Chuong 08

Chương 8 - Nhập môn Kinh tế lượng * 03.08.
2021
Jeffrey M. Wooldridge
Phương sai thay đổi
Chương 8
Wooldridge: Introductory Econometrics:

A Modern Approach, 5e
© 2013 Cengage Learning. All Rights Reserved. May not be scanned, copied or duplicated, or posted to a publicly accessible website, in whole or in part.
Phân tích hồi quy bội:

8.1 Hậu quả của phương sai thay đổi đối với OLS
OLS vẫn không chệch và vững khi có phương sai thay đổi
Ngoài ra, sự giải thích của R2 không thay đổi

Phương sai sai số không có điều kiện không bị
ảnh hưởng bởi phương sai thay đổi (đề cập đến
phương sai sai số có điều kiện)
Phương sai thay đổi làm vô hiệu các công thức phương sai đối với các ước lượng OLS
Các kiểm định F và kiểm định t thông thường, khoảng tin cậy thì không còn hiệu lực
khi có phương sai thay đổi
Với phương sai thay đổi, OLS không còn là ước lượng tuyến tính không chệch tốt
nhất (BLUE); Có thể có các ước lượng tuyến tính hiệu quả hơn (phải biết dạng của
phương sai thay đổi)
https://sites.google.com/a/ueh.edu.vn/ph
amtricao/ 1
Chương 8 - Nhập môn Kinh tế lượng * 03.08.2021
Phân tích hồi quy bội: Phương sai thay đổi

Lưu ý:
Khi có đa cộng tuyến không hoàn hảo giữa các biến độc lập:
Ước lượng theo OLS vẫn có tính chất BLUE
Tính chất BLUE:

- Tuyến tính
- Không chệch
- Có phương sai nhỏ nhất

8.2 Thống kê suy diễn cải thiện khi có phương sai thay đổi
Công thức cải thiện cho sai số chuẩn OLS và các thống kê liên quan được phát triển
cho trường hợp không biết dạng thay đổi của phương sai
Tất cả các công thức chỉ có hiệu lực trong các mẫu lớn
Công thức sai số chuẩn cải thiện cho OLS khi có phương sai thay đổi
Còn được gọi là sai số chuẩn White/Huber/Eicker.

8.4 Chúng bao gồm bình phương các phần dư từ hồi quy và
từ hồi quy biến xj theo tất cả các biến giải thích khác.
Sử dụng các công thức này, kiểm định t là tiệm cận hợp lý
Thống kê F thông thường không dùng được khi có phương sai thay đổi, nhưng các
phiên bản cải thiện phương sai thay đổi có sẵn trong hầu hết các phần mềm
amtricao/ 2

Mô hình hồi quy 2 biến:
Y   0  1 X  u
Đặt xi  X i  X
 ˆ 2 2
var( ˆ1 )  (a) var( ˆ1 )  (2.57)
 xi2 x 2
i

 rˆ uˆ 2 2
i1 i
 x .
2 2
var( ˆ1 )  i 1
(8.4) var( ˆ )  i i
(8.2)
 x 
1 2
SSR12 2
i
Ta có:

var( ˆ )
1 (a) là ước lượng không chệch của var( ˆ1 )(2.57)

var( ˆ1 ) ( a ) là ước lượng chệch của var( ˆ1 )(8.2)

var( ˆ1 ) (8.4) là ước lượng “đúng” của var( ˆ1 )(8.2)
Lưu ý:
̂1 là ước lượng không chệch của β1 5

• VD 8.1: Phương trình log tiền lương khi có phương sai thay đổi
• Tập tin wage1.wf1
> male <- 1-female

> single <- 1-married
> # ols
> hoiquy <- lm(log(wage) ~ married:male + married:female
+ single:female + educ + exper + I(exper^2)
+ tenure + I(tenure^2), data = wage1)
# ols cai thien, chon hc1

coeftest(hoiquy, vcov = hccm)
coeftest(hoiquy, vcov = hccm(hoiquy, type= 'hc0'))
coeftest(hoiquy, vcov = hccm(hoiquy, type= 'hc1'))
linearHypothesis(hoiquy, matchCoefs(hoiquy,"female|male"),
vcov = hccm(hoiquy, type= 'hc1'))
amtricao/ 3

• Sai số chuẩn OLS
> library(lmtest)
> coeftest(hoiquy)
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)

