Luận văn sử dụng chỉ số giá tiêu dùng (CPI) để tính toán tỷ lệ lạm phát hàng năm. Nếu Po là mức giá cả trung bình của kỳ hiện tại và P-1 là mức giá của kỳ trước, thì tỷ lệ lạm phát của kỳ hiện tại là:
Tỷ lệ lạm phát = 100% x Po – P-1 P-1
Trong đó, chỉ số giá tiêu dùng hàng năm được thu thập từ Tổng cục thống kê Việt Nam.
Bảng 3.2. Kỳ vọng về dấu giữa biến độc lập và biến phụ thuộc
Biến độc lập Ký hiệu Công thức tính Quan hệ
Y ẾU T Ố N Ộ I T Ạ I N G Â N H À N G Tỷ lệ vốn chủ sở
hữu/tổng tài sản CAP
Tổng vốn chủ sở hữu/Tổng
tài sản +
Rủi ro tín dụng RSK Tổng số trích lập dự
phòng/ Tổng dư nợ -
Năng suất lao động PRO Ln (Tổng lợi nhuận sau
thuế/Tổng nhân viên) +
Tỷ lệ chi phí hoạt
động EXPS
Chi phí hoạt động/tổng tài
sản -
Quy mô ngân hàng SZ Ln (Tổng tài sản) +
Y ẾU T Ố N G À N H Mức độ cạnh tranh giữa các ngân hàng trong thị trường tiền vay LN Tính bằng chỉ số H-H (Tổng bình phương thị phần tiền vay) - Y ẾU T Ố V Ĩ M Ô Tỷ lệ lạm phát INF +
29 3.2.Thu thập và xử lý số liệu
Dữ liệu nghiên cứu được lấy từ 26 ngân hàng thương mại trong nước trong khoảng thời gian 2006 đến 2012 với các đặc điểm sau:
- Các ngân hàng nước ngoài và ngân hàng liên doanh sẽ được loại ra khỏi mẫu do có
đặc thù riêng về cơ chế hoạt động, quản lý.
- Các công ty tài chính không thuộc phạm vi nghiên cứu vì cấu trúc nguồn vốn khác
biệt đáng kể so với các ngân hàng.
- Hiện tại chỉ có 8 ngân hàng trên sàn giao dịch chứng khoán được yêu cầu công bố
thông tin báo cáo tài chính đầy đủ, nên nghiên cứu này gặp hạn chế về việc thu thập số liệu của một số ngân hàng không công khai số liệu hoặc số liệu không đầy đủ qua các năm. Mặt khác, nghiên cứu sử dụng bảng dữ liệu cân đối nên chỉ có 26 ngân hàng được đưa vào nghiên cứu với số liệu quan sát trong 7 năm. Thông tin và số liệu của các ngân hàng được lấy từ Ngân hàng nhà nước, Sở giao dịch chứng khoán, Website ngân hàng, các trang web khai thác số liệu như Cổ phiếu 68, CafeF, Vietstock.
Loại dữ liệu sử dụng cho nghiên cứu này là dữ liệu dạng bảng (panel data). Đó là việc thu thập một hoặc nhiều biến số cho nhiều đối tượng khác nhau theo một khoảng thời gian liên tục nhất định. Loại dữ liệu này ngày càng được áp dụng trong các nghiên cứu kinh tế và được lựa chọn để sử dụng trong đề tài vì những ưu điểm sau:
+ Loại dữ liệu này liên quan đến nhiều thông tin của cùng một đối tượng nghiên cứu theo thời gian khác nhau nên nó bao hàm nhiều đặc điểm khác nhau của các đối tượng nghiên cứu khác nhau. Do đó nó cho phép người sử dụng xem xét sự khác biệt của các đặc điểm riêng của các đối tượng khác nhau bằng việc đưa thêm trong mô hình những biến số chỉ định riêng cho từng đối tượng được nghiên cứu.
+ Dữ liệu dạng bảng cung cấp cho người nghiên cứu một lượng lớn các điểm dữ liệu, gia tăng hệ số tự do và giảm cộng tuyến giữa các biến giải thích vì thế cải thiện hiệu quả của các ước lượng kinh tế. Ngoài ra, dữ liệu dạng bảng cho phép người nghiên cứu phân tích những câu hỏi kinh tế quan trọng mà không thể giải quyết được khi sử dụng chuỗi dữ liệu thời gian hay là dữ liệu chéo (Cheng Hsiao (2003)).
+ Dữ liệu bảng kết hợp thông tin của nhiều đối tượng nghiên cứu khác nhau sẽ làm cho số quan sát tăng lên đáng kể, do đó sẽ làm giảm các sai số ngẫu nhiên có thể xảy ra trong việc phân tích mô hình.
