Tải bản đầy đủ
1 Kết quả thống kê mô tả

1 Kết quả thống kê mô tả

Tải bản đầy đủ

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.

43

Trong khi đó từ Bảng 4.2 chúng ta thấy rằng đòn bẩy tài chính của các công ty có xu
hướng biến động nhẹ và có trung bình hội tụ về một giá trị ổn định – đạt tỷ lệ nợ
khoảng 44%. Tuy vậy, cấu trúc vốn của các công ty ở những ngành khác nhau thì
có sự khác biệt tương đối rõ ràng. Theo Bảng 4.3 thì xét về trung bình ngành xây
dựng sử dụng đòn bẩy nhiều nhất với tỷ lệ tổng nợ xấp xỉ 56% tổng tài sản, kế tiếp
là bất động sản và ngành bán buôn bán lẻ với tỷ lệ lần lượt là 52% và 50%. Ngành
sử dụng ít đòn bẩy nhất là nông nghiệp với tỷ lệ trung bình là 27%. Và mức độ khác
nhau (được đo lường bằng độ lệch chuẩn) trong đòn bẩy tại các công ty trong cùng
một ngành thể hiện khá đồng đều trong mẫu nghiên cứu, chỉ có ngành nông nghiệp
thì tỷ lệ đòn bẩy giữa các công ty là tương đối giống nhau nhất nếu so với các ngành
còn lại.
Các giá trị thống kê mô tả của các biến còn lại xem thêm tại phụ lục 2.

44

Bảng 4.3: Thống kê mô tả về đòn bẩy giữa các ngành.
Descriptive Statistics for GEAR
Categorized by values of NGANH
Sample: 2007 2012
Included observations: 430
NGANH

Mean

Median

Max

Min.

Std. Dev.

Skew.

Kurt. Obs.

Ban buon ban le

50.26576 53.68000 85.26000 12.46000 19.30949 -0.314653 2.160541

59

Bat dong san

52.39833 53.91000 81.70000 24.52000 15.77154 0.102537 2.050969

48

Khai khoang

36.07094 34.13000 89.22000 0.840000 21.23513 0.545372 2.785018

53

Nang luong

40.61491 45.02000 72.06000 1.500000 20.37405 -0.446137 2.134706

53

Nong nghiep

27.23476 26.31500 51.63000 9.420000 10.71796 0.343096 2.305653

42

SX Che bien

33.04250 28.19500 69.86000 9.290000 18.55022 0.495261 1.835778

60

Van tai

47.10345 42.80500 89.20000 15.69000 19.55099 0.312372 1.939295

58

Xay dung

55.90596 57.64000 88.70000 18.61000 17.71539 -0.234776 2.432221

57

All

43.23302 42.31500 89.22000 0.840000 20.47006 0.088248 2.119639 430

Nguồn: Tác giả tự tính toán. Đơn vị: %

45

4.2 Kiểm định đa cộng tuyến
Kết quả kiểm tra tương quan giữa các biến được trình bày trong Bảng 4.4. Từ kết quả
này, chúng ta thấy được rằng giữa các biến độc lập có mối tương quan với nhau khá
thấp, đa số đều thấp hơn 0.7. Như vậy chúng ta có thể nói rằng giữa các biến độc
lập không có hiện tượng đa cộng tuyến rõ ràng nên chúng ta có thể bỏ qua hiện
tượng này.
Bảng 4.4: Hệ số tương quan giữa các biến
Correlation Analysis: Ordinary
Sample: 2007 2012
Included observations: 339
Balanced sample (listwise missing value deletion)

