Tải bản đầy đủ
CHƢƠNG 3. PHƢƠNG PHÁP NGHIÊN CỨU

CHƢƠNG 3. PHƢƠNG PHÁP NGHIÊN CỨU

Tải bản đầy đủ

13

Ki,t-1: là độ trễ của tài sản cố định ròng;
CFi,t: là dòng tiền của doanh nghiệp i tại thời điểm t;
Qi,t-1: là độ trễ của Tobin Q;
LEVi,t-1 là độ trễ của đòn bẩy tài chính;
SALEi,t-1 là độ trễ của doanh thu thuần;
α là một hằng số (hệ số chặn cho biết tỷ lệ đầu tƣ nhất định mà các doanh
nghiêp vẫn tiến hành định kỳ không phụ thuộc vào diễn biến của các biến nghiên
cứu, các năm nghiên cứu);
λt: là một tập hợp biến kiểm soát sự khác biệt có thể có trong môi trƣờng
kinh tế vĩ mô của mỗi năm;
μi: là phần dƣ của công ty i trong khoảng thời gian nghiên cứu khi đƣợc
xem xét riêng lẻ cho từng doanh nghiệp;
εi,t : là sai số (phần dƣ chung của mô hình khi quan sát tất cả doanh nghiệp);
t: là thời gian chạy từ năm 2009 đến 2013;
i: chỉ số chạy từ 1 -219, phản ánh các doanh nghiệp quan sát;
β, δ, η, φ: là các hệ số tác động cho biết trạng thái tác động của các biến
giải thích là cùng chiều (+) hay ngƣợc chiều (-) với biến phụ thuộc;
Các biến K, Q, Lev, Sale trong mô hình đƣợc lấy độ trễ là do khi một công
ty có quyết định đầu tƣ tại thời điểm hiện tại thì cần xem xét các yếu tố nhƣ: tài
sản cố định, cơ hội tăng trƣởng, đòn bẩy tài chính và doanh thu thuần ở kỳ trƣớc
đó thì mới có thể đánh giá chính xác nguồn tài chính và đƣa ra quyết định đầu tƣ
chính xác.
Nhiều nghiên cứu trƣớc đây đã cho thấy tác động của đòn bẩy tài chính đến
quyết định đầu tƣ của những công ty có cơ hội tăng trƣởng khác nhau thì không
giống nhau. Để kiểm tra sự khác biệt này, tác giả đã phân mẫu thành các công ty
tăng trƣởng cao và các công ty tăng trƣởng thấp bằng cách đƣa thêm một biến

14

giả vào mô hình định lƣợng. Bài nghiên cứu đƣợc tiến hành hồi quy theo công
thức sau đây:
Công thức 2:
Ii,t/Ki,t-1 = α + λt + β(CFi,t/Ki,t-1) + δQi,t-1 + ηLEVi,t-1+ Di,t-1 X LEVi,t-1 +
φ(SALEi,t-1/Ki,t-1) + μi + εi,t
D: biến giả (D = 1 nếu Q > 1 và ngƣợc lại).
Thứ hai, tác giả thực hiện hồi quy biến công cụ để giải quyết vấn đề nội
sinh có liên quan đến tác động qua lại giữa đòn bẩy tài chính và đầu tƣ.
Cuối cùng, tác giả tiến hành kiểm định tính vững của các ƣớc lƣợng. Tác
giả kiểm soát ngành công nghiệp cho các tác động bằng cách sử dụng trung bình
ngành để điều chỉnh các biến trong phƣơng trình đầu tƣ. Mỗi biến đƣợc điều
chỉnh bằng cách khấu trừ trung bình ngành của công ty đó, điều này cho phép
chúng ta kiểm soát ngành công nghiệp không đồng nhất về quy mô trung bình.
Tác giả cũng hồi quy bằng cách giới hạn mẫu cho các công ty sản xuất công
nghiệp. Lý do của việc sử dụng các công ty sản xuất là hành vi đầu tƣ của các
doanh nghiệp ít có khả năng bị ảnh hƣởng bởi quy định và bản chất hoạt động.