30 Sau khi thu thập và tính toán các biến, số liệu được trình bày dưới dạng bảng thống kê mô tả bao gồm các nội dung như tên biến, số mẫu, giá trị trung bình, độ lệch chuẩn, giá trị cực đại và cực tiểu.
3.3. Khảo sát tương quan giữa các biến độc lập
Thông qua ma trận hệ số tương quan để tìm ra các cặp biến có hệ số tương quan cao. Gujarati và Porter (2004) cho rằng cần nghiên cứu hệ số tương quan giữa các biến, nếu chúng vượt quá 0.8, mô hình hồi quy sẽ gặp vấn đề đa cộng tuyến.
3.4.Xây dựng phương trình thực nghiệm và lựa chọn mô hình
Để kiểm định mối quan hệ giữa các yếu tố nội tại ngân hàng, yếu tố ngành và yếu tố vĩ mô với hiệu quả hoạt động ngân hàng, mô hình khảo sát như sau:
(ROA, ROE, NIM) = f (CAP, RSK, PRO, EXPS, SZ, LN, INF) Hay có thể viết thành 3 mô hình như sau:
Mô hình 1: ROE = f (CAP, RSK, PRO, EXPS, SZ, LN, INF) Mô hình 2: ROA = f (CAP, RSK, PRO, EXPS, SZ, LN, INF) Mô hình 3: NIM = f (CAP, RSK, PRO, EXPS, SZ, LN, INF)
Theo Wooldridge (1997) và Hsiao (2003), phương pháp hồi quy thông dụng với dữ liệu dạng bảng là mô hình hồi quy pool, mô hình tác động cố định và mô hình tác động ngẫu nhiên. Nghiên cứu sẽ lần lượt trình bày các mô hình nói trên.
3.4.1. Mô hình hồi quy Pool
Đây là trường hợp đơn giản nhất, mô hình bỏ qua mảng thời gian và không gian của dữ liệu bảng, và chỉ ước lượng mô hình hồi quy bình phương tối thiểu thông thường (OLS). Trong mô hình này, các giả định về sự tự tương quan, phương sai thay đổi, những sự khác biệt về không gian và thời gian của từng biến quan sát đều không tác động đến. Chính vì thế, tung độ gốc và độ dốc của các hệ số được giả định là không thay đổi theo thời gian, không gian và cả theo từng biến.
31 Yit = β1 + β2*X2it + β3*X3it + … + βk*Xkit + µit (1)
Trong đó: i = 1, 2, 3, ….n; t= 1, 2, 3, ….T
Tuy nhiên, nhược điểm của mô hình này là khả năng xảy ra hiện tượng tự tương quan trong số liệu khá cao. Ngoài ra, việc giả định hệ số chặn trong mô hình là giống nhau cho các đối tượng quan sát, và giả định về hệ số ước lượng của các biến quan sát là giống nhau cho các đối tượng quan sát làm bóp méo hình ảnh thực sự về mối quan hệ giữa biến Y và các biến X.
3.4.2. Mô hình hồi quy tác động cố định (Fixed Effect Model _FEM)
Mô hình tác động cố định không bỏ qua các ảnh hưởng theo chuỗi thời gian và các đơn vị chéo, hay nói cách khác, tung độ gốc của mỗi đơn vị chéo là thay đổi nhưng vẫn giả định độ dốc là cố định cho từng biến. Khi đó, mô hình tác động cố định được biểu diễn như sau:
Yit = βit + β2*X2it + β3*X3it + ….+ βk*Xkit + µit (2) Mô hình (2) có thể tách thành hai mô hình:
Yit = β1t + β2*X2it + β3*X3it + ….+ βk*Xkit + µit (2.1) Yit = β1i + β2*X2it + β3*X3it + ….+ βk*Xkit + µit (2.2)
Mô hình 2.1 giả định tung độ gốc thay đổi theo thời gian nhưng giống nhau giữa các đơn vị chéo trong cùng năm quan sát, được biết đến như hồi quy tác động cố định thời gian. Trong mô hình này, các tác động thời gian cố định kiểm soát những biến không quan sát giống nhau giữa các đơn vị chéo nhưng khác nhau khi thời gian thay đổi.
Mô hình 2.2 giả định tung độ gốc chung của mô hình thay đổi nhưng độ dốc của các đơn vị chéo không đổi. Với tác động chéo cố định, do đó tung độ gốc khác nhau giữa các đơn vị chéo nhưng nó lại không thay đổi theo thời gian. Những ảnh hưởng làm thay đổi tung độ gốc có thể là do sự khác biệt về đặc thù, hay phong cách quản lý của mỗi ngân hàng.
