Professional Documents
Culture Documents
CH 4
CH 4
• Sau khi đã nhận diện được những giả định quan trọng của CLRM, chúng ta
sẽ tìm hiểu các nội dung tiếp theo:
- Các vi phạm giả định sẽ được kiểm định như thế nào
• Hai phân phối thống kê F và Chi-squares (F- và χ2- statistics) được sử dụng
phổ biến trong kiểm định những vi phạm giả định hồi quy
• Kiểm định F (F test) với phân phối F sẽ ước lượng các phương trình hồi
quy bao gồm có và không có ràng buộc và sau đó so sánh các giá trị RSS
(hay ESS) tương ứng từ các phương trình hồi quy này.
• Kiểm định Lagrange Multiplier với phân phối χ2 thường được gọi là “LM
test” với một thông số về bậc tự do chính là số ràng buộc cần kiểm định, m.
• Khi mẫu quan sát càng lớn và có thuộc tính tiệm cận (asymptotically) thì cả
hai kiểm định F và LM là tương tự như nhau vì phân phối χ2 chỉ là một
trường hợp đặc biệt của phân phối F:
χ 2 (m )
→ F (m, T − k ) as T − k → ∞
m
• Đối với trường hợp mẫu nhỏ (small samples) thì kiểm định F được ưa thích
hơn (preferable).
• Để kiểm định giả định này có thể sử dụng kiểm định Ramsey’s RESET test, và
đây là kiểm định tổng quát nhất cho các trường hợp sử dụng sai mô hình
(misspecification of functional form).
• Một cách cơ bản nhất, phương pháp này sẽ hồi quy “phần dư” (auxiliary
regression) ut đối với các biến phụ thuộc ở bậc mũ cao hơn (e.g. yt2 , yt3...:
ut = β0 + β1 yt2 + β2 yt3 +...+ β p −1 ytp + vt
• Sử dụng giá trị R2 có được từ hồi quy này để tính toán giá trị thống kê của kiểm
định (LM statistic) theo công thức sau:
LM = TR2 và có phân phối Chi-squares như sau: χ 2 ( p − 1)
• Nếu giá trị LM statistics > giá trị LM so sánh (LM critical value)
=> Bác bỏ giả thiết Null (mô hình đúng) hay kết luận rằng mô hình đã xây
dựng là không đúng.
Khoa Tài Chính - ĐHKT TPHCM 5
Kiểm định giả định mô hình hồi quy là tuyến tính
(misspecification of functional form ) – Thực hành trên Eviews
• Kiểm định RESET giúp phát hiện ra mô hình sai nhưng không chỉ ra mô
hình đúng phải là mô hình gì.
• Một trong những khả năng dẫn đến việc loại bỏ mô hình ban đầu là vì mô
đúng có thể có dạng như sau:
yt = β1 + β 2 x2t + β 3 x22t + β 4 x23t + ut
Trong trường hợp này việc chỉnh sửa mô hình là cần thiết.
yt = Axtβ e ut ⇔ ln yt = α + β ln xt + ut
• Giả định này cho rằng giá trị kỳ vọng của sai số (errors hay
disturbances) sẽ bằng 0.
• Trong tất cả các kiểm định chẩn đoán (diagnostic tests), chúng ta
không thể quan sát được các giá trị đúng của sai số (disturbances) và
do vậy chúng ta sẽ thực hiện kiểm định trên các phần dư (residuals).
• Sự hiện diện của hằng số (constant term) trong mô hình hồi quy là điều
kiện cần thiết để cho phần dư luôn có giá trị kỳ vọng bằng 0.
