Tải bản đầy đủ
4 PHƯƠNG PHÁP ƯỚC LƯỢNG

4 PHƯƠNG PHÁP ƯỚC LƯỢNG

Tải bản đầy đủ

37

giảm bớt việc thất thoát dữ liệu, giảm hiện tượng đa cộng tuyến, tăng mức độ ý
nghĩa thống kê của mô hình (Baltagi,2001 ; Balestra,1992).
Sự hiệu dụng của phương pháp panel data được kể ra như trên phần lớn xuất phát
từ những giả định của sai số hồi quy và tính bất ổn của các hệ số trong mô hình hồi
quy. Giả sử ta có mô hình hồi quy tổng quát của biến phụ thuộc Y và biến độc lập
X như sau:
Yit = αit + βit Xit + eit (i)
Trong đó, ký hiệu i đại diện cho chủ thể quan sát thứ i, và t đại diện cho thời điểm
t. Như vậy trong mô hình trên ta cho phép những ảnh hưởng từ biến độc lập trong
mô hình có thể thay đổi theo thời gian và theo chủ thể nghiên cứu. Để làm được
điều này trong thực tế thường rất phức tạp, để đơn giản hóa người ta thường tập
trung vào 3 mô hình con của phương pháp này.
Thứ nhất là mô hình hỗn hợp (Pooled model) có thể diễn tả như sau:
Yit = α + β Xit + eita (ii)
Mô hình pool là mô hình đơn giản nhất với giả định rằng ảnh hưởng từ các yếu tố
trong mô hình sẽ cố định theo không gian và thời gian – các chỉ số i và t trên các hệ
số đã được lược bỏ. Sai số trong mô hình sẽ không có hiện tượng tương quan theo
không gian và thời gian. Mô hình pool được ưa thích sử dụng bằng cách đơn giản
là trộn lẫn tất cả quan sát theo không gian và thời gian để tạo nên mẫu lớn. Ví dụ ta
có 10 chủ thể quan sát trong 10 năm nghĩa là mô hình pool sẽ hồi quy trên
10x10=100 quan sát. Tuy nhiên, giả định của mô hình Pool thường không tồn tại
trong thực tế, một cách để phát hiện là chúng ta dùng kiểm định phương sai thay đổi
của White hoặc Glejser. Nếu tồn tại phương sai thay đổi thì chúng ta phải thay thể
bằng 2 mô hình khác được trình bày dưới đây.
Mô hình thứ hai là mô hình hiệu ứng cố định (Fixed effect), được mô tả như sau:

38

Yit = αi + βXit + eit (iii)
Trong mô hình này, các ảnh hưởng từ biến quan sát được giả định là thay đổi theo
từng chủ thể nghiên cứu và được thể hiện trên sự thay đổi của hệ số chặn α. Hệ số
chặn trong trường hợp này đại diện cho tất cả những yếu tố không quan sát được
ảnh hưởng lên biến Y, tuy nhiên trong mô hình này ảnh hưởng từ các yếu tố theo
thời gian được giả định là không đổi ở từng chủ thể nghiên cứu vì vậy được gọi là
hiệu ứng cố định (fixed effect). (Green, 2003)
Mô hình thứ ba là mô hình hiệu ứng ngẫu nhiên (Random effect) được mô tả như
sau:
Yit = (α + ui ) + β Xit + eit
Trong mô hình này, ảnh hưởng từ các đặc điểm riêng có của chủ thể nghiên cứu
không còn cố định nữa mà sẽ mang tính chất ngẫu nhiên (random) được thể hiện
qua hệ số ui ~ (0, σu2). Khi số chủ thể nghiên cứu tăng lên thì mô hình hiệu ứng cố
định sẽ bị giảm đi mức ý nghĩa thống kê do số lượng tham số lớn, mô hình random
effect sẽ khắc phục được hiện tượng này. Mô hình này giả định rằng, ảnh hưởng của
các đặc điểm riêng có sẽ tác động ngẫu nhiên lên biến nghiên cứu ở từng chủ thể.
(Tunay, 2009)
3.4.2 Kiểm định đa cộng tuyến
Khi sử dụng hồi quy OLS đa biến, phương sai của các tham số ước lượng βj được
tính theo công thức sau:
Var (βj) =