3.1.2.

Các biến phụ thuộc và độc lập trong mô hình nghiên cứu

3.1.2.1. Biến phụ thuộc
Đầu tư thuần (I): chi tiêu tiền mặt thuần ban đầu cần thiết để thực hiện dự
án. Biến này đƣợc lấy trên Báo cáo lƣu chuyển tiền tệ từ hoạt động đầu tƣ và
đƣợc tính nhƣ sau:
Tiền chi để mua sắm xây dựng tài sản cố định + Tiền thu do thanh lý,
nhƣợng bán tài sản cố định và các tài sản dài hạn khác.

15

3.1.2.2. Biến độc lập
Đòn bẩy (LEV):đại diện cho đòn bẩy tài chính của doanh nghiệp, đƣợc xác
định theo hai cách đo lƣờng khác của đòn bẩy tài chính: Một là, giá trị sổ sách
của tổng nợ chia cho giá trị sổ sách của tổng tài sản (LEV1). Hai là giá trị sổ sách
của nợ dài hạn chia cho tổng tài sản (LEV2). Phƣơng pháp đầu tiên không phân
biệt giữa nợ dài hạn hay nợ ngắn hạn, phƣơng pháp hai phân tích vai trò chủ yếu
của nợ dài hạn nhƣ yếu tố tác động đến đầu tƣ.
LEV1 = Tổng nợ/Tổng tài sản
LEV2 = Nợ dài hạn/Tổng tài sản
Dòng tiền thuần (CF): đại diện cho dòng tiền nội bộ của doanh nghiệp,
đƣợc xác định nhƣ sau:
CF = Tổng thu nhập sau thuế và khấu hao/độ trễ của tài sản cố định thuần
Nếu doanh nghiệp có dòng tiền nội bộ tốt thì khả năng sẽ tận dụng đƣợc cơ
hội đầu tƣ tốt hơn. Và theo Myer (1984) về lý thuyết trật tự phân hạng thì dòng
tiền nội bộ là nguồn tài trợ ƣu tiên cho quyết định đầu tƣ.
Cơ hội tăng trưởng (Tobin’s Q): đại diện cho cơ hội tăng trƣởng của doanh
nghiệp, đƣợc xác định nhƣ sau:
Tobin’s Q = (Giá trị thị trƣờng của cổ phần thƣờng + Giá trị sổ sách của nợ)/Giá
trị sổ sách của tổng tài sản.
Doanh nghiệp đƣợc xác định là tăng trƣởng cao nếu có chỉ số Tobin’s Q >1,
ngƣợc lại tăng trƣởng thấp (cách phân loại này đƣợc sử dụng trong nhiều nghiên
cứu trƣớc đó nhƣ Lang et al (1996), Varouj A. Aivazian et al. (2005)…)
Doanh thu thuần (SALE): đƣợc xác định bằng doanh thu thuần/độ trễ của
tài sản cố định thuần.

16

Biến công cụ (IV): đƣợc sử dụng để giải quyết vấn đề nội sinh liên quan đến
mối quan hệ giữa đòn bẩy tài chính và đầu tƣ, đƣợc đó lƣờng bằng tài sản cố
định hữu hình chia cho tổng tài sản. Việc sử dụng tài sản cố định hữu hình làm
biến công cụ dựa trên những lập luận nhƣ sau: thứ nhất, chi phí phá sản là yếu tố
quan trọng của mức độ sử dụng đòn bẩy tài chính của doanh nghiệp. Tài sản cố
định hữu hình có khuynh hƣớng làm giảm chi phí phá sản và làm tăng việc sử
dụng nợ. Do vậy, tài sản cố định hữu hình có mối tƣơng quan cao với việc sử
dụng đòn bẩy tài chính của doanh nghiệp. Thứ hai, tài sản cố định hữu hình
không có mối tƣơng quan cao với cơ hội đầu tƣ của doanh nghiêp. Tài sản cố
định hữu hình đƣợc đo lƣờng bởi giá trị tài sản, nhà máy, máy mọc thiết bị cộng
với hàng tồn kho.
Bảng 3.1: Tổng hợp các biến độc lập và phụ thuộc trong mô hình:
Tên biến

