Quy Định Pháp Luật Và Chính Sách Liên Quan Đến Phát Triển Thị Trường Xhtndn

phương sai, trong đó ước lượng ML được sử dụng rộng rãi nhất trong nghiên cứu thực nghiệm (Williams và cộng sự, 2009). Mô hình phương trình cấu trúc dựa trên ước lượng Bayesian là bước khởi đầu của mô hình cấu trúc hiệp phương sai thế hệ thứ hai và được sử dụng để kiểm tra các mô hình không thể hoặc khó khăn khi phân tích bằng các phương pháp thông thường nêu trên (Stromeyer và cộng sự, 2014).

Các kỹ thuật ước tính của ML-SEM phụ thuộc vào các đặc điểm của lý thuyết tiệm cận hay lý thuyết mẫu lớn - asymptomatic theory (Scheines và cộng sự, 1999) và chứng minh được sự phù hợp trong các nghiên cứu liên quan đến kích thước mẫu lớn. Các nghiên cứu đã chỉ ra rằng các đặc điểm thống kê không đủ cơ sở kết luận mạnh mẽ đối với các trường hợp có kích thước mẫu nhỏ. Hơn nữa, việc sử dụng tiệm cận là không thích hợp các phương pháp ước lượng trong SEM cho các mẫu nhỏ vì phân phối không xác định và công thức dựa trên lý thuyết tần suất không thể được áp dụng (Scheines và cộng sự, 1999). B-SEM được đề xuất sử dụng rộng rãi bởi Muthén và Asparouhov (2012) vì các ưu điểm của nó so với ML-SEM. B-SEM có thể được sử dụng trong những trường hợp đặc biệt như ước tính mô hình với cỡ mẫu nhỏ, mô hình không xác định, mô hình có kết quả phân loại và phân tích các mô hình phức tạp, nhưng khó sử dụng hoặc không thể thực hiện được với các phương pháp ML (Muthen và sparouhov, 2012, Zyphur và Oswald, 2013). Hơn nữa, cách tiếp cận của Bayes đã chứng minh hữu ích hơn trong việc phân tích mô hình phương trình cấu trúc với nhiều thang đo kết hợp, một hỗn hợp của biến rời rạc, liên tục hoặc biến phi tuyến (Arminger và Muthén, 1998), dữ liệu đa cấp (Ansari và Jedidi, 2000), dữ liệu dạng bảng dọc (Dunson, 2003), SEM có dữ liệu bị thiếu (Song và Lee, 2002)…

B-SEM nới lỏng các giả định về tính chuẩn mực trong phân tích so với ML- SEM, đặc biệt là các phương pháp dựa trên hiệp phương sai đưa ra các giả định về phân phối chuẩn (đa biến) của các biến để đi đến thống kê thử nghiệm được xác định rõ. Bởi vì các phân phối xác suất cho các biến khác nhau được mô hình hóa một cách rõ ràng trong ước lượng Bayes có thể chỉ định khác với các phân phối chuẩn nếu nó phù hợp hơn và có thể dựa trên kiến thức trước đó hoặc những lý thuyết liên quan (Scheines và cộng sự, 1999). Tuy nhiên, để ước tính vẫn có thể thực hiện được, các phân phối có thể được mô hình hóa thường bị hạn chế dưới dạng các phân phối cho

trước. Đồng thời B-SEM có khả năng mở rộng dễ dàng đối với dữ liệu quan sát không liên tục. Phương pháp ML-SEM thực hiện phân tích các ma trận phương sai (VAR) hay hiệp phương sai (COV) với các biến yêu cầu quan sát chặt chẽ, điều này có thể được thực hiện một cách tự nhiên hơn và dễ dàng hơn trong ước lượng Bayes (Asparouhov và Muthen 2010a; 2010b; Lee, 2007; Lee & ctg , 2010; Song & ctg, 2001). Điều này cho phép dễ dàng biểu hiện các quan hệ trong mô hình cũng như đại diện chính xác hơn khi sử dụng thang đo Likert trong các nghiên cứu. Ước tính Bayes có được chứng minh là chính xác hơn các phương pháp dựa trên hiệp phương sai cho dữ liệu phân loại với các biến bị thiếu hụt quan sát (Asparouhov và Muthen, 2010a). B-SEM có khả năng mở rộng dễ dàng sang các mô hình đa mức độ. Trong thực tế, tồn tại mối quan hệ giữa nhiều cấp độ phân tích cần được mô hình hóa và ước lượng dựa trên việc lấy mẫu lặp lại tương đối từ các phân phối đơn giản. Nên các nghiên cứu dưới dạng này có thể dễ dàng thể hiện các mô hình thống kê đa cấp theo cách tiếp cận Bayes (Browne và Draper, 2006; Asparouhov và Muthen, 2010a; Song và Lee, 2008; Yuan và MacKinnon, 2009). Việc sử dụng B-SEM sẽ dễ dàng để lập mô hình và ước tính các mối quan hệ đa cấp với nhiều ứng dụng hơn so với các phương pháp thông thường.