(Intercept) 0.32137810 0.10000899 3.2135 0.0013931 **
educ 0.07891028 0.00669450 11.7873 < 2.2e-16 ***
exper 0.02680057 0.00524285 5.1118 4.499e-07 ***
I(exper^2) -0.00053525 0.00011043 -4.8471 1.659e-06 ***
tenure 0.02908752 0.00676200 4.3016 2.028e-05 ***
I(tenure^2) -0.00053314 0.00023124 -2.3056 0.0215306 *
married:male 0.21267568 0.05535718 3.8419 0.0001373 ***
married:female -0.19826760 0.05783546 -3.4281 0.0006562 ***
female:single -0.11035021 0.05574205 -1.9797 0.0482719 *

• Sai số chuẩn cải thiện (robust)
> coeftest(hoiquy, vcov = hccm(hoiquy, type= 'hc1'))

(Intercept) 0.32137810 0.10946899 2.9358 0.0034751 **
educ 0.07891028 0.00741467 10.6425 < 2.2e-16 ***
exper 0.02680057 0.00513912 5.2150 2.663e-07 ***
I(exper^2) -0.00053525 0.00010634 -5.0334 6.665e-07 ***
tenure 0.02908752 0.00694092 4.1907 3.270e-05 ***
I(tenure^2) -0.00053314 0.00024368 -2.1878 0.0291286 *
married:male 0.21267568 0.05714191 3.7219 0.0002194 ***
married:female -0.19826760 0.05877001 -3.3736 0.0007975 ***
female:single -0.11035021 0.05711626 -1.9320 0.0539021 .
amtricao/ 4

• Kiểm định F theo OLS
> library(car)
> linearHypothesis(hoiquy, matchCoefs(hoiquy,"female|male"))
Linear hypothesis test
Hypothesis:
married:male = 0
married:female = 0
female:single = 0
Model 1: restricted model

Model 2: log(wage) ~ married:male + married:female
+ single:female+ educ + exper + I(exper^2) + tenure + I(tenure^2)
Res.Df RSS Df Sum of Sq F Pr(>F)

1 520 93.911
2 517 79.968 3 13.943 30.048 < 2.2e-16 ***
p-value < 2,2×10-16 < 0,05 : bác bỏ H0

• Kiểm định F theo cải thiện
> linearHypothesis(hoiquy, matchCoefs(hoiquy,"female|male"),

vcov = hccm(hoiquy, type= 'hc1'))
Linear hypothesis test
Hypothesis:
married:male = 0
married:female = 0
female:single = 0
Model 1: restricted model

Model 2: log(wage) ~ married:male + married:female
+ single:female + educ + exper + I(exper^2) + tenure + I(tenure^2)
Note: Coefficient covariance matrix supplied.
Res.Df Df F Pr(>F)
1 520
2 517 3 29.866 < 2.2e-16 ***
10
10
amtricao/ 5

Ví dụ 8.1’: Phương trình tiền lương theo giờ
Sai số chuẩn cải thiện cho phương sai thay đổi có

thể lớn hay nhỏ hơn khi không cải thiện. Sự khác
biệt thường nhỏ trong thực tế.
Thống kê F cũng thường không quá khác nhau.
Nếu có phương sai thay đổi nhiều, sự khác biệt có thể lớn hơn.
Để an toàn, nên tính các sai số chuẩn cải thiện.
Robust : cải thiện

11

8.3 Kiểm định phương sai thay đổi
Việc kiểm tra sự hiện diện của phương sai thay đổi vẫn được quan tâm vì khi đó
OLS có thể không phải là ước lượng tuyến tính hiệu quả nhất.
Kiểm định Breusch-Pagan để phát hiện phương sai thay đổi
8.11
Với giả thiết MLR.4
Trung bình của u2 không được khác

nhau theo x1, x2, …, xk
12
amtricao/ 6

Kiểm định Breusch-Pagan để phát hiện phương sai thay đổi (tt)
8.14  Rû22
Hồi quy các bình phương phần dư theo tất cả
các biến giải thích và kiểm định xem liệu mô
8.13 hình có phù hợp hay không.
2 Một trị số thống kê kiểm định lớn

8.15 2
(khi R2 cao) là bằng chứng chống
lại giả thuyết không.
Thống kê kiểm định thay thế (bằng cách dùng Thống kê nhân
2
8.16 tử Lagrange, LM). Một lần nữa, thống kê kiểm định có giá trị
lớn (khi R2 cao) sẽ dẫn đến sự bác bỏ giả thuyết không rằng
giá trị kỳ vọng của u2 không liên quan đến các biến giải thích.
13

Ví dụ 8.4: Phương sai thay đổi trong các phương trình định giá nhà
H0: Phương sai không đổi ; H1: Phương sai thay đổi
8.17

2
8.18
2
Trong dạng hàm logarit, Phương sai không đổi
p-value < mức ý nghĩa  (0.05) : bác bỏ H0 ; p-value   (0.05) : chấp nhận H0
14
amtricao/ 7

Tập tin hprice1.wf1
> hoiquy
Call:
lm(formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
Coefficients:
(Intercept) lotsize sqrft bdrms
-21.770308 0.002068 0.122778 13.852522
15
15
> hoiquy <- lm(price ~ lotsize + sqrft + bdrms, data = hprice1)

> library(lmtest)
> # BP test (phuong phap LM)
> bptest(hoiquy)
studentized Breusch-Pagan test
data: hoiquy
BP = 14.092, df = 3, p-value = 0.002782
p-value = 0,002782 < 0,05 : bác bỏ H0

Vậy phương sai thay đổi
16
16
amtricao/ 8
> # BP test (phuong phap F)

> bptestF <- lm(resid(hoiquy)^2 ~ lotsize + sqrft + bdrms,
data = hprice1)
> summary(bptestF)
Call:
lm(formula = resid(hoiquy)^2 ~ lotsize + sqrft + bdrms,
data = hprice1)
Coefficients:
(Intercept) -5.523e+03 3.259e+03 -1.694 0.09390 .
lotsize 2.015e-01 7.101e-02 2.838 0.00569 **
sqrft 1.691e+00 1.464e+00 1.155 0.25128
bdrms 1.042e+03 9.964e+02 1.046 0.29877
---
F-statistic: 5.339 on 3 and 84 DF, p-value: 0.002048
17
17

Kiểm định White để phát hiện phương sai thay đổi
Hồi quy các bình phương
phần dư theo tất cả các biến
giải thích, các bình phương
của chúng, và các tương tác
(ở đây: ví dụ k=3)
8.19
Kiểm định White tổng quát hơn kiểm định

Breusch-Pagan để phát hiện phương sai thay đổi
2
x1.x2, x1.x3, x2.x3 gọi là số hạng tích chéo
Nhược điểm của dạng kiểm định White

Bao gồm tất cả các bình phương và các tương tác dẫn đến một số lượng lớn các tham
số được ước lượng (vd: k=6 dẫn đến 27 tham số được ước lượng)
18
amtricao/ 9

Dạng thay thế (rút gọn) của kiểm định White
8.20
Hồi quy này gián tiếp kiểm định sự phụ thuộc của bình phương phần dư
theo các biến giải thích, các bình phương và các tương tác, bởi vì giá trị dự
đoán của y và bình phương của nó ngầm chứa tất cả các số hạng này.
Ví dụ 8.4: Phương sai thay đổi trong phương trình (log) giá nhà
19

Tập tin: hprice1.wf1
> # White test rut gon (phuong phap LM)

> bptest(hoiquy, ~ fitted(hoiquy) + I(fitted(hoiquy)^2))
data: hoiquy
BP = 16.268, df = 2, p-value = 0.0002933
> # White test (phuong phap LM)

> bptest(hoiquy, ~ lotsize*sqrft + lotsize*bdrms + sqrft*bdrms
+ I(lotsize^2) + I(sqrft^2) + I(bdrms^2),data = hprice1)
data: hoiquy
BP = 33.732, df = 9, p-value = 9.953e-05
20
20
amtricao/ 10

Tập tin: hprice1.wf1
> # White test (phuong phap F)

> wtestF <- lm(resid(hoiquy)^2 ~ lotsize*sqrft + lotsize*bdrms
+ sqrft*bdrms + I(lotsize^2) + I(sqrft^2) + I(bdrms^2),
data = hprice1)
> summary(wtestF)
Call:
lm(formula = resid(hoiquy)^2 ~ lotsize * sqrft + lotsize * bdrms
+ sqrft * bdrms + I(lotsize^2) + I(sqrft^2) + I(bdrms^2),
data = hprice1)
Coefficients:
(Intercept) 1.563e+04 1.137e+04 1.374 0.17325
lotsize -1.860e+00 6.371e-01 -2.919 0.00459 **
sqrft -2.674e+00 8.662e+00 -0.309 0.75838
bdrms -1.983e+03 5.438e+03 -0.365 0.71640
I(lotsize^2) -4.978e-07 4.631e-06 -0.107 0.91467
I(sqrft^2) 3.523e-04 1.840e-03 0.191 0.84864
I(bdrms^2) 2.898e+02 7.588e+02 0.382 0.70362
lotsize:sqrft 4.568e-04 2.769e-04 1.650 0.10303
lotsize:bdrms 3.146e-01 2.521e-01 1.248 0.21572
sqrft:bdrms -1.021e+00 1.667e+00 -0.612 0.54210
---
F-statistic: 5.387 on 9 and 78 DF, p-value: 1.013e-05
21
21

