PHẦN 1

1.1. Mô hình nghiên cứu

Cấu trúc vốn của doanh nghiệp là một trong những chủ đề chiếm tỷ lệ nghiên cứu
nhiều nhất trong giới tài chính. Sở dĩ có lý do như vậy là do cấu trúc vốn chịu ảnh
hưởng của nhiều yếu tố khác nhau, từ nội tại lẫn bên ngoài tuy nhiên đến thời
điểm hiện tại vẫn chưa có một sự thống nhất chung tóm tắt lại những yếu tố sẽ
ảnh hưởng đến cấu trúc vốn của doanh nghiệp. Vì vậy, tác giả tiến hành nghiên
cứu chủ đề này một lần nữa dựa trên mô hình nghiên cứu sau:

LD= α + β1 ROA + β2 AGE + β3 SIZE + β4 TAN+ β5 CUR+ β5 COVID

Trong đó:

- Biến “LD”: là biến phụ thuộc, được đo lường bằng cách lấy Nợ dài hạn chia cho
tổng tài sản, biến này cho chúng ta biết mức độ doanh nghiệp sử dụng nợ là bao
nhiêu.

- Biến “ROA” đại diện cho khả năng sinh lợi của doanh nghiệp, được tính bằng
lợi nhuận sau thuế chi cho tổng tài sản.

- Biến “AGE”: là tuổi của doanh nghiệp, được đo lường bằng hiệu số giữa năm
hiện tại và năm thành lập.

- Biến “SIZE”: là quy mô của doanh nghiệp, được đo lường bằng logarit tổng tài
sản.

- Biến “TAN”: tài sản cố định, được tính bằng tài sản cố định trên tổng tài sản.

- Biến “CUR”: khả năng thanh toán hiện hành, bằng tài sản ngắn hạn chia cho nợ
ngắn hạn.

- Biến “COVID”: biến giả, bằng 1 nếu năm đó xảy ra dịch bệnh, ngược lại 0.

1
1.2. Mục tiêu và câu hỏi nghiên cứu

Mục tiêu nghiên cứu của đề tài này là nhằm nghiên cứu các yếu tố có ảnh hưởng
đến cấu trúc vốn của các doanh nghiệp được niêm yết trên SGDCK TP.HCM
trong giai đoạn 2017-2020. Các giả thuyết nghiên cứu được tác giả đặt ra như sau:

Giả thuyết H1: Khả năng sinh lợi có mối quan hệ ngược chiều với cấu trúc
vốn doanh nghiệp.

Giả thuyết H2: Tuổi doanh nghiệp có mối quan hệ ngược chiều với cấu trúc
vốn của doanh nghiệp.

Giả thuyết H3: Tài sản cố định và cấu trúc vốn có quan hệ cùng chiều với
nhau.

1.3. Thống kê mô tả
Bảng 1. Bảng thống kê mô tả
Biến Số quan sát Trung bình Độ lệch GTNN GTLN
chuẩn
LD 1,308 .1184544 .1420103 0 .721211
ROA 1,308 .0924624 .0895033 -.7729308 .6670481
AGE 1,308 26.64067 14.28599 4 93
SIZE 1,308 28.37289 1.435305 25.21365 33.67722
TAN 1,308 .2038811 .208892 0 .9626768
CUR 1,308 2.356876 2.96582 .0971288 43.01701
COVID 1,308 .5 .5001912 0 1

