CHƯƠNG 1 : GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
4.3 PHƯƠNG PHÁP KIỂM ĐỊNH VÀ ƯỚC LƯỢNG
4.3.1 Nội dung phân tích dữ liệu
4.3.1.1 Thống kê mô tả biến định lượng trong mơ hình.
Để đánh giá sơ bộ về các biến độc lập đưa vào mơ hình nghiên cứu. Thống kê về giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, độc lệch chuẩn, độ nhọn, phân phối chuẩn, mức ý nghĩa.
Thực hiện kiểm tra giá trị của các biến trong mơ hình của các cơng ty trong giai đoạn 2006-2016.
4.3.1.2 Phân tích ma trận tương quan giữa các biến trong mơ hình.
Để thực hiện hồi quy trước tiên ta phải kiểm tra tương quan giữa các biến độc lập để chắc chắn giữa các biến độc lập khơng có hiện tượng đa cộng tuyến xảy ra.
CORR (tương quan).
CORR< 0,3: tương quan yếu.
0,3<CORR<0,6: Tương quan mạnh. 0,6<CORR<0,8: coi chừng đa cộng tuyến. 0,8<CORR: đa cộng tuyến. Mơ hình khơng tốt.
Hậu quả của đa cộng tuyến là các biến bị đa cộng tuyến có thể bị mất đi ý nghĩa trong mơ hình hoặc có hệ số hồi quy bị trái dấu, đa cộng tuyến nghiêm trọng hơn sẽ không thể ước lượng được mơ hình. Do đó việc phân tích tương quan giữa các biến trong mơ hình là rất cần thiết.
4.3.1.3 Lựa chọn phương pháp ước lượng mơ hình.
Với dữ liệu hồi quy bảng thì có 3 mơ hình thơng dụng được sử dụng: Mô hình ước lượng bình phương nhỏ nhất (POOLS), mơ hình các yếu tố ảnh hưởng cố định (FEM) phân tích những khác biệt về hệ số chặn của nhóm, mơ hình các yếu tố tác động ngẫu nhiên (REM) phân tích các thành phần của phương sai và sai số, các hệ số chặn không thay đổi và độ dốc là giống nhau. Chúng ta sử dụng kiểm định Hausman để so sánh mơ hình FEM và REM, kiểm định Redundant để so sánh mơ hình FEM và POOLS. Từ hai kiểm định trên quyết định xem mơ hình nào phù hợp trong việc ước lượng.
4.3.2 Phương pháp kiểm định
Đối với dữ liệu bảng sau khi lựa chọn được mơ hình là POOLS, FEM hay REM thì tiến hành kiểm định mơ hình được chọn thơng qua các kiểm định sau:
Bước 1: Tác giả sử dụng phép toán và các câu lệnh trong phần mềm STATA
tiến hành thực hiện phân tích phương pháp hồi quy Pooled OLS và FEM, sau đó so sánh kết quả để lựa chọn 1 một mơ hình phù hợp nhất trong 2 mơ hình này. Sau khi ước lượng với FEM, sử dụng kiểm định F để kiểm định giả thuyết H0: α1 = α2 = … αN = α. Nếu kết quả kiểm định bác bỏ giả thuyết H0, chúng ta nên chọn FEM, ngược lại, chọn Pooled OLS
Bước 2: Tác giả so sánh giữa 2 mơ hình Pooled OLS với REM, phương pháp
nhân tử Lagrange (LM) với kiểm định Breusch-Pagan được sử dụng để kiểm chứng tính phù hợp của ước lượng. Theo đó, giả thuyết H0 cho rằng sai số của ước lượng thô không bao gồm các sai lệch giữa các doanh nghiệp hoặc các năm (phương sai giữa các doanh nghiệp) là không đổi. Bác bỏ giả thuyết H0, cho thấy sai số trong ước lượng có bao gồm cả sự sai lệch giữa các nhóm, và phù hợp với mơ hình REM, ngược lại, Pooled OSL là phù hợp hơn REM.
Sau khi thực hiện xong 2 bước trên, nếu kết quả kiểm định cho thấy, cả 2 bước này Pooled OLS đều phù hợp hơn FEM và REM, tác giả sẽ lựa chọn phương pháp hồi quy Pooled OLS. Nếu không phải kết quả này, tác giả sẽ thực hiện tiếp bước thứ 3 như sau:
Bước 3: Tác giả thực hiện ước lượng với FEM và REM, sử dụng kiểm định
Hausman dưới giả thuyết H0: Cov (Xit, ui) = 0. Nếu kết quả kiểm định bác bỏ giả thuyết H0, tác giả chọn FEM. Nếu kết quả kiểm định không bác bỏ giả thuyết H0, tác giả sẽ chọn REM.