• Cách 1: là cách đơn giản nhất và dễ thực hiện nhất là quan sát ma trận tương
quan giữa các biến giải thích. Ví dụ:
Corr x2 x3 x4
x2 - 0.2 0.8
x3 0.2 - 0.3
x4 0.8 0.3 -
• Tuy nhiên phương pháp này cũng có nhược điểm là nếu có nhiều hơn 2 biến
có mối quan hệ tuyến tính với nhau thì rất khó để phát hiện qua quan sát, ví
dụ:
x2t + x3t = x4t
• Vẫn chưa có lý thuyết thống kê nào giúp xác định rõ là khi giá trị kiểm
định VIF (hoặc nghịch đảo của VIF là tolerance statistics) vượt qua
ngưỡng giới hạn là bao nhiêu thì có thể kết luận là có hiện tượng đa
cộng tuyến (một số cho rằng là 2, 5 ....10, nhưng không quá 10).
• Lưu ý: Mức độ tương quan cao giữa biến phụ thuộc y và một trong các
biến giải thích x’s không phải là hiện tượng đa cộng tuyến.
• Một số phương pháp truyền thống như “ridge regression” hay “principal
components” cho phép thực hiện ước lượng hồi quy ngay cả khi mô hình có hiện
tượng đa cộng tuyến. Tuy nhiên các nhà nghiên cứu không sử dụng nhiều vì :
o Phức tạp và đặc biệt là khó thông đạt các thuộc tính của phương pháp này so
với phương pháp OLS.
o Một số nhà kinh tế lượng cho rằng vấn đề của hiện tượng đa cộng tuyến là
thuộc về thuộc tính của dữ liệu (data) hơn là nằm ở phương pháp hồi quy.
• Các phương pháp đơn giản khác để khắc phục hiện tượng đa cộng tuyến:
o Một số nhà kinh tế lượng cho rằng nếu mô hình là “OK” thì chỉ đơn giản là
bỏ qua hiện tượng đa cộng tuyến vì OLS estimators vẫn là BLUE => tuy
nhiên vẫn còn gây tranh cãi => ít được áp dụng.
o Loại khỏi mô hình biến số gây ra hiện tượng đa cộng tuyến
o Chuyển đổi biến (transformation) gây ra hiện tượng đa cộng tuyến dưới dạng
tỷ số (ratio) và chỉ những biến dưới dạng tỷ số được đưa vào mô hình.
o Thu thập thêm dữ liệu theo hướng:
- Dữ liệu quan sát trong thời gian dài hơn (a longer run of data)
- Chuyển đổi dữ liệu từ tần xuất thấp sang tần xuất cao (switch to a
higher frequency)
Khoa Tài Chính - ĐHKT TPHCM 15
Kiểm định hiện tượng đa cộng tuyến (Multicollinearity)
• Cách 1: Thiết lập bảng hệ số tương quan giữa các biến và quan sát độ lớn
của những giá trị này.
Quick/ Group Statistics / Correlations
Lưu ý: hầu các tiến trình hồi quy trong Eviews đều sẽ tự động nhận diện
hiện tượng đa cộng tuyến và sẽ cho ra thông báo lỗi “near singular
matrix”.
• Mô hình hồi quy OLS giả định rằng : E(X’u) = 0 hay một hoặc nhiều hơn
biến giải thích không có tương quan với phần dư trong cùng một thời kỳ
quan sát.
• Nếu giả định này bị vi phạm thì các giá trị ước lượng vẫn không thiên lệch
nhưng có thể sẽ không còn “nhất quán” (consistent)
• Để xác định mô hình hồi quy đề xuất ứng với mẫu dữ liệu cho trước có bị
hiện tượng nội sinh hay không, chúng ta có thể sử dụng kiểm định
Hausman
• Kiểm định chính thức: có rất nhiều kiểm định để giúp nhận diện hiện
tượng phương sai thay đổi: chúng ta chỉ đề cập 2 phương pháp phổ biến là
kiểm định Goldfeld-Quandt và kiểm định White’s
1. Chia mẫu dữ liệu với khoảng thời gian T thành 2 mẫu dữ liệu nhỏ (sub-
samples) với khoảng thời gian quan sát là T1 and T2. Sau đó hồi quy cho
mỗi sub-samples này và lưu giữ lại các giá trị phần dư tương ứng.