3.4.3. Mô hình hồi quy tác động ngẫu nhiên (Random Effect Model _REM)
Nếu ở trong mô hình hồi quy tác động cố định, những yếu tố không quan sát được xem như là tham số và được ước lượng, ở mô hình tác động ngẫu nhiên, chúng
32 được xem như là kết quả của những biến ngẫu nhiên. Từ mô hình 2.2, ta giả định β1i như biến ngẫu nhiên có giá trị trung bình là β1 và giá trị tung độ gốc của đơn vị chéo được biểu diễn như sau:
β1i = β1 + Ɛi; Với i = 1, 2, …N và Ɛi là sai số ngẫu nhiên. Ta có thể viết lại mô hình 2.2:
Yit = β1i + β2*X2it + β3*X3it + ….+ βk*Xkit + µit
= β1 + β2*X2it + β3*X3it + ….+ βk*Xkit + µit + Ɛi = β1 + β2X2it + β3X3it + ….+ βkXkit + wit
Trong đó wit = µit + Ɛi là số hạng sai số kết hợp hai thành phần: Ɛi là thành phần sai số theo không gian và µit là thành phần sai số theo không gian và chuỗi thời gian kết hợp. Mô hình này giúp cho việc kiểm soát những tác động không quan sát được của các đơn vị chéo khác nhau nhưng không thay đổi theo thời gian. Những tác động không quan sát được như đặc thù, chính sách, nguồn nhân lực, …của ngân hàng.
Mô hình kèm theo những giả định của tác động cố định cộng thêm yêu cầu bổ sung là các tác động không quan sát được không tương quan với tất cả các biến giải thích. Giả thuyết này được kiểm định bằng kiểm định Hausman (1978). Theo Wooldridge (1997), nếu giả thuyết tác động ngẫu nhiên đúng, ước lượng tác động ngẫu nhiên hiệu quả hơn mô hình pool và cả mô hình tác động cố định. Tuy nhiên, nếu không giữ giả định tác động cố định không tương quan với các biến giải thích, thì mô hình hồi quy tác động cố định lại thích hợp hơn mô hình này.
3.4.4. Lựa chọn FEM và REM
Sau khi xây dựng được mô hình, vấn đề tiếp theo là FEM hay REM sẽ tốt hơn. Câu trả lời cho câu hỏi này xoay quanh giả định mà ta đưa ra về mối tương quan giữa sai số µi và các biến hồi quy độc lập. Nếu như ta giả định rằng µi và các biến số X là không có tương quan nhau thì REM có thể sẽ phù hợp hơn; còn nếu ngược lại, µi và các biến số có tương quan nhau thì FEM sẽ phù hợp hơn.
Để có cở sở lựa chọn FEM hay REM, Hausman (1978) đã xây dựng kiểm định
lựa chọn FEM và REM. Giả thuyết H0 làm nền tảng cho kiểm định Hausman là các ước
33 xây dựng có phân phối χ tiệm cận. Nếu giả thuyết H0 bị bác bỏ, kết luận sẽ là REM không phù hợp và trong trường hợp này FEM sẽ được lựa chọn.
Thực chất kiểm định Hausman (1978) để xem xét có tồn tại tự tương quan giữa
sai số µi và các biến hồi quy độc lập hay không. Kiểm định Hausman (1978) là kiểm
định giả thuyết:
H0: sai số µi và biến độc lập không tương quan. H1: sai số µi và biến độc lập có tương quan.
Nếu giá trị (Prob>χ2) < 0,05 thì ta bác bỏ giả thiết H0, khi đó sai số µi và biến độc lập có tương quan, khi đó việc sử dụng mô hình tác động cố định sẽ giải thích tốt hơn. Và ngược lại, khi giá trị (Prob>χ2) > 0,05, lúc đó chấp nhận giả thiết Ho, tức là sai số µi
và biến độc lập không tương quan, mô hình tác động ngẫu nhiên nên được sử dụng trong trường hợp này.
3.5.Kiểm định độ phù hợp của mô hình hồi quy đã lựa chọn
Nghiên cứu thực hiện một số kiểm định cơ bản để xem có tồn tại các khuyết tật trong mô hình hay không, bao gồm:
- Ma trận tương quan giữa các hệ số được dùng để kiểm tra khả năng xảy ra hiện tượng đa cộng tuyến trong mô hình hồi quy. Việc này được thực hiện ở bước khảo sát mối tương quan giữa các cặp biến. Ngoài ra luận văn còn sử dụng phương pháp nhân tử phóng đại phương sai (VIF) để có kết luận chắc chắn về đa cộng tuyến.
