Professional Documents
Culture Documents
Phan I - Ch4-Multivariate Regression
Phan I - Ch4-Multivariate Regression
n = 1,2,...,N
• Chương này chúng ta sẽ tìm hiểu mô hình hồi quy tuyến tính mở rộng khi
biến phụ thuộc (y) được giải thích bởi nhiều biến độc lập (x).
Ví dụ quyết định cấu trúc vốn của một doanh nghiệp phụ thuộc vào các
nhân tố sau: 1. Size; 2. Profitability; 3. Volatility in EBIT; 4. Industry
median; 5. Growth opputinities....
• Tương tự , TTSL của một cổ phiếu (stock returns) có thể chịu ảnh hưởng
từ các nhân tố (APT model) thay vì chỉ là beta của cổ phiếu (systematic
risk).
• Do vậy sử dụng mô hình hồi quy tuyến tính trong các trường hợp ví dụ này
cần đưa vào nhiều biến giải thích thay vì đơn biến.
• Về mặt kỹ thuật phân tích kinh tế lượng, không có khó khăn gì từ việc mở
rộng mô hình đơn biến thành mô hình hồi quy tuyến tính đa biến với k-1
regressors (independent variables).
2
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM
Khái quát hóa từ mô hình hồi quy tuyến tính đơn biến đến mô hình
hồi quy tuyến tính đa biến (Multiple Linear Regression)
• Trong chương trước chúng ta đã sử dụng mô hình hồi quy tuyến tính đơn
biến sau:
yt xt ut t = 1,2,...,N
• Chương này chúng ta sẽ tìm hiểu mô hình hồi quy tuyến tính mở rộng khi
biến phụ thuộc (y) được giải thích bởi nhiều biến độc lập (x).
Ví dụ:quyết định cấu trúc vốn của một doanh nghiệp phụ thuộc vào các
nhân tố sau:
1. Size;
2. Profitability;
3. Volatility in EBIT;
4. Industry median;
5. Growth opputinities
....
yt 1 2 x 2 t 3 x 3 t ... k x kn un
t=1,2,...,T
• Đâu là biến x1? Biến x1 bây giờ là hằng số (constant term). Trên thực tế hằng
số của phương trình hồi quy đa biến luôn được thể hiện bởi ma trận (T x 1):
1
1
x1
1
với 1 là hệ số gắn liền với hằng số của phương trình mà trong chương trước
chúng ta gọi là .
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 4
Các phương thức khác nhau để diễn đạt mô hình hồi quy đa
biến - MLR (Multiple/Multivariate Linear Regression Model)
• Với mỗi giá trị của n, chúng ta có các phương trình hồi quy như sau:
y1 1 2 x 21 3 x 31 ... k x k 1 u1
y2 1 2 x 22 3 x 32 ... k x k 2 u2
y N 1 2 x 2 N 3 x 3 N ... k x kN uN
với y=N1
X=Nk
= k 1
u=N1
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 5
Bên trong các ma trận của mô hình MLR
(Multiple Linear Regression Model)
y1 1 x 21 u1
y 1 x 22 1 u2
2
2
y N 1 x2 N uN
• Lưu ý rằng các ma trận được viết theo cách thức tương thích với nhau
u = Y – XB
RSS
(Y Y 2Y XB BX XB )
B
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 8
RSS
( 2 X 'Y 2 X XB )
B
0 = −2X′Y + 2X′XB
− 2X′XB = −2X′Y
X′XB = X′Y
B = (X′X)-1 X′Y
• Để xác định các hệ số ước lượng (the parameter estimates): 1, 2,...,
k, chúng ta cần giải bài toán tối thiểu hóa RSS hay bài toán đạo hàm
bậc nhất đối với s bằng 0.
ˆ1
ˆ ˆ 2
( X X ) 1 X y
ˆ k
(A1) Functional form (DGP): mô hình hồi quy tuyến tính: Y=Xb+u
(A2) E(u) = 0
(A3) X’X là non-singular hoặc Full Rank. Rank của ma trận X là k với k < N
(No Perfect Collinearity)
Sẽ có một vài phần trong ma trận X’X có phần tử = 0 và do vậy giá trị
nghịch đảo của nó sẽ là không xác định. OLS vẫn là BLUE, nhưng giá trị
ước lượng của var[b]=(X’X)-1Y’(I-X(X’X)-1X’)Y/(n-k) có thể sẽ có giá trị
rất lớn.
