2 .Tổng quan lý thuyết và các nghiên cứu thực nghiệm trƣớc đây
3. Phƣơng pháp nghiên cứu
3.3 Dữ liệu nghiên cứu
Sau khi sàn lọc các trường hợp giá trị bị thiếu đối với một vài biến trong mẫu hoặc các doanh nghiệp có ít hơn 7 năm quan sát liên tục sẽ không được đưa vào mẫu, bài nghiên cứu đã sử dụng dữ liệu dạng bảng dựa trên mẫu 103 doanh nghiệp phi tài chính tại hai sàn chứng khoán lớn ở thị trường Việt Nam là HOSE và HNX trong giai đoạn từ 2007-2013. Trên cơ sở dữ liệu trong báo
cáo tài chính được thu thập từ thống kê của các cơng ty chứng khoán và các trang web www.vietstock.vn, www.cafef.vn, www.cophieu68.com. Cuối cùng kết quả thu được bảng dữ liệu gồm 103 doanh nghiệp niêm yết trong giai đoạn từ 2007 đến 2013 với 721 quan sát theo năm.
3.4 Phƣơng pháp nghiên cứu
Thông qua lập luận trong phần xây dựng mơ hình nghiên cứu mục 3.1 của tác giả nhận thấy các phương trình (1), (2), (3) có thể xuất hiện vài vấn đề như sau:
- Những nhân tố không thay đổi theo thời gian hàm chứa trong mơ hình có thể tương quan với các biến giải thích trong mơ hình. Những nhân tố này khơng thay đổi theo thời gian này nằm trong sai số ngẫu nhiên (μi
+ ui,t , л1+vi,t, ϕi+wi,t ). của phương trình (1), (2), (3).
- Biến trễ của biến phụ thuộc [LEVi,t], [MATi,t], [IVNi,t] đóng vai trị là biến độc lập trong các phương trình có thể tương quan với sai số ngẫu nhiên .
Do vậy, có thể mơ hình nghiên cứu của tác giả có khả năng xuất hiện hiện tượng nội sinh.
Trong khi đó, phương pháp bình phương bé nhất OLS vốn là phương pháp được sử dụng khá phố biến trong kinh tế lượng bởi tính đơn giản trong sử dụng và mang lại nhiều ước lượng hiệu quả, không chệch và vững với những giả thiết ban đầu nếu thỏa những yêu cầu sau:
- E (ui/X2i,…,Xki) = 0: khơng có sai số hệ thống - Var (ui/X2i,…,Xki) = 2
với mọi i: phương sai không đổi - Cov(ui,uj) = 0 với mọi i khác j
- Khơng có đa cộng tuyến hồn hảo giữa các biến Xj
- Biến Xj là phi ngẫu nhiên, nếu ngẫu nhiên thì phải độc lập với Ui Tuy nhiên, khi nghiên cứu về chuỗi dữ liệu thời gian, rất khó để thỏa mãn các giả định của OLS. Khi đó, kết quả kiểm định sẽ bị bóp méo và việc sử dụng đưa vào phân tích sẽ khơng cịn đúng nữa. Một trong những vi phạm hay gặp phải trong việc sử dụng phương pháp này là hiện tượng nội sinh, tức các biến có tương quan với phần dư.
Để giải quyết vấn đề này, tác giả sẽ sử dụng dữ liệu dạng bảng và phương pháp GMM để xử lý vấn đề nội sinh. Với lý do như sau:
Việc sử dụng dữ liệu dạng bảng sẽ có nhiều ưu điểm hơn so với dữ liệu thời gian và dữ liệu chéo. Baltagi (2005) đã viết:
- Dữ liệu bảng là sự kết hợp giữ dữ liệu chéo và dữ liệu thời gian nên chúng ta có nhiều thơng tin hơn, điều này hữu ích trong việc hạn chế hiện tượng đa cộng tuyến giữa các biến do có nhiều bậc tự do nên hiệu quả hơn.
- Dữ liệu bảng có thể phát hiện và đo lường tốt hơn những tác động mà chúng ta khó có thể quan sát khi sử dụng dữ liệu thời gian hoặc dữ liệu chéo.
- Dữ liệu bảng có thể kiểm sốt tốt hơn tính khơng đồng nhất giữa các đơn vị trong mẫu nghiên cứu.
Phương pháp để xử lý vấn đề biến giải thích có thể tương quan với phần dư:
- Phương pháp cơ bản trong trường hợp biến ở vế phải phương trình tương quan với phần dư là ước lượng một phương trình có dùng các biến cơng cụ (Instrumental Variables – hồi quy IV). Ý tưởng của phương pháp hồi
quy này là tìm ra một bộ biến, được gọi là biến cơng cụ thỏa mãn hai điều kiện: (1) tương quan với biến giải thích trong phương trình và (2) khơng tương quan với phần dư. Những biến công cụ như vậy được dùng để loại bỏ sự tương quan giữa biến giải thích và phần dư.