2. Giá thiết Null H0 sẽ là phương sai của các phần dư là bằng nhau,
H0: σ 12 = σ 22
Khoa Tài Chính - ĐHKT TPHCM 26
Nhận diện hiện tượng phương sai thay đổi
(Heteroscedasticity) : Kiểm định GQ (tiếp theo)
4. Giá trị thống kê của kiểm định GQ statistic, chỉ đơn giản là tỷ số giữa 2 giá
trị phương sai và giá trị lớn hơn sẽ nằm ở tử số:
s12
GQ = 2
s2
5. Giá trị thống kê của kiểm định GQ sẽ có phân phối F(T1-k, T2-k) cho giả
thiết Null là không có hiện tượng phương sai thay đổi.
Tuy nhiên kiểm định GQ có nhược điểm là thời điểm chọn để chia tách
mẫu quan sát ban đầu có ảnh hưởng rất nhiều đến kết quả kiểm định.
o Kiểm định White tổng quát là một trong những phương pháp tốt nhất để
nhận diện hiện tượng phương sai thay đổi (heteroscedasticity) bởi vì nó
dựa trên rất ít giả định cần thiết về mẫu hình của phương sai thay đổi.
3. Tính toán R2 từ hồi quy trên phần dư và sau đó tính toán giá trị thống kê
kiểm định LM như sau:
LM stat. = n R2 ∼ χ2 (q)
với n là số quan sát và q là số lượng các thông số cần ước lượng (không
bao gồm hằng số (constant term).
4. Nếu giá trị χ2 > giá trị so sánh kiểm định (critical value) tương ứng từ
bảng thống kê => bác bỏ giả thiết Null hay kết luận rằng các sai số kiểm
định có phương sai thay đổi.
• Hồi quy OLS sẽ vẫn cho ra kết quả các hệ số ước lượng là không chệch
(unbiased) nhưng nó không còn thuộc tính BLUE.
• Điều này có nghĩa rằng nếu chúng ta vẫn sử dụng hồi quy OLS với sự hiện
diện của phương sai thay đổi thì các giá trị sai số chuẩn “standard errors”
có được không còn phù hợp và do vậy bất kỳ kết luận nào cũng sẽ không
còn đúng.
• Độ lớn của sai số chuẩn ước lượng (standard errors) được tính toán từ
phương trình hồi quy vẫn có thể là “rất lớn” hay có thể “rất nhỏ” sẽ tùy
thuộc vào mẫu hình phương sai thay đổi (heteroscedasticity).
• Phương pháp GLS có thể được diễn giải tóm gọn và đơn giản hóa như sau:
giả định phương sai của phần dư (error variance) có liên quan đến một biến
số khác zt như sau:
var(ut ) = σ zt
2 2
• Mô hình CLRM giả định rằng phần dư không có hiện tượng tự tương quan
hay Cov (ui , uj) = 0 for i≠j, i.e.
hay không tồn tại mẫu hình nào trong sai số kiểm định (errors).
• Thực tế là sai số kiểm định (u’s) từ tổng thể là không thể quan sát được,
nên chúng ta sẽ sử dụng phần dư (residuals) ut có được hồi quy trên mẫu
dữ liệu quan sát .
• Dùng đồ thị để quan sát mẫu hình của phần dư: nếu có tồn tại một mẫu
hình tự tương quan thì chúng ta sẽ kết luận những phần dư này có hiện
tượng tự tương quan (autocorrelated).
t yt yt-1 ∆yt
1989M09 0.8 - -
1989M10 1.3 0.8 1.3-0.8=0.5
1989M11 -0.9 1.3 -0.9-1.3=-2.2
1989M12 0.2 -0.9 0.2--0.9=1.1
1990M01 -1.7 0.2 -1.7-0.2=-1.9
1990M02 2.3 -1.7 2.3--1.7=4.0
1990M03 0.1 2.3 0.1-2.3=-2.2
1990M04 0.0 0.1 0.0-0.1=-0.1
. . . .
. . . .
. . . .
+
û t û t
+
- +
uˆ t −1 Time
Tự tương quan dương (Positive Autocorrelation) được thể hiện theo đó các giá
trị phần dư sẽ thay đổi có tính chu kỳ theo thời gian.
+ û t
û t
+
- +
uˆ t −1 Time
- -
Tự tương quan âm (Negative Autocorrelation) được thể hiện theo đó các giá trị
phần dư sẽ thay đổi theo hướng cắt ngang trục hoành (trục thời gian) thường
xuyên hơn so với trường hợp nó có phân phối chuẩn.
û t
+
û t +
- +
uˆ t −1
Không có hiện tượng tự tương quan được thể hiện theo đó các giá trị phần dư
sẽ thay đổi không theo mẫu hình nào như trong 2 trường hợp trên.
• Giá trị thống kê DW được tính toán theo công thức sau:
T
∑ ( ut − ut −1) 2
DW = t = 2 T
∑ ut 2
t =2
Từ (2) ta có 0 ≤ DW ≤4.
• Giá trị thống kê của kiểm định DW có 2 critical values, giá trị trên
“upper critical value” (du) và giá trị dưới “lower critical value” (dL),.
2. Nếu vế bên phải của phương trình hồi quy có biến trễ của biến phụ thuộc
thì khi đó kiểm định DW sẽ không còn giá trị.
3. Kiểm định DW được thiết kế để kiểm định giả thiết H0 là không có hiện
tượng tự tương quan chỉ đến bậc 1 (first-order serial correlation).
• Hai phương pháp kiểm định tự tương quan của phần dư khắc phục được
các khiếm khuyến của DW test và được sử dụng phổ biến là:
o sử dụng đồ thị Q-statistic và
o kiểm định Breusch-Pagan-Godfrey (LM test)
• Đây là kiểm định tổng quát cho trường hợp giả định mô hình có hiện tượng
tự tương quan đến bậc r (rth order autocorrelation):
2. Hồi quy phần dư ut đối với các biến số giải thích ở giai đoạn 1 (các biến
số x’s)
Giữ lại giá trị R2 từ phương trình hồi quy này.
3. Và sau đó tính toán giá trị thống kê của kiểm định (T-r)R2 ∼ χ2(r)
• Nếu giá trị thống kê này > giá trị Chi-squares (Critical value) so sánh có
được từ tra bảng thống kê => bác bỏ giả thiết Null hay kết luận rằng có hiện
tượng tự tương quan.
• Các hệ số ước lượng có được từ hồi quy OLS vẫn là không chệch
(unbiased) nhưng nó sẽ không còn hiệu quả (inefficient), hay không còn
thuộc tính BLUE ngay cả với mẫu dữ liệu lớn.
• Do đó nếu sai số chuẩn ước lượng là không còn phù hợp, thì sẽ có khả năng
là chúng ta đưa ra kết luận sai.
• R2 có thể bị phóng đại so với mức giá trị đúng của nó cho trường hợp tự
tương quan dương (positively correlated residuals).
• Tuy nhiên cần lưu ý là phương pháp GLS sẽ tự “chỉnh sửa” hiện tượng
tự tương quan với giả định mẫu hình tự tương quan là được biết trước.
• Nếu giả định này không đúng hay chúng ta không biết về mẫu hình
của hiện tượng tự tương quan thì việc sử dụng phương pháp GLS sẽ
mang đến kết quả tồi tệ hơn (xem Hendry and Mizon -1978).
• Tuy nhiên rất khó để có thể nhiện diện rõ mẫu hình của hiện tượng tự
tương quan và các quan điểm “hiện đại” đề xuất chỉnh sửa mô hình hồi
quy (modify the regression) để khắc phục hiện tượng này.
• Newey and West (1987) đã phát triễn một phương pháp mang tên 2 tác
giả và có thể giúp khắc phục cả hiện tượng phương sai thay đổi và tự
tương quan bằng cách sử dụng các sai số chuẩn ước lượng (standard
error estimates) được chỉnh sửa phù hợp.
• Lưu ý: nếu phương pháp khắc phục hiện tượng phương sai thay đổi sử
dụng White’s Heteroscedasticity Consistent Standard Error không đòi
hỏi người sử dụng phải khai báo thêm bất cứ thông tin nào, thì phương
pháp Newey-West yêu cầu xác định độ trễ tối ưu cho phần dư của mô
hình.
• Xém xét mô hình “động” (dynamic version) như sau theo đó giá trị hiện tại
của yt sẽ được hồi quy với giá trị của chính nó hoặc các giá trị của x’s trong
quá khứ:
yt = β1 + β2x2t + ... + βkxkt + γ1yt-1 + γ2x2t-1 + … + γkxkt-1+ ut
• Chúng ta thậm chí có thể mở rộng mô hình xa hơn bằng cách sử dụng biến
có độ trễ : x2t-2 , yt-3 ...
• Giúp khắc phục hiện tượng tự tương quan do “quán tính” (Inertia) của biến
phụ thuộc (dependent variable).
• Giúp khắc phục hiện tượng tự tương quan do “phản ứng thái quá” (Over-
reactions)
• Giúp khắc phục hiện tượng tự tương quan do chuỗi thời gian có thuộc tính
như là “chuyển động trượt có trùng lặp” (overlapping moving averages)
• Tuy nhiên hiện tượng tự tương quan vẫn có thể do các nguyên nhân khác
gây ra và việc sử dụng biến trễ sẽ không thể khắc phục hoàn toàn:
– Biến giải thích có liên quan bị bỏ sót (Omission of relevant variables)
mà bản thân những biến này tự tương quan với nhau (themselves
autocorrelated).
– Sử dụng sai mô hình (inappropriate functional form).
– Không kiểm soát biến mùa vụ (unparameterised seasonality).
Khoa Tài Chính - ĐHKT TPHCM 52
Khắc phục hiện tượng tự tương quan: hồi quy với biến số sai
phân bậc 1 (Models in First Difference Form)
• Một các khác đôi khi có thể khắc phuc hiện tượng tự tương quan là lấy
sai phân bậc 1 cho tất cả các biến số trong mô hình.
• Ký hiệu sai phân bậc 1 của yt, hay yt - yt-1, như là ∆yt;
• Tương tự cho các biến giải thích x, ∆x2t = x2t - x2t-1 , ∆x3t = x3t – x3t-1 ,
.... , ∆xkt = xkt - xkt-1
• Đôi khi có thể thêm vào biến trễ của biến phụ thuộc gốc (không lấy sai
phân) :
∆yt = β1 + β2 ∆x2t + β3x2t-1 +β4yt-1 + ut
Khoa Tài Chính - ĐHKT TPHCM 53
Khắc phục hiện tượng tự tương quan: giải pháp đạt cân
bằng tĩnh trong dài hạn (Long Run Static Equilibrium)
• Một thuộc tính quan trọng của mô hình động chính là giải pháp đạt
cân bằng tĩnh trong dài hạn của nó (long run or static equilibrium
solution).
• “Điểm cân bằng” (Equilibrium) ngụ ý rằng các biến số đã đạt được
một mức độ ổn định nào đó và sẽ không còn tiếp tục thay đổi.
• Ví dụ nếu biến y và biến x đạt mức cân bằng thì chúng ta có thể nói
rằng:
∆yt = yt - yt-1 = y - y = 0 .
Khoa Tài Chính - ĐHKT TPHCM 54
Khắc phục hiện tượng tự tương quan: giải pháp đạt cân
bằng tĩnh trong dài hạn (Long Run Static Equilibrium)
• Vì vậy cách thức để đạt được cân bằng tĩnh dài hạn là:
1. Loại bỏ tất cả các ký hiệu về thời gian của các biến số
(subscripts t)
2. Thiết lập ràng buộc sai số hồi quy bằng với giá trị kỳ vọng của
nó, hay E(ut)=0
3. Loại bỏ tất cả các biến có sai phân bậc 1.
4. Giữ lại các biến giải thích x ở hiện tại (không có độ trễ) và biến y
ở hiện tại (không có độ trễ).
