(i) Tác giả sử dụng phương pháp thống kê mô tả trình bày một bức tranh tổng quát về diễn biến quản trị rủi ro tín dụng và khả năng sinh lời. Các đại lượng được sử dụng trong thống kê mô tả là số tuyệt đối, số tương đối, số trung bình, độ lệch chuẩn, số lớn nhất, nhỏ nhất, tần suất và phần trăm để phân tích thực trạng.
Trung bình mẫu (mean) trong thống kê là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập.
Số trung vị (median) là một số tách giữa nửa lớn hơn và nửa bé hơn của một mẫu, một quần thể, hay một phân bố xác suất. Nó là giá trị giữa trong một phân bố, mà số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.
Độ lệch chuẩn, hay độ lệch tiêu chuẩn, là một đại lượng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã được lập thành bảng tần số. Có thể tính ra độ lệch chuẩn bằng cách lấy căn bậc hai của phương sai. Nếu gọi X là giá trị của công cụ tài chính, m = E(X) là trung bình động của X, S là phương sai, d là độ lệch chuẩn thì độ lệch chuẩn sẽ được tính toán như sau: S = E[(X - m)2], d = Căn bậc hai của S.
Tần suất và biểu đồ phân bổ tần suất, tần suất là số lần suất hiện của biến quan sát trong tổng thể, giá trị các biến quan sát có thể hội tụ, phân tán, hoặc phân bổ theo một mẫu hình nào đó, quy luật nào đó.
Khi hai tập dữ liệu có cùng giá trị trung bình cộng, tập nào có độ lệch chuẩn lớn hơn là tập có dữ liệu biến thiên nhiều hơn. Trong trường hợp hai tập dữ liệu có giá trị trung bình cộng không bằng nhau, thì việc so sánh độ lệch chuẩn của chúng không có ý nghĩa. Độ lệch chuẩn còn được sử dụng khi tính sai số chuẩn. Khi lấy độ lệch chuẩn chia cho căn bậc hai của số lượng quan sát trong tập dữ liệu, sẽ có giá trị của sai số chuẩn.
Skewness mô tả mức độ đối xứng qua trục tung, mức độ hoàn hảo nhất vì đối xứng hoàn toàn, đồ thị hình sin. Kurtosis đo mức độ dốc hay thoải.
(ii) Tác giả tiến hành xem xét tính tương quan giữa các biến; hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein(1994), hệ số tương quan các biến sẽ có các mức độ phân loại như sau:
- ±0.01 đến ±0.1 : Mối tương quan quá thấp, không đáng kể - ±0.2 đến ±0.3 : Mối tương quan thấp
- ±0.6 đến ±0.7 : Mối tương quan cao - ±0.8 trở lên : Mối tương quan rất cao
Trong đó các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi thang đo.
(iii) Kiểm định nghiệm đơn vị (tính dừng của dữ liệu chuỗi thời gian)
Kiểm định nghiệm đơn vị là một kiểm định được sử dụng khá phổ biến để kiểm định một chuỗi thời gian dừng hay không dừng.
Giả sử ta có phương trình hồi qui tự tương quan như sau:
Yt=ρYt-1+ut (-1≤ρ≤1) (3.1)
Ta có các giả thuyết:
H0: ρ = 1 (là chuỗi không dừng). H1: ρ < 1 (là chuỗi dừng).
Phương trình (3.1) tương đương với phương trình (3.2) sau đây:
Yt - Y t-1=ρYt-1 - Y t-1+ut = (ρ-1)Y t-1 +ut ΔY = δ Y t-1 +ut (3.2)
Như vậy các giả thuyết ở trên có thể được viết lại như sau: H0 : δ = 0 (là chuỗi không dừng).
H1 : δ < 0 (là chuỗi dừng).
Dickey và Fuller cho rằng giá trị t ước lượng của hệ số Y t-1 sẽ theo phân phối xác suất τ (tau statistic, τ = giá trị δ ước lượng/sai số của hệ số δ). Kiểm định thống kê τ còn được gọi là kiểm định Dickey - Fuller (DF). Kiểm định DF được ước lượng với 3 hình thức:
- Khi Yt là một bước ngẫu nhiên không có hằng số:
ΔY = δ Y t-1 +ut (3.3)
- Khi Yt là một bước ngẫu nhiên có hằng số:
ΔY = β1+ δ Y t-1 +ut (3.4)
- Khi Yt là một bước ngẫu nhiên với hằng số xoay quanh một đường xu thế ngẫu nhiên:
Để kiểm định H0 ta so sánh giá trị thống kê τ tính toán với giá trị thống kê tra bảng DF. Tuy nhiên, do có thể có hiện tượng tương quan chuỗi giữa các ut do thiếu biến, nên người ta thường sử dụng kiểm định DF mở rộng là ADF (Augmented Dickey - Fuller Test). Kiểm định này được thực hiện bằng cách đưa thêm vào phương trình (3.5) các biến trễ của sai phân biến phụ thuộc ΔYt :
ΔY = β1+ β2 TIME + δY t-1 +αiΔYt-1 + ut (3.6)
Kết quả nếu |τADF| < |τα| với α lần lượt tại các mức ý nghĩa thống kê. Ta kết luận chấp nhận giả thuyết H0 thức chuỗi Y là không dừng và ngược lại.
