Mô Hình Ảnh Hưởng Cố Định Fem (Fixed Effects Model)

Tài sản không có tính thanh khoản hoặc thanh khoản thấp: Tiền gửi và tiền vay của TCTD khác + Tiền gửi của khách hàng.

Khi đó theo Shih –Kuo Yeh và các cộng sự (2015), tỷ lệ LD (Liquidity Discount) phản ánh mức đột sụt giảm khả năng thanh khoản của các ngân hàng. Hay tính giảm thanh khoản của một ngân hàng được đo lường bằng biến LD.

3.3 Phương pháp phân tích hồi quy GLS và GLM

Trong nghiên cứu của Shih –Kuo Yeh và các cộng sự (2015), mô hình GLS đã được nhắc đến, vậy GLS là gì và GLS khác gì với GLM?

3.3.1 Mô hình GLS (Generalized Least Square)

Như chúng ta được biến, phương pháp ước lượng cổ điển nhất chính là mô hình OLS (Pooled OLS).

Để tìm các hàm ước lượng OLS, hàm hồi quy mẫu theo phương trình như

Yit= β1it + β2itX2it+ β3itX3it+ uit (15)

Trong đó uilà số hạng phần dư, là số hạng tương ứng của mẫu với số hạng

nhiễu ngẫu nhiên ui. Quá trình phân tích hồi quy mô hình OLS bao gồm việc chọn các giá trị của các thông số chưa biết sao cho tổng các bình phương của phần dư (RSS) nhỏ nhất có thể là :

Trong đó biểu thức thể hiện RSS có được bằng những phép tính đại số đơn giản từ (15). Nhược điểm của OLS là có thể tạo ra các kết quả ước lượng sai do các giả thuyết của mô hình bị vi phạm. OLS có thể nhận diện sai do tự tương quan và ràng buộc quá chặt về các đơn vị chéo, hiện tượng đa cộng tuyến hoặc phương sai thay đổi...

Ngoài ra, phương pháp OLS cho mỗi quan sát các trọng số hay tầm quan trọng như nhau. Nhưng một phương pháp ước lượng, gọi là bình phương tối thiểu

tổng quát (GLS), đưa các thông tin này vào mô hình và do vậy có khả năng đưa ra các ước lượng tuyến tính không thiên lệch tốt nhất (BLUE). Phép biến đổi các biến gốc để các biến đã biến đổi thỏa mãn các giả thiết của mô hình cổ điển và sau đó áp dụng phương pháp OLS đối với chúng được gọi là phương pháp bình phương tối thiểu tổng quát. Nói ngắn gọn, GLS là OLS đối với các biến đã biến đổi để thỏa mãn các giả thiết bình phương tối thiểu tiêu chuẩn, là một mô hình tuyến tính dạng tổng quát hóa.

3.3.2 Mô hình GLM (Generalized Linear Model)

Một mô hình tương tự về mặt ý nghĩa với GLS, đó là mô hình GLM, mô hình hồi quy tuyến tính dạng tổng quát.

Tương tự với OLS hay GLS, hàm hồi quy mẫu theo phương trình như sau:

Yit= β1it + β2itX2it + β3itX3it + uit ( 16)

Trong đó uilà số hạng phần dư, là số hạng tương ứng của mẫu với số hạng nhiễu ngẫu nhiên ui.

Tuy nhiên, khác với mô hình GLS, GLM:

GLM sử dụng hàm nối (Link Functions)

GLM sử dụng ước lượng Maximum Likelihood thay vì ước lượng bình phương tối thiểu (least square estimation) để ước lượng giá trị của hệ số beta.

Hai mô hình hay gặp nhất của mô hình GLM là hồi quy logistic và hồi quy poisson (hay phân tích tuyến tính Log: Log linera Analysis)

Về mặt ý nghĩa, GLM:

Giải thích sự tương tác của các yếu tố lên biến phụ thuộc trong hồi quy (bao gồm cả sự kết hợp của các yếu tố tác động lên biến phụ thuộc).

Giải thích sự liên hệ của các phép kiểm thống kê (T-tests, ANOVA, tương quan và hồi quy bội). GLM hữu dụng vì có thể xử lý thang đo quãng và định danh trong mô hình.