Phương sai thay đổi theo dạng nhân với một hằng số
8.21 Dạng hàm phương sai
thay đổi được biết
Ví dụ: Tiết kiệm và thu nhập
8.22 8.23
Lưu ý rằng mô hình hồi quy

này không có hệ số chặn
Mô hình biến đổi có phương sai không đổi
Nếu các giả thiết Gauss-Markov khác cũng được thỏa mãn, OLS áp dụng cho mô
hình biến đổi (gọi là GLS) là ước lượng tuyến tính không chệch tốt nhất
22
amtricao/ 11

8.4 Ước lượng bình phương nhỏ nhất có trọng số (WLS)
Phương sai thay đổi theo dạng nhân với một hằng số
8.21 Dạng hàm phương sai

thay đổi được biết
8.24
8.25
Mô hình biến đổi

8.26
23

OLS trong mô hình biến đổi là bình phương nhỏ nhất có trọng số (WLS)
Các quan sát với

phương sai lớn nhận
8.27 một trọng số nhỏ hơn
trong bài toán tối ưu
Tại sao WLS hiệu quả hơn OLS trong mô hình ban đầu?
Các quan sát có phương sai lớn thì ít thông tin hơn so với các quan sát có phương sai
nhỏ và do đó nhận trọng số nhỏ hơn
WLS là một trường hợp đặc biệt của bình phương nhỏ nhất tổng quát (GLS)
24
amtricao/ 12

Ví dụ 8.6: Phương trình tài sản tài chính
Tài sản tài chính ròng
(Net financial wealth)
Dạng giả định của phương sai thay đổi:
Ước lượng theo WLS có sai số chuẩn

nhỏ hơn đáng kể (phù hợp với mong
đợi rằng chúng hiệu quả hơn).
Tham gia vào kế hoạch

lương hưu 401k
25

Tập tin: 401ksubs.wf1
> # OLS
> hqols <- lm(nettfa ~ inc + I((age-25)^2) + male + e401k,
data = d401k, subset=(fsize==1))
> summary(hqols)
Call:
lm(formula = nettfa ~ inc + I((age - 25)^2) + male + e401k,
data = d401k, subset = (fsize == 1))
Coefficients:
(Intercept) -20.984990 2.472022 -8.489 <2e-16 ***
inc 0.770583 0.061452 12.540 <2e-16 ***
I((age - 25)^2) 0.025127 0.002593 9.689 <2e-16 ***
male 2.477927 2.047776 1.210 0.2264
e401k 6.886223 2.123275 3.243 0.0012 **
---
Residual standard error: 44.49 on 2012 degrees of freedom
Multiple R-squared: 0.1279, Adjusted R-squared: 0.1261
> nobs(hqols)
[1] 2017
26
26
amtricao/ 13

OLS:
> library(lmtest)
> bptest(hqols)
data: hqols
BP = 15.711, df = 4, p-value = 0.003433
• p-value = 0,003433 < 0,05 : bác bỏ H0
27
27

OLS:
> # OLS cai thien

> library(car)
> coeftest(hqols, vcov = hccm(hqols, type= 'hc1'))

(Intercept) -20.9849901 3.4951860 -6.0040 2.279e-09 ***
inc 0.7705833 0.0995719 7.7390 1.574e-14 ***
I((age - 25)^2) 0.0251267 0.0043442 5.7840 8.437e-09 ***
male 2.4779269 2.0583585 1.2038 0.228794
e401k 6.8862229 2.2865772 3.0116 0.002631 **
28
28
amtricao/ 14

GLS - Generalized Least Squares:
Giả sử var(u / x)   inc

2
> # GLS
> hqgls <- lm(I(nettfa/sqrt(inc)) ~ 0 + I(1/sqrt(inc)) + sqrt(inc)
+ I((age-25)^2/sqrt(inc)) + I(male/sqrt(inc)) + I(e401k/sqrt(inc)),
data = d401k, subset=(fsize==1))
> summary(hqgls)
Call:
lm(formula = I(nettfa/sqrt(inc)) ~ 0 + I(1/sqrt(inc)) + sqrt(inc)
+ I((age - 25)^2/sqrt(inc)) + I(male/sqrt(inc)) + I(e401k/sqrt(inc)),
data = d401k, subset = (fsize == 1))
Coefficients:
I(1/sqrt(inc)) -16.702521 1.957995 -8.530 < 2e-16 ***
sqrt(inc) 0.740384 0.064303 11.514 < 2e-16 ***
I((age - 25)^2/sqrt(inc)) 0.017537 0.001931 9.080 < 2e-16 ***
I(male/sqrt(inc)) 1.840529 1.563587 1.177 0.23929
I(e401k/sqrt(inc)) 5.188281 1.703426 3.046 0.00235 **
---
> nobs(hqgls)
[1] 2017
29
29