(iv) Tiếp đến, tác giả tiến hành phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường (Ordinal Least Squares - OLS). Hệ số xác định R2 điều chỉnh được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để khẳng định khả năng mở rộng mô hình này áp dụng cho tổng thể. (adsbygoogle = window.adsbygoogle || []).push({});
Cụ thể để tiến hành kiểm định mức độ phù hợp của mô hình bằng tiêu chuẩn của kiểm định F, với mức ý nghĩa 5%, nếu P value (Sig F) > 5% bác bỏ Ho và ngược lại.
Ho : Mô hình không phù hợp
H1 : Mô hình phù hợp
Sau đó tác giả tiến hành kiểm định hệ số beta có ý nghĩa hay không (xem có tác động hay không?) với cặp giả thiết để xem xét các biến có tác động hay không.
Ho : β1, β2, = 0
H1 : β1, β2 ≠ 0
Với mức ý nghĩa 5%, nếu P value > 5% bác bỏ Ho và ngược lại (v) Kiểm định các giả thuyết và các vấn đề của mô hình
- Kiểm định đa cộng tuyến (sử dụng hồi qui phụ):
Kiểm định này nhằm phát hiện ra hiện tượng đa cộng tuyến là hiện tượng mà các biến độc lập có quan hệ tương quan với nhau.
Mô hình hồi qui chính:
t i t ki k t i t i t i X X X Y, 0 1 1, 2 2, ... , ,
Xét các mô hình hồi qui phụ sau:
Xj,t =0+1X1i,t+2X2i,t +…+j-1Xj-1i,t +j+1Xj+1i,t +i,t
Giả thiết:
H0 : Rj2 = 0: Không có đa cộng tuyến H1 : Rj2 0: Có đa cộng tuyến Với mức ý nghĩa miền bác bỏ là:
F > F;(k-2,n-k+1) hay p-value <
Chấp nhận H0: Không có đa cộng tuyến giữa Xj với các biến độc lập còn lại. Chấp nhận H1: Có đa cộng tuyến giữa Xj với các biến độc lập còn lại.
- Kiểm định phương sai thay đổi Heteroscedasticity: (Kiểm định White)
Kiểm định White nhằm xem xét phương sai của sai số mô hình hồi qui có thay đổi hay không.
Mô hình kiểm định:
i,t = 0+1X1i,t+2X2i,t+…+kXki,t+k+1X1i,t*X2i,t+…+k+mX(k-
1)i,t*Xki,t+k+m+1X1i,t ^2i,t+…+k+m+1+hXki,t^2i,t+i,t
Giả thiết:
H0: i = 0 i0,km1h : Không có hiện tượng phương sai thay đổi H1: i 0 : Có hiện tượng phương sai thay đổi
Với mức ý nghĩa miền bác bỏ là:
nR2>2;k+m+1+h
Chấp nhận H0: Không có hiện tượng phương sai thay đổi Bác bỏ H0: Có hiện tượng phương sai thay đổi.
- Kiểm định tự tương quan: (Kiểm định Durbin - Watson)
Kiểm định tự tương quan bậc p: Kiểm định Breusch - Godfrey (BG) Xét mô hình:
Y= 0 + 1X + (adsbygoogle = window.adsbygoogle || []).push({});
t= 1t-1 + 2t-2 + … + pt-p + t
Bước 1: Ước lượng mô hình mô hình hồi qui ban đầu bằng OLS, tìm phần dư t.
Bước 2: Dùng OLS để ước lượng mô hình
Kết luận chương 3
Tại chương 3 tác giả đã chi tiết hóa các ý tưởng phục vụ cho việc trả lời các câu hỏi nghiên cứu; đạt được mục tiêu nghiên cứu đề ra. Cụ thể, từ các nghiên cứu trước đây ở chương 2, tác giả đã ứng dụng nghiên cứu của Kolapo T. Funso; Ayeni, R. Kolade (2012), Neir Klein (2013), Ahlem Selma Messai (2013) vào việc xây dựng mô hình nghiên cứu mối quan hệ giữa nợ xấu và khả năng sinh lời; và để đảm bảo cho mô hình có ý nghĩa thì trong mô hình có thêm một số biến kiểm soát.
Sau đó, tác giả đi vào trình bày phương pháp tính các chỉ tiêu trên, các giả thuyết nghiên cứu trong mô hình. Dữ liệu trong mô hình được thu thập từ báo cáo tài chính, các nghiên cứu của các cơ quan quản lý, chuyên môn trong lĩnh vực ngân hàng tài chính và được xử lý trên phần mềm Eviews.
Các kỹ thuật phân tích dữ liệu bao gồm: thống kê mô tả, hồi quy mô hình, kiểm định tự tương quan, đa cộng tuyến, phương sai sai số thay đổi, kiểm định các giả thuyết thống kê, sự phù hợp của mô hình. Những nội dung tại chương 3 này sẽ là những kiến thức cần thiết ứng dụng vào việc phân tích thực tiễn tại Agribank chi nhánh Thừa Thiên Huế.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU