3. PHƯƠNG PHÁP NGHIÊN CỨU:
3.2. Phương pháp phân tích và hồi quy:
3.2.1. Kiểm định independent samples t-test:
Kiểm định independent samples t-test dùng để kiểm định sự khác biệt giữa cơng ty có phịng ngừa và khơng có phịng rủi ro.
Bài dữ liệu nghiên cứu được phân tích bằng cách sử dụng cả phân tích đơn biến và phân tích đa biến.
Đầu tiên dùng thống kê mô tả để mô tả đặc điểm chung của của các Doanh nghiệp. Sau đó, dùng t-test để kiểm định từng mẫu để xem xét sự khác biệt của các Doanh nghiệp Việt Nam. Kiểm định t-test từng mẫu độc lập có thể cho thấy sự khác biệt có ý nghĩa thống kê giữa các mẫu nhỏ, giới hạn và không liên quan lẫn nhau ( Bryman và Cramer,1997). Các mẫu nghiên cứu ở các Doanh nghiệp Việt Nam đều nhỏ và không liên quan.
Trong kiểm định Independent-samples T-test, ta cần dựa vào kết quả kiểm định sự bằng nhau của 2 phương sai tổng thể (kiểm định Levene). Phương sai diễn tả mức độ đồng đều hoặc không đồng đều (độ phân tán) của dữ liệu quan sát.
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < 0.05 thì phương sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. ≥ 0.05 thì phương sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.
3.2.2. Mơ hình hồi quy Logistic:
Trong phân tích đa biến,bài nghiên cứu sử dụng hồi quy logistic nhị phânđể ước lượng sự khác biệt giữa các nhân tố giải thích cho các quyết định phịng ngừa rủi ro. Hồi quy logistic nhị phân được sử dụng vì nó là một dạng hồi quy mà biến phụ thuộc mang tính chất nhị phân ( bị giới hạn,rời rạc, và không liên tục ) và biến độc lập thuộc bất kì loại nào,bên cạnh đó biến phụ thuộc trong nghiên cứu này là rời rạc và khơng liên tục,vì vậy, hồi quy logistic được sử dụng có thể khắc phục nhiều hạn chế nhất định so với hồi quy OLS( Hosmer and Lemeshow, 1989; Allison,1999; Menard,2001).
Đối với mơ hình hồi quy logistic thì các giá trị ‘0’ và ‘1’ ln là giá trị tiệm cận và vì vậy, xác suất được ước lượng sẽ không bao giờ đạt mức tuyệt đối là ‘0’ hoặc ‘1’, mặc dù giá trị ước lượng này rất gần.
Hình 3.4. Mơ hình hồi quy logistic
Mơ hình hồi quy logistic có dạng:
𝐹𝐹(𝓏𝓏𝑖𝑖) =1 +𝑒𝑒𝓏𝓏𝑒𝑒𝑖𝑖𝓏𝓏𝑖𝑖 =1 +1𝑒𝑒−𝓏𝓏𝑖𝑖
Với e là cơ số mũ tự nhiên ứng với phân phối logistic , vì vậy mơ hình hồi quy logistic sẽ có phương trình hồi quy như sau:
Với 𝑃𝑃𝑖𝑖 là xác suất để y bằng 1 hoặc 0. Phương pháp ước lượng:
Transformation :
log(𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜) = 𝑙𝑙𝑜𝑜𝑙𝑙1− 𝑃𝑃(𝑌𝑌𝑃𝑃(𝑌𝑌= 1)= 1)= log�𝑒𝑒𝑋𝑋𝛽𝛽+𝜀𝜀�=𝑋𝑋𝛽𝛽+𝜀𝜀
Maximum likehood estimation: ước lượng β,σ2 để tối đa hàm log likehood. logL(Y/X,β,σ2)=−𝑛𝑛2log(2𝜋𝜋)−2𝑛𝑛log(𝜎𝜎2) +𝜎𝜎12∑ 𝑒𝑒𝑛𝑛 𝑖𝑖2
1
Hosmer Lemeshow test: sự phù hợp giữa kết quả ước lượng và quan sát thực tế. Kiểm định tiến hành chia mẫu quan sát thành thập phân vị dựa trên giá trị dự báo, sau đó tính chênh lệch giữa giá trị dự báo và giá trị quan sát. Giá trị này tuân theo phân phối χ2.
Ho: khơng có sự khác biệt trong giá trị quan sát(thực tế) và giá trị ước lượng(từ mơ hình).
Omnibus test: xem xét giải thích giữa mơ hình chỉ gồm hệ số chặn và mơ hình có thêm các biến giải thích
Ho: β1=β2=. ..βk=0
Wald test : kiểm định mức ý nghĩa thống kê của từng tham số ước lượng Ho : βi =0
đưa từng biến vào mơ hình, với mơ hình ban đầu chỉ bao gồm hệ số chặn. Thực hiện kiểm định khác biệt trong -2LL với mỗi bước đưa biến vào. Quá trình dừng lại khi biến đưa vào không tạo nên sự khác biệt có ý nghĩa thống kê của giá trị-2LL
Model 1: 𝑃𝑃 (𝑌𝑌= 1) = 1+𝑒𝑒1−𝛼𝛼 => -2LL1
Model 2: 𝑃𝑃 (𝑌𝑌= 1) = 1+𝑒𝑒−(𝛼𝛼+𝛽𝛽1 1𝑋𝑋1) => -2LL2
∆=−2𝐿𝐿𝐿𝐿1−(−2𝐿𝐿𝐿𝐿2)~ 𝜒𝜒2
H0: Δ=−2𝐿𝐿𝐿𝐿1−(−2𝐿𝐿𝐿𝐿2) = 0