nhuận của doanh nghiệp trong | bảo thống nhất với | (2006), Richardson và cộng | |||
kỳ hiện tại | cách đo lường chỉ | sự (2005), Ball và cộng sự | |||
tiêu phản ánh khả | (2016), … | ||||
năng sinh lời kỳ sau | |||||
Fairfield và cộng sự (2003), | |||||
Đo lường tỷ lệ tăng trưởng của | Richardson và cộng sự | ||||
TAGRi,t | TAGRi,t = (Tổng tài sản cuối kỳi,t - | tổng tài sản của doanh nghiệp i | (2003), Abarbanell và | ||
(total assets | Tổng tài sản đầu kỳi,t)/Tổng tài sản | trong kỳ t, là chỉ tiêu đại diện | Bushee (1997), Li (2004), | ||
growth) | đầu kỳi,t | cho nhân tố tăng trưởng của | Dickinson và Sommers | ||
doanh nghiệp trong kỳ hiện tại | (2011), Espinosa (2015), Yoo | ||||
và Kim (2015) | |||||
Tỷ lệ nợ của doanh | Evans và cộng sự (2017), | ||||
nghiệp có thể được | Ibendahl (2016), Stierwald | ||||
đo lường bằng hai | (2009), Espinosa (2015), Yoo | ||||
Di,t (Debt ratio) | Di,t = Nợ cuối kỳi,t/VCSH cuối kỳi,t hoặc Di,t = Nợ cuối kỳi,t/Tổng tài sản cuối kỳi,t | Đo lường tỷ lệ nợ của doanh nghiệp i ở cuối kỳ t, là chỉ tiêu đại diện cho cấu trúc vốn của doanh nghiệp trong kỳ hiện tại | chỉ tiêu khác nhau như bên. Nghiên cứu lần lượt thử tích hợp mỗi chỉ tiêu này vào mô hình và kiểm | và Kim (2015), Dickinson và Sommers (2011) | |
định để lựa chọn chỉ | |||||
tiêu phù hợp hơn cho | |||||
mỗi mô hình. | |||||
Có thể bạn quan tâm!
-
Tóm Lược Cơ Sở Lý Thuyết Và Nghiên Cứu Nước Ngoài Điển Hình Về Các Nhân Tố Tác Động Tới Khả Năng Sinh Lời Tương Lai -
Tác động của các nhân tố nội tại tới dự báo khả năng sinh lời của các doanh nghiệp chế biến thực phẩm niêm yết trên thị trường chứng khoán Việt Nam - 7 -
Mô Hình Nghiên Cứu Về Tác Động Của Các Nhân Tố Nội Tại Tới Dự Báo Khả Năng Sinh Lời Của Các Dn Cbtp Ny Tại Việt Nam -
Thực Trạng Khả Năng Sinh Lời Của Các Doanh Nghiệp Chế Biến Thực Phẩm Việt Nam -
Số Lượng Các Doanh Nghiệp Cbtp Niêm Yết Trên Ttck Việt Nam 2007 – 2019 -
Tỷ Trọng Tiền Và Tương Đương Tiền Trong Tổng Tài Sản Bình Quân Của Các Dncbtpny Giai Đoạn 2007-2019
Xem toàn bộ 197 trang tài liệu này.
