Chia sẻ chuyên mục Đề tài Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán hay nhất năm 2022 cho các bạn học viên ngành đang làm Luận văn tham khảo nhé. Với những bạn chuẩn bị làm bài khóa luận tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm Luận văn thì với đề tài Luận văn: Nhận diện gian lận báo cáo tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam – Bằng chứng thực nghiệm tại Sàn giao dịch chứng khoán HOSE dưới đây chắc hẳn sẽ cho các bạn cái nhìn tổng quát hơn về đề tài này.
2.1. Tổng quan phương pháp nghiên cứu
Bước 1: Tổng hợp kết quả các nghiên cứu trước đây
Tổng hợp và đúc kết các nghiên cứu trước đây liên quan đến kỹ thuật nhận diện gian lận BCTC bằng các tỷ số tài chính. Hệ thống hóa một cách đầy đủ về các lý thuyết nền tảng liên quan đến gian lận BCTC. Trên cơ sở đó xác định phương pháp nghiên cứu và đề xuất mô hình nghiên cứu của luận văn.
Bước 2: Thu thập dữ liệu đầu vào
Dữ liệu đầu vào cho mô hình nghiên cứu được tổng hợp từ số liệu BCTC 2015 của các công ty phi tài chính niêm yết trên sàn giao dịch chứng khoán HOSE (không bao gồm ngân hàng, công ty bảo hiểm, công ty chứng khoán). Tuy nhiên, để đảm bảo đầy đủ số liệu cho Bước 3 – Phân loại công ty có gian lận BCTC, số liệu BCTC năm 2013 và 2014 của các công ty này cũng được thu thập và sử dụng để tính toán.
Bước 3: Phân loại công ty có gian lận BCTC
Mô hình Beneish với hệ số M-Score được sử dụng để thực hiện phân loại công ty có gian lận BCTC. Các tỷ số tài chính dùng để tính toán M-Score được thu thập và tính toán từ số liệu BCTC của các CTNY trên sàn giao dịch chứng khoán HOSE.
Bước 4: Thống kê mô tả, phân tích hồi quy logistic, tổng hợp, nhận xét kết quả nghiên cứu
Kết quả phân loại công ty có gian lận BCTC sẽ là đầu vào cho biến phụ thuộc của mô hình nghiên cứu định lượng. Kết quả của mô hình, sau đó, sẽ được tổng hợp và nhận xét cụ thể nhằm xác định những tỷ số tài chính có khả năng sử dụng để nhận diện gian lận BCTC. Trên cơ sở đó, tác giả sẽ đưa ra các đề xuất khuyến nghị mà theo quan điểm của tác giả sẽ giúp ích cho nhà đầu tư, kiểm toán viên và nhà quản lý có định hướng đúng đắn để ứng phó với gian lận trên BCTC theo hướng hiệu quả, chính xác và nhanh chóng hơn.
CÓ THỂ BẠN QUAN TÂM ĐẾN DỊCH VỤ:
===>>> Viết Thuê Luận Văn Thạc Sĩ Kinh Tế
2.2. Mô hình nghiên cứu Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
2.2.1. Tổng quan mô hình nghiên cứu
Tác giả đã tiếp cận một số các công trình nghiên cứu trên thế giới về kỹ thuật nhận diện gian lận BCTC với nhiều cách đo lường khác nhau, trên nhiều quốc gia khác nhau, và trong mỗi nghiên cứu này có nhân tố trùng, có nhân tố bổ sung thêm so với các nghiên cứu khác, thông qua việc đúc kết các phương pháp nghiên của các công trình nghiên cứu trước đây, tác giả xây dựng mô hình nghiên cứu mới trong luận văn nhằm mục đích nhận diện gian lận BCTC, trong đó, biến phụ thuộc BCTC gian lận là biến giả (hay còn gọi là biến nhị nguyên, chỉ lấy giá trị 0 hoặc 1) được xác định thông qua biến độc lập là các tỷ số tài chính kế thừa từ các công trình nghiên cứu trên thế giới. Tuy nhiên, do những hạn chế nhất định về nguồn thông tin, tiêu chí, tính tương đối và chủ quan trong việc phân loại công ty có gian lận BCTC và công ty không có gian lận BCTC, tác giả đã sử dụng mô hình Beneish với hệ số M-Score tính toán được từ thông tin tài chính của các CTNY trên sàn giao dịch chứng khoán HOSE (M-Score > -2.22: công ty có dấu hiệu gian lận BCTC, M-Score ≤ -2.22: công ty không có dấu hiệu gian lận BCTC). Từ kết quả phân loại gian lận BCTC có được bằng việc ứng dụng mô hình Beneish, giá trị 1 của biến giả BCTC gian lận sẽ được gán cho các công ty có gian lận BCTC và giá trị 0 của biến giả BCTC gian lận sẽ được gán cho các công ty không có gian lận BCTC. Tác giả sử dụng phân tích hồi quy logistic để xác định tính tương quan của các biến độc lập với biến phụ thuộc và xem xét mức ý nghĩa của các biến độc lập này trong mô hình hồi quy. Qua đó, tác giả sẽ có được bộ các biến là các tỷ số tài chính có khả năng sử dụng để xác định, nhận diện gian lận BCTC của các CTNY trên sàn giao dịch chứng khoán HOSE.