• Các bước trên có thể được thực hiện theo bất cứ trình tự nào.
khi đó giải pháp tĩnh với mối quan hệ dài hạn sẽ là:
0 = β1 + β3x2t-1 +β4yt-1
β4yt-1 = - β1 - β3x2t-1
− β1 β3
y= − x2
β4 β4
• Như vậy những hệ quả thật sự của mô hình hồi quy với số lượng lớn
các biến trễ là gì?
• Khó thông đạt kết quả hồi quy
• Nhiều khi rất khó để kiểm định câu hỏi nghiên cứu đã dẫn đến mô
hình gốc ban đầu
• Lưu ý rằng nếu mô hình bao gồm các biến trễ vẫn còn hiện tượng tự
tương quan trong phần dư, khi đó các hệ số ước lượng (OLS
estimators) sẽ thậm chí không còn đặc tính “Consistent”.
Kiểm định phần dư có phân phối chuẩn (The Bera Jarque normality
test)
o Một phân phối được gọi là phân phối chuẩn nếu nó đối xứng xung
quanh giá trị trung bình và không bị méo lệch về bên trái hay lệch về
bên phải (not skewed).
o Phân phối chuẩn cũng sẽ có hình dạng với 2 đuôi mỏng hơn và có
đỉnh ít “nhọn” hơn tại giá trị trung bình của mình và khi đó nó sẽ có
giá trị hệ số của “Kurtosis” là 3.
o Giá trị kurtosis của phân phối chuẩn là 3 vì vậy giá trị lệch khỏi
điểm cân bằng (b2-3) của phân phối sẽ bằng zero. Hầu hết các biến
chuỗi thời gian trong tài chính đều có đặc điểm “Leptokurtic” hay
lệch khỏi phân phối chuẩn theo tiêu chí kurtosis.
Khoa Tài Chính - ĐHKT TPHCM 64
Phân phối chuẩn so với phân phối bị lệch (Skewed)
f(x ) f(x )
x x
0.5
0.4
0.3
0.2
0.1
0.0
-5.4 -3.6 -1.8 -0.0 1.8 3.6 5.4
• Bera và Jarque (1981) đã dựa vào đặc điểm một biến có phân phối chuẩn để
kiểm định giả thiết các giá trị Skewness và Kurtosis lệch khỏi cân bằng đồng
thời bằng zero.
• Hệ số Skewness và Kurtosis có thể được tính toán theo các công thức tương
ứng sau:
E[u3 ]
b1 = E[u4 ]
(σ )
2 3/ 2 và b2 =
( )
σ2
2
• Giá trị thống kê của kiểm định Jarque- Bera được tính như sau:
b12 (b2 − 3)2
W =T + ~ χ (2 )
2
6 24
• Các hệ số b1 và b2 được tính toán từ phần dư của ước lượng OLS: u
• Chúng ta có thể sử dụng các phương pháp ước lượng không cần giả định
phân phối chuẩn của phần dư. Tuy nhiên thường những phương pháp này
là rất phức tạp và những thuộc tính của nó sẽ yêu cầu những giả định khác
=> nên sử dụng OLS
• Sử dụng mẫu quan sát lớn: khi mẫu dữ liệu càng lớn thì bằng cách áp dụng
Lý Thuyết giới hạn trung tâm (Central Limit Theory), vi phạm trong giả
định phân phối chuẩn của phần dư sẽ không còn là vấn đề.
• Thường là các giá trị quá mức trong phần dư (extreme residuals) dẫn đến
việc bác bỏ giả thiết phân phối chuẩn => Cách khắc phục là sử dụng biến
giả (dummy variables).