Đo lường tỷ lệ vốn lưu động | Cách tính giá trị biến | Bieniasz và Gołaś (2011), | |||
ròng của doanh nghiệp i ở cuối | NWC trong mô hình | Mwangi và Nyambura | |||
NWCi,t(Net working capital) | NWCi,t = VLĐR cuối kỳi,t/Tổng tài sản cuối kỳi,t | NWCi,t = VLĐR cuối kỳi,t/VCSH cuối kỳi,t | kỳ t, là chỉ tiêu đại diện cho nhân tố quy mô vốn lưu động ròng của doanh nghiệp trong kỳ hiện tại, được xem là nhân tố | ROA và ROE khác nhau để đảm bảo thống nhất với cách đo lường chỉ tiêu | (2015), Maja và cộng sự (2017) |
đặc thù của ngành công nghiệp | phản ánh khả năng | ||||
chế biến thực phẩm | sinh lời kỳ sau | ||||
Đo lường quy mô tổng tài sản | Evans và cộng sự (2017), | ||||
bình quân của doanh nghiệp i | Czarnitzki và Kraft (2010), | ||||
lnTAi,t | lnTAi,t=ln(Tổng tài sản bình quâni,t) | trong kỳ t (dưới dạng logarithm tự nhiên), là chỉ tiêu đại diện cho | Stierwald (2009), Espinosa (2015), Yoo và Kim (2015) | ||
nhân tố quy mô doanh nghiệp ở | |||||
hiện tại | |||||
Chỉ tích hợp trong | Nissim và Ziv (2001), Zhou | ||||
DIVi,t (Dividend) | DIVi,t = Cổ tứci,t /LNSTi,t | Đo lường quy mô chi trả cổ tức của doanh nghiệp i trong kỳ t, là chỉ tiêu đại diện cho nhân tố cổ tức của doanh nghiệp trong kỳ hiện tại | mô hình dài hạn do không có số liệu trong ngắn hạn (Các doanh nghiệp niêm yết ở Việt Nam không chi trả cổ tức | (2006), Lee và cộng sự (2012), DeAngelo và cộng sự (1996), Benartzi và cộng sự (1997), Grullon và cộng sự (2002) | |
hàng quý) | |||||
entropy | entropyi,t = ∑z, , × ln , , Trong đó: zj là tỷ trọng của doanh thu từ hoạt động j trong tổng doanh thu của doanh nghiệp i trong kỳ t. Doanh thu được phân loại thành 3 nhóm: Doanh thu từ hoạt động bán hàng và cung cấp dịch vụ, doanh thu từ đầu tư tài chính và doanh thu khác. | Đo lường mức đa dạng hóa kinh doanh của doanh nghiệp i trong kỳ t. Entropy càng cao thì mức đa dạng hóa kinh doanh càng cao. Entropy tối thiểu bằng 0. | Chỉ tích hợp trong mô hình ngắn hạn | La Rocca và Stagliano (2012), Chaddad và Mondelli (2012), Schumacher và Boland (2004), Eukeria và Favourate (2014) |
2.5. Phương pháp ước lượng mô hình
Các mô hình (2), (3), (4) và (5) được ước lượng bằng phương pháp hồi quy tuyến tính cho số liệu mảng, sử dụng mô hình hiệu ứng cố định (Fixed effect model - FEM) hoặc hiệu ứng ngẫu nhiên (Random effect model – REM). Để lựa chọn giữa FEM và REM, đầu tiên cả hai mô hình này được ước lượng thử. Sau đó kiểm định Hausman được sử dụng để so sánh kết quả ước lượng hai mô hình và đánh giá xem mô hình nào là phù hợp hơn với bộ dữ liệu.
Phương pháp FEM
Xét một mối quan hệ, với biến phụ thuộc Y, và hai biến độc lập X1 và X2. Mô hình hồi quy hiệu ứng cố định là một dạng mở rộng của mô hình hồi quy tuyến tính cổ điển mà trong đó sai số được phân tách thành hai bộ phận:
Yit = β1X1it + β2X2it + νit + εit
Bộ phận vit đại diện cho các yếu tố không quan sát được khác nhau giữa các đối tượng nhưng tất định theo thời gian. Thành phần εit đại diện cho những yếu tố không quan sát được khác nhau giữa các đối tượng và thay đổi theo thời gian, được xem là thỏa mãn các giả định của hồi quy tuyến tính thông thường.
Mô hình FEM có thể được ước lượng bằng hồi quy bình phương tối thiểu có sử dụng biến giả với mỗi biến giả là đại diện cho một đối tượng quan sát của mẫu hoặc ước lượng tác động cố định (Fixed effects estimator). Do trong nghiên cứu này, số lượng các đối tượng nhỏ hơn nhiều số quan sát nên phương pháp ước lượng sử dụng biến giả là hoàn toàn khả thi, vấn đề giảm bậc tự do khi bổ sung biến giả vào mô hình là không đáng lo ngại.
