Tải bản đầy đủ - 0 (trang)
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU

Tải bản đầy đủ - 0trang

18



model (FEM) hay Random-effects model (REM). Tuy nhiên, đối với dạng dữ liệu bảng

hỗn hợp (panel data) thì OLS khơng phải là một lựa chọn hợp lý vì phương pháp này là

phương pháp ước lượng đơn giản nhất và trong trường hợp này OLS có thể làm cho

các hệ số ước lượng không đồng nhất và thiếu hiệu quả, tức là ước lượng không nhất

quán (bị chệch) và khả năng mức ý nghĩa thống kê khơng còn chính xác. Để giải quyết

vấn đề này, mơ hình hồi quy được đưa thêm vào các hiệu ứng cố định theo thời gian cụ

thể của quốc gia j. Ký hiệu cuối cùng trong mơ hình, j, t, biểu thị sai số thường gặp liên

quan đến quốc gia j tại thời điểm t. FEM được phát triển từ mơ hình Pooled OLS khi

có thêm kiểm soát được từng đặc điểm khác nhau giữa các quốc gia j, và có sự tương

quan giữa phần dư của mơ hình và các biến độc lập. Trong khi đó REM lại khơng có sự

tương quan giữa phần dư của mơ hình và các biến độc lập. Để lựa chọn mơ hình thích

hợp kiểm định Hausman được sử dụng và đi đến kết quả mơ hình FE có ưu thế hơn

RE.

Trong các mơ hình ước lượng, tuỳ chọn robust standard errors được đưa vào để

tránh hiện tượng phương sai thay đổi và tự tương quan.

Tuy nhiên, đây là một mơ hình giản đơn và phải đưa thêm các biến kiểm sốt

khác nhau vào mơ hình để tránh lỗi sai lệch. Biến kiểm soát là những biến chỉ đặc điểm

riêng có được đưa vào mơ hình nhằm làm giảm bất cứ tác động nào có thể gây nhiễu

cho các nhân tố khác hoặc cho việc diễn giải kết quả của nghiên cứu. Biến kiểm sốt

cũng có một ảnh hưởng tiềm năng vào biến phụ thuộc như biến độc lập, nhưng sự tác

động đó khơng phải là điều mà ta đang quan tâm. Bên cạnh đó, việc đưa biến kiểm sốt

vào mơ hình phân tích vì ta khơng thể bỏ qua sự tác động của nó khi xem xét các tác

động của biến độc lập.

Chính vì vậy, trong mơ hình hồi quy (1), các biến kiểm soát sau được đưa vào

bao gồm tốc độ tăng trưởng GDP (∆GDP), biến giả để nắm bắt mức độ ảnh hưởng của

cuộc khủng hoảng tài chính (dumFC) cũng như biến tương tác giữa biến giả khủng

hoảng tài chính và biến biến động lạm phát (dumFC * ℎ) để nắm bắt hiệu ứng biến



19



động đã thay đổi sau cuộc khủng hoảng tài chính. Ngồi ra, một số biến kiểm soát

được thêm vào để nắm bắt những tác động bất ổn xuất phát từ thị trường tài chính và

hàng hóa (đánh giá sự ổn định của nền kinh tế vĩ mô) đo lường sự biến động của thị

trường chứng khoán (



), giá dầu (



) và hai biến còn lại nắm bắt mức độ rủi

), và



ro – sinh lợi của ngành ngân hàng của từng quốc gia: rủi ro ngân hàng (

tỷ suất sinh lợi trung bình của ngân hàng (



). Mơ hình cuối cùng sau khi



thêm vào hiệu ứng cố định và các biến kiểm sốt có dạng như sau:

,



= +



ℎ, +



,



+



+ .



+



,



(2)



Cũng lưu ý rằng mơ hình mở rộng bao gồm các biến giả hằng năm, i.year để kiểm

sốt những cú sốc còn lại có thể ảnh hưởng đến mối tương quan.

Và cuối cùng, để tránh hiện tượng nội sinh của biến giải thích, kết quả hồi quy

dựa mơ hình biến cơng cụ Instrumnet Varible với kỹ thuật ước lượng GMM (IVGMM).