Correlation

GEAR

GEAR

1.000000

HI

HI

INDUSTR
INTEREST
GEAR

MTB

PE

REGULAT
ION

RISK

-0.121159 1.000000

INDUSTRYGEAR 0.357952 -0.149458 1.000000
INTEREST

0.041273 -0.025778 0.040356

1.000000

MTB

-0.103415 -0.091505 -0.058415

-0.354859

1.000000

PE

0.182344 -0.063145 0.053529

0.004951

0.016009 1.000000

-0.146905 0.686219

0.130277

0.037379

0.026334 -0.072158

1.000000

0.245128 -0.137197 0.237796

-0.075314

-0.272767 -0.057003

-0.045264

REGULATION
RISK

Nguồn: tác giả tự tính toán

1.000000

46

4.3 Kiểm định phương sai thay đổi
Để phát hiện hiện tượng phương sai thay đổi tác giả dùng phương pháp kiểm định
thông dụng hiện nay là phương pháp của White (1980) và Glejser (1969) để kiểm
tra hiện tượng phương sai thay đổi trong mô hình. Đầu tiên tác giả hồi quy bằng mô
hình Pool, sau đó dùng kiểm định phương sai thay đổi có sẵn trong phần mềm
Eviews 6. Các thông số khác được để mặc định trong chương trình. Kết quả được
trình bày trong Bảng 4.5.
Bảng 4.5: Kết quả kiểm định phương sai thay đổi
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS

2.762750
99.16518
131.3561

Prob. F(44,294)
Prob. Chi-Square(44)
Prob. Chi-Square(44)

0.0000
0.0000
0.0000

6.064091
43.44851
48.09474

Prob. F(8,330)
Prob. Chi-Square(8)
Prob. Chi-Square(8)

0.0000
0.0000
0.0000

Heteroskedasticity Test: Glejser
F-statistic
Obs*R-squared
Scaled explained SS

Nguồn: tác giả tự tính toán
Cả hai phương pháp kiểm định đều sử dụng giả thiết Không: “Phương sai của sai số
mô hình là đồng nhất”. Theo kết quả kiểm định từ Bảng 4.5 thì ta có giá trị thống kê
F từ phương pháp của White và Gleijser lần lượt là 2.76 và 6.06, như vậy với mức
ý nghĩa 1% ta có thể bác bỏ giả thiết Không. Kết quả của 2 kiểm định đều cho cùng
một kết quả là có tồn tại hiện tượng phương sai thay đổi, vì vậy nếu sử dụng mô
hình Pool cho ước lượng không còn đáng tin cậy nữa.
Một trong những lý do có sự xuất hiện của phương sai thay đổi là do trong thực tế
mỗi một công ty có đặc điểm riêng có khác nhau mà chúng ta chưa thể quan sát, và
những đặc điểm đó có thể tác động đến mối quan hệ giữa cấu trúc vốn và TSSL của

47

cổ phiếu làm phương sai của sai số ở từng công ty là khác nhau. Vì thế, như đã trình
bày ở phần trên thì trong trường hợp này chúng ta sử dụng mô hình Fixed Effect
hoặc Random Effect là phù hợp hơn vì 2 mô hình này có tính đến các yếu tố riêng
có của từng công ty không thể quan sát được trong mô hình.
Tuy nhiên việc lựa chọn Fixed hay Random sẽ tùy thuộc vào việc mô hình nào cho
ra kết quả hồi quy tốt hơn. Để quyết định sử dụng mô hình nào chúng tôi sử dụng
phương pháp của Hausman và Taylor sẽ được trình bày trong phần sau.
4.4 Kiểm định Hausman test (FE hay RE)
Trong bài nghiên cứu này, một trong những vấn đề ta cần quan tâm là việc lựa chọn
giữa hiệu ứng cố định (fixed effect) và hiệu ứng ngẫu nhiên (random effect). Để
quyết định vấn đề này, tác giả sử dụng phương pháp kiểm định của Hausman (1978)
.Với giả thiết Không: mô hình có hiện tượng Random Effect, ta có kết quả kiểm
định được trình bày trong Bảng 4.6.
Bảng 4.6: Kết quả kiểm định Hausman Test
Correlated Random Effects - Hausman Test
Test cross-section random effects
Test Summary
Cross-section random

Chi-Sq.
Statistic

Chi-Sq. d.f.

Prob.

4.636031

7

0.7043

Random

Var(Diff.)

Prob.

