Các yếu tố Các giả thuyết Nguồn
1. Tỷ suất sinh lợi trên tổng tài sản (ROA)
Giả thuyết H1: Khả năng sinh lời trên tổng tài sản và hệ số an tồn vốn tối thiểu có quan hệ nghịch chiều
Leila Bateni và cộng sự (2014), Yonas Mekonnen (2015)
2. Biến tỷ lệ tiền gửi (DEP)
Giả thuyết H2: Tỷ lệ tiền gửi có quan hệ thuận chiều đến hệ số an toàn vốn của NHTM
Asakaya và Ozcan (2007), Thân Thị Thu Thủy và Nguyễn Thị Kim Chi (2015)
3. Biến khả năng thanh khoản (LIQ)
Giả thuyết H3: Tỷ lệ phản ánh khả năng thanh khoản có quan hệ nghịch chiều với hệ số an toàn vốn CAR
Ahmet và Hasan (2011)
4. Biến tỷ lệ dư nợ cho vay trên tổng tài sản (LOA)
Giả thuyết H4: Tỷ lệ cho vay trên tổng tài sản có tác động tiêu cực đến hệ số CAR
Ahmet và Hasan (2011) tại Thổ Nhĩ Kỳ, Thân Thị Thu Thủy và Nguyễn Thị Ngọc Anh (2015)
5. Biến tỷ lệ dự phòng rủi ro tín dụng (LLR)
Giả thuyết H5: Mối quan hệ giữa an toàn vốn và tỷ lệ dự phịng rủi ro tín dụng là tương quan thuận chiều
Blose (2001), Gongphil Choi (2000)
6. Biến tỷ lệ nợ xấu (NPL)
Giả thuyết H6: mối tương quan giữa hệ số an toàn vốn và tỷ lệ nợ xấu được kỳ vọng là mối tương quan âm
Allen và cộng sự (2013)
7. Biến hệ số đòn bẩy (LEV)
Giả thuyết H7: Quan hệ giữa hệ số an toàn vốn và hệ số địn bẩy tài chính là mối quan hệ nghịch chiều
Ahmet và Hasan (2011) 8. Biến quy mô ngân
hàng (SIZE)
Giả thuyết H8: Quy mô ngân hàng và hệ số CAR có tương quan nghịch chiều
Jim Wong và cộng sự (2005), Gropp và Heider (2007)
9. Biến quy mô hội đồng quản trị (BoardS)
Giả thuyết H9: Quy mô hội đồng quản trị và hệ số CAR có mối quan hệ thuận chiều
Pathan (2009) và Chan và cộng sự (2016) 10. Biến tỷ lệ thành viên độc lập trong HĐQT (IndepB) Giả thuyết H10: Tỷ lệ thành viên độc lập của HĐQT và hệ số CAR có mối quan hệ thuận chiều Chan và cộng sự (2016) 11. Biến tỷ lệ thành viên nữ trong HĐQT (FemaleB) Giả thuyết H11: Tỷ lệ thành viên HĐQT là nữ có mối quan hệ thuận chiều với hệ số CAR
Carter và cộng sự (2003), Erhart và cộng sự (2003). Ruhul Salima và cộng sự (2016)
12. Biến tỷ lệ thành viên người nước ngoài trong HĐQT
(ForeignB)
Giả thuyết H12: Hệ số CAR có mối quan hệ thuận chiều với tỷ lệ thành viên người nước ngoài trong HĐQT
Dong và cộng sự (2017); Phạm Hoàng Ân (2019)
13. Biến trình độ học vấn của các thành viên HĐQT (EduB)
Giả thuyết H13: Hệ số CAR có tương quan thuận chiều với tỷ lệ thành viên có trình độ sau đại học của HĐQT
Berger và cộng sự (2014)
14. Biến chỉ số giá tiêu dùng (CPI)
Giả thuyết H14: Mối quan hệ giữa lạm phát và hệ số CAR là mối quan hệ nghịch chiều
Rafet Aktas và cộng sự (2015)
15. Biến tốc độ tăng trưởng kinh tế (GDP)
Giả thuyết H15: Mối quan hệ giữa tốc độ tăng trưởng kinh tế và CAR là mối quan hệ thuận chiều
Bokhari và Ali (2012); Rafet và cộng sự (2015)
16. Biến đại dịch Covid-19 (Dummy)
Giả thuyết H16: Đại dịch Covid-19 có ảnh hưởng đến hệ số CAR hay không
Yusuf, M., & Ichsan, R. N. (2021)
(Nguồn: Tác giả tổng hợp)
3.3 Nghiên cứu định lượng
3.3.1 Khái quát về nghiên cứu định lượng
Luận án đã lựa chọn mơ hình nghiên cứu tác động của các yếu tố đến hệ số an toàn vốn tối thiểu (CAR) của các ngân hàng thương mại cổ phần Việt Nam. Tác giả đã tiến hành nghiên cứu nguồn dữ liệu sử dụng trong nghiên cứu là dữ liệu thứ cấp của 28 NHTM Việt Nam trong nước trong khoảng thời gian từ năm 2009-2020. Các dữ liệu về ngân hàng được cung cấp từ cơ sở dữ liệu này là hoàn toàn đáng tin cậy.