Ký hiệu

Mô tả

Investment

INV (Ii,t/Ki,t-1)

Đầu tƣ thuần/Độ trễ của tài sản cố định
thuần

LEV1

Tổng nợ/Tổng tài sản

LEV2

Nợ dài hạn/Tổng tài sản

Cash Flow

CF (CFi,t/Ki,t-1)

Dòng tiền/Độ trễ tài sản cố định thuần -

Net Sale

SALES (SALEi,tDoanh thu thuần/Độ trễ tài sản cố định thuần
1/Ki,t-1)

Tobin’s Q

Q

Cơ hội tăng trƣởng

Instrumental
variable

IV

Tài sản cố định hữu hình/Tổng tài sản

Leverage

17

3.2. Dữ liệu và phƣơng pháp thu thập
3.2.1.

Dữ liệu nghiên cứu

Đối tƣợng nghiên cứu: là các công ty phi tài chính niêm yết trƣớc năm
2009 trên Sở giao dịch chứng khoán Hồ Chí Minh (HOSE) và Sở giao dịch
chứng khoán Hà Nội (HNX) và các yếu tố tác động đến quyết định đầu tƣ nhƣ:
tỷ lệ nợ trên tổng tài sản, dòng tiền, chỉ số Tobin’s Q, doanh thu thuần của doanh
nghiệp.
Quy mô mẫu: Việc xác định kích thƣớc mẫu bao nhiêu là phù hợp vẫn còn
nhiều tranh cãi với nhiều quan điểm khác nhau. Theo Comrey và Lee (1992):
100 = tệ, 200 = khá, 300 = tốt, 500 = rất tốt, >1000 = tuyệt vời.
Tác giả đã loại bỏ những công ty không đầy đủ số liệu, các công ty tài
chính, ngân hàng, bảo hiểm, quản lý quỹ… Mẫu cuối cùng của bài nghiên cứu
này bao gồm 219 công ty với 1095 quan sát.
Dữ liệu sử dụng cho mô hình là dữ liệu bảng. Theo Baltagi (Econometric
analysis of Panel data, Third edition, 2005) việc sử dụng phƣơng pháp ƣớc
lƣợng bằng dữ liệu bảng có các lợi ích sau đây:
Thứ nhất, kỹ thuật ƣớc lƣợng dữ liệu bảng có thể chính thức xem xét đến
tính dị biệt đó bằng cách xem xét các biến số có tính đặc thù theo từng cá nhân.
Thứ hai, ƣớc lƣợng bằng dữ liệu bảng cho chúng ta nhiều thông tin hơn, ít
xảy ra đa cộng tuyến giữa các biến và hiệu quả hơn. Ƣớc lƣợng bằng chuỗi thởi
gian luôn xảy ra vấn đề về đa công tuyến giữa các biến.
Thứ ba, hông qua nghiên cứu các quan sát theo không gian lặp lại, dữ liệu
bảng phù hợp hơn để nghiên cứu tính động của thay đổi.

18

Thứ tƣ, dữ liệu bảng có thể phát hiện và đo lƣờng tốt hơn những ảnh hƣởng
mà không thể quan sát trong dữ liệu chuỗi thời gian thuần tuý hay dữ liệu chéo
theo không gian thuần tuý.
Thứ năm, dữ liệu bảng giúp ta nghiên cứu những mô hình hành vi phức tạp
hơn. Ví dụ, các hiện tƣợng nhƣ lợi thế kinh tế theo qui mô và thay đổi kỹ thuật
có thể đƣợc xem xét thông qua dữ liệu bảng tốt hơn so với dữ liệu theo chuỗi
thời gian thuần túy hay theo không gian thuần túy.
Cuối cùng, dữ liệu bảng có thể tối thiểu hoá sự thiên lệch có thể xảy ra
nếu ta tổng hợp các cá nhân hay cá doanh nghiệp thành số liệu tổng.
Tóm lại, dữ liệu bảng có thể làm phong phú các phân tích thực nghiệm theo
những cách thức mà không chắc có thể đạt đƣợc nếu ta chỉ sử dụng các dữ liệu
theo
chuỗi thời gian hay không gian thuần túy. Vì vậy sử dụng cách bố trí theo dữ liệu
bảng rất phù hợp với mô hình hồi quy không gian và thời gian của bài nghiên
cứu này.