-0.004909
0.048347
0.058020
0.196452
-0.000000

0.000022
0.000059
0.000307
0.002445
0.000000

0.9371
0.6828
0.7527
0.1183
0.7665

Cross-section random effects test comparisons:
Variable
GEAR
INTEREST
MTB
RISK
SIZE

Fixed
-0.004540
0.051482
0.063537
0.273697
-0.000000

48

PE
INDUSTRY_GEAR

0.000084
-1.261549

-0.000185
-0.202201

0.000000
0.698817

0.4021
0.2051

Cross-section random effects test equation:
Dependent Variable: CAAR
Method: Panel Least Squares (Fixed effect)
Sample: 2007 2012
Periods included: 6
Cross-sections included: 74
Total panel (unbalanced) observations: 338
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
GEAR
INTEREST
MTB
RISK
SIZE
PE
INDUSTRYGEAR

-0.263161
-0.004540
0.051482
0.063537
0.273697
-9.63E-09
8.40E-05
-1.261549

0.554579
0.005142
0.019530
0.028306
0.074847
1.03E-08
0.000575
0.917166

-0.474524
-0.883059
2.636032
2.244658
3.656734
-0.936443
0.146167
-1.375487

0.6355
0.3780
0.0089
0.0256
0.0003
0.3499
0.8839
0.1702

Nguồn: tác giả tự tính toán
Từ Bảng 4.6 ta thấy giá trị kiểm định Chi-Square = 4.963 nên với mức ý nghĩa 5% ta
không thể bác bỏ giả thiết Không: mô hình có tồn tại hiệu ứng random effects. Mặc
dù việc không thể bác bỏ giả thiết Không không có nghĩa rằng mô hình RE là hoàn
toàn phù hợp. Tuy nhiên từ Bảng 4.6 ta có thể thấy kết quả các hệ số ước lượng từ
mô hình FE đa số đều không có ý nghĩa thống kê. Như vậy từ kiểm định này ta có
thể kết luận rằng sử dụng mô hình RE phù hợp hơn nên tác giả quyết định sử dụng
mô hình RE cho các ước lượng của mình.
4.5 Kết quả ước lượng và thảo luận
4.5.1 Kết quả ước lượng mô hình 1
Kết quả ước lượng các hệ số của mô hình (1) được trình bày trong Bảng 4.7. Theo
đó ta thấy rằng xét trên toàn mẫu nghiên cứu thì đòn bẩy có mối tương quan âm với

49

TSSL bất thường tích lũy. Cụ thể, khi tỷ lệ nợ của công ty tăng 1% thì TSSL bất
thường tích lũy trung bình sẽ giảm 0,52% , mối tương quan này có ý nghĩa thống
kê. Kết quả nghiên cứu này thì nhất quán với kết quả nghiên cứu của các công trình
sử dụng mẫu dữ liệu hỗn hợp nhiều ngành trên thế giới. George và Hwang (2010)
giải thích mối tương quan ngược chiều này có thể là kết quả từ chi phí kiệt quệ tài
chính. Các công ty có chi phí hoạt động cao thường chọn đòn bẩy thấp để tránh rủi
ro kiệt quệ tài chính và do đó phần bù TSSL ở những công ty có đòn bẩy thấp thì
cao hơn.
Mối quan hệ giữa đòn bẩy và TSSL bất thường tích lũy xét giữa các ngành riêng lẻ
thì không có sự đồng nhất. Trong ngành sản xuất và chế biến TSSL bất thường và
đòn bẩy có mối tương quan âm và có ý nghĩa thống kê, khi đòn bẩy của công ty tăng
1% thì TSSL bất thường giảm 1,41%. Trong khi đó, ngành bán buôn bán lẻ và
ngành bất động sản thì đòn bẩy lại có tương quan dương với TSSL, khi đòn bẩy tăng
1% thì TSSL tăng ở 2 ngành lần lượt là 1,57% và 1,06%. Kết quả ở 2 trường hợp
ngoại lệ này thì giống với nghiên cứu của MM (1958), tuy nhiên MM thì tìm thấy
tương quan dương ở ngành công ích. Ở các ngành còn lại, bằng chứng về mối quan
hệ này không có ý nghĩa thống kê.
TSSL có xu hướng tăng lên trong giai đoạn lãi suất cao, cụ thể kết quả cho thấy rằng
khi lãi suất tăng 1% thì TSSL bất thường tích lũy trung bình tăng 4,7%. Kết quả này
gây bất ngờ cho tác giả vì nó trái ngược lại với kỳ vọng lý thuyết rằng khi lãi suất
tăng thì chi phí tài chính cũng doanh nghiệp tăng nên ảnh hưởng không tốt lên thành
quả doanh nghiệp. Tuy nhiên tác giả cũng tranh luận rằng mối tương quan giữa
TSSL và lãi suất ở Việt Nam mang tính chu kỳ kinh tế nhiều hơn vì lãi suất tăng lên
thường vào lúc nền kinh tế đang tăng trưởng cao, thị trường chứng khoán phát triển
mạnh vì vậy việc TSSL tăng lên do trong giai đoạn lãi suất cao do ảnh hưởng từ tính
chu kỳ của nền kinh tế. Điều này thể hiện rõ ở ngành khai khoáng và năng lượng
trong mẫu nghiên cứu, vì đây là 2 ngành đầu vào quan trọng của nền kinh tế nên khi
nhu cầu của toàn bộ nền kinh tế tăng lên thì lợi nhuận của hai ngành này sẽ tốt hơn.