Trong nghiên cứu định lượng chính thức, luận án sẽ tiến hành các phương pháp sử dụng trong các nghiên cứu trước là phương pháp phân tích dữ liệu bảng
(panel data) gồm: Phương pháp random effects model (REM), Phương pháp fixed effects model (FEM), pooled OLS, và SGMM. Đây là phương pháp dựa trên nền tảng và sử dụng thống kê p-value để kiểm định các giả thuyết nghiên cứu. Việc sử dụng p-value trong nghiên cứu hiện nay đang có nhiều tranh cãi theo Phạm Hoàng Uyên và cộng sự (2016).
3.3.1.1 Các phương pháp hồi quy
Pooled OLS là mơ hình hồi quy trong đó tất cả các hệ số đều không đổi theo thời gian và theo các đặc tính riêng biệt của từng cá thể, khi đó bộ dữ liệu sẽ khơng xét trên bình diện khơng gian và thời gian mà chỉ đơn thuần là ước lượng mơ hình OLS thơng thường. Phương pháp này sẽ xem xét ảnh hưởng của đặc tính riêng biệt của từng cá thể là như nhau, bên cạnh đó là mặc dù phương pháp hồi quy OLS được xem là ước lượng tuyến tính hiệu quả, khơng thiên lệch, là tốt nhất (BLUE), nhưng ngược lại phương pháp này cũng rất dễ vi phạm các giả thuyết của mơ hình hồi quy tuyến tính, do đó phương pháp Pooled OLS khơng cịn hiệu quả và không đáng tin cậy nữa.
Khác với với mơ hình Pooled OLS, mơ hình hồi quy FEM cho rằng ảnh hưởng của từng đặc tính riêng biệt của từng cá thể là khác nhau, mơ hình FEM phân tích mối tương quan này giữa những phần dư của mỗi đơn vị với 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 chúng ta có thể ước lượng những ảnh hưởng thực của biến giải thích lên biến phục thuộc, đồng thời điểm đặc biệt của mơ hình này là hệ số của các đặc điểm riêng biệt không được tương quan với các biến độc lập khác trong mơ hình.
Mơ hình hồi quy REM xem xét đến sự khác biệt, đặc điểm riêng và các xuất phát điểm khác nhau của từng thực thể (công ty, doanh nghiệp, ngân hàng. . .). Các sự khác biệt này tác động đến các biến độc lập làm cho mỗi thực thể có các hệ số riêng cho từng biến độc lập trong mơ hình.
Điểm khác biệt giữa mơ hình REM và FEM thể hiện ở sự biến động giữa các đơn vị, nếu sự biến động giữa các đơn vị có tương quan đến biến độc lập và biến giải thích trong mơ hình FEM thì trong mơ hình REM sự biến động giữa các đơn vị được giả sử ngẫu nhiên và khơng tương quan đến các biến giải thích. Chính vì vậy nếu sự khác biệt giữa các đơn vị có ảnh hưởng đến biến phụ thuộc thì REM sẽ thích
hợp hơn FEM, trong đó phần dư của mỗi thực thể (khơng tương quan với biến giải thích) được xem là một biến giải thích mới.
Chính những ưu điểm đó mà ta có thể thể thấy việc ước lượng FEM hoặc REM có thể mang lại nhiều ưu điểm và phù hợp hơn so với phương pháp Pooled OLS, tuy nhiên FEM hoặc REM đều tồn tại những hạn chế rất khó xử lý bao gồm:
(i) Sử dụng quá nhiều biến giả làm bậc tự do và tạo ra hiện tượng đa cộng tuyến giữa các biến làm cho kết quả ước lượng không tin cậy.
(ii) Không đề cập đến thành phần sai số của mơ hình mà ngầm định rằng sai số của mơ hình tn theo giả định cổ điển cho nên khơng kiểm sốt được hiện tượng phương sai sai số thay đổi và vấn đề tương quan của biến độc lập với sai số.
(iii) Loại bỏ luôn các biến độc lập khơng thay đổi theo thời gian nếu có trong mơ hình.
(iv) Chỉ áp dụng cho các dữ liệu bảng tĩnh, khơng xử lý được khi dữ liệu có tính chất động có nghĩa là tác động của các biến độc lập có độ trễ.
Tuy nhiên ở góc độ của bài nghiên cứu này, mơ hình FEM và REM sẽ được nghiên cứu chính để áp dụng cho việc ước lượng mơ hình đã đưa ra.
