Luận án Khả năng sinh lời của các ngân hàng thương mại Việt Nam trong bối cảnh khủng hoảng kinh tế thế giới

Những nguyên lý cơ bản của chủ nghĩa Mác – Lênin. Nhà Xuất bản Chính trị Quốc gia, Hà Nội. Ngân hàng Nhà nước. (2007 – 2018). Dư nợ tín dụng đối với nền kinh tế và tốc độ tăng trưởng, truy cập tại [truy cập ngày 19/08/2019] Nguyễn Anh Tú & Phạm Trí Nghĩa. (2018). Lãi suất cận biên của các ngân hàng thương mại Việt Nam giai đoạn 2005-2017 - một nghiên cứu thực nghiệm. Tạp chí Ngân hàng, số tháng 7/2019. Nguyễn Minh Kiều. (2009). Nghiệp vụ ngân hàng thương mại. Nhà xuất bản Thống kê, Tp.HCM. Nguyễn Ngọc Anh & Võ Thị Bích Ngọc. (2018). Các nhân tố tác động đến khả năng sinh lợi của ngân hàng thương mại Việt Nam. Tạp chí Công thương, 4, 323-328. Nguyễn Ngọc Thạch. (2019). Một cách tiếp cận Bayes trong dự báo tổng sản phẩm quốc nội của Mỹ. Tạp chí Kinh tế và Ngân hàng châu Á, 163, 5–18. ii Nguyễn Phạm Nhã Trúc & Nguyễn Phạm Thiên Thanh. (2016). Các nhân tố tác động đến khả năng sinh lời của các ngân hàng thương mại tại Việt Nam. Tạp chí Kinh tế và Phát triển, 52-59. Nguyễn Quốc Anh. (2016). Tác động của rủi ro tín dụng đến hiệu quả kinh doanh của các ngân hàng thương mại Việt Nam, Luận án tiến sĩ kinh tế, trường Đại học Kinh tế Tp.HCM. Nguyễn Thị Thu Hiền. (2017). Các yếu tố đặc trưng xác định khả năng sinh lời của các ngân hàng thương mại Việt Nam. Tạp chí Công thương. Nguyễn Văn Tuấn (2011). Giới thiệu phương pháp Bayes, Tạp chí Thời sự Y học, 63, 26-34. Phạm Thủy Tú. (2019). Định vị hệ thống NHTM Việt Nam trong cộng đồng các nước CPTPP. Tạp chí Thị trường Tài chính Tiền tệ, số 13 năm 2019. Tổng cục Hải quan. Số liệu Thống kê trị giá xuất khẩu, nhập khẩu hàng hóa của Việt Nam giai đoạn 1996 - tháng 6/2016, truy cập tại: <https://www.customs.gov.vn/Lists/ThongKeHaiQuan/ViewDetails.aspx?ID=376&Category= S%EF%BF%BD&Group=> [truy cập ngày 15/04/2019] Trần Thị Thanh Nga. (2018). Tác động của rủi ro thanh khoản đến hiệu quả hoạt động kinh doanh ngân hàng: Nghiên cứu trường hợp các quốc gia Đông Nam Á, Luận án tiến sĩ kinh tế, trường Đại học Ngân hàng Tp.HCM. Trần Việt Dũng. (2014). Xác định các nhân tố tác động đến khả năng sinh lời của các ngân hàng thương mại Việt Nam. Tạp chí Công nghệ ngân hàng, 16, 1-11. VDSC. (2018). Giải ngân đầu tư công và tiền gửi Kho bạc nhà nước tại Ngân hàng thương mại. Báo cáo chuyên đề vĩ mô. Tiếng Anh Alexiou, C., & Sofoklis, V. (2009). Determinants of bank profitability: Evidence from the Greek banking sector. Economic annals, 182, 93-118. Almaqtari, F, A., Al‐Homaidi, E. A., Tabash, M. I., & Farhan, N. H. (2018). The determinants of profitability of Indian commercial banks: A panel data approach. International Journal of Finance and Economics, 24, 168–185. iii Amba, M., &Almukharreq, F. (2013). Impact of the financial crisis on profitability of the Islamic banks vs conventional banks – Evidence from GCC. International Journal of Financial Research, 4, 83-93. Andries, A., Capraru, B., Muntean, F., & Ihnatov, I. (2016). The impact of financial crisis on bank performance in Eastern and Central European countries. Euroeconomica, Danubius University of Galati, 1(35), 111-126. Athanasoglou, P., Brissimis, N., & Delis, D. (2008). Bank-specific, industry-specific and macroeconomic determinants of bank profitability. Journal of international financial Markets, Institutions and Money, 18(2), 121-136. Athanassopoulos, A. D., & Giokas, D. (2000). The use of data envelopment analysis in banking institutions: Evidence from the commercial bank of Greece. Interfaces 30(2), 81- 95. Anyanwaokoro, M. (1996). Banking methods and processes. Enugu: Hosanna Publications. Ayaydin, H., & Karakaya., A. (2014). The effect of bank capital on profitability and risk in Turkish banking. International Journal of Business and Social Science. 5(1). Bain, S. (1951). Relation of profit rate to industry concentration: American manufacturing, 1936– 1940. The Quarterly Journal of Economics, 65(3), 293-324. Baldwin, A., & Fellingham, W. (2013). Bayesian methods for the analysis of small sample multilevel data with a complex variance structure. Psychological Methods, 18, 151–164. Basel Committee on Banking Supervision. (2003). Public disclosure by banks: Results of the 2001 disclosure survey. Bassey, G. E., & Moses, C. E. (2015). Bank profitability and liquidity management: A case study of selected Nigerian deposit money banks. International Journal of Economics, Commerce and Management, 3(4), 1-24. Batten, J., & Vo, X. V. (2019). Determinants of bank profitability – Evidence from Vietnam. Emerging Markets Finance and Trade 55(1), 1-12. Benston, G. J. (1965). Branch banking and economies of scale. Journal of Finance, 20, 312–331. iv Berger, A. (1995). The relationship between capital and earnings in banking. Journal of Money, Credit and Banking 27 (2), 432-456. Berger, A., & DeYoung, R. (1997). Problem loans and cost efficiency in commercial banks. Journal of Banking and Finance, 21, 849–870. Berger, J. O., & Wolper, R. L. (1988). The Likelihood Principle: A Review, Generalizations, and Statistical Implications. Hayward, CA: Institute of Mathematical Statistics. Bikker, J., & Vervliet, T. (2017). Bank profitability and risk‐taking under low interest rates. International Journal of Finance & Economics, 1-16. Burns, A., & Mitchell, A. (1946). Measuring business cycle. National Bureau of Economic Research, New York. Bolstad, M., & Curran, M. (2016). Introduction to Bayesian statistics (3rd ed.). New Jersey: John Wiley & Sons. Bourke, P. (1989). Concentration and other determinants of bank profitability in Europe, North America and Australia. Journal of Banking and Finance, (13), 65-79. Brunnermeier, K., & Pedersen, H. (2008). Market liquidity and funding liquidity. The Review of Financial Studies, 22(6), 