- Có nhiều phương pháp dựa trên nền tảng của hồi quy IV như phương pháp bình phương bé nhất hai giai đoạn (TSLS), phương pháp Maximum Likelihood trong điều kiện giới hạn thông tin (LIML), phương pháp ước lượng moment tổng quát (GMM)… Trong đó, phương pháp GMM được xem là phương pháp tổng quát của rất nhiều phương pháp khác. Ngay cả trong điều kiện giả thiết nội sinh bị vi phạm, phương pháp GMM vẫn có thể cho ra các hệ số ước lượng vững, không chệch, phân phối chuẩn và hiệu quả.
Từ những lý do tác giả cho rằng việc sử dụng phương pháp GMM này với nghiên cứu của mình trong các phương trình theo nghiên cứu của VietA. Dang (2011) dựa trên phần mềm kinh tế lượng Stata 12 là phù hợp trong việc tìm ra tương tác giữa địn bẩy, kỳ đáo hạn nợ và đầu tư của các doanh nghiệp tại Việt Nam.
3.4.1 Cách thức để ước lượng ra hệ số hồi quy với sự tham gia của các biến cơng cụ:
Xem xét mơ hình đơn giản sau:
Yi = xi + εi
Trong đó: i là quan sát thứ i, Yi là biến phụ thuộc, xi là biến độc lập, εi là
phần dư của mơ hình. Khi đó hệ số ước lượngˆ sẽ được xác định như sau: ˆ OLS = x x y x = x x x x ( )
Trong đó x, y, ε là các ma trận cột n x 1. Nếu x và ε không tương quan
với nhau thì ˆ ước lượng được là vững và khơng chệch. Tuy nhiên, nếu điều này ngược lại xảy ra, hệ số ước lượng sẽ bị chệch và khơng vững, mơ hình khơng cịn hiệu quả, tác động của biến x lên biến y bị bóp méo.
Một biến cơng cụ z, tương quan với biến giải thích x nhưng khơng tương quan với phần dư ε sẽ được đưa vào mô hình, phương pháp hồi quy IV sử
dụng biến cơng cụ đó để xác định hệ số ước lượng như sau:
ˆ IV = x z zy = zx x z ( )
Vì biến z không tương quan với ε nên hệ số ước lượng vững và khơng
chệch. Phương pháp này có thể tổng qt lên với một mơ hình nhiều biến. Ta gọi X là ma trận n x K các biến giải thích, Z là ma trận n x L các biến công cụ (với K là số lượng biến giải thích, L là số lượng biến cơng cụ và n là số quan sát của mỗi biến). Khi đó, phương pháp này sẽ sử dụng biến công cụ để ước lượng mơ hình và hệ số ước lượng sẽ được xác định như sau:
ˆIV = ZX 1ZY
) (
Điều kiện để xác định được giá trị ước lượng là L ≥ K
3.4.2 Thủ tục ước lượng GMM
Phần trên đã cố gắng trình bày một cách đơn giản nhất để có thể hiểu được vai trị của biến cơng cụ trong hồi quy IV. Theo đó, GMM cũng là một phương pháp sử dụng biến công cụ. Như đã đề cập ở trên, để ước lượng được hệ số , chúng ta cần một bộ L vector các biến công cụ (trong ước lượng GMM còn gọi là “các điều kiện moment”) và số lượng biến cơng cụ phải khơng ít hơn số biến trong mơ hình (L ≥ K). Điều kiện để một biến được chọn là biến cơng cụ là nó khơng tương quan với phần dư, điều này có nghĩa là:
E(Ztut()) = 0
Ý tưởng chủ đạo của phương pháp GMM là thay thế giá trị các biến cơng cụ bằng giá trị trung bình của mẫu:
E(Ztut()) = n t T 1 1 Ztut() = T 1 ' Z ut() = 0
Vì khi số lượng điều kiện moment lớn hơn số biến trong mơ hình (L ≥ K) thì phương trình khơng thể xác định một nghiệm duy nhất mà sẽ có nhiều nghiệm có thể thỏa mãn phương trình. Khi đó mơ hình được gọi là “overidentified”. Trong trường hợp đó, chúng ta phải thực hiện tính tốn lại nhằm xác định beta làm cho điều kiện moment “gần” bằng 0 nhất có thể, khái niệm “gần” được hiểu là khoảng cách với giá trị 0 là nhỏ nhất, khoảng cách đó được là khoảng cách J. J(, WˆT) = T 1 ) ( ˆ . ) ( .u ZWT1Zu
Phương pháp GMM sẽ xác định giá trị ước lượng để khoảng cách J là nhỏ nhất.