GLS:

> bptest(hqgls)
data: hqgls
BP = 8.332, df = 4, p-value = 0.08015
• p-value = 0,08015 > 0,05 : chấp nhận H0
30
30
amtricao/ 15

GLS:
> d401k_f1 <- subset(d401k, fsize==1)
> hqglsF <- lm(resid(hqgls)^2 ~ I(1/sqrt(inc)) + sqrt(inc)
+ I((age-25)^2/sqrt(inc))+ I(male/sqrt(inc)) + I(e401k/sqrt(inc)),
data = d401k_f1)
> summary(hqglsF)
Call:
lm(formula = resid(hqgls)^2 ~ I(1/sqrt(inc)) + sqrt(inc) + I((age -
25)^2/sqrt(inc)) + I(male/sqrt(inc)) + I(e401k/sqrt(inc)),
data = d401k_f1)
Coefficients:
(Intercept) 103.7683 470.9569 0.220 0.8256
I(1/sqrt(inc)) -734.2996 1238.4991 -0.593 0.5533
sqrt(inc) 6.9543 43.1690 0.161 0.8720
I((age - 25)^2/sqrt(inc)) 0.4725 0.2260 2.091 0.0367 *
I(male/sqrt(inc)) 187.4389 182.9764 1.024 0.3058
I(e401k/sqrt(inc)) 108.7663 200.5111 0.542 0.5876
---
> nobs(hqglsF)
[1] 2017
• p-value = 0,1383 > 0,05 : chấp nhận H0

31
31

GLS:
> bptest(hqgls, ~ fitted(hqgls) + I(fitted(hqgls)^2),
data = d401k_f1)

data: hqgls
BP = 10.114, df = 2, p-value = 0.006365
• p-value = 0,006365 < 0,05 : bác bỏ H0
32
32
amtricao/ 16

WLS:
Giả sử var(u / x)   inc
2
> # WLS
> hqwls <- lm(nettfa ~ inc + I((age-25)^2) + male + e401k,
weight = 1/inc, data = d401k, subset=(fsize==1))
> summary(hqwls)
Call:
lm(formula = nettfa ~ inc + I((age - 25)^2) + male + e401k,
data = d401k, subset = (fsize == 1), weights = 1/inc)
Coefficients:
(Intercept) -16.702521 1.957995 -8.530 < 2e-16 ***
inc 0.740384 0.064303 11.514 < 2e-16 ***
I((age - 25)^2) 0.017537 0.001931 9.080 < 2e-16 ***
male 1.840529 1.563587 1.177 0.23929
e401k 5.188281 1.703426 3.046 0.00235 **
---
> nobs(hqwls)
[1] 2017 33
33

WLS:
> load("H:/Bai giang 2020 hk3/Chuong 08/401ksubs.RData")
> d401k <- data
> d401k_f1 <- subset(d401k, fsize==1)
> options(digits=7)
> hqwls <- lm(nettfa ~ inc + I((age-25)^2) + male + e401k,
weight = 1/inc, data=d401k_f1)
> bptest(hqwls, ~ fitted(hqwls) + I(fitted(hqwls)^2),
data = d401k_f1)
data: hqwls
BP = 15.077, df = 2, p-value = 0.0005323
34
34
amtricao/ 17

WLS:
> hqwlsF <- lm(resid(hqwls)^2 ~ inc + I((age-25)^2) + male + e401k,
data = d401k_f1)
> summary(hqwlsF)
Call:
lm(formula = resid(hqwls)^2 ~ inc + I((age - 25)^2) + male +
e401k, data = d401k_f1)
Coefficients:
(Intercept) -4669.601 1862.345 -2.507 0.0122 *
inc 114.774 46.296 2.479 0.0133 *
I((age - 25)^2) 4.920 1.954 2.518 0.0119 *
male 2341.567 1542.732 1.518 0.1292
e401k 1181.817 1599.610 0.739 0.4601
---
Residual standard error: 33520 on 2012 degrees of freedom
> nobs(hqwlsF)
[1] 2017
35
35