2201-2238. Caprio, G., Klingebiel, D., Laeven, L., & Noguera, G. (2003). Banking crisis database. In P. Honohan and L. Laeven (eds.) Systemic Financial Crises, Cambridge University Press, Cambridge. Casu, B., & Girardone C. (2003). Financial conglomeration: efficiency, productivity and strategic drive. Applied Financial Economics, 14, 687-696. Chamberlin, E. H. (1933). The Theory of Monopolistic Competition, MA: Harvard University Press, Cambridge. Chang, H., Boisvert, N., & Hung, L. (2010). Land subsidence, production efficiency, and the decision of aquacultural firms in Taiwan to discontinue production. Ecological Economic, 69, 2448–2456. Chronopoulos, D. K., Liu, H., McMillan, K, J., & Wilson, J. O. S. (2015). The dynamics of US v bank profitability. The European Journal of Finance, 21(5), 426-443. Dietrich, A., & Wanzenried, G. (2011). Determinants of bank profitability before and during the crisis: Evidence from Switzerland. Journal of International Financial Markets, Institutions and Money, 21, 307–27. Demsetz, H. (1973). Industry structure, market rivalry, and public policy. The Journal of Law & Economics, 16(1), 1-9. Denizer, C., Gultekin, B., & Gultekin, M. (2000). Distorted Incentives and Financial Structure in Turkey, paper presented at the Financial Structure and Economic Development Conference, in February 10-11, 2000 at the World Bank, Washington, D.C Depaoli, S., & van de Schoot, R. (2016). Improving transparency and replication in Bayesian statistics: The WAMBS-Checklist. Psychological Methods. Advance online publication Doron, J., & Gaudreau, P. (2014). A point-by-point analysis of performance in a fencing match: Psychological processes associated with winning and losing streaks. Journal of Sport & Exercise Psychology, 36, 3–13 Gaber ,A. (2018). Determinants of banking sector profitability: Empirical evidence from Palestine. Journal of Islamic Economics and Finance, 4(1) , 49-67. Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57, 97–109. ECB. (2010). Beyond ROE – How to measure bank performance? Appendix to the report on EU banking structures. Farrell, J. (1957). The measurement of productive efficiency. Journal of the Royal Statistical Society. SeriesA (General), 120(3), 253-290. Fungáčová, Z., & Poghosyan, T. (2011). Determinants of bank interest margins in Russia: Does bank ownership matter? Economic Systems, 35, 481–495. Hancock, D. (1985). Bank profitability, interest rates and monetary policy. Journal of Money Credit and Banking, 17, 189–202. vi Hassan, K., & Bashir, H. (2005). Determinants of Islamic banking profitability. Islamic Perspectives on Wealth Creation, Edinburgh University Press, Edinburgh. Garcia, M., & Guerreiro, M. (2016). Internal and external determinants of banks’ profitability: The Portuguese case. Journal of Economic Studies, 43, 90–107. Gelfand, A. E., Hills, S. E., Racine-Poon, A., & Smith A. F. M. (1990). Illustration of Bayesian inference in normal data models using Gibbs sampling. Journal of the American Statistical Association, 85, 972–985. Gilks, W. R., Richardson, S., & Spiegelhalter, D. J. (1996). Markov Chain Monte Carlo in Practice. London: Chapman and Hall. Goddard, J., Molyneux, P., & Wilson, S. (2004). The profitability of European banks: a cross- sectional and dynamic panel analysis. Manchester School, 72(3), 363–381. Gyulai. L., & Szues, G. (2017). The effect of the economic crisis on the bank profitability in the V4 countries. Management, Enterprise and Benchmarking in the 21st century Journal, 97-109. Iacobelli, A. (2016). Determinants of profitability: Empirical evidence from the largest global banks. Financial Analyst, 11. Iskandar, A., Yahya, N., & Wahid, Z. (2019). Determinants of commercial banks’ profitability in Malaysia. Journal of Entrepreneurship and Business, 1, 27-39. International Monnetary Fund. World Real GDP growth. Available online: https://www.imf.org/external/datamapper/NGDP_RPCH@WEO/OEMDC/ADVEC/WEOWOR LD (accessed on 10 July 2019). Islam, S., & Nishiyama, S. (2016). The determinants of bank profitability: Dynamic panel evidence from South Asian Countries. Journal of Applied Finance and Banking, 6, 77–97. Jayaratne, J., & Strahan, P. (1998). Entry restrictions, industry evolution, and dynamic efficiency: evidence from commercial banking. The Journal of Law & Economics, 41(1), 239-274. Kamarudin, F., Sufian, F., & Nassir, A. (2016). Global financial crisis, ownership and bank profit efficiency in the Bangladesh's state owned and private commercial banks. Journal of Accounting and Management, 61(4), 705-745. vii Keynes, J. (1936). The general theory of employment, interest and money. Macmillan, London. Kohlscheen, E., Murcia, A., & Contreras, J. (2018). Determinants of bank profitability in emerging markets. BIS Working Paper No. 686. Kosmidou, K. (2008). The determinants of banks’ profits in Greece during the period of EU financial integration. Managerial Finance, 34(3), 146-159. Kosmidou, K., Pasiouras, F., & Tsaklanganos, A. (2007). Domestic and multinational determinants of foreign bank profits: The case of Greek banks operating abroad. Journal of Multinational Financial Management, 17, 1-15. Kosmidou, K., Tanna, S., & Pasiouras, F. (2005). Determinants of profitability of domestic UK commercial banks: Panel evidence from the period 1995-2002. Money Macro and Finance (MMF) Research Group Conference, 45. Kreinovich, V., Thach, N. N., Trung, N. D., & Thanh, D. V. (2019). Beyond Traditional Probabilistic Methods in Economics. Springer, Cham. Doi: 10.1007/978-3-030-04200-4. Kruschke, J. (2014). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan 2nd Edition. Elsevier Inc. Leightner, E. J., & Lovell, C. A. K. (1998). The Impact of financial liberalization on the performance of Thai banks. Journal of Economics and Business, 50, 115–132. Lee, S. P., & Isa, M. (2017). Determinants of bank margins in a dual banking system. Managerial Finance, 43(6), 630–645. Lim, G., & Randhawa, D. (2005). Competition, liberalization and efficiency: Evidence from a two‐stage banking model on banks in Hong Kong and Singapore, Managerial Finance, 31(1), 52-77. Lindblom, T., & Willesson, M. (2010). Financial crisis and bank profitability. Paper presented at Wolpertinger Conference, Bangor University UK. Le, Tu. (2017). The determinants of commercial bank profitability in Vietnam. SSRN Electronic Journal, 1-30. viii Lee, C. C., & Hsieh, M. F. (2013). The impact of bank capital on profitability and risk in Asian banking. Journal of International Money and Finance, 32, 251-281. Lloyd-Williams, M., Molyneux, P. & Thornton, J. (1994). Market structure and performance in Spanish banking. Journal of Banking and Finance, 18, 433-443. Malthus, T. R. (1820). Principles of Political Economy Considered with a View of their Practical Application, 1st edition. London: John Murray. Maudos, J., & de Guevara, J. F. (2007). The cost of market power in banking: Social welfare loss vs. cost inefficiency. Journal of Banking and Finance, 31(7), 2103-2125. Mester, L.J. (1987). Efficient production of financial services: Scale and scope economies. Business Review, Federal Reserve Bank of Philadelphia January/February, 15–25. Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H, & Teller, E. (1953). Equation of state calculations by fast computing machines. Journal of Chemical Physics, 21, 1087–1092. Minsky, H. (1975). The financial instability hypothesis: an interpretation of Keynes and an alternative to "Standard” Theory. Hyman P. Minsky Archive. Paper 38. Molyneux, P. (1993). Market structure and profitability in European banking. Institute of European Finance, University College of North Wales, Research Paper 9. Molyneux, P., & Thornton, J. (1992). Determinants of European bank profitability: A note. Journal of Banking and Finance, 16(6), 1173-1178. Mongid, A. (2016). Global financial crisis (GFC) and Islamic banks profitability: Evidence from MENA countries. Journal of Emerging Economies and Islamic Research, 4, 1-16. Muharrami, S., & Matthews, K. (2009). Market power versus efficient- structure in Arab GCC banking. Applied Financial Economics, 19(18), 1487-1496. Murthy, Y., & Sree, R. (2003). A study on financial ratios of major commercial banks. Research Studies, College of Banking & Financial Studies, Sultanate of Oman. Naceur, B., & Goaied, M. (2009). The Determinants of commercial bank interest margin and profitability: Evidence from Tunisia. Frontiers in Finance and Economics, 5(1), 106-130. ix NBER. (2010). The NBER's Business Cycle Dating Committee, Cambridge. Ndoka, S., Islami, M., & Shima, J. (2016). The impact of liquidity risk management on the performance of Albanian commercial banks during the period 2005-2015. International Journal of Social Sciences and Education Research, 3(1), 70-76 Nkusu, M. (2011). Non-performing loans and macrofinancial vulnerabilities in advanced economies. IMF Working Paper, 11/161. Nguyen H. T., Trung N. D., & Thach N. N. (2019). Beyond Traditional Probabilistic Methods in Econometrics. In: Kreinovich V., Thach N., Trung N., Van Thanh D. (eds) Beyond Traditional Probabilistic Methods in Economics. ECONVN 2019. Studies in Computational Intelligence, vol 809. Springer, Cham. https://doi.org/10.1007/978-3-030-04200-4_1 Nguyen, N. T. (2020). How to explain when the ES is lower than one? A Bayesian nonlinear mixed-effects approach. Journal of Risk and Financial Management, 13(2), 1–17. https://doi.org/10.3390/jrfm13020021. Nguyen, N. T. (2020). The variable elasticity of substitution function and endogenous growth: An empirical evidence from Vietnam. International Journal of Economics and Business Administration, 8(1), 263-277. Olweny, T., & Shipho, T. M. (2011). Effects of banking sectoral factors on the profitability of commercial banks in Kenya. Economics and Finance Review, 1(5), 1-30. Osborn, M., Fuertes, A., & Milner, A. (2012). Capital and profitability in banking: Evidence from US Banks. Business Journal, 4(9), 203-214. Pawlowska, M. (2016). Market structure, business cycle and bank profitability: Evidence from Polish banks. Journal of Bank and Credit, 47(4), 341 – 364. Petria, N., Caprarub, B., & Ihnatovc, I. (2013). Determinants of banks’ profitability: evidence from EU 27 banking systems. 7th International Conference on Globalization and Higher Education in Economics and Business Administration. Poposka, K., & Trpkoski, M. (2013). Secondary model for bank profitability management–test on the case of Macedonian banking sector. Research Journal of Finance and Accounting, 4(6), x 216-225. Sufian, F., & Habibullah, S. (2009). Determinants of bank profitability in a developing economy: Empirical evidence from Bangladesh. Journal of Business Economics and Management, 10(3), 207-217. Sufian, F. (2011). Profitability of the Korean banking sector: Panel evidence on banking-specific and macroeconomic determinants. Journal of Economic and Management, 7, 43-72. Svítek M., Kosheleva O., Kreinovich V., & Nguyen T. N. (2019). Why Quantum (Wave Probability) Models Are a Good Description of Many Non-quantum Complex Systems, and How to Go Beyond Quantum Models. In: Kreinovich V., Thach N., Trung N., Van Thanh D. (eds) Beyond Traditional Probabilistic Methods in Economics. ECONVN 2019. Studies in Computational Intelligence, vol 809. Springer, Cham. https://doi.org/10.1007/978-3-030-04200- 4_13 Rahman, M., Hamid, M., & Khan, A. (2015). Determinants of bank profitability: Empirical evidence from Bangladesh. International Journal of Business and Management, 10(8), 135-150. Rivard, J., & Thomas, R. (1997). The effect of interstate banking on large bank holding company profitability and risk. Journal of Economics and Business, 49, 61-76. Reinhart, C., & Rogoff, K. (2011). From financial crash to debt crisis. American Economic Review, 101(5), 1676- 1706. Robinson, J. (1933). The economics of imperfect competition. Macmillan, London. Rodbertus, J. K. (1850). Overproduction and Crises. HardPress Publishing Rose, P., & Hudgins, S. ( 2014). Bank management & financial services. McGraw-Hill Education. Samuelson, P., & Nordhaus, W. (2007). Economics, McGrawhill. Sismondi, J. C. L. (1819). New Principles of Political Economy. 