Cũng như vấn đề đa cộng tuyến và phương sai sai số thay đổi, vấn đề nội sinh

trong mơ hình OLS cũng được coi là một trong những vi phạm nghiêm trọng các giả

định của OLS. Hiện tượng nội sinh là hiện tượng các biến giải thích ở trong tình trạng

khơng hồn tồn độc lập với các biến được giải thích và phát sinh mối ảnh hưởng hai

chiều của các biến này dẫn đến các phương pháp ước lượng FEM và REM khơng còn

hiệu quả. Nội sinh trong mơ hình thường xuất hiện dưới 3 dạng. Thứ nhất, thiếu vắng

biến độc lập trong mô hình và do đó phần giải thích của biến này sẽ nằm ở sai số (phần

dư). Khi đó có mối tương quan chặt giữa biến độc lập và phần dư. Thứ hai, sai số trong

đo lường hay sai lệch do lựa chọn. Thứ ba, vấn đề đồng thời và hệ phương tình đồng

thời.

Có nhiều các để khắc phục hiện tượng nội sinh như: chấp nhận sai lệch tiềm ẩn

mà không làm gì cả, có thể sử dụng thêm lệnh ước lượng vững (robust); sử dụng panel

data với một mơ hình có thể giải quyết vấn đề nội sinh; tìm một biến proxy khác phù



20



hợp để giải quyết mơ hình; sử dụng mơ hình với biến cơng cụ: IV model, 2SLS, 3SLS

Trong bài nghiên cứu, để khắc phục hiện tượng nội sinh tác giả sử dụng mơ hình

biến cơng cụ IV. Người ta dùng nhiều kỹ thuật để xử lý phụ thuộc vào chính mơ hình

chúng ta định ước lượng, các kỹ thuật ước lượng phổ biến là: 2SLS, GMM, iGMM,..

việc xác định kỹ thuật ước lượng nào dựa vào số biến nội sinh và biến cơng cụ mà

chúng ta có được. Để giải quyết cả vấn đề nội sinh và phương sai thay đổi trong mơ

hình thì GMM là kỹ thuật ước lượng phù hợp nhất.

Mustafa, Bing (2016) đã sử dụng biến trễ của các biến lạm phát, sự biến động của

lạm phát, và tỷ suất sinh lời ngân hàng để làm biến công cụ. Tương tự như vậy, bài

nghiên cứu sử dụng độ trễ thứ 2 của lạm phát, sự biến động của lạm phát, và tỷ suất

sinh lời ngân hàng thông qua kết quả kiểm định thống kê J của Hansen (1982) và pvalue để xác định tính hợp lý của biến công cụ.

3.2 Mẫu quan sát và nguồn số liệu

3.2.1 Mẫu quan sát

Để thực hiện bài nghiên cứu, dữ liệu được trích xuất từ cơ sở dữ liệu Bankscope

do Bureau van Dijk thu thập và điều chỉnh. Bankscope là một trong những cơ sở dữ

liệu toàn diện nhất về các báo cáo tài chính của các ngân hàng. Từ cơ sở dữ liệu này,

bài nghiên cứu thu thập ba chỉ tiêu cấp ngân hàng bao gồm: cho vay ròng, thu nhập

ròng và tổng tài sản.

Mặc dù Bankscope cung cấp thơng tin về các ngân hàng trên tồn thế giới, tuy

nhiên do hạn chế khi thu thập số liệu, tác giả chỉ thu thập được tại các quốc gia khu vực

Đơng Nam Á. Để làm tăng tính chính xác khi ước lượng, dữ liệu tương tự của các ngân

hàng niêm yết tại một số quốc gia khác ở Châu Á được thu thập từ Datastream. Trong

mẫu cuối cùng, bài nghiên cứu yêu cầu mỗi quốc gia nên đóng góp ít nhất 10 ngân

hàng tại bất kỳ mọi thời điểm để có một thước đo chính xác về sự phân tán chéo tỷ lệ

cho vay / tài sản của mỗi quốc gia. Mục tiêu chính của bài nghiên cứu là tập trung vào