2.2.2. Mô hình Beneish (M-Score) Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
Mô hình Beneish (1999) bao gồm tám biến giải thích như sau:
M–Score = – 4.84 + 0.0920 DSRI + 0.528 GMI + 0.404 AQI + 0.892 SGI + 0.115 DEPI – 0.172 SGAI + 4.679 TATA – 0.327 LVGI
Trong đó:
DSRI: Chỉ số phải thu khách hàng so với doanh thu
Chỉ số tỷ lệ lãi gộp (GMI)
Chỉ số chất lượng tài sản (AQI)
TSCĐ nhà cửa, máy móc, thiết bị: Giá trị còn lại của tài sản dài hạn hữu hình và quyền sử dụng đất, gồm TSCĐ hữu hình, TSCĐ thuê tài chính, giá trị xây dựng cơ bản dở dang, bất động sản đầu tư.
Chỉ số tăng trưởng doanh thu bán hàng (SGI)
Chỉ số chi phí bán hàng và quản lý doanh nghiệp (SGAI)
Chỉ số đòn bẩy tài chính (LVGI)
Chỉ số biến dồn tích so với tổng tài sản (TATA)
Tám biến của mô hình Beneish được chia thành hai nhóm: một nhóm các biến giúp nhận diện gian lận và nhóm còn lại phản ánh động cơ gian lận. Các biến nhận diện khả năng gian lận gồm DSRI, AQI, DEPI, và TATA. Các biến nhận diện động cơ gian lận gồm GMI, SGI, SGAI, LVGI.
2.2.3. Dạng tổng quát của mô hình Hồi quy Binary Logistic
Trong hồi quy tuyến tính đơn, các biến độc lập Xi và biến phụ thuộc Y là biến số liên tục liên hệ qua phương trình:
Với Xi là biến độc lập, Y là biến phụ thuộc
Trong hồi quy Logistic, biến phụ thuộc Y chỉ có 2 trạng thái 1 (Công ty có gian lận BCTC) và 0 (Công ty không có gian lận BCTC). Muốn đổi ra biến số liên tục người ta tính xác suất của 2 trạng thái này. Nếu gọi P là xác suất để một biến cố xảy ra thì 1-P là xác suất để biến cố không xảy ra. Phương trình hồi quy Binary Logistic được mô tả cụ thể như sau:
2.2.3.1. Phương trình hồi quy Binary Logistics
Trong đó:
P (Y=1) = P0: xác suất công ty có gian lận BCTC
(Y=0) = 1- P0: xác xuất công ty không có gian lận BCTC Xi: các biến độc lập;
Ln: Log của cơ số e (e = 2.714)
2.2.3.2. Hệ số Odds Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
Đây là một dạng hàm Logit. Từ đó suy ra, hàm Ln của hệ số Odds là một hàm hồi quy tuyến tính với các biến độc lập Xi.