50

Mối quan hệ giữa lãi suất và TSSL có một ngoại lệ ở ngành xây dựng khi có mối
tương quan âm xảy ra ở ngành này. Bởi vì trong mẫu nghiên cứu ngành xây dựng
là ngành sử dụng đòn bẩy nhiều nhất trong tất cả các ngành, nên không khó để chúng
ta kết luận rằng các công ty trong ngành này sẽ gặp bất lợi nếu lãi suất cho vay của
thị trường tăng lên.
Hệ số MTB (giá thị trường trên giá trị sổ sách) cho thấy thị trường định giá cao hơn
bao nhiêu lần so với giá trị sổ sách – hay giá trị nội tại của doanh nghiệp. Hệ số
MTB cao cho thấy 2 khả năng tích cực và tiêu cực. Khả năng tích cực là khi doanh
nghiệp được nhà đầu tư kỳ vọng về cơ hội tăng trưởng trong tương lai hoặc khi nhà
đầu tư cho rằng doanh nghiệp đang định giá thấp tài sản của mình. Khả năng tiêu
cực là hệ số MTB cao cho thấy tín hiệu nhà đầu tư đang quá “lạc quan” về giá trị tài
sản của doanh nghiệp, hay nói cách khác thị trường đang định cao giá trị tài sản,
như vậy có khả năng thị trường sẽ điều chỉnh lại trong tương lai. Kết quả ước lượng
tại Bảng 4.7 cho thấy rằng, xét về trung bình mẫu thì khi hệ số MTB tăng lên 1 đơn
vị thì TSSL tăng lên 5,7%. Như vậy tính trung bình thị trường nghiên về khả năng
tích cực nhiều hơn. Tuy nhiên hiệu ứng MTB không đồng nhất giữa các ngành, mối
quan hệ tích cực chỉ có ý nghĩa thống kê trong ngành khai khoáng còn đa phần các
ngành còn lại như ngành bán buôn bán lẻ, vận tải, xây dựng thì hiệu ứng tiêu cực lại
xuất hiện, nghĩa là khi MTB tăng thì TSSL của cổ phiếu sẽ giảm.
Như vậy trong những ngành mà hệ số MTB có tác động tiêu cực thì tác giả tranh
luận rằng những ngành này nhà đầu tư có thái độ khắt khe hơn đối với triển vọng
tài sản của doanh nghiệp và vì vậy họ khó có khả năng định giá cao tài sản của
doanh nghiệp ở hiện tại. Một sự tăng giá quá mức đối với tài sản doanh nghiệp sẽ
được điều chỉnh ngay trong kỳ.