So sánh ML-SEM và B-SEM được công bố trong các nghiên cứu của nhiều lĩnh vự như quản lý, kinh tế, tài chính, du lịch… (Zyphur & Oswald, 2015, Assaf & ctg., 2018). Các nghiên cứu trước đây về cơ bản gợi ý rằng ML - SEM và B-SEM cho kết quả gần giống nhau với các biến liên tục, kích thước mẫu lớn và tất cả các tham số đều có phân phối chuẩn (Van de Schoot & ctg, 2014). Tuy nhiên, trong nghiên cứu này với thang đo lường các biến sử dụng thang Likert và số lượng mẫu chỉ có khoảng dưới 300 mẫu/mô hình nên B-SEM sẽ phát huy được các ưu điểm của nó. Assaf và cộng sự (2018) chứng minh rằng với cỡ mẫu nhỏ thì kết quả sai số trung bình căn bậc hai của ước lượng Bayes nhỏ hơn ước tính ML. Điều này hỗ trợ những phát hiện trước đây từ các nghiên cứu liên quan là phương pháp tiếp cận Bayes tốt hơn phương pháp tiếp cận dựa trên hiệp phương sai truyền thống ML-SEM đối với cỡ mẫu nhỏ (Assaf và cộng sự, 2018; Lee & Song, 2004).

3.4.4.2. Phân tích và các kiểm định trong mô hình B-SEM

Có thể bạn quan tâm!

Xem toàn bộ 335 trang tài liệu này.

Theo đề xuất của Gelman và cộng sự (2014) ba bước phân tích B-SEM được thực hiện như sau: 1) Thiết lập mô hình xác suất đầy đủ bao gồm phân phối tiền nghiệm.

2) Ước tính các phân phối hậu nghiệm. 3) Đánh giá sự phù hợp của mô hình và diễn giải kết quả.

Bước 1: Phân phối hậu nghiệm thu được bằng cách lấy mẫu tuần tự từ phân phối có điều kiện của thuật toán Markov Chain Monte Carlo - MCMC (Lee, 2007). các mẫu tiếp theo cho tập hợp ngưỡng tham số τ được mô phỏng từ mật độ có điều kiện là p(τi+1 | data, Yi*, ξi, Λi, Φi, Θi) trong đó tại lần lặp i + 1 cho trạng thái của tất cả các thành phần khác trong mô hình ở lần lặp i, Yi * là các giá trị cho tập hợp không được quan sát các biến phản hồi liên tục nằm dưới thứ tự dữ liệu, ξi biểu thị các biến tiềm ẩn, Λi biểu thị tham số tải, Φi biểu thị ma trận hiệp phương sai của các yếu tố tiềm ẩn, và Θi biểu thị ma trận hiệp phương sai còn lại (Song & Lee, 2001). Để thuật toán MCMC lấy mẫu thì các nhà nghiên cứu phải đặt cơ sở trên các ngưỡng, hệ số tải và ma trận phương sai tiềm ẩn (Lee, 2007). Depaoli và van de Schoot (2017) và Berger (2006) đã tóm tắt rằng các nhà nghiên cứu có thể muốn chọn sơ bộ của họ bằng cách sử dụng hướng dẫn từ các chuyên gia hoặc các nghiên cứu trước, các tập dữ liệu có liên quan… Ngoài ra, một số nhà nghiên cứu chọn sử dụng dữ liệu để cung cấp thông tin sơ bộ của họ như sử dụng ước tính tần suất của các tham số mô hình của họ để xây dựng cơ sở cho một phân tích Bayes tiếp theo (Berger, 2006; Depaoli & van de Schoot, 2017).

