bác bỏ →Chọn mơ hình RE
Sử dụng hausman test để lựa
chọn.
→Nếu Ho (với giả thiết: các hệ
số giữa RE và FE không khác biệt) bị bác bỏ, chọn FE
→Nếu Ho không bị bác bỏ,
chọn RE
Nguồn: tác giả tổng hợp
Kiểm tra tự tương quan của từng chuỗi thời gian bằng Kiểm định Levin-Lin-
Chu unit-root test và Kiểm định Levin-Lin-Chu unit-root test. Việc kiểm tra này nhằm
đảm bảo chuỗi thời gian có tính dừng.
Bước 2. Kiểm tra các khuyết tật của mơ hình lựa chọn
Trước hết thực hiện các kiểm định để phát hiện các khuyết tật của mơ hình
gồm phương sai sai số thay đổi, tương quan chuỗi, tương quan giữa các sectional và
đa cộng tuyến.
Sau khi xác định các khuyết tật dựa trên đặc điểm dữ liệu, lựa chọn công cụ xử lý khuyết tật phù hợp
Bước 3. Đánh giá kết quả mơ hình thu được