Bởi vì, một mơ hình chỉ có ý nghĩa giải thích khi các giả định của nó đã được thỏa mãn. Do vậy, trong luận văn này, tác giả sẽ phải kiểm tra các giả định trước khi diễn giải các kết quả của mơ hình. Q trình kiểm tra các giả định có thể được thực hiện thơng qua việc phát hiện khuyết tật có thể có của mơ hình. Nội dung kế tiếp sẽ thực hiện các kiểm định này.
(1) Giả định phương sai của sai số không đổi:
Phương sai thay đổi nghĩa là phương sai của các phần dư là không phải hằng số, nghĩa là chúng khác nhau ở các quan sát khác nhau. Điều này sẽ dẫn đến vấn đề nếu các phương sai khơng bằng nhau thì độ tin cậy tương đối của mỗi quan sát (dữ liệu) sẽ khơng bằng nhau. Phương sai càng lớn thì mức độ quan trọng gán cho quan sát càng nhỏ. Vấn đề sẽ rõ ràng hơn khi giá trị của phương sai có mối quan hệ với một hoặc một số biến giải thích. Điều này vi phạm giả định rằng các phân phối của phần dư phải khơng có tương quan với bất kì biến giải thích nào.
Hiện tượng phương sai thay đổi sẽ dẫn đến một số hậu quả như: các ước lượng OLS vẫn là khơng chệch nhưng khơng cịn hiệu quả nữa, ước lượng của các phương sai sẽ bị chệch, như vậy sẽ làm mất hiệu lực của kiểm định hệ số hồi quy.
Trong quá trình hồi quy, tác giả sẽ tập trung xem xét lại bản chất của vấn đề nghiên cứu, đồ thị phần dư và dùng một số kiểm định Goldfeld-Quandt, Breusch- Pagan, White, Park trên OLS và phương pháp Greene (2000) trên dữ liệu bảng để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng phương sai thay đổi.
(2) Giả định khơng có sự tương quan giữa các phần dư:
Tự tương quan là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian trong các số liệu chuỗi thời gian, hoặc sắp xếp theo thứ tự không gian, đối với các số liệu theo khơng gian.
Để kiểm tra xem mơ hình đã vi phạm giả thiết hồi quy - hiện tượng tự tương quan. Trong quá trình hồi quy, tác giả sẽ dùng phương pháp đồ thị và kiểm định d (Durbin-Watson) để phát hiện tượng tự tương quan trong mơ hình hồi quy OLS (pooled regression). Ở khía cạnh kiểm tra phương sai thay đổi dữ liệu bảng, tác giả sử dụng kiểm định được đề xuất bởi Wooldrige (2002) và Drukker (2003).
Hiện tượng tự tương quan sẽ dẫn đến một số hậu quả như: ước lượng OLS vẫn là ước lượng tuyến tính khơng chệch, nhưng không là ước lượng hiệu quả nữa; phương sai các ước lượng OLS là bị chệch, đôi khi quá thấp so với phương sai thực và sai số tiêu chuẩn, dẫn đến phóng đại tỷ số t; các kiểm định t và F không đáng tin cậy; công thức thơng thường để tính phương sai
của sai số là ước lượng chệch của phương sai thực và trong một số trường hợp dường như ước lượng thấp của phương sai thực; có thể hệ số xác định khơng đáng tin cậy và dường như là nhận giá trị ước lượng cao; các phương sai và số tiêu chuẩn của dự đốn khơng có hiệu quả.
(3) Giả định khơng có mối tương quan giữa các biến độc lập (không xảy ra hiện tượng đa cộng tuyến):
Đa cộng tuyến nghĩa là hai hay nhiều biến giải thích trong biểu thức hồi quy có mối quan hệ tuyến tính với nhau. Nếu các biến có mối quan hệ tuyến tính thì các hệ số ước lượng và thống kê T sẽ khơng cịn hợp lý.
Trong quá trình hồi quy, kết quả hồi quy có hệ số xác định R2 cao nhưng tỷ số t thấp, tương quan cặp giữa các biến giải thích cao, xét tương quan riêng, hồi quy phụ thấy có tồn tại hiện tượng tương quan giữa các biến độc lập thì mơ hình đã vi phạm giả thiết hồi quy - hiện tượng đa cộng tuyến.
