Kết Quả Của Mô Hình Và Thảo Luận Kết Quả‌

3.1.5.2 Phân tích tương quan

Phân tích tương quan được sử dụng để xem xét mối quan hệ giữa các biến độc lập và biến phụ thuộc. Kết quả phân tích tương quan có thể bước đầu đánh giá được các dự báo của mô hình. Ngoài ra, trong trường hợp các biến độc lập có mối tương quan cao thì đây là dấu hiệu của đa cộng tuyến, do đó đây là một cơ sở để tác giả thực hiện kiểm định đa cộng tuyến và điều chỉnh mô hình.

3.1.5.3 Phân tích hồi quy

Trong khi phân tích tương quan kiểm tra có tồn tại mối tương quan giữa các biến hay không thì phân tích hồi quy được dùng để đo lường mức độ ảnh hưởng của các biến độc lập với các biến phụ thuộc, qua đó cho biết chiều tác động của từng biến độc lập đến biến phụ thuộc. Phương pháp này sẽ cho phép tác giả đưa ra những bằng chứng xác thực để trả lời các câu hỏi nghiên cứu của luận văn.

Thông qua phương pháp tổng bình phương bé nhất (OLS), hằng số và các tham số của mô hình sẽ được ước lượng. Hệ số Sig. (P-value) của kết quả phân tích hồi quy cho biết mức độ tác động của các biến độc lập lên từng biến phụ thuộc. Các mức thống kê có ý nghĩa thường được sử dụng là 1%, 5% hoặc 10% (hay nói cách khác là độ tin cậy 99%, 95% hoặc 90%). Trong nghiên cứu này, tác giả chọn mức thống kê có ý nghĩa là 5%, tức là biến độc lập chỉ được xem là có ảnh hưởng mạnh đến biến phụ thuộc khi giá trị Sig. của từng biến độc lập trong mô hình hồi quy nhỏ hơn 5% (P-value<0,05), và ngược lại. Tuy nhiên, một số trường hợp hệ số Sig. lớn hơn 0,05 nhưng nhỏ hơn 0,1 vẫn được tác giả lưu ý, điều này có nghĩa là biến độc lập có ảnh hưởng đến biến phụ thuộc với độ tin cậy là 90%.

Hệ số R2 (R-squared) hoặc R2 điều chỉnh (adjusted R-squared) từ kết quả phân tích sẽ cho biết khả năng tất cả các biến độc lập giải thích được sự biến động của ROA, ROE, ROCE và NIM trong mô hình hồi quy.

Có thể bạn quan tâm!

Xem toàn bộ 136 trang tài liệu này.

3.1.5.4 Kiểm định ANOVA về tính thích hợp của mô hình

Vấn đề tiếp theo sau khi phân tích hồi quy là kiểm tra sự phù hợp của mô hình đối với tập dữ liệu qua giá trị R2. Để kiểm định độ phù hợp của mô hình hồi quy tổng thể, ta cần kiểm định giả thiết H0: R2 = 0. Tương tự như phân tích hồi quy, giá trị Sig. cũng được sử dụng trong kiểm định này. Nếu giá trị Sig. nhỏ hơn 5% thì bác bỏ giả thiết H0.

3.1.5.5 Kiểm định Durbin-Watson về tự tương quan

Sau khi kiểm định sự phù hợp của mô hình, bước kế tiếp là kiểm định hiện tượng tự tương quan của các biến trong mô hình. Khi có tồn tại hiện tượng tự tương quan, tuy các ước lượng OLS vẫn là các ước lượng không chệch nhưng chúng không phải là ước lượng hiệu quả. Nói cách khác, ước lượng OLS không phải là ước lượng không chệch tốt nhất. Phương pháp kiểm định có ý nghĩa nhất để phát hiện tình trạng tự tương quan xảy ra trong mô hình là kiểm định d của Durbin – Watson. Phương pháp kinh nghiệm được sử dụng để phát hiện tình trạng tự tương quan như sau:

Khi 1<d<3 thì kết luận mô hình không có tự tương quan Khi 0<d<1 thì kết luận mô hình có tự tương quan dương Khi 3<d<4 thì kết luận mô hình có tự tương quan âm

3.1.5.6 Kiểm định đa cộng tuyến

Trong mô hình hồi quy bội, chúng ta có thêm giả thuyết là các biến độc lập không có tương quan hoàn toàn với nhau. Vì vậy, khi ước lượng mô hình hồi quy bội chúng ta phải kiểm tra giả thiết này thông qua kiểm tra hiện tượng đa cộng tuyến. Để kiểm tra hiện tượng đa cộng tuyến, chỉ số thường được sử dụng là hệ số phóng đại phương sai (VIF – Variance Inflation Factor). Theo quy tắc kinh nghiệm khi VIFj > 10 thì mức độ cộng tuyến được xem là cao và khi đó, các hệ số hồi quy được ước lượng với độ chính xác không cao.

Dựa vào kết quả kiểm định hồi quy tuyến tính và hệ số VIF, các biến có hệ số VIF lớn hơn 10 sẽ bị loại ra khỏi mô hình và tiếp tục phân tích hồi quy cho đến khi không còn biến nào có giá trị VIF lớn hơn 10, tức là không còn hiện tượng đa cộng tuyến.

3.2 Kết quả của mô hình và thảo luận kết quả‌

3.2.1 Phân tích thống kê mô tả các biến và ma trận hệ số tương quan

Kết quả thống kê mô tả biến phụ thuộc và các biến độc lập sử dụng trong mô hình hồi quy được trình bày trong Phụ lục 3.

Bên cạnh phân tích thống kê mô tả, mối quan hệ tương quan tuyến tính giữa các biến cũng được phân tích. Kết quả ma trận hệ số tương quan được trình bày trong Phụ lục 3, Phụ lục 4, Phụ lục 5 và Phụ lục 6.

Kết quả ma trận hệ số tương quan thể hiện mối quan hệ tương quan tuyến tính theo từng cặp biến được phân tích. Các hệ số tương quan tuyến tính sẽ nằm trong khoảng từ -1 đến 1 và đo lường mức độ tương quan tuyến tính giữa các biến. Giá trị Sig. thể hiện mức ý nghĩa thống kê của các hệ số tương quan ước tính.

Theo Kennedy (2008), hiện tượng đa cộng tuyến trở nên nghiêm trọng khi hệ số tương quan giữa các biến trong mô hình từ 0,8 trở lên. Trong ma trận hệ số tương quan ở trên, phần lớn tương quan giữa các biến độc lập đều dưới 0,8; chỉ có tương quan giữa biến INF và RI có hệ số cao (-0,959). Tuy nhiên, hệ số tương quan cao trong trường hợp này có thể là dấu hiệu của hiện tượng đa cộng tuyến. Phần sau của đề tài sẽ thực hiện kiểm định đa cộng tuyến.

3.2.2 Kết quả phân tích hồi quy

3.2.2.1 Kết quả phân tích hồi quy của Mô hình 1 – ROA và các yếu tố ảnh hưởng

Kết quả phân tích hồi quy của Mô hình 1 và các nhân tố ảnh hưởng đến ROA được trình bày trong Phụ lục 7.

Kết quả phân tích mô hình hồi quy tuyến tính đã diễn tả mối quan hệ giữa ROA và 11 biến độc lập. Phương trình hồi quy tuyến tính là:

ROA = - 4,418 + 0,349*SIZE + 6,134*CA + 1,041*DP + 0,376*LOAN +

0,272*LQD - 10,566*NPL - 10,271*LLP + 0,027*INF + 0,185*RGDP + 0,013*MC

+ 0,032*RI

Kết quả mô hình hồi quy cho thấy hệ số hồi quy của các biến NPL và LLP là âm, điều này có nghĩa là ROA có mối quan hệ tỷ lệ nghịch với nợ xấu và rủi ro tín dụng. Tuy nhiên, hệ số Sig. của biến LLP (0,334) lớn hơn 0,05 nên mối quan hệ giữa ROA và LLP không có ý nghĩa thống kê. Trong khi đó, hệ số Sig. của biến NPL (0,014) nhỏ hơn 0,05 nên mối tương quan nghịch giữa ROA và NPL có ý nghĩa thống kê với độ tin cậy là 95%. Điều này phù hợp với dự đoán của tác giả khi đánh giá về ảnh hưởng của nợ xấu đối với tỷ suất sinh lời trên tài sản của các ngân hàng thương mại Việt Nam trong giai đoạn 2007 – 2013. Chi phí phát sinh nợ xấu là rất lớn, vì vậy khi nợ xấu tăng, chi phí tăng cao ngoài dự kiến và những chi phí này làm giảm đáng kể, thậm chí gây lỗ cho các ngân hàng hay làm giảm khả năng sinh lợi của ngân hàng.

Các biến còn lại là SIZE, CA, DP, LOAN, LQD, INF, RGDP, MC, và RI đều có mối tương quan thuận với biến ROA. Mặc dù hệ số tương quan giữa các biến LOAN, LQD, INF, RGDP, MC, và RI với ROA đều không có ý nghĩa thống kê do hệ số Sig. lớn hơn 0,05 (hệ số Sig. của các biến này lần lượt là 0,535; 0,745; 0,444; 0,101; 0,176 và 0,620) nhưng dấu của hệ số hồi quy là dương chứng tỏ mối quan hệ giữa các biến này với ROA là phù hợp với dự đoán của tác giả. Hệ số Sig. của biến DP (0,055) nhỏ hơn 0,1 nên mối quan hệ giữa DP và ROA là có ý nghĩa thống kê với độ tin cậy là 90%. Trong khi đó, hệ số Sig. của các biến SIZE và CA là nhỏ hơn 0,05 nên mối quan hệ giữa các biến này với ROA là có ý nghĩa thống kê với độ tin cậy là 95%.

Chỉ số thống kê R-Squared cho thấy mô hình đã giải thích được 26,8% biến động của ROA. Chỉ số R-Squared điều chỉnh là chỉ số phù hợp hơn để so sánh mô hình với các giá trị khác nhau của biến độc lập, cụ thể là 22,3%.

3.2.2.2 Kết quả phân tích hồi quy của Mô hình 2 – ROE và các yếu tố ảnh hưởng

Kết quả phân tích hồi quy của Mô hình 2 và các nhân tố ảnh hưởng đến ROE được trình bày trong Phụ lục 8.

Kết quả phân tích mô hình hồi quy tuyến tính đã diễn tả mối quan hệ giữa ROE và 11 biến độc lập. Phương trình hồi quy tuyến tính là:

ROE = - 57,718 + 5,894*SIZE + 1,575*CA + 2,857*DP + 5,231*LOAN +

11,464*LQD – 72,906*NPL – 13,587*LLP + 0,448*INF + 1,587*RGDP +

0,161*MC + 0,566*RI

Kết quả mô hình hồi quy cho thấy hệ số hồi quy của các biến NPL và LLP là âm, điều này có nghĩa là ROE có mối quan hệ tỷ lệ nghịch với nợ xấu và rủi ro tín dụng. Tuy nhiên, hệ số Sig. của biến LLP (0,823) lớn hơn 0,05 nên mối quan hệ giữa ROE và LLP không có ý nghĩa thống kê. Trong khi đó, hệ số Sig. của biến NPL (0,003) nhỏ hơn 0,05 nên mối tương quan nghịch giữa ROE và NPL có ý nghĩa thống kê với độ tin cậy là 95%. Điều này phù hợp với dự đoán của tác giả khi đánh giá về ảnh hưởng của nợ xấu đối với tỷ suất sinh lời trên tài sản của các ngân hàng thương mại tại Việt Nam trong giai đoạn 2007 – 2013. Chi phí phát sinh nợ xấu là rất lớn, vì vậy khi nợ xấu tăng, chi phí tăng cao ngoài dự kiến và những chi phí này làm giảm đáng kể, thậm chí gây lỗ cho các ngân hàng hay làm giảm tỷ suất sinh lời trên vốn chủ sở hữu.