3.2.2.

Thu thập dữ liệu

Tác giả thu thập dữ liệu thứ cấp qua các phƣơng tiện đại chúng nhƣ:
Các website: cafef.vn, stockbiz.vn, vietstock.com.vn, cophieu68.vn
Website của các doanh nghiệp thu thập.
Nội dung dữ liệu thu thập: báo cáo thƣờng niên, báo cáo tài chính, giá trị thị
trƣờng của cổ phiếu… trong giai đoạn từ năm 2008-2013 để có mẫu nghiên cứu
5 năm, Trong công thức hồi quy có những biến đƣợc lấy độ trễ nên dữ liệu đƣợc
tính từ năm 2008 cho các biến: đòn bẩy tài chính, cơ hội tăng trƣởng, doanh thu
thuần.

19

Xử lý dữ liệu: phân loại dữ liệu thu thập, tính toán các chỉ tiêu cần nghiên
cứu, mã hóa các thông tin định tính nhằm phục vụ cho việc nghiên cứu.

3.3. Phƣơng pháp nghiên cứu:
Bài nghiên cứu sử dụng dữ liệu bảng đƣợc thực hiện theo phƣơng pháp
định lƣợng dựa trên mô hình hồi quy thƣờng (pooled OLS regression), mô hình
tác động cố định (fixed effect), mô hình tác động ngẫu nhiên (radom effect).
Nghiên cứu của Lang và các cộng sự (1996) giả định rằng các tác động riêng lẻ
không quan sát đƣợc, μi bằng không và sử dụng hồi quy Pooled OLS để ƣớc
lƣợng phƣơng trình đầu tƣ. Giả định các tác động riêng lẻ không quan sát đƣợc
bằng 0 là quá mạnh nếu có sự biến động lớn trong đặc thù riêng giữa các ngành
và giữa các công ty trong cùng ngành. Giả định về tác động riêng lẻ không quan
sát đƣợc bằng 0 có thể sẽ gây ra vấn đề nội sinh và khiến cho các ƣớc lƣợng
không chính xác. Đặc biệt trong môi trƣờng Việt Nam, nếu một công ty có mối
quan hệ chính trị tốt, công ty đó có thể dễ dàng tiếp cận nguồn vốn từ các ngân
hàng và giành đƣợc những dự án tốt từ Chính phủ. Để kiểm tra tính không đồng
nhất giữa các ngành và giữa các doanh nghiệp trong cùng một ngành, tác giả sử
dụng mô hình Fixed effect và Random effect. Để lựa chọn phƣơng pháp hồi quy
phù hợp nhất trong ba phƣơng pháp trên, tác giả sử dụng hai kiểm định:
Likelihood và Hausman.
Để phân tích tác động của đòn bẩy tài chính đến quyết định đầu tƣ, bài
nghiên cứu đƣợc tiến hành hồi quy theo quy trình dƣới đây cho giai đoạn nghiên
cứu từ 2008 – 2013:
Bƣớc 1: Thống kê mô tả chuỗi dữ liệu theo từng biến;
Bƣớc 2: Xem xét sự tƣơng quan bằng ma trận hệ số tƣơng quan nhằm mục đích
kiểm tra vấn đề đa cộng tuyến giữa các biến. Sau đó tiến hành hồi quy phƣơng