Thông tin tiền nghiệm được xem xét dựa trên các tải và ngưỡng Inverse Wishart (IW) của ma trận hiệp phương sai trước đó (Asparouhov & Muthén, 2010a; Lee, 2007; Natesan, 2015)). Hiện nay công việc đặt vị trí và quy mô của các mồi tải về zero và một phù hợp với những phát hiện của Asparouhov và Muthén, (2010a). Phân phối tiền nghiệm N(0; 1,00) được xem là thông tin yếu vì nó đặt 95% khối lượng trước đó vào hệ số tải tiêu chuẩn giữa ±1,96√1.0 (Muthén & Asparouhov, 2012). Trong khi đó, phân phối tiền nghiệm dạng IW(I, p +1) được đặt dựa trên ma trận hiệp phương sai tiềm ẩn với I là ma trận các biến nhận dạng, p là số biến tiềm ẩn trong mô hình. Trong thực tế, cài đặt mặc định trong phần mềm hỗ trợ như AMOS

sử dụng phân phối tiền nghiệm dạng không có thông tin (non-informative) trong đó giới thiệu càng ít thông tin càng tốt và xem xét xác suất của nó trên phạm vi rộng các tham số, nghiên cứu này cũng bắt đầu phân tích mô hình với điều kiện như vậy. Với khả năng lấy mẫu mở rộng trong phương pháp Bayes, khi kích thước của tập dữ liệu tăng lên, ảnh hưởng của phân phối trước sẽ giảm đi và tất cả sẽ có cùng một xác suất (Fisher, 1996).

Bước 2: Tuân thủ các khuyến nghị của Lee (2007), cách thức lấy mẫu Gibbs thường được sử dụng để mô phỏng giá trị từ hàm mật độ có điều kiện. Tuy nhiên, Lynch (2007) cho rằng phương pháp lấy mẫu này có khả năng hội tụ kém, vì vậy khuyến nghị sử dụng cách thức lấy mẫu Metropolis-Hastings với lấy mẫu từ toàn bộ phân phối hậu nghiệm. Các nhà nghiên cứu cũng phải chọn số lần rút thăm để mô phỏng từ các phân phối hậu nghiệm. Lee, Song và Cai (2010) đã tìm thấy khả năng các mô hình CFA có thể hội tụ sau 15.000 lần lặp. Tuy nhiên, Lee & ctg (2010) cũng chỉ ra rằng hạn chế thông tin được cung cấp bởi các chỉ tiêu kiểm tra của mô hình có thể yêu cầu kéo dài số lần lặp lại theo thứ tự để các chuỗi hội tụ. Depaoli và van de Shoot (2015) lưu ý rằng các mô hình phức tạp có thể cần tới một triệu bản ghi để mô hình hội tụ và Taylor (2019) đã sử dụng 100.000 lần lặp lại bài ghi để đảm bảo lấy mẫu đầy đủ từ phía sau các bản phân phối. Do đó, nghiên cứu này yêu cầu 100.000 lần lặp ghi chép mẫu để đảm bảo mức độ phù hợp của mô hình.

Bước 3: Khi chuỗi dữ liệu đã được hình thành lặp đi lặp lại, cần thực hiện kiểm tra các điều kiện hợp lệ của mô hình bao gồm (i) kém hội tụ, (ii) tự tương quan cao, (iii) độ nhạy của phân phối tiền nghiệm, (iv) tính đại diện kém của phân phối hậu nghiệm, (v) độ phù hợp của dữ liệu mô hình (Depaoli & van de Schoot, 2017; Lee, 2007).