𝜎2
𝑆𝑆𝑇𝑗 (1− 𝑅𝑗2 )

Trong đó SSTj là tổng phương sai của biến quan sát xj, Rj2 là hệ số phù hợp khi hồi
quy biến xj theo tất cả các biến độc lập xk còn lại trong mô hình. Như vậy khi giữa
các biến độc lập x có tương quan với nhau thì hệ số Rj2 lớn và phương sai của các βj

39

sẽ tăng lên rất cao và khi đó ước lượng OLS không còn là ước lượng hiệu quả nữa.
Khi các biến X có tương quan cao ta gọi đây là hiện tượng đa cộng tuyến trong mô
hình. (Wooldridge, 2003)
Như vậy đa cộng tuyến là vấn đề khá quan trọng của hồi quy đa biến khi nó ảnh
hưởng trực tiếp lên tính hiệu quả của các ước lượng. Vì vậy trước khi kiểm định mô
hình chúng ta cần kiểm tra mối tương quan giữa các biến. Trong nghiên cứu thực
nghiệm, khi hệ số tương quan giữa 2 hoăc nhiều biến tăng lên bao nhiêu thì ảnh
hưởng đến tính hiệu quả của ước lượng vẫn còn nhiều tranh cãi. Tuy nhiên theo
Wooldridge (2003) thì các nhà kinh tế lượng cho rằng khi hệ số tương quan giữa 2
biến lớn hơn 0.9 thì vấn đề “đa cộng tuyến” mới thực sự tác động mạnh đến tính
hiệu quả của ước lượng, nếu nhỏ hơn thì ta có thể bỏ qua vấn đề này.
3.4.3 Kiểm định phương sai thay đổi
Trong 3 mô hình panel data tác giả đề cập gồm: Pool, Fixed effect và Random effect
thì mô hình Pool trong thực tế khó áp dụng nhất vì có hiện tượng phương sai thay
đổi (Heteroskedasticity). Phương sai thay đổi là việc sai số mô hình hồi quy có
phương sai không đồng nhất giữa các chủ thể nghiên cứu (công ty), hay nói cách
khác còn tồn tại nhiều yếu tố khác tác động đến biến phụ thuộc nhưng chúng ta chưa
tìm được.
Khi trong mô hình nghiên cứu tồn tại hiện tượng phương sai thay đổi sẽ làm phương
sai của hệ số ước lượng, Var(βj), không còn là ước lượng đúng (unbiased) nữa. Vì
tất cả thống kê t trong mô hình đều dựa trên phương sai của βj nên các thống kê t
sẽ không còn hiệu lực cho việc thực hiện kiểm định thống kê. Vì thế không thể
khẳng định rằng các ước lượng OLS của mô hình Pool là ước lượng bình phương
bé nhất tốt nhất (BLUE) nữa. (Wooldridge,2003).

40

3.4.4 Kiểm định Hausman test (FE hay RE)
Trong mô hình FE, hệ số ảnh hưởng riêng αi có thể có tương quan với biến giải thích
Xi, còn mô hình RE thì không có tương quan. Mô hình FE được áp dụng khá nhiều
trong nghiên cứu thực nghiệm, tuy nhiên một trong những khuyết điểm lớn của FE
đó là khi panel data có số chủ thể chéo (N) lớn và thời gian (T) quan sát nhỏ. Khi
đó người ta sẽ dùng phương pháp de-meaning data để bỏ qua việc phải đưa thêm
nhiều biến giả vào mô hình. Mà điều này thì không thể áp dụng nếu trong mô hình
có biến không đổi theo thời gian, vì khi lấy giá trị biến trừ cho trung bình của nó thì
giá trị luôn bằng 0. Trong những trường hợp như vậy thì mô hình RE tỏ ra có ưu thế
hơn. Mặc dù vậy để sử dụng mô hình RE thì ta cần có giả định quan trọng là hệ số
riêng có của từng chủ thể αi độc lập với các biến giải thích xi. Về lý thuyết khi so
sánh thì mô hình RE gần với mô hình Pool hơn, tuy nhiên mô hình RE thì mang tính
tổng quát hơn so với Pool.