Phần dư của 3 phương pháp ước lượng OLS, GLS, WLS
### Phan du cua OLS, GLS, WLS
> um_ols <- resid(hqols)
> um_gls <- resid(hqgls)
> um_wls <- resid(hqwls)
> phandu <- data.frame(um_ols,um_gls,um_wls)
> options(digits=3)
> phandu
um_ols um_gls um_wls
1 9.7579 2.088913.... 7.5808
2 115.9254 14.89927.... 116.5862
5 2.3097 0.979986.... 4.6602
10 8.7462 1.986047.... 10.7136
16 -4.3321 -1.13161.... -4.9422
24 7.8292 1.038733.... 5.2200
26 -9.4303 -1.93732.... -10.0667
31 -23.4549 -5.48167.... -25.3914
51 -3.9814 -0.34099.... -2.2715
…………………………………………………….
> ### Tong binh phuong phan du

> SSR_ols <- sum(hqols$resid^2)
> SSR_gls <- sum(hqgls$resid^2)
> SSR_wls <- sum(hqwls$resid^2)
> SSR <- data.frame(SSR_ols,SSR_gls,SSR_wls)
> options(digits=9)
> sort(SSR)
SSR_gls SSR_ols SSR_wls
1 100427.099 3982123.72 4001427.78
36
36
amtricao/ 18

Trường hợp đặc biệt quan trọng của phương sai thay đổi
Nếu các quan sát là trung bình ở cấp thành phố / quận / tiểu bang / quốc gia / công
ty, chúng phải được lấy trọng số là kích thước của đơn vị
Thu nhập trung bình

và tuổi trung bình ở
Đóng góp trung bình vào kế Phần trăm đóng góp của sai số phương sai
công ty i
hoạch lương hưu của công ty i công ty vào kế hoạch thay đổi
8.29
Phương sai sai số khi sai số

ở mức độ nhân viên có
e phương sai không đổi
Nếu sai số có phương sai không đổi ở mức độ nhân viên, cần sử dụng WLS với trọng số bằng quy
mô mi của công ty. Nếu giả định về phương sai không đổi ở cấp nhân viên không đảm bảo, người
ta có thể tính toán các sai số chuẩn cải thiện sau WLS (tức là, cho mô hình biến đổi).
37

Khi không biết hàm phương sai thay đổi (GLS khả thi - FGLS)
Dạng giả định tổng

quát của phương sai
thay đổi; Hàm mũ
8.30 được sử dụng để đảm
bảo dương
Sai số nhân (giả thiết: độc lập

với các biến giải thích)
8.31
8.32  ĝ : giá trị ước lượng
Sử dụng các giá trị nghịch

8.33 hˆ  exp( gˆ ) đảo của hàm phương sai
thay đổi ước lượng được
như là trọng số trong WLS
GLS khả thi là vững và tiệm cận hiệu quả hơn OLS.
38
amtricao/ 19

Ví dụ 8.7: Nhu cầu thuốc lá
Có hạn chế hút thuốc
Ước lượng theo OLS trong nhà hàng
Thuốc lá hút mỗi ngày Log thu nhập và Log giá thuốc lá
8.35
Bác bỏ giả
thuyết phương
sai không đổi
H0: Phương sai không đổi ; H1: Phương sai thay đổi
39

Tập tin: smoke.wf1
> hqols <- lm(cigs ~ log(income) + log(cigpric) + educ

+ age + I(age^2) + restaurn, data = smoke)
> summary(hqols)
Call:
lm(formula = cigs ~ log(income) + log(cigpric) + educ + age +
I(age^2) + restaurn, data = smoke)
Coefficients:
(Intercept) -3.639826 24.078659 -0.151 0.87988
log(income) 0.880268 0.727783 1.210 0.22682
log(cigpric) -0.750862 5.773342 -0.130 0.89655
educ -0.501498 0.167077 -3.002 0.00277 **
age 0.770694 0.160122 4.813 1.78e-06 ***
I(age^2) -0.009023 0.001743 -5.176 2.86e-07 ***
restaurn -2.825085 1.111794 -2.541 0.01124 *
---
40
40
amtricao/ 20

OLS:
> library(lmtest)
> bptest(hqols)
data: hqols
BP = 32.258, df = 6, p-value = 1.456e-05
41
41

> # FGLS
> logu2 <- log(resid(hqols)^2)
> hqphu <- lm(logu2 ~ log(income) + log(cigpric) + educ
+ age + I(age^2) + restaurn, data = smoke)
> gm <- fitted(hqphu)
> hm <- exp(gm)
> hqwls <- lm(cigs ~ log(income) + log(cigpric) + educ
+ age + I(age^2) + restaurn, weight = 1/hm, data = smoke)
FGLS:

