3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4 Phương pháp phân tích
3.4.2 Lựa chọn mơ hình phù hợp
Mơ hình hồi quy kinh tế tác giả sử dụng theo Guest (2009):
𝑅𝑂𝐴𝑖𝑡 = 𝛼 + 𝛽1 𝐿𝑛 𝐵𝑜𝑎𝑟𝑑𝑠𝑖𝑧𝑒𝑖𝑡 + 𝛽2𝐿𝑛 𝑎𝑔𝑒𝑖𝑡+ 𝛽3𝐿𝑛 𝑠𝑖𝑧𝑒𝑖𝑡+ 𝛽4𝐷𝑒𝑏𝑡𝑖𝑡+ 𝛽5𝐷𝐴𝑆𝑖𝑡 + 𝛽6𝑆𝑇𝐷𝐷𝐸𝑉𝑖𝑡+ 𝜀 (*)
Hồi quy phương trình (*) theo phương pháp ước lượng bình phương tối thiểu (OLS). Đồng thời, hồi quy áp dụng các hiệu ứng:
Không hiệu ứng (Pooled OLS hay gọi là OLS cổ điển) Hiệu ứng cố định (Fixed Effect Model)
Hiệu ứng ngẫu nhiên (Random Effect Model)
Trong bài nghiên cứu này tác giả sử dụng phân tích hồi qui theo 3 phương pháp Pooled, Random Effect, và Fixed Effect. Trong đó, mơ hình hồi cổ điển, bỏ qua bình diện khơng gian và thời gian của dữ liệu kết hợp. Tức là mơ hình ước lượng hồi qui OLS thông thường, nghĩa là ảnh hưởng của từng cá nhân là như nhau trong mẫu. Mơ hình hồi quy OLS với hiệu ứng cố định (FEM) giả định mỗi công ty đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích,
FEM phân tích mối tương quan này giữa phần dư của mỗi cơng ty 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 có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc. Mơ hình hồi quy OLS với hiệu ứng ngẫu nhiên (REM) khác với FEM thể hiện ở sự biến động giữa các công ty. Nếu sự biến động giữa các cơng ty có tương quan đến biến độc lập – biến giải thích trong mơ hình ảnh hưởng cố định thì trong mơ hình ảnh hưởng ngẫu nhiên sự biến động giữa các công ty được giả sử là ngẫu nhiên và khơng tương quan đến các biến giải thích.
Kết quả ước lượng có bị thiên chệch hay khơng địi hỏi chúng ta phải kiểm soát các biến nhiễu, cả các biến quan sát được lẫn các biến không quan sát được. Đối với các biến nhiễu quan sát được, chúng ta có thể sử dụng mơ hình hồi quy tuyến tính đa biến để kiểm sốt. Đối với các biến nhiễu không quan sát được, tuỳ vào đặc điểm khác nhau giữa các đối tượng và thời gian mà chúng ta lựa chọn mơ hình phù hợp: mơ hình hiệu ứng cố định hay hiệu ứng ngẫu nhiên hay không sử dụng hiệu ứng.
Lựa chọn mơ hình phù hợp nhất trong 3 phương pháp trên, sử dụng 3 kiểm định:
Kiểm định F – test được sử dụng để kiểm định phương pháp Fixed
Effect và Pooled OLS. Giả thuyết H0: Mơ hình Pool là phù hợp. Giả thuyết H1: Mơ hình FE là phù hợp. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Kiểm định Breusch-Pagan Lagrange multiplier (LM test) được sử dụng để kiểm định phương pháp Random Effect và Pooled OLS. Giả thuyết H0: Mơ hình Pool là phù hợp. Giả thuyết H1: Mơ hình RE là phù hợp. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Kiểm định Hausman (Hausman 1978) sử dụng để kiểm định phương
pháp Fixed Effect và Random Effect. Giả thuyết H0: mơ hình Random effect là phù hợp. Giả thuyết H1: Mơ hình Fixed effect là phù hợp. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Từ 3 kiểm định chọn ra mơ hình phù hợp nhất với dữ liệu Kiểm định mơ hình thỏa các giả thiết của hồi quy OLS:
Sau khi chọn được mơ hình phù hợp nhất với dữ liệu, mơ hình cần kiểm định tính ổn định và phù hợp của mơ hình thơng qua kiểm định các giả thiết của hồi quy OLS.
Thông thường mơ hình OLS tốt khi nó khơng xuất hiện các vấn đề đa cộng tuyến, tự tương quan, phương sai thay đổi. Tuy nhiên, trong dữ liệu bảng đa cộng tuyến ít ảnh hưởng đến kết quả hồi quy của mơ hình. Bởi vì mơ hình khắc phục tự tương quan thì đa cộng tuyến cũng được khắc phục.