Phương pháp REM
Trong mô hình REM, sai số cổ điển được phân tách thành hai bộ phận: νit đại diện cho các yếu tố không quan sát được mà thay đổi giữa các đối tượng nhưng tất định theo thời gian, εit đại diện cho các yếu tố không quan sát được mà thay đổi giữa các đối tượng và thời gian, tương tự như trong mô hình FEM. Tuy nhiên mô hình REM có thêm giả định rằng:
vit = α0 + ωit
Tức là vit lại được phân chia làm hai bộ phận: α0 bất định và ωi ngẫu nhiên. Giả định rằng, ωi cho mỗi đối tượng là kết quả của một phân phối xác suất độc lập với giá trị trung bình bằng 0 và phương sai đồng nhất và ωi của các đối tượng không tương quan với nhau: E(ωit) = 0, Var(ωit) = sω2, Cov(ωi,ωs) = 0.
Ước lượng OLS cho mô hình REM bỏ qua sự tự tương quan trong thành phần sai số μit, dẫn tới ước lượng các tham số không hiệu quả. Do đó, cần ước lượng REM bằng phương pháp GLS khả thi (FGLS). Ước lượng FGLS còn được gọi là ước lượng tác động ngẫu nhiên (Random effects estimator).
Kiểm định Hausman
Trước hết, kết quả ước lượng của FEM được kiểm chứng bằng kiểm định F với giả thuyết H0 cho rằng tất cả các hệ số vi đều bằng 0 về mặt thống kê, tức không có sự khác biệt giữa các đối tượng hoặc các thời kỳ. Nếu giả thuyết H0 được bác bỏ thì ước lượng bằng FEM là phù hợp. Trong khi đó, ước lượng của REM được kiểm định bằng phương pháp nhân tử Lagrange và kiểm định Breusch-Pagan. Theo đó, giả thuyết H0 cho rằng phương sai của sai số theo các đối tượng hoặc các thời kỳ là đồng nhất. Nếu giả thuyết này được bác bỏ thì tức là sai số trong ước lượng có bao gồm cả sự sai lệch giữa các đối tượng hoặc thời kỳ và REM là phù hợp.
Kiểm định Hausman được sử dụng để lựa chọn giữa FEM và REM. Giả thuyết H0 của kiểm định này cho rằng không có tương quan giữa sai số đặc trưng của mỗi đối tượng (vi) với các biến độc lập. Nếu giả thuyết này được bác bỏ thì các ước lượng theo FEM hiệu quả hơn REM, nên FEM được lựa chọn. Ngược lại, nếu không bác bỏ được H0 thì REM được lựa chọn.
H: Cov X, v = 0 H: Cov X, v ≠ 0
Giả sử với một mô hình hồi quy, kết quả ước lượng hệ số hồi quy β theo FEM và REM lần lượt là βFE và βRE. Trong kiểm định Hausman, giá trị thống kê được sử dụng là H tính theo công thức sau:
H = (βRE – βFE)’[Var(βRE) – Var(βFE)]-1(βRE – βFE).
Theo giả thuyết H0, với mẫu lớn, H có phân phối xác suất Chi bình phương 2, với bậc tự do bằng số biến trong mô hình. Giá trị của H tính theo mẫu được so sánh với giá trị tới hạn của phân phối Chi bình phương. Nếu H lớn hơn giá trị tới hạn thì giả thuyết H0 bị bác bỏ, tức là có tương quan giữa sai số đặc trưng của mỗi đối tượng với các biến độc lập và ước lượng theo FEM hiệu quả hơn REM.