20

trình đầu tƣ bằng cách phƣơng pháp tính toán đòn bẩy tài chính khác nhau và mô
hình hồi quy thay thế;
Bƣớc 3: Báo cáo kết quả hồi quy cho phƣơng trình đầu tƣ (1) bằng cách sử dụng
hai phƣơng pháp tính toán thay thế của đòn bẩy tài chính và ba phƣơng pháp
luận khác nhau: hồi quy theo mô hình Pooled OLS, mô hình Random Effect, và
mô hình Fixed Effect;
Bƣớc 4: Kiểm định Likelihood và kiểm định Hausman để tìm hiểu xem phƣơng
pháp hồi quy nào là phù hợp nhất trong ba phƣơng pháp trên;
Bƣớc 5: Sử dụng phƣơng pháp hồi quy biến công cụ kết hợp với mô hình Fixed
Effect hoặc Random Effect nhằm đƣa ra những ƣớc lƣợng đáng tin cậy hơn.
Bƣớc 6: Kiểm định tính vững của các kết quả trƣớc đó bằng cách kiểm soát
ngành công nghiệp cho các tác động và sau đó hạn chế việc phân tích cho các
công ty sản xuất.

3.3.1.

Thống kê mô tả

Tính toán các chỉ tiêu thống kê của dữ liệu: thể hiện tổng quan về các mẫu
đã thu thập ra sao, có các thông số gì. Nó bao gồm các thông tin về trung bình,
độ lệch, phƣơng sai, quy luật dữ liệu.

3.3.2.

Kiểm định tương quan biến

Kiểm định tƣơng quan biến: thông qua hệ số tƣơng quan giữa hai biến
(X&Y), là hệ số đo mức độ phụ thuộc tuyến tính giữa hai biến, khi hệ số tƣơng
quan càng gần bằng không quan hệ càng lỏng lẻo; càng gần 1 càng chặt; nếu
cùng dấu là tƣơng quan thuận và ngƣợc lại nghịch. Theo quy ƣớc, các biến có hệ
số tƣơng quan nhỏ hơn 0.3 đƣợc coi là biến rác, không có ý nghĩa nghiên cứu.
Cụ thể:

21

-

0.01 đến

-

0.2 đến 0.3 : Mối tƣơng quan thấp

-

0.4 đến 0.5 : Mối tƣơng quan trung bình

-

0.6 đến 0.7 : Mối tƣơng quan cao

-

0.8 trở lên

3.3.3.

0.1 : Mối tƣơng quan quá thấp, không đáng kể

: Mối tƣơng quan rất cao

Hồi quy và kiểm định với 3 mô hình: Pooled OLS, FEM, REM

Mô hình Pooled OLS: thực chất là mô hình OLS bình thƣờng, điều này xảy
ra khi chúng ta sử dụng dữ liệu bảng nhƣ một đám mây dữ liệu bình thƣờng
không phân biệt theo năm và nhƣ vậy khi hồi quy mô hình Pooled OLS chính là
mô hình OLS.
Mô hình FEM: Với giả định mỗi thực thể đều có những đặc điểm riêng biệt
có thể ảnh hƣởng đến các biến giải thích, FEM phân tích mối tƣơng quan này
giữa phần dƣ của mỗi thực thể với các biến giải thích qua đó kiểm soát và tách
ảnh hƣởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các
biến giải thích để chúng ta có thể ƣớc lƣợng những ảnh hƣởng thực (net effects)
của biến giải thích lên biến phụ thuộc.
Mô hình REM: Điểm khác biệt giữa mô hình ảnh hƣởng ngẫu nhiên và mô
hình ảnh hƣởng cố định đƣợc thể hiện ở sự biến động giữa các thực thể. Nếu sự
biến động giữa các thực thể có tƣơng quan đến biến độc lập – biến giải thích
trong mô hình ảnh hƣởng cố định thì trong mô hình ảnh hƣởng ngẫu nhiên sự
biến động giữa các thực thể đƣợc giả sử là ngẫu nhiên và không tƣơng quan đến
các biến giải thích. Chính vì vậy, nếu sự khác biệt giữa các thực thể có ảnh
hƣởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó,
phần dƣ của mỗi thực thể (không tƣơng quan với biến giải thích) đƣợc xem là
một biến giải thích mới.