Trong trường hợp cả 2 kiểm định tự tương quan và phương sai thay đổi cùng bác bỏ giả thuyết H0 cho rằng mơ hình hồi quy bị khuyết tật thì nghiên cứu sẽ sử dụng giải pháp khắc phục đó là ước lượng mơ hình hồi quy ước lượng bình phương tổng quát tuyến tính XTGLS. Phương pháp SGMM rất hữu hiệu khi ước lượng mơ hình có sự tồn tại tương quan bậc 1 trong phần dư của mơ hình hồi quy do đó việc sử dụng mơ hình SGMM giúp cho ước lượng được hiệu quả và đáng tin cậy hơn.
Trong nghiên cứu dữ liệu mảng (panel data), với cách truyền thống các nhà khoa học hay dùng fixed effect hoặc random effect trong việc ước lượng mơ hình nghiên cứu. Trong trường hợp phát hiện các hiện tượng không tốt dẫn tới việc ước lượng không cịn chính xác (khuyết tật của mơ hình), ngun nhân của các khuyết tật thường là: Sai dạng hàm hay do bỏ xót các biến quan trọng.
Trong trường hợp sai dạng hàm thì tất nhiên chúng ta phải thay đổi dạng hàm để cho phù hợp. Trường hợp còn lại nếu rơi vào tình trạng bỏ xót biến quan trọng (thiếu biến ngoại sinh hoặc biến nội sinh), trong trường hợp biến độc lập trong mơ hình cũ là biến nội sinh (được miêu tả qua biến khác) mà biến chưa đưa vào này có quan hệ với phần dư dẫn tới khuyết tật. Do vậy, để giải quyết các vấn đề gặp phải
khi gặp khuyết tật này, theo Lars Peter Hansen (1982) đã phát triển đưa thêm biến cơng cụ (có quan hệ chặt với biến độc lập, phụ thuộc trong mơ hình cũ nhưng khơng có quan hệ với phần dư. Mơ hình đưa thêm biến cơng cụ này vào có tên gọi là SGMM, mơ hình này khắc phục được các vi phạm giả thiết về hiện tượng tự tương quan và phương sai sai số thay đổi.
3.3.1.2 Các kiểm định liên quan
Kiểm định F-test và Breusch-Pagan Lagrange
Để lựa chọn giữa mơ hình hồi quy theo Pooled OLS với FEM, nghiên cứu sử dụng kiểm định F-test. Cụ thể nếu giá trị p-value của F-test < 0.05, mơ hình hồi quy theo FEM sẽ phù hợp hơn so với OLS.
Kiểm định Breusch-Pagan Lagrange được sử dụng để lựa chọn giữa mơ hình Pooled OLS và REM. Trong đó, nếu kiểm định có p-value < 0.05 thì có nghĩa mơ hình FEM phù hợp hơn mơ hình theo Pooled OLS.
Kiểm định Hausman
Kiểm định Hausman được sử dụng để lựa chọn giữa mơ hình FEM và REM theo William H. Greene (2002). Bản chất của kiểm định trên là phân tích mối tương quan giữa phần dư với các biến giải thích Xi trong mơ hình nghiên cứu. Nếu phần dư có tương quan với giá trị các biến độc lập tức là kết luận các đặc điểm riêng của đối tượng được phản ảnh trong phần dư có tác động đến biến độc lập và ngược lại phủ nhận kết luận trên khi phần dư khơng có tương quan. Kiểm định Hausman sẽ được sử dụng để lựa chọn phương pháp ước lượng phù hợp giữa hai phương pháp ước lượng tác động cố định và tác động ngẫu nhiên. Giả thuyết H0 cho rằng khơng có sự tương quan giữa sai số đặc trưng giữa các đối tượng (vi) với các biến giải thích Xit trong mơ hình. Ước lượng REM là hợp lý theo giả thuyết H0 nhưng lại không phù hợp ở giả thuyết thay thế. Ước lượng FEM là hợp lý cho cả giả thuyết H0 và giả thuyết thay thế. Tuy nhiên, trong trường hợp giả thuyết H0 bị bác bỏ thì ước lượng tác động cố định là phù hợp hơn so với ước lượng tác động ngẫu nhiên.
Ngược lại, chưa có đủ bằng chứng để bác bỏ H0 nghĩa là không bác bỏ được sự tương quan giữa sai số và các biến giải thích thì ước lượng tác động cố định khơng cịn phù hợp và ước lượng ngẫu nhiên sẽ ưu tiên được sử dụng.