21



chính sách của các quốc gia Châu Á. Do đó, những hạn chế trên đã khiến mẫu dữ liệu

cấp ngân hàng thu thập từ 19 nước bao gồm: Bangladesh, Trung Quốc, Hongkong, Ấn

Độ, Indonesia, Israel, Jordan, Kazakhstan, Kuwait, Lào, Malaysia, Paskita, Philippin,

Singapore, Hàn Quốc, SriLanka, Đài Loan, Thái Lan và Việt Nam. Sử dụng bộ dữ liệu

này, bài nghiên cứu sử dụng thông tin cấp ngân hàng với 556 ngân hàng ở tất cả các

nước để tạo ra các biến phụ thuộc và kiểm soát. Dữ liệu cấp ngân hàng được trích xuất

hàng năm và kéo dài khoảng thời gian từ năm 1988 đến năm 2016.

3.2.2 Mô tả biến và nguồn dữ liệu

3.2.2.1 Độ phân tán tỷ lệ cho vay

Để xem xét mức độ hiệu quả của sự phân bổ các nguồn cho vay của các ngân

hàng tại một nước, bài nghiên cứu sử dụng thước đo độ phân tán tỷ lệ cho vay trên tổng

tài sản. Cụ thể là phương sai tỷ lệ cho vay trên tổng tài sản của các ngân hàng của nước

j tại thời điểm t. Như vậy, tại một nước, một thời điểm, chỉ có một quan sát.

Bảng 3.1: Mơ tả thống kê tỷ lệ cho vay/tổng tài sản

Nước



Giai đoạn



N



Bangladesh



2009 – 2016



18



62,97%



8,49%



Trung Quốc



2004 – 2016



31



48,14%



13,42%



Hongkong



2012 – 2016



13



43,78%



13,42%



Ấn Độ



1998 – 2016



40



54,84%



9,21%



Indonesia



1990 - 2015



119



59,53%



19,62%



Israel



2003 – 2016



10



69,57%



9,18%



Jordan



2004 – 2016



11



45,41%



9,78%



Kazakhstan



2001 – 2015



13



66,80%



10,97%



Kuwait



2011 – 2016



10



53,11%



15,73%



Lào



2012 – 2015



10



45,02%



19,46%



22



Nước



Giai đoạn



N



Malaysia



1994 – 2015



80



49,09%



19,46%



Paskita



2001 – 2016



23



44,14%



14,18%



Philippines



1988 – 2015



48



46,81%



17,89%



Singapore



1988 – 2015



38



49,31%



24,06%



Hàn Quốc



2010 – 2016



10



71,30%



7,65%



SriLanka



2009 - 2016



11



59,12%



14,61%



Đài Loan



1998 - 2016



20



59,12%



11,31%



Thái Lan



1988 – 2015



25



69,9%



15,13%



Việt Nam



2004 – 2015



38



53,23%



14,41%



Bảng 3.1 cung cấp các thông tin cơ bản về dữ liệu ngân hàng trong bài nghiên cứu cho

từng quốc gia. Tỷ lệ cho vay trên tổng tài sản,



, dao động từ 40% đến 70% ở tất cả



các nước. Hàn Quốc là nước có tỷ lệ cho vay cao nhất với giá trị trung bình đạt

71,30%, một số nước khác như Israel, Kazakhstan, Bangladesh, Thái Lan đều có tỷ lệ

cho vay trên 60%. Tỷ lệ cho vay trung bình của Hongkong thấp nhất trong mẫu nghiên

cứu, chỉ đạt 43,78%, một số cũng có tỷ lệ cho vay tương đối thấp có thể kể đến như

Lào, Trung Quốc, Jordan, Paskita. Tương tự, độ lệch chuẩn trung bình tỷ lệ cho vay

trên tổng tài sản,



, ở các nước là dao động từ 8% đến 20%. Độ lệch tiêu chuẩn



trung bình thấp nhất của tỷ lệ cho vay trên tài sản thuộc về Hàn Quốc với 7,65% và giá

trị cao nhất là 24,06% thuộc về Singapore.