(A4) X có các giá trị thay đổi không ngẫu nhiên (non random/non-stochastic)
hay không có tương quan với phần dư (error term): E(X’u) = 0 .
COV(X,u)=0
Giả định này có nghĩa là có một mối quan hệ nhân quả đơn phương giữa
biến phụ thuộc y, và các biến độc lập x .
Thay đổi trong x gây nên sự thay đổi trong y nhưng sự thay đổi trong
biến phụ thuộc y không gây ra những thay đổi trong các biến độc lập x.
Giả định này cũng ngụ ý rằng biến y thay đổi ngẫu nhiên (stochastic).
(A5) Không có hiện tượng phương sai thay đổi (no heteroskedasticity) :
E(ui2) = σu2 < cho tất cả các giá trị của i
ˆ (X' X) 1 X' (X U) (X' X) 1 X' X (X' X) 1 X' U A(1) & A(3)
I (X' X) 1 X' U
(X' X) 1 X' U
E ( ˆ ) E[ ( X ' X ) 1 X 'U ]
E ( ) E[( X ' X ) 1 X 'U ] A(4) & A(2)
( X ' X ) 1 X ' E (U )
2 ( X ' X ) 1 I
2 ( X ' X ) 1
V ( ˆ ) ( X ' X ) 1 ˆ 2
k x k k x n n x k 1 x1
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 14
Tính toán Sai Số Chuẩn (Standard Errors) cho mô hình
MLR (Multiple Regression Model)
• Vấn đề là làm sao xác định được sai số chuẩn (standard errors) của các hệ
T 2
• Trong chương trước ta đã tính được phương sai của sai số tổng thể, 2 :
u' u
s2
Tk
• Trong trường hợp tổng quát ta sử dụng ký hiệu ma trận: s2 ( X ' X ) 1
• Với k = số biến giải thích (number of regressors).
• Ta có thể chứng minh được rằng OLS phương sai của được xác định từ
các phần tử nằm trong đường chéo (diagonal elements) của ma trận
này. Vì vậy phương sai 1 sẽ là phần tử thứ nhất của đường chéo, phương
sai của 2 sẽ là phần tử thứ 2 và … phương sai của k sẽ là phần tử thứ
kth của đường chéo .
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 15
Tính toán Sai Số Chuẩn (Standard Errors) cho mô hình
MLR (Multiple Regression Model): ví dụ
• Có mô hình sau với k=3 được ước lượng với 15 quan sát:
y 1 2 x2 3 x3 u
và ta có các thông số sau được tính toán từ kết quả hồi quy với X’s.
2.0 35 .
. 10 30 .
( X ' X ) 1 35
. 10 . ,( X ' y) 2.2 , u' u 10.96
. 65
10 . 4.3
. 65 0.6
• Để tính toán các hệ số ước lượng ta chỉ việc nhân ma trận với vecto :
X ' X 1 X ' y
• Để tính toán sai số chuẩn (standard errors) ta cần giá trị ước lượng của2:
RSS 10.96
s2 0.91
T k 15 3
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 16
Tính toán Sai Số Chuẩn (Standard Errors) cho mô hình
MLR (Multiple Regression Model): ví dụ
• Phương sai của beta nằm trên đường chéo của ma trận trên:
Var ( 1 ) 183
. SE ( 1 ) 135
.
Var ( ) 0.91 SE ( ) 0.96
2 2
• Chúng ta đã sử dụng t-test để kiểm định một giả thiết đơn (single
hypotheses) hay giả thiết chỉ liên quan đến một hệ số hồi quy.
• Để kiểm định đồng thời nhiều hơn một hệ số hồi quy chúng ta sẽ sử dụng
F-test.