Kiểm định Hausman là một kiểm tra giả định thống kê trong kinh tế lượng được đặt theo tên của James Durbin, De-Min Wu và Jerry A. Hausman. Thuật toán
này sử dụng để so sánh hai phương pháp ước lượng FEM và REM. Hay nói cách khác để xem xét mơ hình FEM hay REM phù hợp hơn, ta sử dụng kiểm định Hausman. Thực chất kiểm định Hausman để xem xét có tồn tại tự tương quan giữa εi và các biến độc lập hay không.
Kiểm định đa cộng tuyến
Đa cộng tuyến là hiện tượng các biến độc lập tương quan lẫn nhau hay nói cách khác là tồn tại một hay nhiều mối quan hệ tuyến tính giữa các biến độc lập với nhau. Khi đa cộng tuyến xảy ra ta có thể thấy biến này giải thích cho biến kia và cả hai biến cùng giải thích cho biến phụ thuộc. Để nhận biết đa cộng tuyến, ta có thể quan sát thơng qua bảng ma trận hệ số tương quan giữa các cặp biến hoặc sử dụng hệ số VIF sau phương trình hồi quy theo William H. Greene (2002), có 2 dạng đa cộng tuyến như sau:
Đa cộng tuyến hồn tồn: xảy ra khi một biến có thể biểu diễn bằng một tổ hợp tuyến tính với các biến cịn lại. Đó là mối quan hệ tuyến tính hồn hảo, chặt chẽ của các biến độc lập. Lúc này hệ số tương quan giữa chúng là 1. Với đa cộng tuyến hồn hảo, ta khơng thể ước lượng được các hệ số hồi quy.
Đa cộng tuyến khơng hồn hảo: xảy ra khi một biến quan hệ tuyến tính với một vài biến trong mơ hình. Khi trong mơ hình có hiện tượng đa cộng tuyến khơng hồn hảo xảy ra thì các hệ số hồi quy vẫn ước lượng được, vẫn đảm bảo tính chất BLUE nhưng độ chính xác kém. Nguyên nhân thường gặp nhất trong kinh tế là do bản chất kinh tế của các biến, giữa chúng luôn tồn tại các mối quan hệ mật thiết với nhau ví dụ như trong lĩnh vực hoạt động ngân hàng, số dư huy động và số dư cho vay ln có mối quan hệ mật thiết với nhau, sự biến động của số dư huy động vốn ln có ảnh hưởng tác động nhất định đến sự biến thiên của dư nợ cho vay. Do vậy đa cộng tuyến thường là tất nhiên và chúng ta cần đánh giá mức độ tương quan giữa chúng để có phương án xử lý phù hợp.
Kiểm định phương sai sai số thay đổi
Sai số trong mơ hình là tất cả các yếu tố không được đề cập đến hay chưa được quan tâm trong nghiên cứu, các yếu tố này dù sao đi nữa vẫn tác động đến biến phụ thuộc. Để ước lượng hiệu quả, phương sai của sai số này cần phải đều và không thay đổi khi các biến độc lập biến thiên. Do vậy khi phương sai sai số thay đổi thì các hệ số hồi quy vẫn ước lượng được, vẫn là tuyến tính và không thiên lệch
nhưng khơng cịn là ước lượng hiệu quả nữa. Về mặt tốn học có thể khắc phục hiện tượng này bằng nhiều cách, các kỹ thuật này đã được đưa vào các phần mềm thống kê qua tùy chọn “robust” theo William H. Greene (2002). Hiện nay có rất nhiều cách kiểm định để phát hiện phương sai sai số thay đổi, đối với dữ liệu nghiên cứu là dữ liệu bảng, mơ hình được sử dụng là kiểm định tính tốn giá trị thống kê Wald đã có sẵn trong phần mềm Stata hoặc Stata 13.
Kiểm định tự tương quan trong phần dư của mơ hình
Cịn gọi là tương quan chuỗi, hiện tượng này phát sinh khi các sai số trong mơ hình của thời kỳ này lại tương quan tác động đến sai số của thời kỳ khác trong chuỗi thời gian, hoặc sai số của thực thể này tác động lên sai số của thực thể khác trong chuỗi không gian theo William H. Greene (2002). Nguyên nhân của hiện tượng tự tương quan của các vấn đề kinh tế thường là do tính “quán tính” và “chu kỳ” hoặc do tính trễ. Cũng giống như hiện tượng phương sai sai số thay đổi hiện tượng tự tương quan cũng làm cho các hệ số hồi quy vẫn ước lượng được, vẫn là tuyến tính và khơng thiên lệch nhưng khơng cịn là ước lượng hiệu quả nữa.
3.3.2 Thu thập dữ liệu
Trong bài luận án này, tác giả phân tích, tổng hợp các tài liệu liên quan đến vốn và an toàn vốn, các yếu tố tác động tới an toàn vốn. Trên cơ sở từng vấn đề nghiên cứu phát hiện ra những xu hướng, những quan điểm nghiên cứu của các tác