23



Hình 3.1: Biểu đồ phân phối biến phụ thuộc

3.2.2.2 Biến động lạm phát

Để ước lượng mô hình, chúng ta phải đánh giá độ nhiễu trong cơ chế giá của từng

quốc gia mà cụ thể là sự biến động hay lạm phát không chắc chắn. Để đo sự biến động

lạm phát này, bài nghiên cứu dùng với mơ hình ARCH / GARCH để nắm bắt những

biến động khác biệt của chỉ số giá tiêu dùng hàng tháng. Chỉ số giá tiêu dùng được thu

thập từ cơ sở dữ liệu Datasteam theo tháng. Chúng ta cần lưu ý rằng trước khi ước tính

mơ hình, chuỗi chỉ số giá đã được kiểm tra và khẳng định sự hiện diện của các hiệu

ứng ARCH bằng kiểm định Lagrange Multiplier (LM). Mơ hình GARCH (p, q) có

dạng sau:

=

ℎ =



Trong đó



+



+

+







.



ℎ+



+



biểu thị lạm phát, i.month nắm bắt các hiệu ứng tháng, t = t



và t là trung bình khơng, phương sai đơn vị quá trình nhiễu trắng.







24



Đối với mỗi quốc gia, bài viết ước tính một biến thể của mơ hình trên, mơ hình

ARCH (p) hoặc GARCH (p, q) đối với các nước được mô tả trong Bảng 3.2 tác giả

thấy rằng đối với hầu hết các quốc gia, mơ hình ARCH (1) hoặc ARCH (2) là đủ để

làm cho các phần dư còn lại khơng có hiệu ứng ARCH bậc cao hơn. Đối với một số

nước khác, mơ hình GARCH (p, q) bậc thấp được sử dụng thay vì mơ hình ARCH bậc

cao hơn. Sau khi mơ hình được lựa chọn đã được xác định rõ ràng, chuỗi phương sai có

điều kiện được tính trung bình trong năm để phù hợp với tần suất của dữ liệu cấp ngân

hàng. Như vậy, sau khi hồi quy chuỗi CPI 12 tháng trong năm của một nước bằng mơ

hình ARCH/GARCH, ta thu được chuỗi phương sai có điều kiện. Sau đó lấy trung bình

chuỗi phương sai 12 tháng này. Từ chuỗi CPI 12 tháng của một nước, sau khi hồi quy

ta thu được một quan sát. Chuỗi này được sử dụng như là một thước đo của độ nhiễu

trong các tín hiệu giá, mà chúng ta biểu thị là ℎ trong phương trình (1) và (2).

Phương sai có điều kiện cao hơn hàm ý độ nhiễu cao hơn trong cơ chế giá, nghĩa

là nội dung thông tin của giá đã giảm. Trong những trường hợp như vậy, người ra

quyết định sẽ không thể dự đốn tính khả thi của các dự án và do đó sẽ hành xử một

cách thận trọng hơn. Do đó, hệ số chặn được kỳ vọng mang dấu âm, thể hiện tác động

ngược chiều của biến động lạm phát lên sự phân bổ khoản vay của các ngân hàng. Khi

lạm phát biến động mạnh thì độ phân tán càng giảm do các nhà quản lý ngân hàng cư

xử thận trọng hơn, hàm ý các nguồn cho vay chưa được sử dụng hiệu quả.

Bảng 3.2: Độ trễ p, q trong mô hình ARCH/GARCH khi ước lượng độ biến động

lạm phát

No.



Country



1

2

3

4

5

6

7



China

India

Isaren

Jordan

Kazantang

Korea

Kuwait



ARCH

(p)

2

2

1

2

1

1

1



GARCH

(q)



2

1

2



No.

11

12

13

14

15

16

17



Country

Pakistan

Philippin

Vietnam

Singapore

Thailand

Bangladesh

Hongkong



ARCH

(p)

1

1

1

2

1

1

1



GARCH

(q)

1

2

1

1



25



No.