Nguồn: Tác giả tự tổng hợp từ Stata

Thống kê mô tả cho biết mẫu dữ liệu gồm 1.308 quan sát, trong đó tỷ lệ nợ dài
hạn trung bình của các doanh nghiệp là 11,8% với độ lệch chuẩn là 14,2% và có
doanh nghiệp không sử dụng nợ nhưng có doanh nghiệp sử dụng nợ lên đến
72,1%. Tiếp đến, khả năng sinh lợi trung bình của các doanh nghiệp trong giai
đoạn này là 9,2% trong đó có doanh nghiệp kinh doanh hiệu quả nên khả năng
sinh lợi lên đến hơn 66%. Tuổi trung bình của các doanh nghiệp là 26 năm, quy
mô trung bình của các doanh nghiệp là 28 lần và tỷ lệ tài sản cố định trung bình
là 20% cuối cùng khả năng thanh toán hiện hành trung bình là 2,35 lần với độ lệch
chuẩn tương ứng là 2,96 lần.
2
1.4. Ma trận hệ số tương quan
Bảng 2. Bảng ma trận hệ số tương quan
LD ROA AGE SIZE TAN CUR COVID
LD 1.0000
ROA -0.1906** 1.0000
AGE -0.0976** 0.0306 1.0000
SIZE 0.3602** -0.0946** -0.0747** 1.0000
TAN 0.3331** 0.0801** -0.0549* 0.0177 1.0000
CUR -0.1208** 0.1979** -0.0108 -0.2579** -0.1106** 1.0000
COVID -0.0250 -0.0912** 0.0700* 0.0500* 0.0078 -0.0137 1.0000

Nguồn: Tác giả tự tổng hợp từ Stata

**, * đại diện cho các mức ý nghĩa thống kê 5%, 1%
Ma trận hệ số tương quan Pearson cho biết mối tương quan giữa các biến với nhau
trong mô hình nghiên cứu, tác giả thấy rằng các biến trong mô hình đều có mối
tương quan với biến phụ thuộc đại diện cho cấu trúc vốn ngoại trừ biến COVID
do mối quan hệ này không có ý nghĩa thống kê.
1.5. Các kiểm địnnh liên quan
1.5.1. Kiểm định tính dừng
Tác giả dùng kiểm định Breitung để kiểm định tính dừng, kết quả được trình bày
dưới bảng sau:
Bảng 3. Bảng kiểm định tính dừng

Biến Statistic P-value Kết luận

LD 1.4459 0.9259 Chấp nhận H0

ROA -0.9710 0.1658 Chấp nhận H0

AGE 19.8091 1.0000 Chấp nhận H0

SIZE 5.4521 1.0000 Chấp nhận H0

TAN 1.6927 0.9547 Chấp nhận H0

CUR 0.0209 0.5083 Chấp nhận H0

COVID 0.0000 0.0000 Bác bỏ H0

Nguồn: Tác giả tự tổng hợp từ Stata

1.5.2. Kiểm tra hiện tượng đa cộng tuyến

3
 Bảng 4. Kết quả kiểm định hiện tượng đa cộng tuyến

Biến VIF 1/VIF

CUR 1.13 0.886476
SIZE 1.08 0.923243
ROA 1.06 0.939050
TAN 1.03 0.972857
AGE 1.02 0.982821
COVID 1.02 0.983418
VIF trung bình 1.06
Nguồn: Tác giả tự tổng hợp từ Stata
Kết quả kiểm định đa cộng tuyến cho thấy các hệ số VIF đều nhỏ hơn 2 chứng tỏ
mô hình không có hiện tượng đa cộng tuyến.
1.5.3. Kiểm tra hiện tượng phương sai thay đổi
Tác giả thực hiện kiểm định Modified Wald để kiểm định hiện tượng phương sai
thay đổi với các giả thuyết sau:

H0 : Mô hình không có hiện tượng phương sai thay đổi

H1 : Mô hình có hiện tượng phương sai thay đổi

Kết quả kiểm định cho giá trị p_value = 0.0000 nhỏ hơn 5% đồng nghĩa với việc
giả thuyết H0 bị bác bỏ, nghĩa là mô hình hồi quy có hiện tượng phương sai thay đổi.

1.5.4. Kiểm tra hiện tượng tự tương quan

Tác giả thực hiện kiểm định Wooldridge để kiểm định hiện tượng tự tương quan
với các giả thuyết sau:

H0 : Mô hình không có hiện tượng tự tương quan

H1 : Mô hình có hiện tượng tự tương quan

Kết quả kiểm định cho giá trị p_value = 0.0000 nhỏ hơn 5% đồng nghĩa với việc
giả thuyết H0 bị bác bỏ, nghĩa là mô hình hồi quy có hiện tượng tự tương quan.