Các giả định của mô hình GLM bao gồm:

Y là biến định lượng và các quan sát Yi độc lập

Các giá trị Xi cố định và không có sai số.

Sai số ei theo phân phối chuẩn với kỳ vọng bằng 0 và phương sai là hằng số. Sai số tại các giá trị Xi và Xj không có quan hệ với nhau.

Lý do chọn mô hình GLM vì đây Phương pháp hồi quy cổ điển thường dùng cho biến phụ thuộc và biến độc lập là các biến định lượng. Còn phương pháp phân tích mô hình hồi quy tuyến tính tổng quát dùng được cho cả các biến độc lập là biến định lượng và định tính, trong đó các biến định tính đã được mã hoá thành các biến 0 – 1... Ngoài ra, việc sử dụng GLM cũng để so sánh kết quả ước lượng có khác biệt gì so với GLS và cũng để đạt được kết quả có ý nghĩa về mặt thống kê.

3.4 Phương pháp phân tích hồi quy FEM và REM

3.4.1 Mô hình ảnh hưởng cố định FEM (Fixed Effects Model)

FEM giả định mỗi thực thể điều có đặc điểm riêng biệt (không đổi theo thời gian) có thể ảnh hưởng đến biến độc lập. FEM có thể kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt đó ra khỏi các biến giải thích để có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.

Mô hình ước lượng sử dụng:

Yit = Ci + β Xit + uit * (16)

Trong đó

Yit : thời gian (năm). Xit : biến độc lập.

Ci (i=1….n) : hệ số chặn cho từng thực thể nghiên cứu. β : hệ số góc đối với nhân tố X.

uit : phần dư.

Mô hình trên đã thêm vào chỉ số i cho hệ số chặn “c” để phân biệt hệ số chặn của từng thực thể khác nhau có thể khác nhau.

3.4.2 Mô hình ảnh hưởng ngẫu nhiên REM (Random Effects Model)

Điểm khác biệt giữa REM và FEM được thể hiện ở sự biến động của các thực thể. Trong REM sự biến động của các thực thể được giả định là ngẫu nhiên và không tương quan với các biến giải thích. Do đó, nếu sự khác biệt giữa các thực thể có ảnh hưởng đến biến biến phụ thuộc thì REM sẽ phù hợp hơn REM. Trong REM, phần dư của mỗi thực thể (không tương quan với biến giải thích) được xem là một biến giải thích mới.

Mô hình ước lượng:

Yit = C + β Xit + εi + uit hay Yit = C + β Xit + wit với wit = εi + uit (17) εi: Sai số thành phần của các đối tượng khác nhau (sai số ngẫu nhiên).

uit: Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tượng và theo thời gian.

3.4.3 Phương pháp để chọn FEM hay REM

Mô hình tác động cố định FEM thường được ưa chuộng hơn, vì nó có thể đánh giá được tác động của các biến ngẫu nhiên bị bỏ sót có tương quan với Xi trong mô hình. Mặc dù thế, việc lựa chọn mô hình nào còn tùy thuộc vào việc kiểm định xem mô hình nào phù hợp hơn với mẫu dữ liệu nghiên cứu. Để lựa chọn một trong hai mô hình REM hoặc FEM, chúng ta sử dụng kiểm định Hausman Test để lựa chọn một trong hai mô hình với cặp giả thiết:

H0: lựa chọn mô hình tác động ngẫu nhiên REM H1: lựa chọn mô hình tác động cố định FEM

Nếu kết quả kiểm định cho thấy P-value > 0.05 thì bác bỏ giả thiết H0 và lựa chọn mô hình REM là mô hình phù hợp nhất. Ngược lại, nếu P-value < 0.05, thì mô hình FEM sẽ phù hợp hơn để phân tích.