Country



ARCH GARCH

No.

Country

ARCH GARCH

(p)

(q)

(p)

(q)

8 Laos

2

18 Taiwan

2

9 Malaysia

1

1

19 Indosia

2

10 Srilanka

1

Để hình dung sự liên quan giữa sự biến động của lạm phát và sự khác biệt về



phương sai của tỷ lệ cho vay / tổng tài sản. Đồ thị ở Hình 3.2 mơ tả sự biến thiên của

biến động lạm phát và phân tán tỷ lệ cho vay trên tổng tài sản. Chúng ta thấy rằng có

sự tương quan âm giữa sự biến động của lạm phát và sự phân tán tỷ lệ cho vay / tổng

tài sản của các ngân hàng. Mặc dù những số liệu này cung cấp một bằng chứng trực

quan về mối tương quan âm giữa sự bất ổn về lạm phát và sự phân tán chéo của tỷ lệ

cho vay trên tài sản của các ngân hàng. Tuy nhiên các ngân hàng ở quốc gia có thể phải

chịu các cú sốc cụ thể với các đặc trưng riêng của mỗi quốc gia, nên cần tiến hành

nghiên cứu thực nghiệm chính thức trước khi đưa ra kết luận về mối tương quan này.

Hơn nữa, ngoài các tác động cố định ở cấp độ quốc gia, chúng ta phải xem xét tác động

của nhiều yếu tố khác có thể bóp méo quan sát.



26



Hình 3.2: Biểu đồ tương quan giữa biến động lạm phát và phân tán tỷ lệ cho

vay/tổng tài sản

3.2.2.3 Nhóm biến kiểm sốt

Biến kiểm sốt là những biến chỉ đặc điểm riêng có được đưa vào mơ hình nhằm

làm giảm bất cứ tác động nào có thể gây nhiễu cho các nhân tố khác hoặc cho việc diễn

giải kết quả của nghiên cứu. Biến kiểm sốt cũng có một ảnh hưởng tiềm năng vào

biến phụ thuộc như biến độc lập, nhưng sự tác động đó khơng phải là điều mà ta đang

quan tâm. Bên cạnh đó, việc đưa biến kiểm sốt vào mơ hình phân tích vì ta khơng thể

bỏ qua sự tác động của nó khi xem xét các tác động của biến độc lập. Tương tự như

Mustafa, Bing (2016), nhóm biến kiểm sốt được đưa vào mơ hình bao gồm các yếu tố

biến động khác của mơi trường vĩ mô:

Lạm phát: được thu thập thừ WorldBank, lạm phát cũng được kỳ vọng tác động

ngược chiều lên sự phân tán tỷ lệ cho vay trên tổng tài sản.

Tốc độ tăng trưởng GPD, ∆GDP: tác động của tăng trưởng GDP (∆GDP) đối với

sự phân tán tỷ lệ cho vay/tài sản vẫn còn chưa rõ ràng. Chẳng hạn như trong một nền

kinh tế tăng trưởng, nếu các tín dụng mới tăng đều đặn trên tất cả các ngân hàng, thì sự

phân tán tỷ lệ cho vay / tài sản không thay đổi. Tuy nhiên, nếu tín dụng mới được mở

rộng bởi các ngân hàng nhất định thì tác động lên sự phân tán sẽ cùng chiều vì tốc độ

tăng trưởng GDP thay đổi theo thời gian.

Biến giả dumFC nhận giá trị là 1 nếu năm t lớn hơn năm 2007. Việc đưa biến giả

này vào mơ hình với mục đích kiểm tra xem sự phân tán của tỷ lệ cho vay đối với tài

sản đã thay đổi sau cuộc khủng hoảng tài chính hay khơng. Hệ số chặn được kỳ vọng

mang dấu dương vì sau cuộc khủng hoảng tài chính các khoản tiền đã được bơm vào

các thị trường tài chính. Ngược lại, cũng có thể tranh luận về kỳ vọng ngược chiều, vì

các ngân hàng hạn chế cung cấp các khoản vay trong giai đoạn khủng hoảng mặc dù

các nỗ lực của NHTW và Chính phủ.