1.5.5. Kiểm tra phần dư có tuân theo phân phối chuẩn

Tác giả dùng kiểm định Shapiro-Wilk W để kiểm định phần dư có tuân theo phân
phối chuẩn với các giả thuyết sau:

4
 H0 : Phần dư có phân phối chuẩn

H1 : Phần dư không có phân phối chuẩn

Kết quả kiểm định Shapiro-Wilk W cho giá trị p-value = 0.0000 nhỏ hơn 5% nghĩa
là giả thuyết H0 bị bác bỏ, nên phần dư của mô hình không tuân theo phân phối chuẩn.
1.5.6. Kiểm tra dạng hàm của mô hình
Tác giả dùng kiểm định Ramsey RESET để kiểm định mô hình có sai dạng hàm
hay không, có giả thuyết sau:

H0 : Mô hình không bỏ sót biến

H1 : Mô hình có bỏ sót biến

Kết quả kiểm định Ramsey RESET cho giá trị p-value = 0.0000 nhỏ hơn 5% nghĩa
là bác bỏ giả thuyết H0 , nên mô hình thiếu biến.

1.5.7. Kiểm định nội sinh

Tác giả dùng hồi quy 2SLS để kiểm định mô hình có mắc phải hiện tượng nội sinh
hay không. Kết quả kiểm định được tác giả trình bày như sau:

Bảng 5. Kết quả kiểm định hiện tượng nội sinh

Biến GMM C statistic chi2(1) P-value Kết luận

ROA .085799 0.7696 Biến ngoại sinh

AGE 105.578 0.0000 Biến nội sinh

SIZE 3.86346 0.0493 Biến nội sinh

TAN 5.53491 0.0186 Biến nội sinh

COVID 53.7647 0.0000 Biến nội sinh

CUR 152.088 0.0000 Biến nội sinh

Nguồn: Tác giả tự tổng hợp từ Stata

1.6. Ước lượng kết quả hồi quy
1.6.1. Kết quả hồi quy các mô hình

5
 Tác giả thực hiện hồi quy mô hình theo các ước lượng khác nhau như OLS, FE,
RE, BETWEEN, DIFFERENCE hay LSDV, kết quả ước lượng được tác giả trình bày
như sau:
Bảng 4. Kết quả ước lượng các mô hình

LD OLS FEM REM BE FD LSDV

ROA -.3149868*** -.1264621*** -.1597207*** -.3853317*** -.1154593*** -.1264621***

AGE -.0004169* -.0102641*** -.0005199 -.0003969 Omitted -.0102641***

SIZE .0343009** .0983953*** .0537473*** .0328717*** .0867396*** .0983953***

TAN .2351752*** .1312438*** .1917816*** .2419072*** .1331193*** .1312438***

CUR .002148* .0033316*** .0027896** .0023785 .0031353*** .0033316***

COVID -.0169224** -.0029165 -.0167802*** Omitted - -.0029165

_cons -.8590814*** -2.421324*** -1.415179*** -.8229339*** -.0103468*** -2.608999***

Obs 1,308 1,308 1,308 1,308 1,308 1,308

R-sq 0.2781 0.2462 0.2547 0.2980 0.2574 0.9159

Nguồn: Tác giả tự tổng hợp từ Stata

Trong đó *, **, *** đại diện cho các mức ý nghĩa thống kê 10%, 5%, 1%
1.6.2. Lựa chọn mô hình hồi quy
Tác giả tiến hành kiểm định F-test để lựa chọn giữa hai mô hình OLS và FEM với
giả thuyết sau:

H0 : Mô hình hồi quy OLS là mô hình tối ưu

H1 : Mô hình hồi quy FEM là mô hình tối ưu

Kết quả kiểm định F-test cho giá trị p_value = 0.0000 nhỏ hơn 5%, đồng nghĩa giả
thuyết H0 bị bác bỏ, nên mô hình hồi quy FEM sẽ là mô hình hồi quy tối ưu.