- Sử dụng giá trị thống kê Durbin-Watson có trong bảng kết quả hồi quy cộng với kinh nghiệm kiểm tra được trình bày trong tài liệu của Hoàng Ngọc Nhậm (2008) mà kết luận có hay không tồn tại tự tương quan trong mô hình hồi quy.
- Dùng kiểm định WALD để xem xét về các biến cần thiết trong mô hình, để kiểm tra các hệ số hồi quy của các biến trong mô hình khác 0 là thực sự có ý nghĩa hay không.
- Đối với vấn đề phương sai thay đổi, tác giả dùng kiểm định White để xem xét tổng
quát về sự đồng nhất của phương sai. Quá trình thực hiện kiểm định sẽ theo các trình tự sau: tác giả sẽ hồi quy mô hình gốc, từ đó thu được phần dư ei. Sau đó, ước lượng mô hình hồi quy với biến phụ thuộc là bình phương phần dư vừa thu được, trong trường hợp này, ngoài các biến độc lập ban đầu, phương trình được bổ sung thêm bình phương các biến độc lập và các số hạng có chứa tích chéo của các biến độc lập với nhau. R2 tìm
34 được từ mô hình này sẽ được dùng để tính toán cho các bước tiếp theo. Cuối cùng, với R2 vừa xác định, n là số lượng đơn vị chéo, tác giả tính được giá trị n*R2. Bên cạnh đó, với bậc tự do là k=p-1 và độ tin cậy là 95%, tác giả xác định được giá trị χ2, so sánh giữa hai giá trị n*R2 và χ2, nếu n*R2 có giá trị lớn hơn thì giả thuyết H0 cho rằng không có hiện tượng phương sai thay đổi sẽ bị bác bỏ, ngược lại nếu n*R2 có giá trị bé hơn thì
chấp nhận giả thuyết H0, hay môhình xem xét không có hiện tượng phương sai thay
đổi.
- Nếu xảy ra hiện tượng phương sai thay đổi, tác giả sẽ sử dụng phương pháp GLS
(bình phương tối thiểu tổng quát) để khắc phục.
Ngoài ra, hiện nay có nhiều ý kiến xung quanh vấn đề dùng chỉ tiêu R2 để giải thích, đánh giá mô hình hồi quy với dữ liệu dạng bảng. Các chuyên gia kinh tế cho rằng, hệ số này chỉ có giá trị giải thích đối với các mô hình hồi quy theo chuỗi thời gian, và có cỡ mẫu quan sát nhỏ (khoảng trên dưới 100 quan sát), hoặc dùng trong các trường hợp dự báo. Tuy nhiên, đối với mô hình hồi quy dữ liệu dạng bảng, đối với các nghiên cứu đi kiểm định giả thuyết, hoặc dự đoán mối liên hệ giữa các biến, thì chỉ tiêu R2 không được sử dụng để đưa ra kết luận. Gelman và Pardoe (2006) cho rằng R2 không phải là một chỉ tiêu hoàn hảo để đánh giá mô hình, đặc biệt là mô hình hồi quy dữ liệu dạng bảng. Do đó không thể kết luận mô hình không tốt nếu R2 thấp, cũng không thể kết luận mô hình là hoàn hảo trong việc giải thích mối quan hệ giữa các biến trong trường hợp R2 tiến về gần 1. Trong luận văn này không sử dụng chỉ tiêu R2 để đánh giá, kết luận về mô hình. 3.6. Giải thích kết quả nghiên cứu
Sau khi lựa chọn được mô hình tối ưu, tác giả sẽ phân tích và thảo luận kết quả. Kết quả nghiên cứu có thể giống hoặc khác với lý thuyết đã đưa ra, do đó trong phần giải thích kết quả nghiên cứu, tác giả sẽ kết hợp lý thuyết và thực tiễn của môi trường khảo sát để biện luận ý nghĩa kinh tế của các mối tương quan có ý nghĩa thống kê giữa biến phụ thuộc và biến độc lập. Thông qua đó, luận văn khẳng định lại sự đúng đắn của giả thuyết đã đề ra hoặc giải thích các nguyên nhân bị bác bỏ hay chưa chứng minh được của nghiên cứu.
35 Tóm lại, chương 3 thể hiện việc tính toán các biến số để đưa vào mô hình hồi quy. Các kỹ thuật ước lượng mô hình cũng được trình bày cụ thể. Trong thực tế, việc xây dựng mô hình tốt đến đâu cũng khó cho ra kết quả đáng tin cậy nếu việc thu thập và xử lý số liệu không chính xác. Do đó số liệu trong nghiên cứu được tác giả thu thập từ các