3.5 Phương pháp phân tích hồi quy PVAR

Dựa theo nghiên cứu của Baumeister và Peersman (2013), Peersman và Van Robays (2009), và Shih –Kuo Yeh và các cộng sự (2015), sự ảnh hưởng của tình

𝑒

trạng giảm thanh khoản ảnh hưởng đến giá trị doanh nghiệp được biễu diễn tổng quát như sau:

[ 𝑋𝑡 ]= c + A (L)

𝑋𝑡−1

𝑋

𝑒

+ B[ 𝑡

] (18)

𝑌𝑗,𝑡

𝑌𝑗,𝑡−1

𝑌

𝑗.𝑡

Véc tơ 𝑋𝑡 thể hiện sự sụt giảm tính thanh khoản, Liquitdity Discount (LD)

Véc tơ 𝑌𝑗,𝑡−1: bao gồm các biến đặc trưng cho gía trị của ngân hàng, bao gồm: tỷ suất sinh lời trên vốn chủ sở hữu (𝑅𝑂𝐸), khả năng thanh toán nợ ngắn hạn (𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑅𝑎𝑡𝑖𝑜), tỷ lệ nợ trên tài sản (𝐷𝑒𝑏𝑡 𝑅𝑎𝑡𝑖𝑜), tỷ lệ tiền mặt trên tài sản (𝐶𝑎𝑠ℎ), và quy mô doanh nghiệp (𝑆𝑖𝑧𝑒).

Lý do sử dụng phương pháp PVAR là để giảm bớt các phương trình ước lượng và việc ước lượng trở nên thuận tiện hơn đối với phân tích, sự ảnh hưởng của tính giảm thanh khoản lên giá trị của các ngân hàng.

3.6 Phương pháp kiểm định dữ liệu trước khi phân tích hồi quy

Cho dù có sử dụng mô hình ước lượng nào thì, các giả thuyết nghiên cứu cũng sẽ được tiến hành kiểm định thông qua dữ liệu nghiên cứu của phương trình hồi quy được xây dựng. Tiêu chuẩn kiểm định sử dụng thống kê t và giá trị p-value (Sig.) tương ứng, độ tin cậy lấy theo chuẩn 95%, giá trị p-value sẽ được so sánh trực tiếp với giá trị 0.05 để kết luận chấp thuận hay bác bỏ giả thuyết nghiên cứu.Để xem xét sự phù hợp dữ liệu và sự phù hợp của mô hình ta sử dụng hệ số R-square, thống kê t và thống kê F để kiểm định. Để đánh giá sự quan trọng của các nhân tố ta xem xét hệ số Beta tương ứng trong phương trình hồi quy bội được xây dựng từ dữ liệu nghiên cứu.

Kiểm định hiện tượng đa cộng tuyến trong mô hình: Đa cộng tuyến là một hiện tượng trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin giống nhau và rất khó tách ảnh hưởng của từng biến một. Đối với hiện tượng đa cộng tuyến, độ sai lệch cho phép (tolerance) hoặc hệ số phóng đại phương sai VIF

(variance inflation factor) khi VIF nhỏ hơn hoặc bằng 2 nghĩa là các biến độc lập không có tương quan tuyến tính với nhau.

Kiểm định hiện tượng phương sai sai số thay đổi: Phương sai thay đổi là hiện tượng phương sai của các số hạng này không giống nhau. Khi phương sai của các sai số thay đổi thì các ước lượng của các hệ số hồi quy không hiệu quả, các kiểm định t và F không còn đáng tin cậy. Nếu độ lớn của phần dư chuẩn hóa tăng hoặc giảm theo giá trị dự đoán thì có khả năng giả thuyết phương sai không đổi bị vi phạm.

Kiểm định tính dừng:

Hồi quy dữ liệu bảng hoặc chuỗi thời gian, nếu dữ liệu không dừng thì sẽ vi phạm độ tin cậy của hồi quy, đó là hiện tượng hồi quy giả mạo được giải thích đầu tiên bởi Phillips (1986). Nếu chuỗi dữ nghiên cứu dừng tại bậc gốc, có thể cho phép thực hiện hồi quy tránh được hồi quy giả mạo.

Dữ liệu dừng cho phép thực hiện mô hình hồi quy mà không cần phải thực hiện kiểm định đồng liên kết. Nếu dữ liệu không dừng ở bậc gốc, lý thuyết định lượng buộc phải thực hiện kiểm định đồng liên kết để tránh hồi quy giả mạo.