2.6. Phương pháp hiệu chỉnh mô hình
Việc ước lượng các mô hình trên có thể mắc phải một số vấn đề kỹ thuật như sau:
- Đa cộng tuyến có thể xảy ra nếu các biến độc lập có tương quan cao với nhau, khiến các ước lượng trở nên không hiệu quả;
- Mô hình không tích hợp các nhân tố tác động từ bên ngoài doanh nghiệp nên tác động của các nhân tố này có thể bị đẩy vào trong phần sai số của mô hình, khiến sai số của mô hình không thỏa mãn một số giả định cổ điển của hồi quy tuyến tính, chẳng hạn giá trị kỳ vọng bình quân của sai số với điều kiện cụ thể của các biến độc lập khác không, hoặc nghiêm trọng hơn, phần dư của mô hình có tương quan với các biến độc lập (hiện tượng nội sinh);
- Mô hình còn có thể mắc phải một số khuyết tật như phương sai sai số thay đổi và tự tương quan;
- Số liệu được sử dụng là số liệu mảng không cân.
Các vấn đề này lần lượt được định hướng xử lý như sau:
Với vấn đề đa cộng tuyến, trước hết ma trận tương quan giữa các biến độc lập được thiết lập để đánh giá tương quan giữa chúng. Nếu giữa một số biến độc lập có tồn tại tương quan ở mức độ cao thì cách đo lường giá trị của các biến đó được cân nhắc hiệu chỉnh nhằm làm giảm mức độ tương quan, hạn chế vấn đề đa cộng tuyến mà không làm sai lệch bản chất của nhân tố tác động được đại diện bởi biến đó. Biện pháp này được thực hiện từ đầu, trước khi thực hiện các bước tiếp theo như chạy thử FEM và REM. Sau khi chạy hồi quy, hệ số phóng đại phương sai VIF được tính toán để kiểm tra lại mức độ đa cộng tuyến. Theo Ringle và cộng sự (2015), nếu VIF ở mức thấp dưới 5,0 thì đa cộng tuyến thường được xem là không đáng lo ngại.
Để xử lý vấn đề liên quan tới tác động tiềm tàng của các nhân tố ngoài doanh nghiệp không được tích hợp trực tiếp vào mô hình, nghiên cứu áp dụng phương pháp mô hình sai số hai chiều (two-way error component model). Theo đó, bộ phận sai số uit của mô hình được phân tách như sau:
uit = εi + δt + vit
Trong đó εi đại diện cho những nhân tố khác biệt giữa các đối tượng quan sát nhưng không thay đổi theo thời gian và không quan sát được/không được tích hợp trực tiếp vào mô hình. Ngược lại, δt đại diện cho những nhân tố thay đổi theo thời gian nhưng lại gây ra tác động như nhau lên tất cả các đối tượng quan sát trong cùng một thời kỳ hoặc ở cùng một thời điểm (ví dụ mức tập trung ngành nghề). Bộ phận còn lại là vit được giả định là thỏa mãn các giả định cổ điển về sai số ngẫu nhiên của mô hình hồi quy tuyến tính. Các mô hình FE và RE sau đó được ước lượng dựa trên định hướng này. Hướng tiếp cận trên trong phân tách uit có thể giải quyết được vấn đề không tích hợp trực tiếp những nhân tố tác động ngoài doanh nghiệp khi ước lượng mô hình hồi quy.
Sau khi chạy FEM, REM và kiểm định Hausman để lựa chọn mô hình phù hợp hơn, các khuyết tật như phương sai sai số thay đổi và tự tương quan được chẩn đoán và xử lý.
Để chẩn đoán hiện tượng phương sai sai số thay đổi, kiểm định Wald hiệu chỉnh được thực hiện. Trong kiểm định này, giả thuyết H0 là phương sai sai số đồng nhất giữa các nhóm đối tượng và các thời kỳ. Nếu giả thuyết này bị bác bỏ thì tức là có hiện tượng phương sai sai số không đồng nhất.
Cặp giả thuyết của kiểm định Wald hiệu chỉnh cho hiện tượng phương sai sai số không đồng nhất giữa các đơn vị chéo cụ thể như sau:
H: σ$ = σ$
!