• F-test luôn liên quan đến hai phương trình hồi quy:
• Phương trình hồi quy không bị giới hạn (unrestricted regression - URR) là
phương trình hồi quy mà theo đó các hệ số ước lượng được xác định bởi
các dữ liệu mà không bị ràng buộc nào như chúng ta đã thực hiện trong
các phần trước.
• Phương trình hồi quy bị giới hạn (restricted regression - RR) là phương
trình hồi quy mà theo đó các hệ số ước lượng được xác định bởi các dữ
liệu và bị ràng buộc. Ví dụ: ràng buộc được áp đặt đối với một vài hệ số
s.
• Kiểm định “nested hypotheses” có thể được diễn đạt “đơn giản” là kiểm
định F-test khi mà phương trình giới hạn là tập hợp con của phương trình
không bị giới hạn.
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 18
F-test:
Phương trình hồi quy với ràng buộc (Restricted) và không bị
ràng buộc (Unrestricted Regressions)
• Chúng ta thay thế ràng buộc (3+4 = 1) vào trong phương trình hồi quy
sao cho ràng buộc này sẽ tự động áp đặt lên các dữ liệu data.
3+4 = 1 4 = 1- 3
• Và đây là phương trình hồi quy với ràng buộc (restricted regression). Chúng
ta sẽ ước lượng bình thường bằng cách tạo ra thêm 2 biến phụ Pt and Qt.
Pt = yt - x4t
Qt = x3t - x4t
Và phương trình hồi quy cuối cùng mà chúng ta sẽ ước lượng có dạng như sau:
Pt = 1 + 2x2t + 3Qt + ut
• Giá trị so sánh thích hợp cho F-statistic (F critical value) sẽ nằm ở cột
thứ m, và hàng thứ (T-k).
• Các giá trị của phân phối F chỉ có giá trị dương và không đối xứng. Do
đó chúng ta sẽ bác bỏ giả thiết Null chỉ khi :
F test statistic > critical F-value
• Ví dụ :
H0: hypothesis No. of restrictions, m
1 + 2 = 2 1
2 = 1 and 3 = -1 2
2 = 0, 3 = 0 and 4 = 0 3
Giả thiết này sẽ được kiểm định bởi F-statistic và nó sẽ kiểm định giả thiết
Null là tất cả các hệ số hồi quy sẽ đồng thời bằng 0 trừ hệ số chặn.
• Lưu ý:
Chúng ta không thể kiểm định sử dụng những giả thiết sau khi mà các hệ số
hồi quy có mối liên hệ phi tuyến với nhau trong phương trình ràng buộc:
H0: 2 3 = 2 or H0: 2 2 = 1
• Bất kỳ giả thiết nào có thể kiểm định với t-test thì đều có thể kiểm định với
F-test, nhưng chiều ngược lại thì không đúng.
• Lưu ý rằng các 2 phương pháp kiểm định đều cho ra cùng một kết quả vì
phân phối t (t-distribution ) chỉ là một trường hợp đặc biệt của phân phối F
(F-distribution).
• Giả định ta muốn kiểm định TTSL của cổ phiếu công ty (y) có hay không độ nhạy
cảm đơn vị (unit sensitivity) đối với 2 nhân tố x2 và x3 trong tổng cộng 3 nhân tố.
Phương trình hồi quy này được thực hiện với 144 quan sát hàng tháng có dạng
như sau:
- nếu RSS cho từng phương trình hồi quy tương ứng là 436.1 và 397.2 , hãy thực
hiện F test.
• Giải pháp:
Phương trình hồi quy không ràng buộc là phương trình trên.
Phương trình hồi quy với ràng buộc có dạng: (yt-x2t-x3t)= 1+ 4x4t+ut
ta có thể tính F-test theo công thức với T=144, k=4, m=2, RRSS=436.1,
URSS=397.2
F-test statistic = 6.68. Critical value (tra bảng F) sẽ là F(2,140) = 3.07 (5%) and
4.79 (1%).
Một giả thuyết được xem là lồng nhau (nested) nếu giả thuyết này có thể
được thể hiện dưới dạng kết hợp của hai mô hình khác nhau:
1) mô hình không có ràng buộc (unrestriced model),
2) mô hình với ràng buộc (restricted model).