Tác giả tiến hành kiểm định Hausman để lựa chọn giữa hai mô hình REM và FEM
với giả thuyết sau:

H0 : Mô hình hồi quy REM là mô hình tối ưu

H1 : Mô hình hồi quy FEM là mô hình tối ưu

6
 Kết quả kiểm định Hausman cho giá trị p_value = 0.0000 nhỏ hơn 5%, đồng nghĩa
giả thuyết H0 bị bác bỏ, nên mô hình hồi quy FEM sẽ là mô hình hồi quy tối ưu.

1.6.3. Khắc phục khuyết tật mô hình và phân tích kết quả hồi quy
Sau khi chọn được mô hình REM là mô hình hồi quy tối ưu, tác giả tiến hành khắc
phục hai khuyết tật phương sai thay đổi và tự tương quan của mô hình bằng phương
pháp hồi quy FGLS.

Bảng 5. Kết quả ước lượng FGLS và GMM

LD FGLS

-.0653329***
ROA
.0144231
-.0004505***
AGE
.0001395

.0330995***
SIZE
.0015872

.1963138***
TAN
.0116229
.0009781**
CUR
.0004435
-.0051857***
COVID
.0016416
-.8702042***
_cons
.044397

Number of obs 1,308

Trong đó *, **, *** đại diện cho các mức ý nghĩa thống kê 10%, 5%, 1%
Nguồn: Tác giả tự tổng hợp từ Stata

Đầu tiên, tác giả thấy rằng khả năng sinh lợi của doanh nghiệp (ROA) có mối quan
hệ ngược chiều với cấu trúc vốn của doanh nghiệp ở mức ý nghĩa thống kê 1%, điều này
nghĩa là khi doanh nghiệp hoạt động kinh doanh có hiệu quả thì những doanh nghiệp
này sẽ có xu hướng giảm vay nợ. Tiếp đến tuổi doanh nghiệp cũng có mối quan hệ

7
ngược chiều với cấu trúc vốn của doanh nghiệp ở mức ý nghĩa thống kê 1%, điều này là
do doanh nghiệp hoạt động càng lâu năm thì doanh nghiệp sẽ tích trữ được một lượng
lớn tiền mặt mà không cần phải đi vay bên ngoài. Tiếp đến quy mô doanh nghiệp cho
thấy có mối quan hệ cùng chiều với cấu trúc vốn nghĩa là khi quy mô doanh nghiệp càng
lớn thì doanh nghiệp sẽ vay càng nhiều, điều này đúng đối với những doanh nghiệp đang
phát triển muốn mở rộng công suất sẽ rất cần lượng vốn lớn để đầu tư mở rộng sản xuất
khi năng lực tài chính vẫn còn hạn chế. Tỷ lệ tài sản cố định cũng có mối quan hệ cùng
chiều với cấu trúc vốn, giải thích cho điều này là thông thường những doanh nghiệp sản
xuất hay những ngành thuộc nhóm có vốn đầu tư ban đầu lớn sẽ rất cần nhiều tiền để
xây dựng nhà máy, việc này sẽ khiến cho nhu cầu vay vốn cao hơn để mở rộng đầu tư
vào tài sản cố định. Tiếp đến, khả năng thanh toán ngắn hạn cũng có mối quan hệ cùng
chiều với cấu trúc vốn, điều này cho thấy năng lực tài chính công ty tốt (được thể hiện
phần qua qua thước đo thanh toán tốt) thì những doanh nghiệp này sẽ có xu hướng đi
vay nợ nhiều hơn để tiếp tục hoạt động kinh doanh sản xuất. Cuối cùng, biến giả đại
diện cho dịch bệnh Covid-19 có mối quan hệ ngược chiều với cấu trúc vốn, điều này
được tác giả giải thích rằng khi dịch bệnh diễn ra, các hoạt động sản xuất kinh doanh bị
ngừng trệ, doanh nghiệp không có nguồn doanh thu dẫn đến việc vay nợ sẽ không thể
trả được nên các doanh nghiệp đã tránh vay nợ khi dịch bệnh diễn ra.