Các biến còn lại là SIZE, CA, DP, LOAN, LQD, INF, RGDP, MC, và RI đều có mối tương quan thuận với biến ROE. Trong khi mối tương quan giữa các biến CA, DP và LOAN với ROE đều không có ý nghĩa thống kê do hệ số Sig. lớn hơn 0,05 (hệ số Sig. của các biến này lần lượt là 0,775; 0,355 và 0,132, hệ số Sig. của các biến SIZE, LQD, INF, RGDP, MC, và RI là nhỏ hơn 0,05 nên mối quan hệ giữa các biến này với ROE là có ý nghĩa thống kê với độ tin cậy là 95%.

Chỉ số thống kê R-Squared cho thấy mô hình đã giải thích được 45,2% biến động của ROE. Chỉ số R-Squared điều chỉnh là chỉ số phù hợp hơn để so sánh mô hình với các giá trị khác nhau của biến độc lập, cụ thể là 41,8%.

3.2.2.3 Kết quả phân tích hồi quy của Mô hình 3 – ROCE và các yếu tố ảnh hưởng

Kết quả phân tích hồi quy của Mô hình 3 và các nhân tố ảnh hưởng đến ROCE được trình bày trong Phụ lục 9.

Kết quả phân tích mô hình hồi quy tuyến tính đã diễn tả mối quan hệ giữa ROCE và 11 biến độc lập. Phương trình hồi quy tuyến tính là:

ROCE = - 29,601 + 5,894*SIZE + 1,575*CA + 2,857*DP + 5,231*LOAN +

11,463*LQD - 72,907*NPL - 13,584*LLP + 0,448*INF + 1,587*RGDP +

0,161*MC + 0,566*RI

Kết quả mô hình hồi quy cho thấy hệ số hồi quy của các biến SIZE, CA, DP, LOAN, LQD, INF, RGDP, MC và RI là dương, điều này có nghĩa là ROCE có mối quan hệ tỷ lệ thuận với quy mô ngân hàng, vốn chủ sở hữu, tiền gửi của khách hàng, cho vay ngân hàng, tính thanh khoản, tỷ lệ lạm phát, tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm và giá trị vốn hóa thị trường của tài sản. Tuy nhiên, hệ số Sig. của biến CA, DP, LOAN và RI (lần lượt là 0,775; 0,355; 0,132; 0,125) lớn hơn 0,05 nên mối quan hệ giữa ROCE với CA, DP, LOAN và RI không có ý nghĩa thống kê. Trong khi đó, hệ số Sig. của các biến SIZE, LQD, INF, RGDP (%) và MC (%GDP) nhỏ hơn 0,05 nên mối tương quan nghịch giữa ROCE với SIZE, LQD, INF, RGDP (%) và MC (%GDP) có ý nghĩa thống kê với độ tin cậy là 95%.

Các biến còn lại là NPL và LLP đều có mối tương quan nghịch với biến ROCE. Trong khi mối tương quan giữa biến LLP với ROCE không có ý nghĩa thống kê do hệ số Sig. lớn hơn 0,05 (0,823); hệ số Sig. của biến NPL (0,003) nhỏ hơn 0,05 nên mối quan hệ giữa NPL với ROCE là có ý nghĩa thống kê với độ tin cậy là 95%.

Chỉ số thống kê R-Squared cho thấy mô hình đã giải thích được 45,2% biến động của ROCE. Chỉ số R-Squared điều chỉnh là chỉ số phù hợp hơn để so sánh mô hình với các giá trị khác nhau của biến độc lập, cụ thể là 41,8%.