Oct Time
1987
• Ví dụ, ước lượng mô hình hồi quy có dữ liệu theo tháng của TTSL các cổ
phiếu từ 1980-1990, vẽ đồ thị phần dư , và chúng ta phát hiện các giá trị cá
biệt (large outlier) tại thời điểm October 1987.
• Do đó chúng ta sẽ tạo biến giả như sau:
Biến giả D87M10t có giá trị =1 cho các quan sát trong tháng 10 năm 1987
và khác đi sẽ có giá trị là 0.
Điều này sẽ có thể loại bỏ các tác động ngoại biên từ các các quan sát này.
Tuy nhiên chúng ta cần phải có những lý do xác đáng (ví dụ hỗ trợ bới các
lý thuyết tài chính – kinh tế) cho việc bổ sung các biến giả này.
Khoa Tài Chính - ĐHKT TPHCM 71
Khắc phục hiện tượng phần dư không có phân phối chuẩn – thực hành trên
Eviews
Sử dụng biến giả (dummy variables)
• Ngay cả nếu như điều kiện này được thỏa mãn, thì giá trị ước lượng hồi
quy đối với hằng số cũng sẽ bị thiên lệch (biased).
• Các hệ số ước lượng sẽ vẫn “consistent” và không thiên lệch, nhưng sẽ trở
nên “inefficient”.
• Chúng ta có thể kiểm định giả định ngầm này bằng cách sử dụng
Parameter Stability tests.
• Thiết kế của kiểm định này dựa trên ý tưởng là chia mẫu dữ liệu thành các
mẫu quan sát có có thời kỳ tách biệt (sub-periods) và sau đó ước lượng hồi
quy cho các mẫu quan sát này (nhiều nhất là 3). Và cuối cùng là so sánh
các giá trị RSS của các mô hình.
2. Lưu ý: phương trình hồi quy giới hạn (restricted regression) bây là là
phương trình cho toàn bộ thời kỳ quan sát trong phương trình không bị
giới hạn bây giờ (unrestricted regression) bây giờ lại bao gồm 02 phương
trình hồi quy cho mỗi kỳ quan sát thành phần.
Do vậy chúng ta có thể xác định giá trị F-test chính là sự khác biệt trong
các giá trị của RSS.
• Xem xét phương trình hồi quy sau với các giá trị của hệ số β cho mô
hình CAPM và TSSL của công ty Glaxo.
• Mô hình hồi quy ước lượng Beta cho dữ liệu tháng từ 1981-1992. Mô
hình cho mỗi thời kỳ thành phần (sub-period) như sau:
• 1981M1 - 1987M10
0.24 + 1.2RMt N= 82 RSS1 = 0.03555
• 1987M11 - 1992M12
0.68 + 1.53RMt N = 62 RSS2 = 0.00336
• 1981M1 - 1992M12
0.39 + 1.37RMt N = 144 RSS = 0.0434
H0 : α1 = α 2 and β1 = β2
• Mô hình không bị giới hạn (unrestricted model) là mô hình mà không bị
áp đặt các ràng buộc. Ta có:
• Bác bỏ H0 với mức ý nghĩa 5% và chúng ta có thể nói rằng các hệ số ước
lượng đã không ổn định trong toàn bộ quãng thời gian của mẫu dữ liệu
quan sát.
• Nhược điểm của kiểm định Chow là chúng ta cần có đủ dữ liệu quan
sát để thực hiện hồi quy cho từng mẫu quan sát thành phần hay T1
>> k và T2 >> k.
• Một phương pháp có thể giúp khắc phục nhược điểm này là thực
hiện kiểm định sai số dự báo (predictive failure test).
• Đầu tiên chúng ta sẽ hồi quy trong suốt quãng thời gian dài, gần hết
quãng thời gian cũa mẫu dữ liệu. Sau đó thực hiện các giá trị dự báo
cho thời kỳ còn lại và sau đó so sánh kết quả dự báo.
với T2 = số quan sát mà chúng ta đang cố gắng dự báo. Giá trị thống kê của
kiểm định sẽ tuân theo phân phối F như sau: F(T2, T1-k).