Bảng 6. Bảng so sánh các giả thuyết ban đầu

Kỳ vọng tác Dấu tác

Biến Giả thuyết Kết luận
động động

Giả thuyết H1: Khả năng sinh lợi có mối

ROA quan hệ ngược chiều với cấu trúc vốn của (-) Chấp nhận (-)
doanh nghiệp.
Giả thuyết H2: Tuổi doanh nghiệp có mối
AGE quan hệ ngược chiều với cấu trúc vốn của (-) Chấp nhận (-)
doanh nghiệp.
Giả thuyết H3: Tài sản cố định hữu hình

TAN và cấu trúc vốn có quan hệ cùng chiều với (+) Chấp nhận (-)
nhau..
Nguồn: Tác giả tự tổng hợp

8
 PART 2
2.1. Dữ liệu nghiên cứu
Dữ liệu nghiên cứu được lấy từ dữ liệu lịch sử hàng tuần của chỉ số VNINDEX đăng
tải trên Website Investing.com trong vòng 52 tuần, khoảng thời gian tác giả thu thập là
từ 19/09/2021 đến 11/09/2022.
Hình 2.1. Chuỗi thời gian VNINDEX

Nguồn: Tác giả tổng hợp từ R Studio

Hình 2.2. Đồ thị ACF chuỗi VNINDEX

Nguồn: Tác giả tổng hợp từ R Studio

Hình 2.3. Đồ thị PACF của chuỗi VNINDEX

Nguồn: Tác giả tổng hợp từ R Studio

2.2. Kiểm định tính dừng chuỗi thời gian đơn biến và xác định d
Tác giả sẽ sử dụng kiểm định Dickey-Fuller để kiểm định tính dừng của chuỗi
VNINDEX, giả thuyết tác giả đưa ra như sau:
H0 : Chuỗi VNINDEX là chuỗi không dừng
H1 : Chuỗi VNINDEX là chuỗi dừng

9
 Kết quả kiểm định Dickey-Fuller đối với chuỗi VNINDEX cho giá trị p-value =
0.1305 lớn hơn 5% đồng nghĩa với việc chấp nhận giả thuyết H0 nên có thể kết luận
chuỗi VNINDEX là không dừng do đó tiếp tục lấy sai phân của chuỗi VNINDEX.
Hình 2.4. Đồ thị chuỗi VNINDEX sai phân bậc 1

Nguồn: Tác giả tổng hợp từ R Studio

Tác giả lại có giả thuyết sau:
H0 : Chuỗi VNINDEX sai phân bậc 1 là chuỗi không dừng
H1 : Chuỗi VNINDEX sai phân bậc 1 là chuỗi dừng
Kết quả kiểm định Dickey-Fuller đối với chuỗi VNINDEX sai phân bậc 1 cho giá trị
p-value = 1.742e-06 nhỏ hơn 5% đồng nghĩa với việc bác bỏ giả thuyết H0 nên nghĩa là
chuỗi VNINDEX sai phân bậc 1 là chuỗi dừng đồng thời có thể xác định được d=1 trong
mô hình ARIMA(p,d,q).
2.3. Xác định độ trễ tối ưu
Hình 2.5. Đồ thị ACF của chuỗi VNINDEX sai phân bậc 1

Nguồn: Tác giả tổng hợp từ R Studio

Hình 2.6. Đồ thị PACF của chuỗi VNINDEX sai phân bậc 1

Nguồn: Tác giả tổng hợp từ R Studio

10
 Đối với đồ thị ACF, tác giả thấy không có giá trị nào vượt ra ngoải khoảng tin cậy
nên q = 0 tuy nhiên nên cân nhắc thêm q = 9. Tương tự, đối với đồ thị PACF, tác giả
thấy không có giá trị nào vượt ra ngoải khoảng tin cậy nên P = 0 tuy nhiên nên cân nhắc
thêm p = 9 do đó tác giả có được mô hình ARIMA(9,1,9).
Hình 2.7. Mức độ ổn định của mô hình

Nguồn: Tác giả tổng hợp từ R Studio

2.4. Kiểm định phần dư
2.4.1. Kiểm định hiện tượng tự tương quan
Tác giả sử dụng kiểm định Box-Ljung và Box-Pierce để kiểm định phần dư có hiện
tượng tự tương quan hay không, kết quả kiểm định cho thấy giá trị p-value lần lượt của
hai kiểm định này là 0.9999 đều lớn hơn 5% nghĩa là chấp nhận giả thuyết H0 hay phần
dư không có hiện tượng tự tương quan.
Hình 2.8. Các thông số của phần dư