3.2.2.4 Kết quả phân tích hồi quy của Mô hình 4 – NIM và các yếu tố ảnh hưởng

Kết quả phân tích hồi quy của Mô hình 3 và các nhân tố ảnh hưởng đến ROCE được trình bày trong Phụ lục 10.

Kết quả phân tích mô hình hồi quy tuyến tính đã diễn tả mối quan hệ giữa NIM và 11 biến độc lập. Phương trình hồi quy tuyến tính là:

NIM = - 3,410 + 0,349*SIZE + 6,135*CA + 1,041*DP + 0,375*LOAN +

0,271*LQD - 10,566*NPL - 10,275*LLP + 0,027*INF + 0,185*RGDP + 0,013*MC

+ 0,032*RI

Kết quả mô hình hồi quy cho thấy hệ số hồi quy của các biến SIZE, CA, DP, LOAN, LQD, INF, RGDP, MC và RI là dương, điều này có nghĩa là NIM có mối quan hệ tỷ lệ thuận với quy mô ngân hàng, vốn chủ sở hữu, tiền gửi khách hàng, cho vay, tính thanh khoản, lạm phát, tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế hàng năm, giá trị vốn hóa thị trường của tài sản và lãi suất thực. Tuy nhiên, hệ số Sig. của biến DP, LOAN, LQD, INF, RGDP, MC, và RI (lần lượt là 0,055; 0,536; 0,746; 0,444; 0,101; 0,176 và 0,620) lớn hơn 0.05 nên mối quan hệ giữa NIM với DP, LOAN, LQD, INF, RGDP, MC, và RI không có ý nghĩa thống kê. Trong khi đó, hệ số Sig. của các biến SIZE và CA nhỏ hơn 0,05 nên mối tương quan nghịch giữa NIM với SIZE và CA có ý nghĩa thống kê với độ tin cậy là 95%.

Các biến còn lại là NPL và LLP đều có mối tương quan nghịch với biến NIM. Trong khi mối tương quan giữa các biến LLP không có ý nghĩa thống kê do hệ số Sig. lớn hơn 0,05 (0,334), hệ số Sig. của biến NPL (0,014) nên mối quan hệ giữa NPL với NIM là có ý nghĩa thống kê với độ tin cậy là 95%.

Chỉ số thống kê R-Squared cho thấy mô hình đã giải thích được 26,9% biến động của NIM. Chỉ số R-Squared điều chỉnh là chỉ số phù hợp hơn để so sánh mô hình với các giá trị khác nhau của biến độc lập, cụ thể là 22,3%.

3.2.3 Kiểm định ANOVA về tính thích hợp của mô hình

Vấn đề tiếp theo sau khi phân tích hồi quy là kiểm tra sự phù hợp của mô hình đối với tập dữ liệu thông qua giá trị R2. Để kiểm định mức độ phù hợp của mô hình hồi quy tổng thể, ta cần kiểm định giả thiết H0: R2 = 0. Tương tự như phân tích hồi quy, giá trị Sig. cũng được sử dụng trong kiểm định này. Nếu giá trị Sig. nhỏ hơn 5% thì bác bỏ giả thiết H0.

Theo kết quả kiểm định ANOVA ở Phụ lục 8, Phụ lục 9, Phụ lục 10 và Phụ lục 11, hệ số Sig. (0,000) là nhỏ hơn 0,05 nên mô hình 1, mô hình 2, mô hình 3 và mô hình 4 là phù hợp để phân tích các nhân tố ảnh hưởng đến ROA, ROE, ROCE và NIM.

3.2.4 Kiểm định Durbin-Watson về tự tương quan

Khi 1<d<3 thì kết luận mô hình không có tự tương quan Khi 0<d<1 thì kết luận mô hình có tự tương quan dương Khi 3<d<4 thì kết luận mô hình có tự tương quan âm