Hiện tượng đa cộng tuyến sẽ dẫn đến một số hậu quả như: phương sai và hiệp phương sai của các ước lượng OLS lớn, khoảng tin cậy rộng lớn, tỷ số t mất ý nghĩa, hệ số xác định cao nhưng tỷ số t mất ý nghĩa, các ước lượng OLS và sai số chuẩn trở nên rất nhạy với những thay đổi trong số liệu, dấu của các ước lượng của các hệ số hồi quy có thể sai lệch, thêm vào hay bớt đi
các biến cộng tuyến với các biến khác thì hệ số của các biến cịn lại có thể thay đổi rất lớn và thay đổi cả dấu của chúng.
Đa cộng tuyến giữa các biến luôn tồn tại và khuyết tật chỉ xảy ra nếu mức độ đa cộng tuyến đủ lớn để gây ra sự thiên chệch các kết quả ước lượng.
Theo Gujarati (2004), một số cách kiểm tra vấn đề đa cộng tuyến như sau: - Nhiều trường hợp mơ hình có R2 lớn hơn 0.8 nhưng | t | thấp.
- Hệ số tương quan giữa các cặp biến độc lập cao. Nếu giá trị tuyệt đối của hệ số tương quan giữa 2 biến lớn hơn 0.8 cho thấy có tồn tại hiện tượng đa cộng tuyến giữa 2 biến này.
- Sử dụng hệ số khuếch đại phương sai (VIF), nếu VIF của một biến lớn hơn 10 thì tồn tại hiện tượng đa cộng tuyến giữa biến đó với các biến giải thích cịn lại. Trong luận văn này, tác giả sẽ thực hiện tính tốn hệ số tương quan giữa các cặp biến độc lập và sử dụng hệ số khuếch đại phương sai (VIF).
Trong luận văn tác giả sử dụng hệ số tương quan giữa các cặp biến độc lập kết hợp với sử dụng hệ số khuếch đại phương sai (VIF). Tuy nhiên, cũng theo Baltagi (2008), việc sử dụng dữ liệu bảng cũng đã hạn chế được hiện tượng đa cộng tuyến này nhưng nếu có hiện tượng đa cộng tuyến xảy ra thì tác giả sẽ khắc phục bằng cách bỏ các biến có đa cộng tuyến hoặc tăng thêm số quan sát bằng cách thu thập thêm số liệu.
4.3.3 Phương pháp ước lượng hồi quy
Luận văn này được thực hiện nhằm nghiên cứu tác động của tỷ lệ sở hữu lên chi phí đại diện các doanh nghiệp. Sau khi đã khảo lược các lý thuyết liên quan để xây dựng giả thuyết và mơ hình nghiên cứu, bước tiếp theo sẽ sử dụng phương pháp phân tích và thực hiện hồi quy mơ hình để kiểm định các giả thuyết đã đặt ra. Trước khi tiến hành chạy hồi quy, các khuyết tật mơ hình như: hiện tượng đa cộng tuyến, phương sai thay đổi và tự tượng quan của nhiễu sẽ được kiểm định. Trong luận văn này phương pháp chính được sử dụng là phương pháp GMM (General Method of Moments). trên dữ liệu bảng và phương pháp khác được sử dụng để so sánh đối chiếu là phương pháp bình phương bé nhất tổng quát khả thi (FGLS - Feasible Generalized Least Squares).
Thứ nhất là về phương pháp FM, với tiếp cận hồi quy riêng từng cơng ty trước khi tính trung bình hệ số hồi quy tất cả hệ số hồi quy riêng từng công ty.
Thứ hai, phương pháp GMM là phương pháp dữ liệu bảng được Lars Peter Hansen trình bày lần đầu tiên vào năm 1982 trong bài viết “Large Sample Properties of Generalized Methods of Moments Estimators” được đăng trong
Econometrica, số 50, trang 1029-1054. GMM là phương pháp tổng quát của rất nhiều phương pháp ước lược phổ biến; ngay cả trong điều kiện giả thiết nội sinh bị vi phạm, phương pháp GMM cho ra các hệ số ước lượng vững, không chệch, phân phối chuẩn và hiệu quả. Theo kết quả nghiên cứu của Arellano và Bover (1995), phương pháp hồi quy tuyến tính dữ liệu bảng động (Arellano-Bond linear dynamic panel-data estimation) là một giải pháp hữu hiệu để ước lượng hồi quy trong mơ hình trong trường hợp mơ hình vừa có hiện tượng phương sai thay đổi, tự tương quan và nội sinh. Mơ hình Arellano và Bover (1995) kiểm sốt được hiện tượng tự tương quan giữa phần dư, hiện tượng phương sai thay đổi và nội sinh.