41

CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU

4.1 Kết quả thống kê mô tả
Từ mẫu nghiên cứu chúng ta tính ra được thống kê mô tả của biến CAAR và biến
đòn bẩy tài chính qua các năm như sau như sau:
Bảng 4.1: Thống kê mô tả biến CAAR
Descriptive Statistics for
CAAR
Sample: 2007 2012
Included observations: 338

NAM

Mean

Median

Max

Min. Std. Dev.

2007

-85.10181

-135.0117 409.6790 -188.2099 126.3613 2.136445 7.886625

36

2008

2.226611

-3.311598 97.20469 -20.38677 22.73039 2.051916 8.804276

41

2009

8.782786

-6.824083 569.4097 -97.13788 101.1262 3.350283 19.18244

52

2010

-24.00295

-28.98224 62.46904 -65.17189 26.37261 1.041367 4.076777

66

2011

-9.292787

-12.53972 97.55374 -63.65083 31.19024 1.063464 4.612935

69

2012

-0.642788

-7.515596 139.8379 -79.45073 41.80053 1.006079 4.762836

74

All

-14.16755

-14.37136 569.4097 -188.2099 68.49574 2.259554 22.19901 338

Nguồn: tác giả tự tính toán

Skew.

Kurt. Obs.

42

Bảng 4.2: Thống kê mô tả biến GEAR
Descriptive Statistics for
GEAR
Sample: 2007 2012
Included observations: 430

NAM Mean

Median

Max

Min.

Std. Dev. Skew.

Kurt.

Obs.

2007 39.69111

35.48000

86.32000 1.500000 20.84573 0.428119 2.295929

63

2008 42.80931

42.34000

89.01000 5.100000 22.87401 0.111706 1.894580

72

2009 45.36548

44.21000

89.22000 2.920000 21.04465 0.094462 2.246762

73

2010 42.51324

41.56500

80.07000 0.840000 18.33545 -0.045850 2.096354

74

2011 44.39797

45.12000

81.81000 2.920000 19.77852 -0.088424 2.161971

74

2012 44.11189

41.80000

82.97000 3.900000 20.05256 0.010212 2.069694

74

All 43.23302

42.31500

89.22000 0.840000 20.47006 0.088248 2.119639

430

Nguồn: Tác giả tự tính toán.
Từ Bảng 4.1 chúng ta thấy rằng: nhìn chung các cổ phiếu trong mẫu nghiên cứu có
xu hướng giảm giá trong giai đoạn 2007-2012, trong đó giai đoạn giá giảm mạnh
nhất là năm 2007 khi TSSL bất thường tích lũy bị âm 85.1% và giá khôi phục nhẹ
vào năm 2009 khi TSSL bất thường tích lũy trung bình đạt 8.7%, tính trung bình
giai đoạn nghiên cứu 2007-2012 thì các cổ phiếu giảm giá, TSSL bất thường tích
lũy trung bình là âm 14% cho toàn mẫu. Mức độ biến động giá cổ phiếu trong năm
2007 và 2009 là rất cao với sai số chuẩn lần lượt là 126% và 101%. Xu hướng biến
động TSSL bất thường tích lũy của các cổ phiếu trong mẫu không ổn định qua các
năm, chia mẫu nghiên cứu thành 2 giai đoạn: giai đoạn biến động mạnh từ 20072009 và giai đoạn biến động thấp hơn từ 2010-2012.