Nguồn: Tác giả tổng hợp từ R Studio

11
2.4.2. Kiểm định hiện tượng phương sai thay đổi
Tác giả sử dụng kiểm định White để kiểm định hiện tượng phương sai thay đổi của
phần dư, giả thuyết kiểm định được tác giả trình bày như sau:
H0 : Mô hình không có hiện tượng phương sai thay đổi
H1 : Mô hình có hiện tượng phương sai thay đổi
Kết quả kiểm định White cho thấy giá trị p-value = 0.15595 lớn hơn 5% nghĩa là chấp
nhận giả thuyết H0 hay nói cách khác mô hình không có hiện tượng phương sai thay đổi.
2.4.3. Kiểm định tính chất White noise của phần dư
Tác giả kiểm định tính chất White noise của phần dư bằng đồ thị như sau:
Hình 2.9. Nhiễu trắng của phần dư

Nguồn: Tác giả tổng hợp từ R Studio

Tác giả thấy rằng nhiễu trắng của phần dư xoay quanh giá trị trung bình nên phần dư
có tính chất nhiễu trắng.
2.4.4. Phân phối chuẩn của phần dư
Tác giả sử dụng kiểm định Shapiro-Wilk để kiểm định phần dư có tuân theo phân
phối chuẩn hay không, kết quả kiểm định cho thấy giá trị p-value = 6.271e-05 nhỏ hơn
5% nghĩa là bác bỏ giả thuyết H0 hay phần dư không tuân theo phân phối chuẩn.
2.5. Dự báo
Tác giả thực hiện dự báo cho giá của VNINDEX trong thời gian 10 tuần đến như sau:

12
 Hình 2.10. Kết quả dự báo VNINDEX 10 tuần tới

Nguồn: Tác giả tổng hợp từ R Studio

Hình 2.11. Đồ thị dự báo VNINDEX

Nguồn: Tác giả tổng hợp từ R Studio

Hình 2.12. So sánh kết quả dự báo và thực tế

Nguồn: Tác giả tổng hợp từ R Studio

Kết quả sai số dự báo cho thấy giá dự báo của chỉ số VNINDEX bám rất sát đồ thị
của chuỗi dữ liệu gốc price. Điều này chứng tỏ mô hình ARIMA (9,1,9) đã giải thích
gần như chính xác được sự biến động của chuỗi thời gian về giá cả của chỉ số

13
VNINDEX. Điều này chứng tỏ độ tin cậy của dự báo. Tóm lại, ARIMA(9,1,9) là một
mô hình khá tin cậy đối với dự báo ngắn hạn.

14
 PHỤ LỤC PHẦN 1
Khai báo biến

Thống kê mô tả

Ma trận hệ số tương quan Pearson

15
Hồi quy OLS

Kiểm định đa cộng tuyến

Mô hình có bỏ sót biến

Phần dư có phân phối chuẩn

16
Mô hình FEM

Mô hình REM

17
Kiểm định Hausman

Phương sai thay đổi

18
Tự tương quan

Khắc phục mô hình bằng FGLS

Kiểm định tính dừng

19
20
Kiểm tra biến nội sinh

21
22
23
Mô hình hồi quy BETWEEN

24
Mô hình hồi quy LSDV

25
Mô hình hồi quy FIRST DIFFERENCE

26
 PHỤ LỤC PHẦN 2
Kiểm định tính dừng của chuỗi Vnindex bằng Dickey-Fuller

27
Kiểm định tính dừng của chuỗi Vnindex sai phân bậc 1 bằng Dickey-Fuller

Mô hình ARIMA(9,1,9)

Phần dư

28
Đồ thị phần dư

Biểu đồ ACF của phần dư

Biểu đồ PACF của phần dư

Kiểm định tự tương quan phần dư

29
Phân phối chuẩn của phần dư

Phương sai thay đổi

Sai số dự báo

30