Hàm xác suất trên được gọi là hàm phân bổ logistic. Trong hàm logistic này khi Xi nhận các giá trị từ -∞ đến +∞ thì xác suất Pi nhận giá trị từ 0 đến 1. Do mối quan hệ giữa X và các tham số i là phi tuyến tính, và Y chỉ nhận một trong hai giá trị 0 hoặc 1 nên không thể áp dụng trực tiếp phương pháp bình phương nhỏ nhất (OLS) để ước lượng các tham số Bi cho phương trình, thay vào đó, ước lượng hợp ý tối đa (Maximum Likelihood) được sử dụng để ước lượng i.
2.2.3.3. Dạng hàm dự báo hồi quy Binary Logistics:
Từ phương trình (4), ta có thể tính được xác suất công ty có gian lận BCTC theo trị số của Xi như sau:
Trong đó:
[ ]: xác suất để Y = 1 xuất hiện khi biến độc lập Xi có giá trị cụ thể.
Y=1 nếu Công ty có gian lận BCTC
Y=0 nếu Công ty không có gian lận BCTC
Xi: các biến độc lập
0: hệ số chặn của mô hình
i: hệ số hồi quy của các biến độc lập
2.2.4. Xác định biến độc lập Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
Các biến độc lập được đề xuất đến từ nhiều nguồn nghiên cứu khác nhau. Để tìm ra các biến, các nghiên cứu trước đây về chủ đề gian lận BCTC đã được xem xét cẩn thận, như nghiên cứu của Green và Choi (1997), Hoffman (1997), Hollman và Patton (1997), Zimbelman (1997), Beasley (1996), Bologna và cộng sự (1996), Arens và Loebbecke (1994), Bell và cộng sự (1993), Schilit (1993), Davia và cộng sự (1992), Green (1991), Stice (1991), Loebbecke và cộng sự (1989), Palmrose (1987), và Albrecht và Romney (1986) đã đưa ra một số chỉ số gợi ý để phát hiện gian lận BCTC. Các tỷ số được chọn để phát hiện gian lận BCTC được thảo luận dưới đây:
Có một mối quan hệ giữa sự lựa chọn của một công ty về phương pháp định giá kế toán và loại khấu hao với gian lận BCTC. Các nhà quản lý tham gia vào các hoạt động gian lận có thể cố gắng để che giấu hành động của họ thông qua việc lựa chọn phương pháp kế toán. Bằng cách lựa chọn phương pháp định giá khác nhau, nhà quản lý có thể tăng hoặc giảm giá trị cho các biến khác nhau (Dhaliwal và cộng sự, 1982). Một câu hỏi mở liệu một cấu trúc nợ cao có liên quan tới gian lận BCTC (Persons, 1995). Một cấu trúc nợ cao có thể làm tăng khả năng của gian lận BCTC vì nó chuyển rủi ro của chủ sở hữu và quản lý cho các chủ nợ. Nghiên cứu cho thấy rằng khả năng chuyển giao tài sản từ chủ nợ sang nhà quản lý tăng khi đòn bẩy tăng (Chow và Rice, 1982). Nhà quản lý có thể bóp méo BCTC để đáp ứng giao ước nợ nhất định, cho thấy công ty có tỷ lệ nợ cao có thể làm tăng khả năng của gian lận BCTC. Điều này được đo lường thông qua sự khác biệt trong tỷ lệ nợ vay trên vốn cổ phần (TD / EQ) và tổng nợ phải trả trên tổng tài sản (TL / TA).
Một số BCTC nhất định có khả năng đã bị bóp méo bởi nhà quản lý. Các biến này bao gồm doanh số bán hàng, các khoản phải thu, các khoản dự phòng và hàng tồn kho (Shilit, 1993; Green, 1991; Loebbecke và cộng sự, 1989; Wright và Ashton, 1989). Bản chất chủ quan của việc ghi nhận các tài khoản này là để gây khó khăn hơn cho việc kiểm toán. Persons (1995), Schilit (1993), Stice (1991), Green (1991) và Feroz và cộng sự (1991) cho rằng nhà quản lý có thể bóp méo các tài khoản phải thu. Các thủ thuật gian lận khi ghi nhận doanh thu trước sai niên độ dẫn đến làm tăng tài khoản phải thu. Các tác giả đã kiểm định bằng cách xem xét các tỷ lệ tài khoản phải thu trên doanh thu bán hàng (RE / SA) (Fanning và Cogger, 1998; Green, 1991; Daroca và Holder, 1985). Các khoản phải thu và hàng tồn kho phụ thuộc vào ước tính chủ quan liên quan đến dự toán tài khoản chưa thu và hàng tồn kho lỗi thời. Do các ước tính chủ quan này có liên quan trong việc xác định giá trị của các tài khoản, nhà quản lý có thể sử dụng các tài khoản này như một công cụ cho việc bóp méo BCTC (Summers và Sweeney, 1998). Loebbecke và cộng sự (1989) nhận thấy rằng các tài khoản hàng tồn kho và các khoản phải thu chiếm lần lượt 22% và 14% trong số các hành vi gian lận trong mẫu của họ.