2nd edition. Routledge. Sealey, C., & Lindley, J.T. (1977). Inputs, outputs and a theory of production and cost at depository financial institution. Journal of Finance, 32, 1251-1266. xi Smirlock, M. (1985). Evidence on the (non) relationship between concentration and profitability in banking. Journal of Money, Credit, and Banking, 17(1), 69-83. Sriboonchitta, S., Nguyen H.T., Kosheleva O., Kreinovich V., & Nguyen T. N. (2019). Quantum Approach Explains the Need for Expert Knowledge: On the Example of Econometrics. In: Kreinovich V., Sriboonchitta S. (eds) Structural Changes and their Econometric Modeling. TES 2019. Studies in Computational Intelligence, vol 808. Springer, Cham. https://doi.org/10.1007/978-3-030-04263-9_15 Staikouras, C., & Wood, G. (2004). The determinants of European bank profitability. International Business and Economics Journal, 3(4), 57-68. Tabari,Y., Ahmadi, M., & Emami, M. (2013). The effect of liquidity risk on the performance of commercial banks. International Research Journal of Applied and Basic Sciences, 4(6), 1624- 1631. Trujillo-Ponce, A. (2013). What determines the profitability of banks? Evidence from Spain. Accounting and Finance, 53(2), 561-586. VanHoose, D. (2010). The industrial organization of banking: Bank behavior, market structure, and regulation. Springer. van de Schoot, R., & Depaoli, S. (2014). Bayesian analysis: Where to start and what to report. The European Health Psychologist, 16(2), 75-84. van de Schoot, R. (2016). 25 years of Bayes in psychology. Paper presented at the 7th Mplus Users’ Meeting, Utrecht, The Netherlands. World Bank. (2018). World Bank National Accounts Data, and OECD National Accounts Data Files. Available online: https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG (accessed on 10 July 2019). https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG?locations=VN. (accessed on 10 July 2019). Yao, H., Haris, M., & Tarig, G. (2018). Profitability determinants of financial institutions: Evidence from banks in Pakistan. International Journal of Financial Studies, 6(53), 1-28. xii Yuanita, N. (2019). Competition and bank profitability. Journal of Economic Structures, 8(31), 2-15 Zhang, C., & Dong, L. (2011). Determinants of bank profitability: Evidence from the U.S banking sector. Master of Financial Risk Management, Simon Fraser University. Zenios, C.V., Zenios, S.A., Agathocleous, A., & Soteriou, A. (1999). Benchmarks of the efficiency of bank branches. Interfaces, 29(3), 37-51. xiii CÁC CÔNG BỐ CỦA TÁC GIẢ CÓ LIÊN QUAN ĐẾN LUẬN ÁN 1. Phạm Hải Nam. (2020). Khả năng sinh lời của các ngân hàng thương mại Việt Nam: Cách tiếp cận theo phương pháp Bayes. Tạp chí Kinh tế và Ngân hàng Châu Á, số 169, 26-41. 2. Phạm Hải Nam. (2020). Khủng hoảng tài chính thế giới và khả năng sinh lời của ngân hàng thương mại Việt Nam: Cách tiếp cận theo phương pháp Bayes. (2020). Tạp chí Nghiên cứu Kinh tế và Kinh doanh Châu Á, 31(1), 29-47. 3. Phạm Hải Nam, Phạm Thị Hồng Nhung & Nguyễn Sơn Hải. (2020). Mối quan hệ giữa kiểm soát nội bộ và rủi ro tín dụng của ngân hàng thương mại: Bằng chứng thực nghiệm tại Việt Nam. Tạp chí Kinh tế và Ngân hàng Châu Á, số 177, 19-34. 4. Phạm Hải Nam & Nguyễn Ngọc Tân. (2021). Áp dụng phương pháp Bayes trong nghiên cứu nợ xấu tại các ngân hàng thương mại Việt Nam. Tạp chí Phát triển Khoa học và Công nghệ – Economics-Law and Management. 5(1), 1267-1277. 5. Ha, V. D., & Pham, H. N. (2019). The impact of the global financial crisis on bank profitability: evidence from Vietnam. Paper presented at International Finance and Accounting Research Conference, Academy of Finance. 6. Ha, V. D., & Pham, H. N. (2020). Determinants of bank profitability in Vietnam: An empirical Lasso study. Studies in Computational Intelligence, Springer, Cham (2020). 7. Pham, H. N. (2021). How does internal control affect bank credit risk in Vietnam? A Bayesian analysis. Journal of Asian Finance, Economics and Business. 8(1), 873-880. 8. Pham, H. N. & Pham, T. H. N. (2021). Determinants of bank liquidity – Evidence from Vietnam. Studies in Computational Intelligence, Springer, Cham (2021). xiv PHỤ LỤC PHỤ LUC 1: Danh sách 30 NHTM ở Việt Nam trong nghiên cứu tại thời điểm 31/12/2018 TT TÊN NHTM ĐỊA CHỈ VỐN ĐIỀU LỆ ( tỷ đồng) 1 Công thương Việt Nam (Vietnam Joint Stock Commercial Bank of Industry and Trade) 108 Trần Hưng Đạo, Hoàn Kiếm, Hà Nội 37.234 2 Đầu tư và Phát triển Việt Nam (Joint Stock Commercial Bank for Investment and Development of Vietnam) Tháp BIDV 35 Hàng Vôi, Hoàn Kiếm, Hà Nội 34.187,2 3 Ngoại Thương Việt Nam (Joint Stock Commercial Bank for Foreign Trade of Vietnam - VCB) 198 Trần Quang Khải, Hoàn Kiếm, Hà Nội 37.088,8 4 Á Châu (Asia Commercial Joint Stock Bank - ACB) 442 Nguyễn Thị Minh Khai, Quận 3, TP. Hồ Chí Minh 12.885,9 5 An Bình (An Binh Commercial Joint Stock Bank - ABB) 170 Hai Bà Trưng, phường Đa Kao, Quận 1, TP. Hồ Chí Minh 5.319,5 6 Bảo Việt (Baoviet bank) Bao Viet Joint Stock commercial Bank Tầng 1 và Tầng 5, Tòa nhà CornerStone, số 16 Phan Chu Trinh, quận Hoàn Kiếm, Hà Nội 3.150 xv 7 Bản Việt (trước đây là Gia Định) (Viet Capital Commercial Joint Stock Bank - Viet Capital Bank) Toà Nhà HM TOWN, số 412 đường Nguyễn Thị Minh Khai, phường 5, Quận 3, TP. Hồ Chí Minh 3.171 8 Bắc Á (BAC A Commercial Joint Stock Bank - Bac A Bank) 117 Quang Trung, TP. Vinh, tỉnh Nghệ An 5.500 9 Bưu điện Liên Việt (LienViet Commercial Joint Stock Bank – Lienviet Post Bank - LPB) Tòa nhà Capital Tower số 109 Trần Hưng Đạo, phường Cửa Nam, Quận Hoàn Kiếm, TP. Hà Nội. 8.881,4 10 Đại Chúng Việt Nam (Public Vietnam Bank - PVcomBank) Số 22 Ngô Quyền, Hoàn Kiếm, Hà Nội 9.000 11 Đông Nam Á (Southeast Asia Commercial Joint Stock Bank - Seabank) 25 Trần Hưng Đạo, Hoàn Kiếm, Hà Nội 7.688 12 Hàng Hải (The Maritime Commercial Joint Stock Bank - MSB) Số 54A Nguyễn Chí Thanh, phường Láng Thượng, Quận Đống Đa, Hà Nội 11.750 13 Kiên Long (Kien Long Commercial Joint Stock Bank - KLB) 40-42-44 Phạm Hồng Thái, TP Rạch Giá, tỉnh Kiên Giang. 