Với thuật toán MCMC, rất khó để đánh giá sự hội tụ, để đảm bảo mức độ tương tối sự hội tụ của các tham số trong mô hình có thể đánh giá bằng hệ số PSRF và đồ thị dấu vết - trace plots (Lee, 2007). Với PSRF được xác định dựa trên Gelman và ctg (2004). Thống kê mức độ hội tự dựa trên ý tưởng rằng không có ích lợi gì khi lấy một số lượng lớn các quan sát để cố gắng làm cho sai số MCMC (SE) rất gần bằng không. Ngay cả khi thu được vô số quan sát MCMC sao cho SE trở thành 0, thì kiến thức về

giá trị tham số được đo bằng SD - độ lệch chuẩn của phân phối sau của nó vẫn không chắc chắn. Thống kê hội tụ là thước đo mức độ có thể giảm sự không chắc chắn về một ước tính và bằng cách tăng số lượng quan sát MCMC đến vô hạn. CGelman &ctg (2004) đưa ra quy tắc thực nghiệm với giá trị PSRF nên gần bằng 1, với giá trị dưới 1,1 có thể chấp nhận được, nhưng đối với phân tích cuối cùng trong một vấn đề quan trọng, có thể yêu cầu mức độ chính xác cao hơn. Theo mặc định thì thống kê hội tụ cho mỗi thông số mô hình nhỏ hơn ngưỡng 1,002 do các quy tắc thực nghiệm cho thấy nó khá thận trọng hơn so với mức 1,1 (Arbuckle, 2016). Với đồ thị dấu vết, nếu nhiều chuỗi được yêu cầu thì các giá trị mô phỏng từ mỗi chuỗi sẽ xếp chồng lên nhau trong một biểu đồ theo dõi duy nhất để đánh giá trực quan mức độ hội tụ (Kruschke, 2014). Trục x trên biểu đồ dấu vết biểu thị độ dài lặp lại và trục y biểu thị không gian tham lấy mẫu mô phỏng các giá trị (Lynch, 2007). Nếu các chuỗi có sự chồng chéo nhất quán và ổn định lấy mẫu từ cùng một phạm vi giá trị trong số các lần lặp lại, thì tham số có có khả năng hội tụ vào phân phối mục tiêu (Kruschke, 2014).

Vì thuật toán MCMC mô phỏng một ước tính mới sử dụng trạng thái hiện tại của một chuỗi, các giá trị giữa các lần lặp lại có liên quan với nhau và chuỗi MCMC sẽ tự động tương quan (Lynch, 2007). Nếu tự tương quan cao quá mức thì phân phối mục tiêu có thể kém đại diện cho dữ liệu thực tế (Kruschke, 2014; Muthén, 2010) và sự thay đổi của một phân phối hậu nghiệm có xu hướng bị đánh giá thấp (Lynch, 2007). Do đó, tự tương quan trong chuỗi MCMC cần được kiểm tra bằng cách sử dụng đồ thị tự tương quan. Trục y trên một đồ thị tự tương quan biểu thị kích thước ước tính của tự tương quan giữa các giá trị được mô phỏng khi lặp lại i và n lần lặp và trục x biểu thị độ trễ hoặc khoảng thời gian giữa các lần rút mẫu trong đó tự tương quan đã được kiểm tra (Lynch, 2007). Giá trị tự tương quan từ 0,6 trở lên được xem là cao, mức từ 0,1 trở xuống được xem là mức phù hợp của mô hình và tự tương quan dự kiến sẽ cần giảm khi độ trễ ngày càng lớn, cho thấy chuỗi cuối cùng được lấy mẫu tốt từ phân phối hậu nghiệm (Pullenayegum & Thabane, 2009). Tuy nhiên, tự tương quan cao (như giá trị > 0,1 theo Muthén, 2010) trên độ trễ ngày càng lớn có thể là vấn đề và có thể cần lặp lại quá trình lấy mẫu để cải thiện vấn đề (Depaoli & van de