Một giả thuyết được xem là không lồng nhau (non-nested) nếu giả thuyết
này không thể được thể hiện dưới dạng kết hợp từ mô hình không có ràng
buộc và mô hình với ràng buộc
1. Thiết lập mô hình kiểm định. Xác định giả thuyết trống (null) và giả thuyết
thay thế (alternative hypotheses).
2. Căn cứ vào giả thuyết trống (null) chọn phương pháp kiểm định thống kê
thích hợp và phân phối của kiểm định thống kê.
3. Lựa chọn mức độ ý nghĩa và tìm giá trị thống kê so sánh (critical value) để
thực hiện kiểm định thống kê.
4. Sử dụng dữ liệu mẫu để tính toán giá trị thực tế (giá trị tính toán) của giá trị
thống kê của kiểm định (t-, F-, Chi-square, LR hay LM statistics).
5. So sánh giá trị thực tế của chỉ số kiểm định thống kê với giá trị so sánh và
đưa ra quyết định chấp nhận hoặc bác bỏ giả thuyết.
Lý thuyết giới hạn trung tâm: Nếu một mẫu dữ liệu với n quan sát được rút ra từ
tổng thể P ~ N (µ, σ2), thì khi n càng lớn thì mẫu quan sát sẽ có xấp xĩ phân phối
chuẩn X ~N(µ, σ2).
Sự xấp xĩ này sẽ ngày càng trở nên chính xác khi kích thước mẫu ngày càng lớn.
𝑧1
𝑡= có phân phối t với k bậc tự do
𝑧2 /𝑘
Với i^ là giá trị ước lượng của thông số beta thứ ith,
i là giá trị ràng buộc của of i^
s.e.( i^)^ giá trị ước lượng S.E. của i^, và t(n-k) là phân phối t với n-k bậc
tự do
Nguyên tắc ra quyết định: bác bỏ H0 nếu t > t(n-k,) critical value
• Chi tiết về Kiểm định F-Test đã được giới thiệu ở phần trên
Nguyên tắc ra quyết định: bác bỏ H0 nếu F > F(m, n-k, 0.5) critical value
Để tính t-statistics, sữ dụng dữ liệu quan sát để ước lượng mô hình không ràng
buộc (unrestricted model). Sau đó giá trị ước lượng của i^ và s.e.( i^)^ sẽ được
sử dụng để tính giá trị thực tế của t-statistic.
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 39
Lựa chọn phương pháp kiểm định thống kê thích hợp
• Kiểm định các giả thiết với mẫu lớn - Likelihood Ratio Test
• Kiểm định Likelihood Ratio có thể được sử dụng để kiểm định bất kỳ loại ràng
buộc nào hoặc ràng buộc trong bất kỳ loại mô hình nào miễn là hai điều kiện sau
đây được thỏa mãn:
1) Các biến số mà có thể cho ra ước lượng maximum likelihood tốt nhất sẽ được
sử dụng để ước lượng các thông số cho mô hình (correct specification) .
2) Hai mô hình sau đây có thể ước lượng được: mô hình không có ràng buộc và
mô hình với ràng buộc.
Giá trị thống kê của kiểm định sẽ là LR statistic tuân theo phân phối chi-squares:
Kiểm định các giả thiết với mẫu lớn - Wald Test
•Kiểm định Wald có thể được sử dụng để kiểm định bất kỳ loại ràng buộc
nào hoặc ràng buộc trong bất kỳ loại mô hình nào.
•Giả thiết Null là mô hình bị ràng buộc (restricted model) và giả thiết thay
thế (altenative hypotheses) là mô hình không có ràng buộc (unrestricted
model).
•Để thực hiện kiểm định Wald chúng ta chỉ cần phải ước lượng duy nhất
phương trình không có ràng buộc.
•Tuy nhiên kiểm định Wald yêu cầu rằng các ràng buộc phi tuyến hay tuyến
tính xuất hiện trong giả thiết Null cùng với các giá trị Wald-statistic phải
được xác định theo định dạng ma trận: R() = r
với R() là hàm số theo beta và là vector cột Jx1 của các kết hợp tuyến tính
hay phi tuyến của các thông số ước lượng.