3.237 14 Kỹ Thương 191 Bà Triệu, quậnHai Bà Trưng, Hà Nội 34.965,9 xvi (Viet Nam Technological and Commercial Joint Stock Bank - TECHCOMBANK) 15 Nam Á (Nam A Commercial Joint Stock Bank - NAM A BANK) 201-203 Cách mạng tháng 8, phường 4, Quận 3, TP. Hồ Chí Minh 3.353,5 16 Phương Đông (Orient Commercial Joint Stock Bank - OCB) 45 Lê Duẩn, Quận 1, TP. Hồ Chí Minh 6.599,2 17 Quân Đội (Military Commercial Joint Stock Bank - MB) 21 Cát Linh, Đống Đa, Hà Nội 21.604,5 18 Quốc Tế (Vietnam International Commercial Joint Stock Bank - VIB) Tòa nhà Sailing Tower, số 111A Pasteur, quận 1, TP Hồ Chí Minh 7.834,7 19 Quốc dân (Đổi tên từ Ngân hàng Nam Việt) (National Citizen bank - NCB) 28C-28D Bà Triệu, quận Hoàn Kiếm, Hà Nội 4.101,6 20 Sài Gòn (Sai Gon Commercial Joint Stock Bank - SCB) 927 Trần Hưng Đạo, Quận 5, TP. Hồ Chí Minh 15.231,7 21 Sài Gòn Công Thương (Saigon Bank for Industry & Trade - SGB) Số 2C Phó Đức Chính, Quận 1, TP. Hồ Chí Minh 3.080 xvii 22 Sài Gòn – Hà Nội (Saigon-Hanoi Commercial Joint Stock Bank - SHB) 77 Trần Hưng Đạo, quận Hoàn Kiếm, Hà Nội 12.036,2 23 Sài Gòn Thương Tín (Saigon Thuong TinCommercial Joint Stock Bank - Sacombank) 266-268 Nam Kỳ Khởi Nghĩa, Quận 3, TP. Hồ Chí Minh 18.852,2 24 Tiên Phong (TienPhong Commercial Joint Stock Bank - TPB) Số 57 Lý Thường Kiệt, phường Trần Hưng Đạo, Hoàn Kiếm, Hà Nội 8.565,9 25 Việt Á (Viet A Commercial Joint Stock Bank - VIETA Bank) 34A-34B Hàn Thuyên, phường Phạm Đình Hổ, quận Hai Bà Trưng, Hà Nội 3.500 26 Việt Nam Thịnh Vượng (Vietnam Commercial Joint Stock Bank for Private Enterprise - VPBank) 89 Láng Hạ, quận Đống Đa, Hà Nội 25.299,7 27 Việt Nam Thương Tín (Viet Nam Thuong Tin Commercial Joint Stock Bank - Vietbank) 47 Trần Hưng Đạo, TP. Sóc Trăng, tỉnh Sóc Trăng 4.190,2 28 Xăng dầu Petrolimex (Petrolimex Group Commercial Joint Stock Bank - PGBank) Tầng 16, 23, 24 tòa nhà MIPEC số 229 Phố Tây Sơn, phường Ngã Tư Sở, Đống Đa, Hà Nội 3.000 xviii 29 Xuất Nhập Khẩu (Viet nam Export Import Commercial Joint Stock - Eximbank) Tầng 8 Tòa nhà Vincom, số 72 Lê Thánh Tôn và 47 Lý Tự Trọng, phường Bến Nghé, Quận 1, TP. Hồ Chí Minh 12.355,2 30 Phát triển Thành phố Hồ Chí Minh (Ho Chi Minh city Development Joint Stock Commercial Bank - HDBank) 25 bis Nguyễn Thị Minh Khai, phường Bến Nghé, Quận 1, TP. Hồ Chí Mịnh 9.810 Nguồn: Ngân hàng Nhà nước Việt Nam PHỤ LỤC 2: Thuật toán lấy mẫu Metropolis-Hastings và Gibbs Trong Luận án này, tác giả áp dụng phương pháp Bayes thông qua thuật toán Random-walk Metropolis-Hastings và phương pháp lấy mẫu Gibbs. Metropolis và cộng sự (1953) là người đầu tiên đề xuất thuật toán Metropolis. Sau đó, Hastings (1970) phát triển thuật toán hiệu quả hơn. Phương pháp lấy mẫu Gibbs là một trường hợp đặc biệt của thuật toán Metropolis-Hastings (Gelfand & cộng sự, 1990). Thuật toán Metropolis-Hastings được thực hiện thông qua 3 giai đoạn như sau: Giai đoạn 1: Tạo ra một mẫu giá trị cho mỗi biến ngẫu nhiên. Phân phối đề xuất cho mỗi mẫu là q(.) x(0) ~ q(x) Mẫu từ phân phối đề xuất là q(x(n)|x(n-1)) xproposal ~ q(x(n)|x(n-1)) Sau đó thực hiện vòng lặp của mẫu giá trị đó với 𝑛 = 1,2 Phân phối đề xuất là một phân phối đối xứng nếu 𝑞(𝑥(𝑛−1)|𝑎(𝑛)) = 𝑞(𝑥(𝑛)|𝑥(𝑛−1)). Giai đoạn 2: Tính toán tỷ lệ chấp nhận. Hàm chấp nhận Metropolis-Hastings được thực hiện để đảm bảo sự cân bằng giữa hai ràng buộc sau: xix 𝜋(𝑥𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙) 𝜋(𝑥(𝑛−1)) Ràng buộc này nhằm mục tiêu mẫu có xu hướng nằm trong khu vực phân phối cao dưới mật độ kết hợp toàn bộ (full joint density): 𝜋(𝑥(𝑛−1)|𝑥𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙) 𝜋(𝑥𝑝𝑟𝑜𝑝𝑜𝑠𝑎𝑙|𝑥(𝑛−1)) Giới hạn này làm mẫu khám phá không gian và tránh bị kẹt vào một khu vực, bởi vì mẫu này có thể đảo ngược tính toán trước đó trong không gian vectơ này. Hàm chấp nhận Metropolis-Hastings phải có một dạng cụ thể để đảm bảo rằng thuật toán Metropolis-Hastings thỏa mãn điều kiện cân bằng (Gilks & cộng sự, 1996). Hàm chấp nhận trong trường hợp đề xuất đối xứng là: Ѳ(𝑥(𝑛)|𝑥(𝑛−1)) = min {1, 𝑞(𝑥(𝑛−1)|𝑥(𝑛))𝜋(𝑥(𝑛)) 𝑞(𝑥(𝑛)|𝑥(𝑛−1))𝜋(𝑥(𝑛−1)) } Trong đó Ѳ là xác suất chấp nhận 𝜋 (.) là mật độ kết hợp toàn bộ. Giá trị nhỏ nhất được tính để đảm bảo xác suất chấp nhận không bao giờ lớn hơn 1. Khi phân phối đề xuất là đối xứng 𝑞(𝑥(𝑛−1)|𝑥(𝑛)) = 𝑞(𝑥(𝑛)|𝑥(𝑛−1)), hàm chấp nhận có thể được viết lại: Ѳ(𝑥(𝑛)|𝑥(𝑛−1)) = min {1, 𝜋(𝑥(𝑛)) 𝜋(𝑥(𝑛−1)) } Giai đoạn 3: Đây là bước cuối cùng, dựa trên xác suất chấp nhận Ѳ, quyết định chấp nhận hay bác bỏ đề xuất. Nếu giá trị đề xuất nhỏ hơn Ѳ, sẽ chấp nhận giá trị này, ngược lại sẽ bác bỏ nó. Phương pháp lấy mẫu Gibbs (Gibbs sampling) Phương pháp lấy mẫu Gibbs về cơ bản là một trường hợp đặc biệt của thuật toán Metropolis- Hastings, thuật toán này cho phép tạo ra một mẫu số liệu từ hàm phân phối xác suất đồng thời mà không đòi hỏi phải biết đầy đủ thông tin về phân phối này. Giả sử, với k mẫu của vectơ X = (x1, x2, , xn) từ một xác suất hợp (joint probability) p (x1, x2, xn). Đặt mẫu thứ i là 𝑋(𝑖) = (𝑥1 (𝑖) , , 𝑥𝑛 (𝑖) ). Thuật toán thực hiện như sau: xx Bước 1: Bắt đầu với một