ki m tra nh h ng c a c u trúc s h u, đi u c n thi t là ki m soát b t k y u t gây nhi u nào. gi i quy t v n đ này bài nghiên c u s d ng ph ng pháp ghép c p giá tr xác su t – PSM và mô hình h i quy logistic, đây là ph ng pháp mà Ahn và Walker (2007); Pascal và c ng s (2013) đã s d ng.
Propensity score – Giá tr xác su t: Xác su t có đi u ki n nh n đ c can thi p ho c không nh n đ c can thi p d a vào các bi n s đ c l p đ c quan sát.( Rosenbaum và Rubin, 1983)
Pr (zi = 1,0) | xi
- Pr là giá tr xác su t cho cá th i (i=1, ….N) - Zi= 1cá th nhóm can thi p
- Zi= 0 cá th nhóm ch ng (không can thi p)
- | xi cá th đ c x p vào nhóm can thi p hay ch ng d a vào giá tr t ng h p c a các bi n đ c l p quan sát – g i chung là xi– bi n đ c l p.
Matching- Ghép c p: Ghép c p các cá th có cùng đ c đi m v i nhau vào nhóm can thi p và ch ng.
Propensity Score Matching: là k thu t t o ra hai nhóm can thi p và nhóm ch ng t ng đ ng nhau d a vào giá tr xác su t c a m i cá th mà giá tr xác su t này đ c xác đnh t các đ c đi m c a các cá th hai nhóm tr c khi xác đnh hi u qu tác đ ng. ( Rosenbaum và Rubin, 1983).
Lý do s d ng ph ng pháp PSM là trong th c t r t khó ho c không th có đ c hai nhóm t ng đ ng. đat đ c đi u này thì r t ph c t p và khó kh n trong th c t c ng thêm đó là t n r t nhi u ngu n l c. Ph ng pháp PSM có th ghép c p đ c 74 đ c đi m ho c h n th .
Tr c khi phân tích PSM chúng ta c n phân tích h i quy tìm các y u t giúp phân lo i cá th vào nhóm can thi p và nhóm ch ng. Ph i tìm đ c mô hình thích h p g m t t c các bi n s có th có nh h ng đ n vi c phân lo i này (d a vào tham s thích h p c a mô hình). N u tìm đ c mô hình thích h p có ngh a là có th ghép c p đ c hai nhóm t ng đ ng nhau d a vào giá tr xác su t thu đ c t bi n s c a mô hình.
Khi phân tích PSM ta c n có các bi n nh là bi n phân lo i tình tr ng can thi p và ch ng, bi n nh phân b ng 1 đ c can thi p và b ng 0 không đ c can thi p. Và
các bi n đ c l p hay còn g i là các bi n n n- y u t nhi u đ c tính giá tr xác su t – Propensity Score.
Các ph ng pháp ghép c p
Có t ng c ng 7 ph ng pháp đ ghép c p các cá th v i nhau. M i ph ng pháp có u đi m và nh c đi m riêng. Sau đây trình bày chi ti t 2 ph ng pháp th ng đ c s d ng.
Ghép c p phân t ng.
Giá tr xác su t đ c chia thành các kho ng, th ng thì m i kho ng có cá th c a nhóm can thi p và ch ng có giá tr xác su t gi ng nhau.
Ghép c p cá th
Các cá th nhóm can thi p và ch ng đ c s p x p theo th t ng u nhiên, sau đó cá th nhóm đ u tiên nhóm can thi p đ c ghéo v i cá th nhóm ch ng n u có giá tr xác su t g n nhau nh t.
- C(Pi): các cá th nhóm ch ng j đ c ghép v i các cá th nhóm can thi p i - Pi: giá tr xác su t c tính cho các cá th nhóm can thi p i
B ng 3.3 - Ph ng pháp ghép c p trong PSM
Ngu n: Nguy n V n Huy. ng d ng ghép c p xác su t trong thi t k và phân tích đánh giá hi u qu ch ng trình/d án can thi p. Tr ng i h c Y Hà N i.
Các ph ng pháp ghép c p giá tr xác su t
Ghép c p phân t ng Stratefied Matching
Ghép c p cá th
Nearest Neighbor Matching
Ghép c p s l ng các tr ng h p N Matching Ghép c p kho ng Radius Matching Ghép c p trung tâm Kernel Matching Ghép c p đ n v
Mahalabonis Metric Matching
Ghép c p gi i h n sai s Caliper Matching
u và nh c đi m c a m i ph ng pháp ghép c p
- Ghép c p cá th thích h p khi b s li u nhóm ch ng là không l n.
- Ghép c p phân t ng phù h p khi mu n t i đa hóa c tính hi u qu . Vi c ghép c p phân t ng s làm m t đi hi u ng ch a quan sát vì các cá th các t ng đ c ghép v i nhau. (adsbygoogle = window.adsbygoogle || []).push({});
- Ghép c p Kernel, Mahalanobis và Radius thích h p trong các tr ng h p b s li u nhóm ch ng r t l n và phân b không đ i x ng.
Nguyên t c ghép c p
- ng d ng t t nh t khi s cá th nhóm ch ng nhi u h n đáng k s cá th nhóm can thi p.
- Nhóm can thi p và nhóm ch ng đ c ghép d a vào giá tr xác su t c tính. - Lo i b t các cá th không ghép c p đ c.
- Có ch ng trình phù h p cho phép có th ng d ng ghép c p xác su t (Stata, SAS, R).
th c hi n nghiên c u thì b c đ u tiên là xác đ nh nhóm công ty th c hi n thoái v n và không th c hi n thoái v n trong giai đo n 2007-2013.
Ti p theo, thu th p các bi n tài chính cho th y kh n ng th c hi n thoái v n c a t t c công ty. Các bi n tài chính bao g m: quy mô công ty, đòn b y n và hi u qu ho t đ ng (ROA). Các bi n này có th đ c s d ng đ tính giá tr xác su t đ k t h p các công ty thoái v n v i các công ty không thoái v n có cùng xu h ng t ng t đ thoái v n. S d ng nhóm ki m soát này, chúng ta ki m tra xem c u trúc s h u có kh n ng d đoán và do đó có th đ c xem nh là đ xác đnh thoái v n. Nh đã đ c p phía trên, đ cô l p các nh h ng c a c u trúc s h u bài nghiên c u s d ng ph ng pháp PSM. Nhu c u c n ph i thoái v n c a công ty đ u tiên đ c xác đ nh b ng cách s d ng m t t p h p các đ c đi m tài chính bao g m quy mô công ty, đòn b y và hi u su t ho t đ ng. Ví d , công ty có đòn b y cao và hi u su t th p đ c coi là nhi u kh n ng thoái v n.
M i công ty thoái v n sau đó đ c k t h p v i m t công ty không thoái v n trong cùng ngành công nghi p có giá tr xác su t g n gi ng nhau nh t. Công ty thoái v n và không thoái v n không th phân bi t ngoài c u trúc s h u c a mình. Sau đó m u k t h p các công ty đ c ki m tra li u khác bi t trong c u trúc s h u có kh n ng đ d đoán vi c thoái v n. Ph ng pháp PSM v t tr i h n ph ng pháp truy n th ng b i s k t h p th t c đ c tr ng (Li & Prabhala, 2006). c bi t, đ c đi m c a t ng c p các công ty đ c phép thay đ i mi n là xu h ng thoái v n t ng t .