Kiểm định tự tương quan bằng kiểm định Durbin – Watson. Kết quả phù hợp thì hệ số Durbin – Watson phải nằm trong khoảng từ 1 đến 3 là ít có hiện tượng tự tương quan. Bài nghiên cứu thay bằng kiềm định
Wooldridge test. Giả thuyết H0: Khơng có tự tương quan bậc 1. Giả
thuyết H1: Tự tương quan bậc 1 tồn tại. Nếu kết quả hồi qui cho P- value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Kiểm định phương sai thay đổi bằng Kiểm định White. Mục đích của kiểm định là kiểm định giả thuyết về sự không đổi của phương sai. Bài nghiên cứu thay bằng kiềm định Likelihood-ratio test. Giả thiết H0:
khơng có phương sai thay đổi. Giả thiết H1: Phương sai thay đổi. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Nếu không xuất hiện ba hiện tượng trên thì mơ hình đã chọn là mơ hình hồi quy tốt và ổn định. Nếu xuất hiện một trong ba hiện tượng thì mơ hình cần khắc phục bằng việc hồi quy mơ hình đã chọn sử dụng sai số đúng và gom nhóm phần dư theo từng cơng ty (Cluster ID).
Xem xét vấn đề nội sinh
Nhiều nghiên cứu trước đây luôn nhấn mạnh giá trị doanh nghiệp trong hiện tại và tương lai sẽ xác định quy mô Hội đồng quản trị (Lehn, Sukesh, and Zhao 2004; Boone et al. 2007; Coles, Daniel, and Naveen 2008; Guest 2009; Linck, Netter, and Yang 2008). Hermalin and Weisbach (1988) cũng cho rằng khi biểu hiện giá trị doanh nghiệp kém, thành viên độc lập được gia tăng trong Hội đồng quản trị. Việc gia tăng thành viên độc lập sẽ khơng làm tăng chi phí cho thành viên nội bộ. Do đó, quy mơ Hội đồng quản trị sẽ tăng. Tuy nhiên, chưa hẳn biểu hiện giá trị công ty thấp mà nguyên nhân đến từ Hội đồng quản trị và ngược lại. Do đó, việc ước lượng OLS, FE hay RE và thậm chí FE cluster ID đều bị lệch do hiện tượng nội sinh.
Một số nghiên cứu gần đây luôn nhấn mạnh vấn đề nội sinh khi xem xét quan hệ quy mô Hội đồng quản trị và giá trị doanh nghiệp. Biến nội sinh là những biến độc lập có sự tương quan với phần dư. Ở góc độ kinh tế lượng, sự xuất hiện biến nội sinh sẽ dẫn đến các trường hợp như bỏ biến, sai số trong biến, hoặc được xác định đồng thời qua các biến giải thích khác. Trong các trường hợp này, OLS khơng cịn phù hợp với những thông số ước lượng tin cậy. Phương pháp tổng quát để giải quyết vấn đề này là ước lượng biến công cụ.
Trong vấn đề này, Guest (2009) sử dụng phương pháp bình phương tối thiểu 2 giai đoạn (2SLS) để khắc phục vấn đề nội sinh. Trong giai đoạn đầu hồi quy 2SLS, Guest xem xét quy mô Hội đồng quản trị (board size) là biến nội sinh. Biến nội sinh được ước lượng bằng các biến size, age, debt, R&D, Stddev, % Outsiders, No. outsiders, No.insiders, No.segments, Board ownership, ROA, Tobin Q, Share return. Ngồi ra Guest cịn thêm biến FCF và tập trung ngành
(industry concentration). Bước tiếp theo là ước lượng mơ hình 2SLS. Kết quả là, kiểm định nội sinh khẳng định 2 biến cơng cụ được thêm vào thì ngoại sinh liên quan đến quy mô Hội đồng quản trị và có giá trị thống kê.
Tương tự, tơi sử dụng phương pháp bình phương tối thiểu 2 giai đoạn (2SLS) để khắc phục vấn đề nội sinh. Trong giai đoạn đầu hồi quy 2SLS, quy mô Hội đồng quản trị (board size) là biến nội sinh. Biến nội sinh được ước lượng bằng các biến size, age, debt, DAS, Stddev, logarit tự nhiên của số outsider, logarit tự nhiên của số insider, ROA, Tobin Q, Share return. Và sử dụng biến bên ngồi là dịng tiền tự do (FCF) và tập trung ngành (industry concentration).
FCF: là biến giả nhận giá trị 1 nếu ME/BE nằm trong tứ phân vị thấp nhất và tiền mặt nằm trong tứ phân vị trên; còn các trường hợp khác nhận giá trị 0.
Chi tiêu tập trung ngành (Industry concentration): tính bằng tổng bình phương lợi nhuận thị trường (Market share) của các công ty trong ngành, ứng với mỗi năm. Lợi nhuận thị trường của mỗi cơng ty tính bằng doanh số cơng ty chia cho tổng doanh số ngành trong mẫu.
Mơ hình ước lượng hồi quy bình phương tối thiểu hai giai đoạn (2SLS) tốt đạt tiêu chuẩn sau:
Underidentification test: Kiểm định biến công cụ thêm vào trong mô
hinh khơng bị phóng đại. Giả thiết H0: Biến cơng cụ.có giá trị thấp. Giả thiết H1 Biến cơng cụ.khơng có giá trị thấp. Nếu kết quả hồi qui cho P- value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Weak identification test: kiểm định biến cơng cụ có bị yếu hay không.
Tức là, vấn đề nội sinh vẫn chưa giải quyết được. Giả thiết H0: Biến công cụ.bị yếu. Giả thiết H1 Biến công cụ.không bị yếu. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Sargan statistic: kiểm định mơ hình 2SLS phù hợp. Giả thiết H0: Mô
hình khơng tốt. Giả thiết H1: mơ hình tốt. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Để hạn chế những vấn đề thay đổi không quan sát được và hiện tượng nội sinh mà hồi quy IV không thể giải quyết tốt, Guest sử dụng hồi quy GMM. Trong mô hình hồi quy GMM, giá trị doanh nghiệp có độ trễ bậc một được sử dụng làm biến giải thích và sử dụng hiệu ứng cố định theo từng công ty. GMM sử dụng quy mô Hội đồng quản trị và giá trị doanh nghiệp với nhiều mức độ trễ (trễ bậc hai hay bậc trễ nhiều hơn) làm biến công cụ cho hiện tượng nội sinh do Hội đồng quản trị tạo ra. GMM được ước lượng theo tiến trình Arellano and Bond (1991). Các biến kiểm soát khác được xem xét như biến nội sinh, (size, debt, age, R&D và STDDEV) với độ trễ lên đến 20 năm để làm biến công cụ.
Tôi ước lượng GMM theo tiến trình Arellano and Bond (1991), hai bước. Các biến quy mô Hội đồng quản trị và các biến kiểm soát khác được xem xét như biến nội sinh, (size, debt, age, DAS và STDDEV) với độ trễ từ bậc 2 đến bậc 6 để làm biến công cụ hồi quy. Ngồi ra, trong mơ hình hồi quy GMM, giá trị doanh nghiệp có độ trễ bậc một được sử dụng làm biến giải thích.
Tác giả chạy ước lượng hồi quy GMM theo 3 loại hồi quy một giai đoạn, hai giai đoạn, hai giai đoạn với sai số đúng (robust). Thơng thường mơ hình GMM hai giai đoạn với sai số đúng thông thường được xem là tốt nhất mà không cần phải thực hiện kiểm định lại nữa.
Mơ hình GMM chấp nhận được khi đạt được ba đặc điểm sau:
AR (1): kiểm định tự tương quan bậc 1. Giả thiết H0: Mơ hình tự quan bậc
1. Giả thiết H1: mơ hình khơng tự tương quan bậc 1. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0. Mơ hình GMM tốt khi P-value của AR (1) <10%.
AR (2): kiểm định tự tương quan bậc 2. Giả thiết H0: Mơ hình tự quan bậc
2. Giả thiết H1: mơ hình khơng tự tương quan bậc 2. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0. Mơ hình GMM tốt khi P-value của AR (2) >10%. Sargan statistic: kiểm định mơ hình GMM một giai đoạn phù hợp thông
qua R2 của mơ hình. Giả thiết H0: Mơ hình khơng tốt. Giả thiết H1: mơ hình tốt. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Hasen statistic: kiểm định mơ hình GMM hai giai đoạn phù hợp thông qua R2 của mơ hình. Giả thiết H0: Mơ hình khơng tốt. Giả thiết H1: mơ hình tốt. Nếu kết quả hồi qui cho P-value <α thì bác bỏ giả thuyết H0 và ngược lại nếu P-value > α thì chấp nhận giả thuyết H0.
Mối quan hệ quy mô Hội đồng quản trị và giá trị doanh nghiệp được xem xét lại qua mơ hình tốt nhất – mơ hình GMM hai giai đoạn với sai số đúng.