Kiểm định tính dừng trên dữ liệu bảng có hai thế hệ, thế hệ thứ nhất giả định phần nhiễu với đặc điểm tương quan chéo độc lập. Gồm các nghiên cứu của Banerjee (1999); Levin và các cộng sự., (2002); Im et al., (2003,IPS); Maddala và Wu (1999).

Δyit = αi+ βiyi,t-1 + it , t = 1,…,T; i = 1,…,N.

Trong đó các sai số là độc lập cho cả i và t, giả thuyết Ho của kiểm định dạng này được viết:

Thế hệ kiểm định tính dừng thứ hai cho phép kiểm soát tính đặc trưng của sai số tương quan phụ thuộc chéo. Đó là các nghiên cứu của Bai và Ng (2004); Moon và Perron (2004); Pesaran (2007).

Tiếp cận trung bình hóa yếu tố tương quan phụ thuộc chéo nhằm kiểm soát vấn đề tương quan phụ thuộc chéo của Pesaran (2007) được trình bày dưới hàm sau:

Δyit = αi+ βiyi,t-1 + γ’itft + iyt , t = 1,…,T; i = 1,…,N.

Trong đó ft đại diện cho các nhân tố tương quan phụ thuộc chéo không thể quan sát được. Giả thuyết Ho của kiểm định là:

Chuỗi dữ liệu dừng.

Tác giả sử dụng kiểm định được trình bày bởi Levin–Lin–Chu (2002), sử dụng phương pháp trung bình hóa tự tương quan phụ thuộc chéo. Lý do lựa chọn phương pháp kiểm định này là vì cỡ mẫu bài nghiên cứu tiệm cận điều kiện cỡ mẫu của kiểm định và phương pháp trung bình tương quan phụ thuộc chéo khắc phục được vấn đề tương quan phụ thuộc chéo trong dữ liệu bảng (theo nghiên cứu Levin–Lin– Chu, 2001).

3.7 Dữ liệu nghiên cứu

Đối với dữ liệu phân tích của của tác giả, tác giả xem xét dữ liệu của các ngân hàng thương mại cổ phần, thuộc hệ thống ngân hàng thương mại niêm yết trên Thị trường chứng khoán Việt Nam. Thời kỳ lấy mẫu theo quý kéo dài từ ngày 01/01/2010 đến 31/12/2016 (07 năm). Các ngân hàng được tham gia lấy mẫu có báo cáo tài chính, dữ liệu giao dịch được công bố công khai và được kiểm toán, công khai với Sở giao dịch chứng khoán Hà Nội, Thành phố Hồ Chí Minh và Ủy Ban Chứng Khoán Nhà Nước. Dựa vào các tiêu chí trên tác giả lựa chọn 09 ngân hàng. Nguồn dữ liệu kinh tế vĩ mô, chỉ số thị trường giai đoạn 2010-2016 được lấy từ cổng thông tin điện tử của tổng cục thống kê Việt Nam. Tuy nhiên, một số ngân hàng vẫn không đủ dữ liệu theo quý, nên mẫu nghiên cứu thực tế có số lượng là là 237- 238. Lý do chọn 09 ngân hàng là vì đến thời điểm 31/12/2016 tại Việt Nam chỉ có 09 ngân hàng niêm yết trên thị trường chứng khoán.

Bảng 3.1 Danh sách các ngân hàng trong nghiên cứu

STT

Tên ngân hàng

Mã ngân hàng

Giá trị vốn hóa thị trường (Tỷ đồng) Cập nhật ngày

9-9-2017

Ngân hàng TMCP Đầu tư & Phát triển VN

BID

69,570.86

Ngân hàng TMCP Ngoại thương Việt Nam

VCB

135,635.88

Ngân hàng TMCP Xuất nhập khẩu VN

EIB

14,876.14

Ngân hàng TMCP Sài Gòn Thương Tín

STB

21,012.56

Ngân hàng TMCP Công thương Việt Nam

CTG

69,813.84

Ngân hàng TMCP Quân Đội

MBB

38,964.86

Ngân hàng TMCP Hà Nội Sài Gòn

SHB

8,729.70

Ngân hàng TMCP Quốc dân

NVB

2,143.22

Ngân hàng TMCP Á Châu

ACB

27,703.83