RSS − RSS1 T1 − k
Test Statistic = ×
RSS1 T2
- Kiểm định sai số dự báo cho tương lai: chúng ta sẽ giữ lại một số ít các
quan sát dự trữ cho kiểm định có tính dự báo. Ví dụ có các quan sát từ 2000
Q1-2013Q4. Vì vậy sẽ thực hiện hồi quy từ 2000Q1-2012Q4 và sau đó
thực hiện dự báo từ 2013Q1-2013Q4.
- Kiểm định sai số dự báo ngược về quá khứ: chúng ta sẽ làm tương tự
nhưng ngược lại. Ví dụ hồi quy ban đầu từ 2001Q1-2013Q4, và ước lượng
dự báo ngược về (backcast) từ 2000Q1-2000Q4.
Mục tiêu:
• Xây dựng một mô hình kinh tế lượng đáp ứng đầy đủ các yâu cầu về mặt
thống kê như sau:
- thỏa mãn các giả định của mô hình CLRM
- đơn giản
- dễ dàng thông đạt kết quả phân tích hồi quy
- có kết quả hồi quy:
- với các hệ số hồi quy đều có đúng dấu với dấu kỳ vọng ban đầu
- Độ lớn của các hệ số số hồi quy là phù hợp
• Có khả năng trong việc giải thích kết quả của tất cả các mô hình cạnh tranh
khác.
• Rất ít nếu kiểm định “chẩn đoán” được thực hiện do vậy tiềm ẩn các kết
luận không giá trị.
• Một phương pháp tiếp cận khác có tính hiện đại trong việc xây dựng
mô hình còn được gọi là phương pháp “LSE” do Hendry đề xuất có tên
là “từ tổng quát đến cụ thể” (general-to-specific” methodology)
• Ưu điểm của phương pháp này là nó thể hiện sự hợp lý về mặt thống kê
và nó cũng phù hợp với quan điểm cho rằng các lý thuyết mà mô hình
được xây dựng trên đó không có liên quan gì nhiều đến cấu trúc độ trễ
của mô hình.
• Giai đoạn tiếp theo sẽ là tham số hóa lại mô hình bằng cách:
- loại bỏ các biến giải thích không có ý nghĩa thống kê
- Một số hệ số ước lượng mà giữa chúng có thể khác biệt không
nhiều, vì vậy có thể sử dụng kết hợp.
• Tại mỗi giai đoạn, cần kiểm tra các giả định của mô hình hồi quy tuyến
tính CLRM
• Hy vọng rằng ở giai đoạn này chúng ta đã đạt được một mô hình đáp ứng
đầy đủ các yếu cầu về thống kê để có thể sử dụng cho bước quan trọng
nhất tiếp theo:
- kiểm định các giả thiết về tài chính
- dự báo các giá trị cho tương lai của biến phụ thuộc
- thiết lập các chính sách...
Giả thiết H0 là biến công cụ đã lựa chọn không có liên quan với biến Xi
Khoa Tài Chính - ĐHKT TPHCM 94
Bài tập 4.2: Kiểm định và khắc phục hiện tượng nội sinh
(endogeneity) – Thực hành trên Eviews
3a. Kiểm định tính phù hợp cho biến công cụ (Testing instrument validity)
Sử dụng phương pháp hồi quy TSLS (hoặc GMM) với các IVs (có 1 endogenous
variable (B=1) và 4 Ivs (L=4)
Sau đó hồi quy phần dư với tất cả biến công cụ như sau:
Kiểm định với giả thiết Null là biến Output không có hiện tượng nội sinh và
phương pháp LS là phù hợp:
Nếu giả thiết bị bác bỏ hay có hiện tượng nội sinh -> sử dụng 2SLS hoặc
GMM đểkhắc phục bằng chính biến công cụ đã được kiểm định tính tương
phùTàihợp
thích (relevant) và tính Khoa (validity).
Chính - ĐHKT TPHCM 96