NPL Hệ số Sai số chuẩn P > ׀z׀ NPL1 0.3256*** 0.0360 0.000 ROE -0.0184** 0.0090 0.041 CREDITGR -0.0054*** 0.0017 0.002 EQUITY 0.0080 0.0234 0.733 GDP - 0.2225** 0.0950 0.019 INF 0.0260*** 0.0080 0.001 _CONS 2.8798*** 0.5904 0.000
Nguồn: Kết quả từ phần mềm Stata
(***, **, * có ý nghĩa thống kê lần lượt ở mức 1%, 5% và 10%)
Kết quả mơ hình ước lượng bằng GLS được trình bày trong bảng 4.6 cho thấy đa
phần các yếu tố đặc thù của ngân hàng như: nợ xấu trong quá khứ, khả năng sinh
trưởng GDP và tỷ lệ lạm phát đều có ảnh hưởng đến tỷ lệ nợ xấu. Chỉ còn lại tỷ lệ vốn chủ sở hữu là khơng có ý nghĩa thống kê.
4.3.3.2. Ước lượng theo phương pháp GMM
Tuy nhiên, kết quả ước lượng bằng phương pháp GLS có một nhược điểm là khơng
thể khắc phục được hiện tượng nội sinh. Nói cách khác, hiện tượng nội sinh sẽ làm
cho kết quả thu được bằng phương GLS khơng cịn vững nữa. Cụ thể, mơ hình
nghiên cứu sử dụng biến trễ của biến phụ thuộc (𝑁𝑃𝐿𝑖,𝑡−1) làm biến độc lập, nên
theo Dimitrios P. Louzis, Angelos T. Vouldis và Vasilios L. Metaxas (2010); Nir Klein (2013) thì mơ hình nghiên cứu có dạng dữ liệu bảng động (Dynamic panel
data) và biến trễ của biến phụ thuộc (𝑁𝑃𝐿𝑖,𝑡−1) chính là biến nội sinh.
Như vậy, hiện tượng nội sinh sẽ làm cho các ước lượng thu được bằng các phương
pháp thông thường như OLS, FEM, REM, GLS,… không đạt hiệu quả cao và các
kết quả hồi quy cũng khơng cịn đáng tin cậy. Vậy nên, tác giả sẽ sử dụng phương
pháp ước lượng GMM để khắc phục hiện tượng này nhằm đảm bảo các kết quả thu
được chính xác hơn.
Do đó, mơ hình nghiên cứu của tác giả sẽ được ước lượng bởi phương pháp GMM
hệ thống hai bước và thực hiện bằng phần mềm Stata 13 với lệnh xtabond2. Ngoài
ra, tác giả cũng thêm vào lệnh collapse và robust để tránh gây ra sự chênh lệch do số lượng công cụ vượt quá số lượng quan sát và vấn đề phương sai thay đổi, tự
tương quan bên trong chủ thể. Kết quả kiểm định các giả thuyết nghiên cứu được
Bảng 4.7: Kết quả ước lượng bằng phương pháp GMMNPL Hệ số Sai số chuẩn P > ׀t׀