vài giá trị 𝑋(𝑖) ban đầu. Bước 2: Gọi mẫu kế tiếp là 𝑋(𝑖+1). Do 𝑋(𝑖+1) = (𝑥1 (𝑖+1) , 𝑥2 (𝑖+1) , 𝑥𝑛 (𝑖+1) ) là một vectơ, thuật toán lấy mẫu mỗi thành phần của vectơ này. Điều kiện các thành phần của 𝑋(𝑖+1) tới 𝑥𝑗−1 (𝑖+1) và sau đó, điều kiện trên các thành phần của 𝑋(𝑖) được bắt đầu từ 𝑥𝑗−1 (𝑖) tới 𝑥𝑛 (𝑖) . Để đạt được điều này, nghiên cứu lấy mẫu các thành phần theo thứ tự, bắt đầu tự thành phần đầu tiên. Để lấy mẫu 𝑥𝑗−1 (𝑖) cần cập nhật theo phân phối được xác định bởi xác suất điều kiện 𝑝(𝑥𝑗−1 (𝑖) |𝑥1 (𝑖+1), , 𝑥𝑗−1 (𝑖+1), 𝑥𝑗+1 (𝑖) , , 𝑥𝑛 (𝑖) . Lưu ý rằng, thuật toán sử dụng thành phần thứ (𝑗 + 1) đã có trong mẫu thứ i, không phải trong mẫu thứ (𝑖 + 1). Bước 3: Lặp lại các bước trên k lần. Điều quan trọng phải thực hiện trong phương pháp lấy mẫu trên là: - Tất cả các mẫu xấp xỉ phân phối xác suất hợp cho tất cả các biến. - Phân phối biên của bất kỳ tập biến con (subset) có thể được xấp xỉ bằng việc xem xét đơn giản cho tập biến con đó, lờ đi phần còn lại. - Giá trị kỳ vọng của bất kỳ biến nào có thể được xấp xỉ bằng lấy trung bình của tất cả các mẫu. Khi thực hiện lấy mẫu: - Giá trị ban đầu của bất kỳ biến nào có thể được xác định ngẫu nhiên hoặc được thực hiện bằng các thuật toán khác như tối đa hóa giá trị kỳ vọng (expectation-maximization). - Không cần thiết phải xác định giá trị ban đầu cho mẫu biến đầu tiên. - Do giá trị xuất phát không ảnh hưởng đến sự hội tụ do đó trong thực hành người ta thường bỏ đi một vài giá trị đầu nó còn được gọi là quá trình burn-in period. Lý do của điều này là (1) do phân phối dừng (Stationary distribution) của chuỗi Markov được thõa mãn phân phối hợp với tất cả các biến, nhưng nó có thể tốn thời gian để đạt được phân phối dừng. (2) các mẫu liên tiếp không phụ thuộc lẫn nhau, nhưng từ một chuỗi Markov với một sự tương quan nhất định. Thỉnh thoảng, các thuật toán này được sử dụng để xác định mức độ tự tương quan (Autocorrelation) giữa các mẫu và các giá trị của n được tính từ đây. xxi - Tiến trình của thuật toán mô phỏng luyện kim (Simulated Annealing – kỹ thuật xác suất để xấp xỉ tối đa hóa trong một không gian tìm kiếm lớn của một siêu dữ liệu) thường được sử dụng để giảm “bước ngẫu nhiên” (random walk) trong giai đoạn đầu của quá trình lấy mẫu). PHỤ LỤC 3: Giai đoạn 2007 – 2011 GGDP 133 .0657714 .0100761 .0532 .0846 INFLAT 133 .1330173 .0640113 .0688 .2297 OPE 132 .0139167 .0057466 .0039602 .051961 INT 132 .0675589 .0282006 .0237756 .1499806 LIQUI 133 .3467763 .1551646 .0508746 .8078276 DEP 131 .5197855 .1280773 .1851091 .7655939 CAP 133 .1282458 .0771619 .0425561 .4624462 LOAN 133 .4980299 .1460224 .113841 .8516832 LLP 128 .0110188 .0064496 .0013969 .0378056 SIZE 133 31.17319 1.259605 28.34221 33.76356 ROE 132 .1099978 .1006951 -.8200213 .2846444 ROA 132 .0122723 .0094089 -.0551175 .0595185 Variable Obs Mean Std. Dev. Min Max var 8556.96 1.17 0.8557 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 OPE 10000.00 1.00 1.0000 INT 10000.00 1.00 1.0000 LIQUI 10000.00 1.00 1.0000 DEP 9622.31 1.04 0.9622 CAP 10000.00 1.00 1.0000 LOAN 10000.00 1.00 1.0000 LLP 10000.00 1.00 1.0000 SIZE 10000.00 1.00 1.0000 ROA ESS Corr. time Efficiency max = 1 avg = .9848 Efficiency: min = .8557 Efficiency summaries MCMC sample size = 10,000 xxii var 8637.16 1.16 0.8637 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 OPE 9472.21 1.06 0.9472 INT 9556.55 1.05 0.9557 LIQUI 10000.00 1.00 1.0000 DEP 10000.00 1.00 1.0000 CAP 9803.67 1.02 0.9804 LOAN 10000.00 1.00 1.0000 LLP 9690.10 1.03 0.9690 SIZE 10000.00 1.00 1.0000 ROE ESS Corr. time Efficiency max = 1 avg = .9763 Efficiency: min = .8637 Efficiency summaries MCMC sample size = 10,000 GGDP -0.1754 1.0000 INFLAT 1.0000 INFLAT GGDP GGDP -0.1212 -0.2282 0.0269 -0.0122 -0.0424 0.0414 -0.2087 -0.2967 INFLAT -0.0101 0.0788 -0.0820 0.1609 -0.0618 0.0393 0.6752 0.3329 OPE -0.1689 0.0062 0.1928 0.2549 -0.0108 -0.1213 0.5150 1.0000 INT -0.1462 0.0107 0.2223 0.1486 -0.0247 -0.2347 1.0000 LIQUI -0.0358 -0.1802 -0.8398 0.0078 -0.3094 1.0000 DEP 0.3503 0.2422 0.4451 -0.3523 1.0000 CAP -0.7036 -0.3253 -0.0068 1.0000 LOAN -0.0359 0.1235 1.0000 LLP 0.5886 1.0000 SIZE 1.0000 SIZE LLP LOAN CAP DEP LIQUI INT OPE xxiii var .0399465 .0051275 .000055 .0395236 .0312262 .0512572 _cons -.0932824 .8183932 .008184 -.0937272 -1.711612 1.500539 GGDP .0175301 1.848883 .018489 -.0259349 -3.556433 3.669589 INFLAT -.0136359 .4035873 .004036 -.0133268 -.8088171 .7714637 OPE -.3451738 3.513205 .035132 -.3504431 -7.278633 6.568389 INT -.0114077 .9827032 .009827 -.007183 -1.958638 1.908994 LIQUI .0026785 .2176729 .002177 -.0018528 -.423879 .4356535 DEP .0157872 .1555988 .001586 .0165515 -.2889355 .3134644 CAP .0986451 .3433373 .003433 .0974444 -.5805027 .7741976 LOAN .0059199 .2537006 .002537 .0054476 -.4863881 .5031439 LLP -.2124825 3.17732 .030721 -.2201485 -6.41249 5.891316 SIZE .0028688 .0238967 .000239 .0025476 -.0441114 .0498292 ROA Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = -.74757551 max = 1 avg = .9848 Efficiency: min = .8557 Acceptance rate = 1 Number of obs = 133 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} (Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROA. {var} ~ igamma(2.5,2.5) {ROA:_cons} ~ normal(1,100) (1) {ROA:GGDP} ~ normal(1,100) (1) {ROA:INFLAT} ~ normal(1,100) (1) {ROA:OPE} ~ normal(1,100) (1) {ROA:INT} ~ normal(1,100) (1) {ROA:LIQUI} ~ normal(1,100) (1) {ROA:DEP} ~ normal(1,100) (1) {ROA:CAP} ~ normal(1,100) (1) {ROA:LOAN} ~ normal(1,100) (1) {ROA:LLP} ~ normal(1,100) (1) {ROA:SIZE} ~ normal(1,100) (1) Priors: ROA ~ normal(xb_ROA,{var}) Likelihood: Model summary xxiv . var .04537 .0057479 .000062 .0448747 .0355642 .0577458 _cons -1.299219 .8648199 .008648 -1.290619 -2.99182 .4340139 GGDP -1.049228 1.980878 .019809 -1.04855 -4.960801 2.825973 INFLAT .0122988 .4284535 .004285 .0175902 -.8366407 .8628654 OPE -8.542678 