Nhiều nhà nghiên cứu như Vanasco (1998), Persons (1995), Schilit (1993) và Stice (1991) cũng cho thấy rằng nhà quản lý có thể bóp méo giá trị hàng tồn kho. Công ty có thể không phân bổ chi phí tương ứng với doanh thu hàng hoá bán ra, do đó giúp tăng lợi nhuận, thu nhập ròng và làm đẹp BCTC. Một loại gian lận liên quan đến hàng tồn kho là báo cáo giá trị hàng tồn kho thấp hơn giá gốc hoặc giá thị trường. Công ty có thể chọn không ghi đúng số lượng hàng tồn kho lỗi thời. Do đó, tỷ lệ hàng tồn kho trên doanh thu bán hàng được xem xét (IN / SA). Một vấn đề khác được kiểm tra trong nghiên cứu này là liệu lợi nhuận gộp cao hơn hoặc thấp hơn có liên quan đến việc gian lận BCTC không. Do đó, tỷ suất lợi nhuận gộp trên tổng tài sản được sử dụng (GP / TA).
Mục tiêu của công ty là tăng cường hiệu quả hoạt động kinh doanh để tối đa hóa lợi ích của cổ đông. Do đó, việc đạt được sự ổn định hoặc tăng nguồn thu nhập giúp tối đa hóa lợi ích của nhà quản lý. Phương pháp này dựa trên kỳ vọng rằng nhà quản lý sẽ có thể duy trì hoặc cải thiện mức lợi nhuận trong quá khứ, bất kể nó đã ở mức nào (Summers và Sweeney, 1998). Nếu kỳ vọng này không được đáp ứng bởi kết quả thực tế, nó sẽ là một động lực để nhà quản lý gian lận BCTC.
Loebbecke và cộng sự (1989) nhận thấy rằng việc so sánh tương đối lợi nhuận của công ty với các công ty trong ngành là không đủ cho 35% của các công ty có gian lận trong mẫu của họ. Trong nghiên cứu này, một số biến là các tỷ số tài chính có vấn đề đã được kiểm tra, chẳng hạn như tỷ lệ doanh thu trên tổng tài sản (SA / TA), lợi nhuận sau thuế trên doanh thu (NP / SA), lợi nhuận ròng trên tổng tài sản (NP / TA), vốn lưu động trên tổng tài sản (WC / TA), được sử dụng để tăng khả năng dự đoán gian lận BCTC. Tỷ lệ doanh số bán hàng trên tổng tài sản là một yếu tố dự báo quan trọng trong nghiên cứu trước đó (Persons, 1995).
Kiệt quệ tài chính có thể làm tăng nguy cơ cho gian lận BCTC (Bell và cộng sự, 1993; Stice, 1991; Loebbecke và cộng sự, 1989; Kreutzfeldt và Wallace, 1986). Khi công ty đang kinh doanh không tốt đó là động lực lớn hơn để công ty thực hiện gian lận BCTC. Các kết quả trong nghiên cứu của Hamer (1983) cho thấy rằng hầu hết các mô hình dự đoán phá sản với cùng khả năng. Tình hình tài chính bết bát (Bell và cộng sự, 1993; Loebbecke và cộng sự, 1989) có thể tạo động lực cho nhân viên, nhà quản lý không có đạo đức nghề nghiệp có những hành động nhằm cải thiện vị thế tài chính của công ty để làm giảm nguy cơ mất việc làm, hoặc để tư lợi càng nhiều càng tốt trước khi chấm dứt hợp đồng. Thêm vào đó, tình trạng tài chính yếu kém chỉ ra rằng một công ty có môi trường kiểm soát yếu tạo điều kiện cho một kẻ lừa đảo phạm tội (AICPA, 1997). Loebbecke và cộng sự (1989) nhận thấy rằng 19% các công ty gian lận trong mẫu họ đã trải qua vấn đề về khả năng thanh toán. Do đó, tác giả sử dụng hệ số Z-Score Altman (1968, 1983) như là một biến kiểm soát để điều tra sự liên kết giữa gian lận BCTC và nguy cơ phá sản. Mô hình này vẫn còn sử dụng ngày nay trong nhiều nghiên cứu (Summers và Sweeney, 1998).
Hoa Kỳ, chỉ số Z-score đã dự đoán tương đối chính xác tình hình phá sản của các công ty trong tương lai gần. Có khoảng 95% công ty phá sản được dự báo nhờ Z- score trước ngày phá sản một năm, nhưng tỷ lệ này giảm xuống chỉ còn 74% cho những dự báo trong vòng 2 năm.
Công thức tính hệ số nguy cơ phá sản:
Z-score = 1.2*A1+1.4*A2+3.3*A3+0.6*A4+1.0*A5
Trong đó:
A1 = Vốn luân chuyển (Tài sản ngắn hạn – Nợ ngắn hạn)/Tổng tài sản
A2 = Lợi nhuận chưa phân phối/Tổng tài sản
A3 = EBIT (Lợi nhuận trước lãi vay và thuế)/Tổng tài sản
A4 = (Giá thị trường của cổ phiếu*Số lượng cổ phiếu lưu hành)/Tổng nợ
A5 = Hiệu quả sử dụng tài sản =Doanh thu/Tổng tài sản
Ý nghĩa về độ lớn của hệ số Z:
2.2.5. Phát triển giả thuyết nghiên cứu Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
Tác giả đã sử dụng các tỷ số tài chính được tổng hợp từ các công trình nghiên cứu trước đây để làm cơ sở cho nghiên cứu và phân tích về các kỹ thuật nhận diện gian lận BCTC dựa vào các tỷ số tài chính bao gồm các tỷ số tài chính như bảng 2.1.
Bảng 2.1 Danh sách biến độc lập và ký hiệu
Giả thuyết H0: Biến gian lận BCTC không phụ thuộc vào (1) Tỷ số Nợ vay / Vốn chủ sở hữu, (2) Tỷ số Tổng nợ / Tổng tài sản, (3) Tỷ số Khoản phải thu / Doanh thu thuần, (4) Tỷ số Hàng tồn kho / Doanh thu thuần, (5) Tỷ số Lợi nhuận gộp / Tổng tài sản, (6) Tỷ số Doanh thu thuần / Tổng tài sản, (7) Tỷ số Lợi nhuận sau thuế / Doanh thu thuần, (8) Tỷ số Lợi nhuận ròng / Tổng tài sản, (9) Tỷ số Vốn lưu động / Tổng tài sản và (10) Z-Score.
Sau khi có được kết quả phân loại công ty có gian lận BCTC và công ty không có gian lận BCTC, tác giả sẽ đưa ra mô hình nghiên cứu chính thức và phát triển các giả thuyết nghiên cứu. Kế tiếp tác giả thu thập các dữ liệu, kiểm định các giả thuyết đặt ra, xây dựng mô hình hồi quy logistic nhằm xác định khả năng công ty có gian lận BCTC và thực hiện kiểm tra tính chính xác của mô hình.
Khác với các mô hình nghiên cứu trước đây chủ yếu dựa vào ý kiến của kiểm toán viên về các sai sót trọng yếu trong BCTC để phân loại công ty có gian lận BCTC và công ty không có gian lận BCTC. Trong luận văn này, tác giả sử dụng mô hình Beneish với hệ số M-Score nhằm dự đoán khả năng phát hiện gian lận BCTC. Mô hình này được sử dụng phổ biến trong giới học thuật và tác nghiệp ở các nước do khả năng dự đoán đúng đến 76% BCTC có sai sót trọng yếu hoặc gian lận.
2.2.6. Mô hình hồi quy tổng quát
Như tác giả đã trình bày ở phần trên của luận văn này về mô hình hồi quy logistic, để kiểm định hiệu quả 10 biến độc lập được đưa ra dựa trên kết quả các nghiên cứu trước đây, tác giả sử dụng mô hình hồi quy logistic, trong đó: biến phụ thuộc Gian lận BCTC (FFS) đo lường theo 10 biến độc lập:
FFSt = 0 + 1 TD / EQt + 2 TL / TAt + 3 RE / SAt + 4 IN / SAt + 5 GP / TAt 6 SA / TAt + 7 NP / SAt + 8 NP / TAt + 9 WC / TAt + 10 Z-Score + εt
Giả thuyết H0: 1 = 2 = … = 10 = 0
Trong đó:
FFS: Biến gian lận BCTC
0: hệ số chặn của mô hình
i: hệ số hồi quy của các biến độc lập
2.3. Thiết kế nghiên cứu Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
2.3.1. Mẫu nghiên cứu
Vào thời điểm 31/12/2015, tổng số CTNY trên sàn giao dịch chứng khoán HOSE là 305 công ty. Mẫu nghiên cứu trong luận văn này là các CTNY được lựa chọn theo phương pháp phi ngẫu nhiên (phương pháp chọn mẫu thuận tiện) đó là các công ty có BCTC bao gồm đầy đủ các thông tin tài chính cần thu thập, ngoài ra, tác giả cũng đã loại trừ các công ty thuộc ngành Tài chính, Ngân hàng và Bảo hiểm ra khỏi mẫu nghiên cứu, bởi vì, các công ty thuộc nhóm ngành này tuân theo các quy định hiện hành về lập và trình bày BCTC không hoàn toàn đồng nhất với các công ty còn lại trong bộ mẫu nghiên cứu. Tiêu chuẩn chọn mẫu nghiên cứu được cụ thể như sau:
- Hoạt động và niêm yết trên sàn giao dịch chứng khoán HOSE năm 2015
- Không thuộc nhóm ngành Tài chính, Ngân hàng, Bảo hiểm
- Có đầy đủ dữ liệu tài chính phục vụ cho việc tính toán các chỉ số
Từ các tiêu chí trên, tác giả đã chọn ra được bộ mẫu nghiên cứu gồm 268 công ty được phân loại theo các nhóm ngành cụ thể tại bảng 2.2.
Bảng 2.2 Mô tả mẫu các công ty sử dụng để xây dựng mô hình nghiên cứu
2.3.2. Thu thập dữ liệu
Để kiểm định các giả thuyết nghiên cứu đặt ra của luận văn, tác giả thủ thập dữ liệu chủ yếu từ nguồn BCTC của các CTNY trên sàn giao dịch chứng khoán HOSE mà tác giả đã tổng hợp từ các website chuyên cung cấp thông tin tài chính của các CTNY như cafef.vn, vietstock.vn và ezsearch.fpts.com.vn.
Các dữ liệu thu thập sẽ được tác giả xử lý để đồng bộ hóa về nội dung và được sử dụng để tính toán các tỷ số tài chính cần thiết cho mô hình nghiên cứu.
2.3.3. Quy trình xây dựng mô hình nghiên cứu Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
Bước 1: Xác định gian lận BCTC bằng mô hình Beneish thông qua chỉ số M-Score được thực hiện đối với 268 công ty đã được thu thập và xử lý. Các công ty có chỉ số M-Score lớn hơn -2.22 được phân loại là công ty có gian lận BCTC. Ngược lại, các công ty có chỉ số M-Score nhỏ hơn hoặc bằng -2.22 (âm nhiều hơn) được phân loại là công ty không có gian lận BCTC.
Bước 2: Sử dụng phương pháp thống kê mô tả để mô tả những đặc tính cơ bản của bộ dữ liệu thu thập được, cung cấp thông tin tóm tắt đơn giản về mẫu số liệu được sử dụng cho phân tích hồi quy logistic ở bước 3.