Schoot, 2017). Phần lớn các nhà nghiên cứu khuyến khích giải quyết hiện tượng tự tương quan trong mô hình hơn là loại bỏ (Depaoli & van de Schoot, 2017; Kruschke, 2011). Một số cách tiếp cận tập trung vào việc loại bỏ các nguồn tự tương quan, chẳng hạn như như loại bỏ sai sót của mô hình (Depaoli & van de Schoot, 2017), làm giảm trực tiếp sự tự tương quan bằng cách mở rộng chuỗi hoặc chỉ sử dụng mỗi lần lặp thứ n để tăng tính độc lập giữa các lần mô phỏng được sử dụng để xây dựng các phân phối hậu nghiệm (kỹ thuật “làm mỏng”; Kruschke, 2011b, tuy nhiên do giới hạn của phần mềm sử dụng thì kỹ thuật này không được sử dụng một cách tối ưu). Mặc dù tự tương quan thấp là mong muốn, nếu mô hình không biểu hiện các chẩn đoán khác mối quan tâm, thì tự tương quan cao có thể không có vấn đề trong các phân tích kết quả mô hình (Depaoli & van de Schoot, 2017).

Đối với độ nhạy của phân phối hậu nghiệm được đánh giá bằng cách so sánh các thay đổi trong phân phối hậu nghiệm khi thay đổi phân phối tiền nghiệm (Depaoli & van de Schoot, 2017; Gelman và cộng sự, 2014). Các tác giả nêu trên đã gợi ý rằng những thay đổi giữa mức 1% và 10% trong ước tính tham số hậu nghiệm do thay đổi trong phân phối tiền nghiệm có thể được coi là một tác động “vừa phải”. Trong khi những thay đổi lớn hơn 10% trong các diễn giải thực chất của một mô hình có thể được xem như một tác động lớn. Theo Depaoli & Clifton (2015) các mồi tải có thể thay đổi theo nhiều cách khác nhau, tuy nhiên thông thường được lần lượt thay đổi thành N (0; 0,25) và N (0; 0,10) nhằm đánh giá độ nhạy của mô hình với cơ sở cung cấp thông tin yếu để xem xét các giả thuyết của mô hình

Để kiểm tra sự sai lệch dữ liệu mô hình, Lee (2007) đã khuyến nghị sử dụng các giá trị p tiên đoán sau (PPP). PPP biểu thị tỷ lệ burning sau lặp lại với một tập hợp các tham số phản ánh dữ liệu kém (Lee, 2007; Muthén & Asparouhov, 2012; Taylor, 2015). Trong thực nghiệm, giá trị PPP gần với 0,5 sẽ phản ánh đối với một mô hình đúng, còn với các giá trị gần về phía cực trị của 0 hoặc 1 sẽ cho thấy rằng một mô hình không hợp lý (Lee, 2007; Muthén & Asparouhov, 2012). Nếu giá trị ppp quá thấp thì mô hình đánh giá không phù hợp với dữ liệu (Lee, 2007). Hiện tại, có rất ít thông tin về những gì tạo thành giá trị PPP thấp, trong khi các giá trị nhỏ hơn 0,05 có thể cho thấy sự phù hợp kém (Lee, 2007; Muthén & Asparouhov, 2012). Nếu một

mô hình phù hợp với dữ liệu kém, các nhà nghiên cứu có thể cần xem xét lại các mô hình lý thuyết cạnh tranh để lựa chọn hợp lý hơn. Giá trị DIC được tính toán và giải thích bởi Gelman & ctg (2004) và Lee (2007) được sử dụng cho so sánh các mô hình (Kaplan, 2014). Công thức cho DIC được phát triển dựa trên khái niệm độ lệch Bayes (Spiegelhalter và cộng sự, 2002) và giá trị nhỏ nhất của DIC là được ưu tiên trong số các mô hình cạnh tranh khi cần phải so sánh, cũng như chứng minh sự hợp lý của B- SEM so với các ước tính cổ điển về sự phù hợp (Spiegelhalter và cộng sự, 2002).

Để có cơ sở thảo luận kết quả, luận án thực hiện việc đối chiếu kết quả với thực trạng của thị trường xếp hạng tín nhiệm thông qua các thống kê mô tả bằng đồ thị và phân tích so sánh. Đồng thời với các thảo luận mang tính kỹ thuật như về phương pháp xếp hạng, đánh giá trong tương lai, tác động của các yếu tố vĩ mô thì luận án sử dụng kết hợp với các phương pháp phân tích khác như phân tích phân biệt hay hồi quy logit để làm rõ các kết quả từ mô hình đã có, gắn với thực trạng bối cảnh thị trường XHTNDN tại Việt Nam.