> bptest(hqwls)
data: hqwls
BP = 32.258, df = 6, p-value = 1.456e-05
42
42
amtricao/ 21

FGLS:
> summary(hqwls)
Call:
lm(formula = cigs ~ log(income) + log(cigpric) + educ + age
+ I(age^2) + restaurn, data = smoke, weights = 1/hm)
Coefficients:
(Intercept) 5.6354627 17.8031394 0.317 0.751673
log(income) 1.2952393 0.4370117 2.964 0.003128 **
log(cigpric) -2.9403117 4.4601446 -0.659 0.509931
educ -0.4634464 0.1201587 -3.857 0.000124 ***
age 0.4819480 0.0968082 4.978 7.86e-07 ***
I(age^2) -0.0056272 0.0009395 -5.990 3.17e-09 ***
restaurn -3.4610640 0.7955050 -4.351 1.53e-05 ***
---
43
43

### Phan du cua OLS, WLS
> um_ols <- resid(hqols)
> um_wls <- resid(hqwls)
> phandu1 <- data.frame(um_ols,um_wls)
> options(digits=3)
> phandu1
um_ols um_wls
1 -10.33299 -9.247
2 -10.75479 -9.914
3 -7.71989 -7.528
4 -10.26064 -9.667
5 -7.50415 -8.440
6 2.43942 -2.049
…………………………….
> ### Tong binh phuong phan du
> SSR_ols <- sum(hqols$resid^2)
> SSR_wls <- sum(hqwls$resid^2)
> SSR <- data.frame(SSR_ols,SSR_wls)
> options(digits=9)
> sort(SSR)
SSR_ols SSR_wls
1 143750.658 144812.657
44
44
amtricao/ 22

Ước lượng theo FGLS Bây giờ có ý nghĩa thống kê
8.36
Thảo luận
Hệ số co giãn của thu nhập bây giờ có ý nghĩa thống kê; Các hệ số khác cũng được
ước lượng chính xác hơn (mà không thay đổi chất lượng kết quả).
45

Điều gì sẽ xảy ra nếu giả định sai hàm phương sai thay đổi?
Nếu hàm phương sai thay đổi là sai, WLS vẫn là vững với các giả thiết MLR.1 – MLR.4, nhưng
nên tính toán các sai số chuẩn cải thiện
WLS là vững với giả thiết MLR.4 nhưng không đúng với MLR.4‘
Nếu OLS và WLS tạo ra các ước lượng rất khác nhau, điều này thường cho thấy một số giả
thiết khác là sai (ví dụ: MLR.4). Ngoài ra, sự khác nhau lớn giữa các hệ số ước lượng
OLS và WLS là dấu hiệu của việc xác định sai dạng hàm phương sai thay đổi.
Nếu có phương sai thay đổi nhiều, dù dùng dạng sai của phương sai thay đổi để làm tăng tính
hiệu quả vẫn tốt hơn.

46
amtricao/ 23
•Dự đoán điểm và dự đoán khoảng cho giá

trị trung bình và giá trị cá biệt khi có
phương sai thay đổi
•Xem trang 331-333
47
47

8.5 WLS trong mô hình xác suất tuyến tính (tự đọc)
8.45
Trong LPM, dạng chính xác của
phương sai thay đổi được biết
8.47
Sử dụng giá trị nghịch đảo
như là trọng số trong WLS
Thảo luận
Không khả dụng nếu dự đoán theo LPM dưới 0 hoặc lớn hơn 1
Nếu các trường hợp như vậy là rất hiếm, chúng có thể được điều chỉnh theo các giá trị
như 0.01 / 0.99
Trong các trường hợp khác, có thể tốt hơn là sử dụng OLS với các sai số chuẩn cải thiện
48
amtricao/ 24

• Cách phát hiện phương sai của nhiễu thay đổi:
– Bản chất vấn đề nghiên cứu
– Vẽ đồ thị phần dư
– Kiểm định Park, Glejser, Goldfeld-Quandt, Harvey
– Kiểm định Breusch-Pagan-Godfrey , White
• Cách khắc phục phương sai thay đổi:

– Phương pháp bình phương bé nhất tổng quát GLS (Generalized Least Squares)
Phương pháp GLS thực chất là phương pháp OLS áp dụng cho các biến đã được biến
đổi từ một mô hình vi phạm các giả thiết Gauss-Markov thành một mô hình mới thỏa
các giả thiết Gauss-Markov. Do đó các tham số ước lượng được từ mô hình mới sẽ có
tính chất BLUE.
Giả sử var(u/x) = 2.x1 thì chia phương trình hồi quy cho sqr(x1)
Giả sử var(u/x) = 2.x12 thì chia phương trình hồi quy cho x1
– Phương pháp WLS
– Phương pháp FGLS
– Lấy log các biến
– Phương pháp OLS cải thiện (chỉ cải thiện sai số chuẩn của ước lượng OLS)
49
49
Tóm lại chương 8:

Kiểm định phương sai thay đổi:
• Nếu thấy phương sai không đổi: Cuộc đời vẫn đẹp sao, tình yêu vẫn
đẹp sao!
• Nếu thấy phương sai thay đổi: Nếu biết sống giữa trời tình yêu là con
nước trôi!
– Tìm dạng hàm thay đổi “đúng” của phương sai, rồi dùng GLS hoặc
WLS.
– Nếu việc tìm dạng hàm thay đổi “đúng” của phương sai là “yêu
người trong mộng” thì dùng FGLS.
– Nếu muốn một cuộc đời “lãng đãng chiều nay em nhớ anh” thì “xài
đỡ” OLS cải thiện
50
50
amtricao/ 25
Môøi gheù thaêm trang web:

51
 https://sites.google.com/a/ueh.edu.vn/phamtricao/
 https://sites.google.com/site/phamtricao/
51
amtricao/ 26

Chuong 08

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chuong 08

Uploaded by

Copyright:

Available Formats

Chương 8 - Nhập môn Kinh tế lượng * 03.08.

Phương sai thay đổi

Wooldridge: Introductory Econometrics:

Phân tích hồi quy bội:

Ngoài ra, sự giải thích của R2 không thay đổi

khi có phương sai thay đổi

Phân tích hồi quy bội: Phương sai thay đổi

Tính chất BLUE:

Phân tích hồi quy bội:

Còn được gọi là sai số chuẩn White/Huber/Eicker.

Phân tích hồi quy bội: Phương sai thay đổi

Phân tích hồi quy bội: Phương sai thay đổi

> male <- 1-female

# ols cai thien, chon hc1

Phân tích hồi quy bội: Phương sai thay đổi

Estimate Std. Error t value Pr(>|t|)

Phân tích hồi quy bội: Phương sai thay đổi

> coeftest(hoiquy, vcov = hccm(hoiquy, type= 'hc1'))

Estimate Std. Error t value Pr(>|t|)

Phân tích hồi quy bội: Phương sai thay đổi

Model 1: restricted model

Res.Df RSS Df Sum of Sq F Pr(>F)

p-value < 2,2×10-16 < 0,05 : bác bỏ H0

Phân tích hồi quy bội: Phương sai thay đổi

> linearHypothesis(hoiquy, matchCoefs(hoiquy,"female|male"),

Model 1: restricted model

Note: Coefficient covariance matrix supplied.

Phân tích hồi quy bội:

Sai số chuẩn cải thiện cho phương sai thay đổi có

Thống kê F cũng thường không quá khác nhau.

Robust : cải thiện

Phân tích hồi quy bội:

Kiểm định Breusch-Pagan để phát hiện phương sai thay đổi

Trung bình của u2 không được khác

Phân tích hồi quy bội:

2 Một trị số thống kê kiểm định lớn

Phân tích hồi quy bội:

Phương sai thay đổi

Trong dạng hàm logarit, Phương sai không đổi

Phân tích hồi quy bội: Phương sai thay đổi

Phân tích hồi quy bội: Phương sai thay đổi

> hoiquy <- lm(price ~ lotsize + sqrft + bdrms, data = hprice1)

p-value = 0,002782 < 0,05 : bác bỏ H0

Phân tích hồi quy bội: Phương sai thay đổi

> # BP test (phuong phap F)

Phân tích hồi quy bội:

Kiểm định White tổng quát hơn kiểm định

Nhược điểm của dạng kiểm định White

Phân tích hồi quy bội:

Phân tích hồi quy bội: Phương sai thay đổi

> # White test rut gon (phuong phap LM)

studentized Breusch-Pagan test

> # White test (phuong phap LM)

studentized Breusch-Pagan test

Phân tích hồi quy bội: Phương sai thay đổi

> # White test (phuong phap F)

Phân tích hồi quy bội:

Lưu ý rằng mô hình hồi quy

Mô hình biến đổi có phương sai không đổi

Phân tích hồi quy bội:

8.21 Dạng hàm phương sai

Mô hình biến đổi

Phân tích hồi quy bội:

Các quan sát với