Bước 3: Sử dụng hồi quy Binary Logistic trong phần mềm SPSS để thực hiện phân tích hồi quy Logistic để kiểm định giả thuyết H0: Biến gian lận BCTC phụ thuộc vào (1) Tỷ số Nợ vay / Vốn chủ sở hữu, (2) Tỷ số Tổng nợ / Tổng tài sản, (3) Tỷ số Khoản phải thu / Doanh thu thuần, (4) Tỷ số Hàng tồn kho / Doanh thu thuần, (5) Tỷ số Lợi nhuận gộp / Tổng tài sản, (6) Tỷ số Doanh thu thuần / Tổng tài sản, (7) Tỷ số Lợi nhuận sau thuế / Doanh thu thuần, (8) Tỷ số Lợi nhuận ròng / Tổng tài sản, (9) Tỷ số Vốn lưu động / Tổng tài sản và (10) Z-Score.
Bước 4: Thực hiện các phép kiểm định mức ý nghĩa và kiểm định khả năng dự báo của mô hình hồi quy.
Kiểm định Wald
Kiểm định Wald còn được gọi là kiểm định giả thuyết hồi quy khác 0. Nếu hệ số 0 và 1 đều bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hoặc không xảy ra là như nhau, lúc đó mô hình hồi quy không có tác dụng dự đoán.
Đối với hồi quy tuyến tính sử dụng kiểm định t để kiểm định giả thuyết H0: i=0. Còn đối với hồi quy Binary Logistic, đại lượng Wald Chi-Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Nếu kết quả cho thấy mức ý nghĩa quan sát sig. nhỏ hơn mức ý nghĩa α = 0.05 thì sẽ bác bỏ giả thuyết H0: i=0. Như vậy các hệ số hồi quy tìm được có ý nghĩa và mô hình được sử dụng tốt.
Kiểm định Omnibus
Kiểm định này xem xét khả năng giải thích biến phụ thuộc của tổ hợp biến độc lập. Giả thuyết H0: 1= 2=… n=0. Nếu kết quả cho thấy mức ý nghĩa quan sát sig. nhỏ hơn mức ý nghĩa α = 0.05 thì bác bỏ giả thuyết H0, tức là, tổ hợp liên hệ tuyến tinh của các hệ số trong mô hình co ý nghĩa giải thích cho biến phụ thuộc.
Kiểm định mức độ phù hợp của mô hình hồi quy
Khác với mô hình hồi quy tuyến tính thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Logistic sử dụng chỉ tiêu -2LL (-2 Log Likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ mô hình càng phủ hợp. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo.
Mức độ chính xác trong dự đoán của mô hình thể hiện qua tỷ lệ phần trăm dự đoán đúng biến phụ thuộc từ biến độc lập và các hệ số ước tính của biến độc lập có được từ hồi quy Binary Logistic. Phần trăm dự đoán đúng của mô hình càng cao thì mức độ chính xác của mô hình càng lớn.
TÓM TẮT CHƯƠNG 2
Trong chương này, tác giả đã trình bày về phương pháp nghiên cứu của luận văn là sử dụng mô hình Beneish với hệ số M-Score để phân loại các công ty có gian lận BCTC, sau đó, tác giả sử dụng hồi quy Binary Logistic để kiểm định các giả thuyết nghiên cứu. Tác giả cũng đã trình bày quy trình nghiên cứu cụ thể để người đọc có thể hình dung một cách khái quát toàn bộ quá trình tiếp cận và thực hiện của luận văn. Quy trình được tác giả trình bày bao gồm 4 bước đó là: 1) Xác định gian lận BCTC bằng mô hình Beneish thông qua chỉ số M-Score, 2) Sử dụng phương pháp thống kê mô tả để mô tả những đặc tính cơ bản của bộ dữ liệu thu thập được, 3) Phân tích hồi quy logistic để kiểm định giả thuyết H0, 4) Thực hiện các phép kiểm định mức ý nghĩa và kiểm định khả năng dự báo của mô hình.
Tác giả cũng đã trình bày cụ thể về tổng quan mô hình nghiên cứu, mô hình Beneish (M-Score), dạng tổng quát của mô hình Hồi quy Binary Logistic, xác định các biến độc lập và mô hình hồi quy tổng quát.
Cuối cùng là nội dung thiết kế nghiên cứu bao gồm mô tả mẫu nghiên cứu, phương pháp thu thập dữ liệu và quy trình xây dựng mô hình nghiên cứu.
Chương kế tiếp tác giả trình bày và thảo luận về kết quả nghiên cứu. Luận văn: Khái quát về nghiên cứu định lượng của Chứng khoán
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY
===>>> Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