H: σ$ ≠ σ$
với i = 1, 2,…, N, trong đó N là số đơn vị chéo
Đặt σ%$= T'∑)
e$ là ước lượng cho phương sai sai số của đơn vị chéo thứ i,
dựa trên Ti các phần dư eit có sẵn của đơn vị đó. Đặt tiếp Vi =T'(Ti – 1)-1∑)
e$ −
σ%$2là phương sai ước lượng của σ%$. Khi đó, giá trị thống kê của kiểm định Wald hiệu
chỉnh được xác định như sau:
∑. +%,'+%,,
W = -
Với giả thuyết H0, giá trị thống kê W có phân phối xác suất Chi bình phương 2, với bậc tự do bằng N. Giá trị của W tính theo mẫu được so sánh với giá trị tới hạn của phân phối Chi bình phương. Nếu W lớn hơn giá trị tới hạn thì giả thuyết H0 bị bác bỏ, tức là có hiện tượng phương sai sai số khác biệt giữa các đơn vị chéo. Để chẩn đoán phương sai sai số thay đổi giữa các thời kỳ, kiểm định tương tự được áp dụng, trong đó i = 1, 2, …, N là số thời kỳ.
Để chẩn đoán tự tương quan, nghiên cứu sử dụng kiểm định Wooldridge. Trong kiểm định này, giả thuyết H0 cho rằng không có tự tương quan bậc 1. Nếu giả thuyết này bị bác bỏ thì tức là có tồn tại tự tương quan.
H: Cov/Δu, Δu, ' 2 = 0
H
! : Cov/Δu
, Δu
, '
2 ≠ 0
Để thực hiện kiểm định Wooldrige, trước hết cần chạy hồi quy phương trình sai phân bậc 1 của phương trình hồi quy ban đầu, sau đó trích phần dư của phương trình sai phân này. Tiếp theo, chạy hồi quy của các phần dư trên theo giá trị trễ bậc 1 của chúng. Nếu hệ số của phương trình hồi quy các phần dư này có ý nghĩa thống kê thì tức là giữa
chúng có tương quan, tức mô hình có tự tương quan bậc 1. Điều này còn được thể hiện qua giá trị thống kê F của phương trình hồi quy phần dư lớn hơn các giá trị tới hạn (p- value tương ứng thấp), khiến giả thuyết H0 bị bác bỏ.
Trường hợp phát hiện phương sai sai số thay đổi và có hiện tượng tự tương quan, các hệ số cần được ước lượng lại bằng ước lượng Robust. Phương pháp này cho kết quả ước lượng vững trong trường hợp có các khuyết tật trên.
Đối với vấn đề số liệu mảng không cân, vấn đề này được xử lý bằng cách tích hợp trọng số xác suất nghịch đảo (inverse probability weight) khi ước lượng các hệ số hồi quy. Về cơ bản, nếu áp dụng phương pháp ước lượng “thông thường”, không điều chỉnh trọng số cho mỗi đối tượng quan sát thì những doanh nghiệp có số lần xuất hiện trong mẫu nhiều hơn tất yếu gây ảnh hưởng lớn hơn tới kết quả ước lượng so với các doanh nghiệp có số lần xuất hiện ít hơn. Do đó, để loại bỏ sự chênh lệch này và làm “cân bằng” mức độ tác động của các đối tượng quan sát tới kết quả ước lượng thì cần phải gán cho những doanh nghiệp có số lần xuất hiện nhiều những mức trọng số thấp hơn đồng thời gán cho những doanh nghiệp có số lần xuất hiện ít những mức trọng số cao hơn. Cụ thể, trọng số của mỗi đối tượng quan sát được xác định bằng nghịch đảo của xác suất xuất hiện trong mẫu của chúng: wi = 1/fi = 1/(Ni/N) – trong đó Ni là số kỳ xuất hiện trong mẫu của doanh nghiệp còn N là tổng số kỳ được lấy mẫu.