22

3.3.4.

Kiểm định các kết quả phân tích

- Kiểm định sự phù hợp của mô hình nghiên cứu:
Giả thiết:
H0: Mô hình ƣớc lƣợng không phù hợp
H1: Mô hình ƣớc lƣợng phù hợp
Tiêu chuẩn kiểm định: Pvalue < 5% bác bỏ H0
- Để đánh giá mức độ giải thích của biến độc lập đến biến phụ thuộc của
mô hình, tác giả sử dụng hệ số xác định R2. R2 nhận giá trị từ 0 đến 1, càng gần 1
thì mô hình càng phù hợp.
- Kiểm định giả thiết về hệ số hồi quy: kiểm định mức ý nghĩa của biến
độc lập tác động đến biến phụ thuộc.
- Kiểm định Likelihood ratio: nhằm xem xét mô hình Pooled OLS hay
FEM phù hợp hơn.
Giả thiết:
H0: εi và biến độc lập không tƣơng quan
H1: εi và biến độc lập tƣơng quan
Khi giá trị P value < α: bác bỏ H0 => sử dụng mô hình FEM. Ngƣợc lại, ta
sử dụng mô hình REM.
- Kiểm định Hausman lựa chọn mô hình phù hợp: kiểm định Hausman
nhằm xem xét mô hình FEM hay REM phù hợp hơn. Thực chất kiểm định
Hausman để xem xét có tồn tại tự tƣơng quan giữa εi và các biến độc lập hay
không.
Giả thiết:

23

H0: εi và biến độc lập không tƣơng quan
H1: εi và biến độc lập tƣơng quan
Khi giá trị P value < α: bác bỏ H0 => sử dụng mô hình FEM. Ngƣợc lại, ta
sử dụng mô hình REM.
- Kiểm định tự tƣơng quan: 1 < Durbin Watson < 3: mô hình không có
hiện tƣợng tự tƣơng quan.
- Kiểm định đa cộng tuyến: Hệ số VIF < 10: mô hình không có hiện tƣợng
đa cộng tuyến.

3.3.5.

Sử dụng phương pháp hồi quy biến công cụ để giải quyết vấn

đề nội sinh
Theo nghiên cứu trƣớc đây của Lehn và cộng sự, (1990) thì đòn bẩy tài
chính có thể bị ảnh hƣởng bởi cơ hội đầu tƣ đƣợc kì vọng. Để kiểm soát việc tác
động của cơ hội đầu tƣ mong đợi, tác giả đã đƣa biến Tobin’s Q vào mô hình.
Tuy nhiên, cách tiếp cận này có thể không kiểm soát đƣợc đầy đủ các cơ hôi đầu
tƣ đƣợc kỳ vọng vì Tobin’s Q chỉ phản ánh những thông tin chung, trong khi đòn
bẩy tài chính phản ánh những thông tin trong nội bộ doanh nghiệp. Ngoài ra, ở
mỗi công ty khác nhau, mức độ tác động của đòn bẩy tài chính đến đầu tƣ cũng
khác nhau. Bên cạnh đó, có khả năng các nhà quản lý có thể dự báo đƣợc cơ hội
tăng trƣởng trong tƣơng lai và họ quyết định cắt giảm đòn bẩy tài chính. Chính
việc tƣơng tác qua lại giữa quyết định đầu tƣ và đòn bẩy tài chính đã tạo ra vấn
đề nội sinh.
Để giải quyết vấn đề này, theo nghiên cứu của Aizavian (2005) và Firth &
cộng sự (2008), đề tài sử dụng phƣơng pháp hồi quy biến công cụ kết hợp với
mô hình Fixed Effect hoặc Random Effect nhằm đƣa ra những ƣớc lƣợng đáng
tin cậy hơn. Phần này đƣơc trình bày trong mục 4.2.3.