Ưu điểm của ước lượng bằng phương pháp GMM so với OLS là lý do tác giả lựa chọn phương pháp này trong đóng góp bằng chứng thực nghiệm. Thơng thường ước lượng theo phương pháp OLS (Pooled Regress Model) sẽ không chệch, vững và hiệu quả khi không tồn tại các vi phạm về phương sai thay đổi, tự tương quan và biến nội sinh. Phương pháp ước lượng bình phương bé nhất (OLS) là phương pháp được dùng rất phổ biến trong lĩnh vực kinh tế lượng. Ưu điểm của phương pháp này không quá phức tạp nhưng hiệu quả. Với một số giả thiết ban đầu, phương pháp này sẽ dễ dàng xác định các giá trị ước lượng hiệu quả, không chệch và vững.
Tuy nhiên, khi nghiên cứu về chuỗi dữ liệu thời gian, có nhiều chuỗi vi phạm một hoặc một số giả định của OLS. Khi đó, các ước lượng thu được sẽ bị bóp méo, mất tính vững và sẽ là sai lầm nếu sử dụng chúng để phân tích. Một trong những dạng vi phạm giả định phổ biến là hiện tượng nội sinh, một trường hợp khi hệ số ước lượng (hoặc biến) tương quan với phần dư.
Với những vi phạm trên làm cho kết quả ước lượng theo phương pháp OLS khơng cịn đáng tin cậy và hiệu quả nhất. Để khắc phục phương pháp ước lượng phương pháp GMM hệ thống do Arellano and Bover (1995) and Blundell and Bond (1998) được sử dụng vì cỡ mẫu đủ lớn. Việc sử dụng mơ hình GMM sẽ cho phép khắc phục cả vi phạm tự tương quan, phương sai thay đổi và biến nội sinh nên kết quả ước lượng lúc này sẽ không chệch, vững và hiệu quả nhất. Thêm vào đó, phương pháp Arellano - Bond cũng được thiết kế để khắc phục hiệu ứng tác động
cố định hàm chứa trong sai số của mơ hình (do đặc điểm của các biến quốc gia nghiên cứu không thay đổi theo thời gian như vị trí địa lý và nhân khẩu học có thể tương quan với các biến giải thích trong mơ hình), được phản ánh vào trong phần sai số, sẽ giảm dần theo thời gian (Roodman, 2006).
Phương pháp cơ bản trong trường hợp các biến độc lập tương quan với phần dư là ước lượng một phương trình có dùng các biến công cụ (Instrumental Variables – hồi quy IV). Ý tưởng của phương pháp hồi quy này là tìm một bộ biến, được gọi là biến công cụ, thõa mãn cả hai điều kiện: (1) tương quan với các biến giải thích trong phương trình và (2) khơng tương quan với phần dư. Những biến công cụ như vậy được dùng để loại vỏ sự tương quan giữa các biến giải thích và phần dư.
Có nhiều phương pháp hồi quy dựa trên nền tảng của hồi quy IV như phương pháp Bình phương bé nhất hai giai đoạn (2SLS), phương pháp Maximum Likelihood trong điều kiện giới hạn thông tin (LIML), phương pháp ước lượng Moment tổng quát (GMM)
Làm thế nào để một hồi quy IV ước lượng ra hệ số với sự tham gia của biến công cụ?
Xem xét mơ hình đơn giản sau:
Trong đó: i là quan sát thứ i, yi là biến phụ thuộc, xi là biến độc lập, là phần
dư của mơ hình. Khi đó hệ số ước lượng sẽ được xác định như sau:
Với x, y, là các ma trận cột × 1. Nếu x và không tương quan với nhau thì ước lượng được là vững và không chệch. Tuy nhiên nếu điều 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 không đáng tin cậy.
Một biến công cụ z, tương quan với biến giải thích x nhưng không tương
quan với phần dư sẽ được đưa vào mơ hình, phương pháp hồi quy IV sử dụng
Vì biến z khơng tương quan với nên hệ số ước lượng là vững và khơng
chệch. Phương pháp này có thể tổng quát lên với một mơ hình nhiều biến. Ta gọi X là ma trận 𝑛×K các biến giải thích, Z là ma trận 𝑛×L các biến cơng cụ với K là số lượng biến giải thích, L là số lượng biến công cụ và n là số quan sát của mỗi biến. Khi đó phương pháp IV có thể được dùng để ước lượng mơ hình và hệ số ước lượng sẽ được xác định như sau:
Điều kiện để xác định được giá trị ước lượng là L ≥ K
Khi số lượng mẫu phù hợp giá trị β ước lượng được sẽ vững, khi đó giá trị ước lượng được sẽ càng gần với giá trị thực của nó. Ước lượng GMM sẽ cho ra các