Phương pháp GMM có hai loại đó là GMM hệ thống (Systems GMM) và GMM sai phân bậc nhất (Difference GMM). Trong bài viết này tác giả sẽ sử dụng phương pháp thứ hai đó là GMM sai phân bậc nhất. Ý tưởng cơ bản của GMM sai phân bậc nhất là sử dụng bằng cách chuyển đổi sai phân bậc nhất và tạo ra một ma trận vector các biến công cụ và số lượng biến công cụ phải lớn hơn số biến trong mơ hình, chính điều này sẽ giúp kiểm sốt được tính khơng đồng nhất khơng quan sát được và ngăn ngừa vấn đề nội sinh tiềm ẩn do chịu tác động từ những cú sốc hoặc những nhân tố không quan sát được tác động đến việc nắm giữ tiền. Cụ thể:
LEVi,t = α0 + δLEVLEVi,t-1+ α1MATi,t + α2GROWTHi,t + α3GROWTHxMATi,t +
βLEV +μi+ui,t
LEVi,t-1 = α0 + δLEVLEVi,t-2+ α1MATi,t-1 + α2GROWTHi,t-1 + α3GROWTHxMATi,t-1 + βLEV +μi+ui,t-1
Lấy sai phân bậc một của LEV i,t là LEVi,t = LEV i,t - LEV i,t-1 thì phương trình sai phân của địn bẩy sẽ là:
LEVi,t = δLEVLEVi,t-1+ α1MATi,t + α2GROWTHi,t +
α3GROWTHxMATi,t + βLEV+ ui,t
Vì εi,t= εi,t - εi,t-1 = (μi - μi) + (ui,t - ui,t-1) = ui,t
Tương tự với các phương trình cịn lại của kỳ hạn nợ và đầu tư thì phương trình sai phân khi sử dụng phương pháp GMM sẽ là:
- Phương trình sai phân của kỳ hạn đáo nợ
MATi,t = γ0 + δMATMATi,t-1+ γ1LEVi,t + γ2GROWTHi,t + γ3GROWTHxLEVi,t +
i,t βMAT+ vi,t
- Phương trình sai phân của đầu tư
INVi,t = φ0 + δINVINVi,t-1+ φ1LEVi,t-1 +φ2MATi,t-1 + φ3GROWTHi,t-1 + φ4GROWTHxLEVi,t-1 + φ5GROWTHxMATi,t-1 + φ6CFi,t-1 + wi,t
Đồng thời, phương pháp phân tích thống kê mơ tả cũng được thực hiện để tìm hiểu đầy đủ các đặc trưng nhân tố xuất hiện trong mơ hình đánh giá về tương quan giữa đòn bẩy kỳ đáo hạn nợ và đầu tư của các công ty niêm yết tại Việt Nam giai đoạn 2007-2013.
3.4.3 Phương pháp kiểm định
Kiểm định biến công cụ không tƣơng quan với phần dƣ của mơ hình
Kiểm định quan trọng nhất của phương pháp ước lượng GMM là kiểm định Overdentifying Restrictions hay còn gọi là kiểm định Hansen (Hansen Test) hoặc kiểm định J (J – Test). Đây là kiểm định cần thiết trong trường hợp số biến công cụ nhiều hơn số biến trong mơ hình. Ý tưởng của kiểm định là để xem xét biến cơng cụ có tương quan với phần dư của mơ hình hay khơng. Nếu câu trả lời là khơng, khi đó biến cơng cụ khơng là nội sinh, lúc này biến công cụ được chọn là phù hợp và mơ hình sử dụng biến đó để ước lượng cũng phù hợp. Với giả thiết như sau:
H0: Biến công cụ khơng tƣơng quan với phần dƣ của mơ hình H1: Biến cơng cụ tƣơng quan với phần dƣ của mơ hình
Nếu p-value > mức ý nghĩa đã chọn ( = 10% chẳng hạn) thì chấp nhận giả thiết H0, tức là biến công cụ khơng tương quan với mơ hình. Khi đó biến cơng cụ sẽ không là biến nội sinh và biến công cụ được chọn là phù hợp, mơ hình ước lượng là phù hợp.
Kiểm định có tƣơng quan chuỗi bậc một trong phần dƣ sai phân bậc nhất
Ngồi ra, hồi quy GMM cịn có một kiểm định quan trọng khơng kém đó là kiểm định tồn tại tương quan chuỗi bậc một các phần dư trong sai phân bậc nhất (First-order autocorrelation-AR(1)) với giả thuyết như sau:
H0: Khơng có tƣơng quan chuỗi bậc một trong phần dƣ của sai phân bậc nhất
H1: Xuất hiện tƣơng quan chuỗi bậc một trong các phần dƣ của sai phân bậc nhất
Nếu giá thiết H0 bị bác bỏ (p_value < 0,05) tức tồn tại tương quan chuỗi bậc một trong phần dư sai phân bậc nhất của kết quả hồi quy.
Kiểm định không có tƣơng quan chuỗi bậc hai trong phần dƣ sai phân bậc nhất
Kế đó, để tăng độ vững chắc cho mô hình, hồi quy GMM cịn có một kiểm định về việc khơng tồn tại tương quan chuỗi bậc hai các phần dư trong sai phân bậc nhất (Second-order autocorrelation-AR(2)) với giả thuyết như sau:
H0: Khơng có tƣơng quan chuỗi bậc hai trong phần dƣ của sai phân bậc nhất.
H1: Xuất hiện tƣơng quan chuỗi bậc hai trong các phần dƣ của sai phân bậc nhất
Nếu giả thiết H0 được chấp nhận khi p_value > mức ý nghĩa ( chẳng hạn như p_value > 0,05) tức là không tồn tại tương quan chuỗi bậc hai trong phần dư sai phân bậc nhất của kết quả hồi quy.