Biến tương tác giữa biến giả khủng hoảng tài chính và độ biến động lạm phát



27



(dumFC*h) cho thấy sự liên quan giữa biến động lạm phát có thay đổi sau cuộc khủng

hoảng tài chính. Hệ số âm (dương) cho thấy rằng sau cuộc khủng hoảng tài chính, tác

động ngược chiều của sự biến động về phân bổ nguồn lực ngân hàng đã tăng lên (suy

yếu).

Biến động của thị trường chứng khoán (VolStock) và biến động giá dầu (VolOil)

cũng được đo bằng cách áp dụng phương pháp ARCH / GARCH. Để ước tính biến

động thị trường chứng khoán, bài nghiên cứu thu thập dữ liệu theo tháng của các chỉ số

chứng khoản đại diện cho thị trường tại mỗi quốc gia được lấy từ Datastream và biến

động giá dầu được đo dựa trên giá dầu West Taxas Intermediate được lấy từ IMF. Mặc

dù có thể kỳ vọng rằng sự biến động của thị trường chứng khốn sẽ có tác động tích

cực đến sự phân tán các khoản cho vay của ngân hàng, nhưng tác động này cũng có thể

là ngược lại. Ví dụ, nếu các ngân hàng mở rộng tín dụng cho các cơng ty có cơ hội đầu

tư chất lượng tốt mặc dù các cơng ty này khơng thể huy động vốn tài chính trong giai

đoạn biến động của thị trường chứng khoán, sự phân tán tỷ lệ cho vay / nguồn vốn của

các ngân hàng sẽ mở rộng. Tuy nhiên, nếu sự biến động của thị trường chứng khốn là

tín hiệu cho một bất ổn tổng thể trong thị trường tài chính, thì việc phân tán các khoản

vay sẽ thu hẹp, vì các ngân hàng có xu hướng hành xử thận trọng trong việc mở rộng

các khoản vay trong giai đoạn biến động. Tác động của biến động giá dầu đối với biến

phụ thuộc dự kiến sẽ là ngược chiều, vì sự biến động giá dầu tăng lên hàm ý sự gia

tăng bất ổn trong môi trường kinh tế vĩ mô dẫn đến hành vi cho vay bảo thủ của ngân

hàng.

Rủi ro trung bình của ngành ngân hàng chính là sự biến động lợi nhuận của các

ngân hàng của cùng một nước, nó được tính từ độ lệch chuẩn của tỷ lệ thu nhập ròng

trên tổng tài sản của các ngân hàng có trong bộ dữ liệu. Bài nghiên cứu kỳ vọng rủi ro

trung bình ngân hàng sẽ có tác động ngược chiều lên việc phân tán tỷ lệ cho vay/tổng

tài sản.

Và cuối cùng là tỷ suất sinh lợi ngành ngân hàng trung bình được tính bình qn



28



cho các ngân hàng trong bộ dữ liệu và được kỳ vọng có tác động cùng chiều lên hiệu

quả phân bổ nguồn cho vay của các ngân hàng.

Nhìn chung, việc đưa các biến số kiểm sốt không nên ảnh hưởng đến kỳ vọng

dấu và ý nghĩa của hệ số liên quan đến sự biến động của lạm phát,



, thể hiện những



tác động đảo ngược của sự biến động lạm phát lên phân bổ nguồn lực ngân hàng. Cũng

lưu ý rằng mơ hình mở rộng bao gồm các biến giả hằng năm, i.year, nắm bắt những cú

sốc còn lại có thể ảnh hưởng đến mối tương quan.

Bảng 3.3 trình bày tóm tắt mơ tả biến, định nghĩa của các biến được sử dụng

trong phân tích thực nghiệm kèm theo kỳ vọng dấu của các biến độc lập tác động lên

độ phân tán tỷ lệ cho vay trên tổng tài sản của các ngân hàng.



Tài liệu bạn tìm kiếm đã sẵn sàng tải về

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU

Tải bản đầy đủ ngay(0 tr)

×