TÓM TẮT CHƯƠNG 3

Dựa trên lý thuyết đề ra trong chương 2, chương 3 đã trình bày về mô hình nghiên cứu được đề xuất. Từ đó lập luận về phương pháp và số liệu sử dụng trong nghiên cứu sao cho phù hợp. Sau quá trình kết hợp các nghiên cứu liên quan thì một bản câu hỏi đã được tạo ra, sau đó được khảo sát thử nghiệm được thực hiện trước khi khảo sát chính thức. Một cuộc khảo sát được thông báo trước được gửi đến các cá nhân, đại diện doanh nghiệp niêm yết tham gia khảo sát. Các giả thuyết quan trọng được đưa ra trong quá trình phân tích. Đồng thời, chương 3 giới thiệu các phương pháp ước lượng, kiểm định liên quan đến mô hình sử dụng ML-SEM và B-SEM. Chương 4 của nghiên cứu sẽ sử dụng số liệu, mô hình và phương pháp của được đề xuất trong chương 3 để xác định các nhân tố trong mô hình.

CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4.1. BỐI CẢNH THỊ TRƯỜNG XHTNDN TẠI VIỆT NAM

4.1.1. Quy định pháp luật và chính sách liên quan đến phát triển thị trường XHTNDN của cơ quan quản lý tại Việt Nam

Vào tháng 12 năm 2008, ADB đã xuất bản Cẩm nang về các thông lệ quốc tế về XHTN. Trong đó cuốn sách đã đưa ra các quy tắc thực nghiệm tốt nhất theo khuyến nghị của ADB. Các quy tắc bao gồm hai phần: Các yêu cầu thực tiễn cần thiết và Các yêu cầu thực tiễn mong muốn tốt nhất (ADB, 2008). Các yêu cầu này tập trung vào các yếu tố là yêu cầu đánh giá trước khi xếp hạng, định nghĩa xếp hạng và công nhận vỡ nợ rõ ràng, chính sách và quy trình xếp hạng, yêu cầu bảo mật, độc lập và tránh xung đột lợi ích, XHTN bảo mật, XHTN không theo yêu cầu, XHTN không được chấp nhận, quy trình kiểm soát. Đây là các hướng dẫn thông lệ quan trọng để các CRA tại Châu Á triển khai thực hiện tại thị trường của họ. Tiếp sau đó, ACRAA nhấn mạnh để phát triển được thị trường XHTNDN từ cơ bản nhất vẫn là các CRA phải hoạt động hiệu quả và cần tuân thủ đầy đủ với quy tắc ứng xử cơ bản của IOSCO. IOSCO xuất bản các yêu cầu thực tiễn tốt nhất vào tháng 9 năm 2003, giúp giảm sự bất cân xứng của thông tin và tránh xung đột lợi ích, thiếu sự độc lập làm suy yếu niềm tin của nhà đầu tư vào sự minh bạch và tính toàn vẹn của báo cáo xếp hạng. Các nguyên tắc được đặt ra khi thảo luận giữa các thành viên IOSCO, Đại diện của Ủy ban giám sát ngân hàng BASEL, Hiệp hội giám sát bảo hiểm quốc tế, tổ chức phát hành…. Nguyên tắc cơ bản được chia thành bốn phần: (i) Chất lượng và tính toàn vẹn của quy trình xếp hạng: chất lượng của quy trình xếp hạng, sự theo dõi và cập nhật, tính toàn vẹn của quy trình xếp hạng. (ii) Độc lập và tránh xung đột lợi ích trong thủ tục và chính sách của CRA, Nhà phân tích và nhân viên đảm bảo tính độc lập. (iii) Trách nhiệm của CRA đối với công chúng, nhà đầu tư và tổ chức phát hành: Tính minh bạch và kịp thời của công bố xếp hạng, xử lý thông tin bí mật. (iv) Công khai Quy tắc ứng xử và giao tiếp với người tham gia thị trường (IOSCO, 2003). Dựa trên ý này, ACRAA cũng đề xuất Quy tắc ứng xử cơ bản đối với các DCRA tại các quốc gia Châu Á. Các quy tắc bao gồm chất lượng và sự toàn vẹn của quy trình