3.673791 .037748 -8.53363 -15.74472 -1.34208 INT .0287201 1.051564 .010757 .0347319 -2.044787 2.07741 LIQUI .0684824 .2348397 .00232 .0667658 -.3933814 .5327749 DEP .1119171 .165338 .001653 .1107981 -.2069125 .4360057 CAP .3312666 .3634407 .003671 .3352165 -.3696099 1.043917 LOAN .1965802 .2747121 .002747 .200494 -.3373665 .7357301 LLP -4.123411 3.389193 .03443 -4.093688 -10.82127 2.471433 SIZE .0453588 .0252713 .00025 .0451861 -.004523 .0940147 ROE Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = -9.5816475 max = 1 avg = .9763 Efficiency: min = .8637 Acceptance rate = 1 Number of obs = 133 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} (Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROE. {var} ~ igamma(2.5,2.5) {ROE:_cons} ~ normal(1,100) (1) {ROE:GGDP} ~ normal(1,100) (1) {ROE:INFLAT} ~ normal(1,100) (1) {ROE:OPE} ~ normal(1,100) (1) {ROE:INT} ~ normal(1,100) (1) {ROE:LIQUI} ~ normal(1,100) (1) {ROE:DEP} ~ normal(1,100) (1) {ROE:CAP} ~ normal(1,100) (1) {ROE:LOAN} ~ normal(1,100) (1) {ROE:LLP} ~ normal(1,100) (1) {ROE:SIZE} ~ normal(1,100) (1) Priors: ROE ~ normal(xb_ROE,{var}) Likelihood: Model summary xxv PHỤ LỤC 4: Giai đoạn 2012 – 2018 . GGDP 206 .062115 .0064872 .0525 .0708 INFLAT 206 .0457073 .024844 .0063 .0921 OPE 206 .0166055 .0052347 .0037028 .0328927 INT 206 .0532647 .0194253 .0134608 .1345339 LIQUI 206 .2714091 .104699 .0545048 .6292637 DEP 206 .6692231 .1065786 .4140806 .8937174 CAP 206 .0923233 .0393111 .0322527 .2383814 LOAN 206 .5543287 .1171049 .2223948 .7530163 LLP 206 .0132046 .00477 .0054339 .034058 SIZE 206 32.25111 1.085509 30.21753 34.81112 ROE 206 .0704603 .0567846 .0006827 .2444132 ROA 206 .0060187 .004973 .0000829 .0264346 Variable Obs Mean Std. Dev. Min Max GGDP -0.8226 1.0000 INFLAT 1.0000 INFLAT GGDP GGDP 0.2608 -0.3250 0.3434 -0.3547 0.2434 -0.0894 -0.5627 -0.1386 INFLAT -0.1910 0.3123 -0.2156 0.3047 -0.2913 0.0426 0.6542 0.1921 OPE -0.2355 0.0473 0.1829 0.4794 0.0111 -0.1503 0.2688 1.0000 INT -0.3827 0.0695 -0.1630 0.4248 -0.1188 -0.0844 1.0000 LIQUI -0.1587 0.2172 -0.6771 0.0147 -0.5817 1.0000 DEP 0.2651 -0.1888 0.5364 -0.2184 1.0000 CAP -0.6779 0.0062 -0.0543 1.0000 LOAN 0.2389 -0.3757 1.0000 LLP 0.1311 1.0000 SIZE 1.0000 SIZE LLP LOAN CAP DEP LIQUI INT OPE xxvi . var 8923.85 1.12 0.8924 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 OPE 10000.00 1.00 1.0000 INT 10000.00 1.00 1.0000 LIQUI 9800.04 1.02 0.9800 DEP 10000.00 1.00 1.0000 CAP 10000.00 1.00 1.0000 LOAN 10000.00 1.00 1.0000 LLP 10000.00 1.00 1.0000 SIZE 10000.00 1.00 1.0000 ROE ESS Corr. time Efficiency max = 1 avg = .9894 Efficiency: min = .8924 Efficiency summaries MCMC sample size = 10,000 var 8914.57 1.12 0.8915 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 OPE 9766.42 1.02 0.9766 INT 10000.00 1.00 1.0000 LIQUI 10000.00 1.00 1.0000 DEP 10000.00 1.00 1.0000 CAP 10000.00 1.00 1.0000 LOAN 10000.00 1.00 1.0000 LLP 10000.00 1.00 1.0000 SIZE 10000.00 1.00 1.0000 ROA ESS Corr. time Efficiency max = 1 avg = .989 Efficiency: min = .8915 Efficiency summaries MCMC sample size = 10,000 xxvii var .0252174 .002526 .000027 .0251005 .0206765 .0306069 _cons -.1004701 .5566176 .005397 -.100025 -1.22435 .9828202 GGDP .2471057 3.155909 .031559 .2768542 -6.011606 6.454099 INFLAT .0882065 .9200721 .009032 .0793091 -1.713346 1.874656 OPE .4187812 2.487336 .025169 .4116701 -4.481809 5.310291 INT -.0361421 .8495553 .008496 -.0376351 -1.714141 1.634228 LIQUI .0163054 .1619706 .00162 .016677 -.3030894 .3327952 DEP -.0024644 .1428097 .001428 -.0030165 -.282636 .2785935 CAP .0505338 .4518202 .004417 .0497504 -.8303646 .9530707 LOAN .0105042 .1583876 .001584 .0085945 -.3008076 .322571 LLP -.0417101 2.700477 .027005 -.0338744 -5.377006 5.283718 SIZE .0021508 .0152412 .000147 .0019141 -.0273612 .0324138 ROA Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = 60.374986 max = 1 avg = .989 Efficiency: min = .8915 Acceptance rate = 1 Number of obs = 206 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} (Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROA. {var} ~ igamma(2.5,2.5) {ROA:_cons} ~ normal(1,100) (1) {ROA:GGDP} ~ normal(1,100) (1) {ROA:INFLAT} ~ normal(1,100) (1) {ROA:OPE} ~ normal(1,100) (1) {ROA:INT} ~ normal(1,100) (1) {ROA:LIQUI} ~ normal(1,100) (1) {ROA:DEP} ~ normal(1,100) (1) {ROA:CAP} ~ normal(1,100) (1) {ROA:LOAN} ~ normal(1,100) (1) {ROA:LLP} ~ normal(1,100) (1) {ROA:SIZE} ~ normal(1,100) (1) Priors: ROA ~ normal(xb_ROA,{var}) Likelihood: Model summary xxviii . var .0266987 .0026768 .000028 .0264898 .0220054 .0324113 _cons -1.135144 .5795993 .005796 -1.126815 -2.289786 .0107659 GGDP 1.136071 3.258897 .032589 1.139661 -5.250398 7.453526 INFLAT .6435787 .9522655 .009523 .6534489 -1.245535 2.493923 OPE 3.882138 2.566411 .025664 3.893116 -1.120688 8.83788 INT -.5087952 .8870023 .00887 -.520582 -2.264962 1.234749 LIQUI .2005992 .1668298 .001685 .200285 -.1231219 .5309689 DEP -.0568046 .1464829 .001465 -.0575909 -.3433418 .231206 CAP .0357271 .4689696 .00469 .0377903 -.8773911 .9328628 LOAN .1779039 .1620679 .001621 .1782862 -.1424808 .4957963 LLP -.900563 2.760241 .027602 -.9019002 -6.388154 4.506352 SIZE .029814 .0157946 .000158 .0296599 -.0009323 .0609972 ROE Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = 54.934942 max = 1 avg = .9894 Efficiency: min = .8924 Acceptance rate = 1 Number of obs = 206 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE INFLAT GGDP _cons} (Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROE. {var} ~ igamma(2.5,2.5) {ROE:_cons} ~ normal(1,100) (1) {ROE:GGDP} ~ normal(1,100) (1) {ROE:INFLAT} ~ normal(1,100) (1) {ROE:OPE} ~ normal(1,100) (1) {ROE:INT} ~ normal(1,100) (1) {ROE:LIQUI} ~ normal(1,100) (1) {ROE:DEP} ~ normal(1,100) (1) {ROE:CAP} ~ normal(1,100) (1) {ROE:LOAN} ~ normal(1,100) (1) {ROE:LLP} ~ normal(1,100) (1) {ROE:SIZE} ~ normal(1,100) (1) Priors: ROE ~ normal(xb_ROE,{var}) Likelihood: Model summary xxix PHỤ LỤC 5: Toàn bộ thời kỳ 2007 – 2018 var 9446.28 1.06 0.9446 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 DUMMY 9720.33 1.03 0.9720 OPE 10000.00 1.00 1.0000 INT 10000.00 1.00 1.0000 LIQUI 10000.00 1.00 1.0000 DEP 10000.00 1.00 1.0000 CAP 10000.00 1.00 1.0000 LOAN 9682.95 1.03 0.9683 LLP 10000.00 1.00 1.0000 SIZE 10000.00 1.00 1.0000 ROA ESS Corr. time Efficiency max = 1 avg = .9912 Efficiency: min = .9446 Efficiency summaries MCMC sample size = 10,000 xxx . var 9088.75 1.10 0.9089 _cons 10000.00 1.00 1.0000 GGDP 10000.00 1.00 1.0000 INFLAT 10000.00 1.00 1.0000 DUMMY 9379.82 1.07 0.9380 OPE 10000.00 1.00 1.0000 INT 10000.00 1.00 1.0000 LIQUI 10000.00 1.00 1.0000 DEP 10000.00 1.00 1.0000 CAP 10000.00 1.00 1.0000 LOAN 9780.10 1.02 0.9780 LLP 10000.00 1.00 1.0000 SIZE 10000.00 1.00 1.0000 ROE ESS Corr. time Efficiency max = 1 avg = .9865 Efficiency: min = .9089 Efficiency summaries MCMC sample size = 10,000 xxxi var .0151809 .0011864 .000012 .0151157 .0130448 .0176371 _cons -.0921787 .30093 .003009 -.0916022 -.6846828 .4972008 GGDP -.0083757 .9661023 .009661 -.0197989 -1.929775 1.895046 INFLAT -.004481 .210277 .002103 -.0049607 -.4152328 .406147 DUMMY .006662 .0240297 .000244 .0066783 -.0401433 .0545728 OPE -.0219991 1.411969 .013796 -.0190255 -2.774357 2.742507 INT -.0322164 .4214742 .004215 -.0280848 -.8719096 .7907562 LIQUI .0109637 .085944 .000859 .0105017 -.1549287 .1843016 DEP .0035272 .0674165 .000674 .0032538 -.1290358 .1343332 CAP .084374 .1696984 .001697 .0831773 -.25224 .4198967 LOAN .0121481 .088871 .000903 .0120426 -.1627977 .18897 LLP -.0941885 1.367339 .013673 -.0972482 -2.773618 2.595 SIZE .0025566 .0087918 .000088 .0024558 -.0147936 .0197917 ROA Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = 188.98258 max = 1 avg = .9912 Efficiency: min = .9446 Acceptance rate = 1 Number of obs = 339 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROA:SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons}(Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROA. {var} ~ igamma(2.5,2.5) {ROA:_cons} ~ normal(1,100) (1) {ROA:GGDP} ~ normal(1,100) (1) {ROA:INFLAT} ~ normal(1,100) (1) {ROA:DUMMY} ~ normal(1,100) (1) {ROA:OPE} ~ normal(1,100) (1) {ROA:INT} ~ normal(1,100) (1) {ROA:LIQUI} ~ normal(1,100) (1) {ROA:DEP} ~ normal(1,100) (1) {ROA:CAP} ~ normal(1,100) (1) {ROA:LOAN} ~ normal(1,100) (1) {ROA:LLP} ~ normal(1,100) (1) {ROA:SIZE} ~ normal(1,100) (1) Priors: ROA ~ normal(xb_ROA,{var}) Likelihood: Model summary xxxii . var .0196335 .0015421 .000016 .0195461 .0168508 .0228882 _cons -1.021216 .3430581 .003431 -1.021106 -1.691691 -.3512835 GGDP -.6046472 1.069358 .010694 -.6085143 -2.721304 1.489015 INFLAT .0222854 .2389412 .002389 .0220427 -.4380741 .5067051 DUMMY .0657158 .0271235 .00028 .0657536 .0124103 .1190212 OPE -1.696525 1.620228 .016202 -1.693114 -4.790776 1.477829 INT -.3503326 .491104 .004911 -.3481191 -1.325941 .6124404 LIQUI .1281524 .0989892 .00099 .1296542 -.0686511 .3212034 DEP .0087931 .0770309 .00077 .0087061 -.1414137 .1613576 CAP .1830741 .1944296 .001944 .1823995 -.1930543 .5656626 LOAN .1925586 .1023751 .001035 .1923053 -.0101855 .3933352 LLP -1.351348 1.530506 .015305 -1.328436 -4.404625 1.624732 SIZE .0318922 .0099287 .000099 .0318384 .0123357 .0512876 ROE Mean Std. Dev. MCSE Median [95% Cred. Interval] Equal-tailed Log marginal-likelihood = 146.51599 max = 1 avg = .9865 Efficiency: min = .9089 Acceptance rate = 1 Number of obs = 339 MCMC sample size = 10,000 Gibbs sampling Burn-in = 2,500 Bayesian normal regression MCMC iterations = 12,500 2: {var} (Gibbs) 1: {ROE:SIZE LLP LOAN CAP DEP LIQUI INT OPE DUMMY INFLAT GGDP _cons}(Gibbs) Block summary (1) Parameters are elements of the linear form xb_ROE. {var} ~ igamma(2.5,2.5) {ROE:_cons} ~ normal(1,100) (1) {ROE:GGDP} ~ normal(1,100) (1) {ROE:INFLAT} ~ normal(1,100) (1) {ROE:DUMMY} ~ normal(1,100) (1) {ROE:OPE} ~ normal(1,100) (1) {ROE:INT} ~ normal(1,100) (1) {ROE:LIQUI} ~ normal(1,100) (1) {ROE:DEP} ~ normal(1,100) (1) {ROE:CAP} ~ normal(1,100) (1) {ROE:LOAN} ~ normal(1,100) (1) {ROE:LLP} ~ normal(1,100) (1) {ROE:SIZE} ~ normal(1,100) (1) Priors: ROE ~ normal(xb_ROE,{var}) Likelihood: Model summary xxxiii _cons -.1919533 .0297666 -6.45 0.000 -.2502947 -.1336118 GGDP -.1306337 .0365185 -3.58 0.000 -.2022086 -.0590587 INFLAT -.0250515 .0030259 -8.28 0.000 -.0309821 -.0191208 DUMMY .0060486 .0010609 5.70 0.000 .0039693 .0081279 OPE -.5804855 .0755523 -7.68 0.000 -.7285652 -.4324058 INT .0580603 .0129149 4.50 0.000 .0327476 .0833731 LIQUI .0167948 .0049852 3.37 0.001 .007024 .0265655 DEP -.0010053 .0030851 -0.33 0.745 -.007052 .0050413 CAP .1266126 .0122798 10.31 0.000 .1025446 .1506806 LOAN .0235895 .0037716 6.25 0.000 .0161973 .0309816 LLP -.058814 .0728387 -0.81 0.419 -.2015753 .0839473 SIZE .0056886 .0009271 6.14 0.000 .0038716 .0075056 L1. .2387109 .0523155 4.56 0.000 .1361745 .3412473 ROA ROA Coef. Std. Err. z P>|z| [95% Conf. Interval] Two-step results Prob > chi2 = 0.0000 _cons -1.69129 .3409592 -4.96 0.000 -2.359557 -1.023022 GGDP -1.47592 .3611543 -4.09 0.000 -2.183769 -.7680707 INFLAT -.1695422 .0388798 -4.36 0.000 -.2457453 -.0933391 DUMMY .0414452 .0135027 3.07 0.002 .0149805 .06791 OPE -10.86234 1.579306 -6.88 0.000 -13.95773 -7.76696 INT .5585706 .2360911 2.37 0.018 .0958405 1.021301 LIQUI .3185382 .071667 4.44 0.000 .1780735 .459003 DEP -.0444943 .0431886 -1.03 0.303 -.1291424 .0401538 CAP .7392402 .1374255 5.38 0.000 .4698912 1.008589 LOAN .4802513 .0710818 6.76 0.000 .3409334 .6195691 LLP .7620578 2.184842 0.35 0.727 -3.520154 5.04427 SIZE .0496911 .0109518 4.54 0.000 .028226 .0711562 L1. .133843 .0213459 6.27 0.000 .0920059 .1756802 ROE ROE Coef. Std. Err. z P>|z| [95% Conf. Interval] Two-step results