Kiểm định các giả thiết với mẫu lớn - Wald Test
Giá trị Wald statistic có phân phối xấp xĩ chi-square với số bậc tự do là số
lượng ràng buộc và được tính theo công thức sau:
𝑊 = (𝛽𝑈𝑅 − 𝛽𝑅 )2 𝐼 (𝛽𝑈𝑅 )
Khi mô hình hồi quy là tuyến tính thì kiểm định Wald tương tự như kiểm
định F : 𝑁𝑈𝑅2
𝑊 = 2
(1 − 𝑁𝑈𝑅 )
Nguyên tắc ra quyết định: bác bỏ H0 nếu W > Chi-squares critical value
Kiểm định các giả thiết với mẫu lớn - Kiểm định nhân tử Lagrange
(Lagrange Multiplier Test )
Kiểm định nhân tử Lagrange có thể được sử dụng để kiểm định bất kỳ loại
ràng buộc nào hoặc ràng buộc trong bất kỳ loại mô hình nào .
Giá trị thống kê kiểm định là LM statistic có phân phối xấp xĩ chi-squares
(approximate chi square distribution).
Với
n là kích cỡ mẫu.
m là số ràng buộc
R2 là unadjusted R2 có được từ hồi quy “hỗ trợ (auxiliary regression).
Nguyên tắc ra quyết định: bác bỏ H0 nếu LM > Chi-squares critical value
Dưới dạng tổng quát nhất thì kiểm định Wald gần giống như kiểm
định LR và kiểm định LM vì đều dựa trên sự khác biệt của các thông số
ước lượng từ phương trình hồi quy không có ràng buộc và có ràng buộc.
Và hơn nữa cả 3 kiểm định này đều cho các giá trị như nhau khi kích cỡ
mẫu quan sát tiến dần về vô cực.
Tuy nhiên cả 3 kiểm định này sẽ cho kết quả khác nhau ứng với một
mẫu quan sát cho trước.
Do vậy nếu kiểm định LM bác bỏ giả thiết mô hình có ràng buộc là có
giá trị thì tất cả các kiểm định khác cũng sẽ cho kết luận tương tự.
Nếu mô hình hồi quy là tuyến tính giản đơn thì kiểm định Wald (F và t-
tests) là thuận lợi nhất. Tuy nhiên khi mô hình được mở rộng, ví dụ phi
tuyến tính, thì khi đó kiểm định LM là thuận lợi nhất do phương pháp
này chỉ cần ước lượng mô hình có ràng buộc.
Hơn nữa là kiểm định LM dựa vào phần dư của mô hình có ràng buộc
nên được sử dụng để kiểm định “mô hình không đúng” (wrong
specification), “bỏ sót biến” (omitted variables) , phương sai thay đổi,
hiện tượng nội sinh....
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 50
Data Mining/Snooping/Fishing/Dredging
• White (2000): Data snooping xảy ra khi một bộ dữ liệu được sử dụng
nhiều hơn một lần cho các mục đích suy luận tìm kiếm mối quan hệ giữa
các biến trong bộ dữ liệu nhằm mục đích lựa chọn mô hình cho phù hợp.
Khi việc sử dụng lại dữ liệu như vậy xảy ra , luôn luôn có khả năng rằng
bất kỳ kết quả khả quan nào thu được có thể chỉ đơn giản là do cơ hội.
• Data snooping liên quan đến việc các nhà nghiên cứu sử dụng suy luận
thống kê và thực hiện phân tích hồi quy sau khi tìm hiểu và phân tích bộ
dữ liệu và điều này trái ngược với thông thường là các nhà nghiên cứu
xây dựng mô hình dựa trên nền tảng lý thuyết kinh tế -tài chính trước khi
tìm hiểu đặc điểm của bộ dữ liệu.
• Data snooping có thể được thực hiện một cách chuyên nghiệp và có đạo
đức, hoặc sai lạc và không có đạo đức, hoặc sai lạc vì vô tình. Sai lạc vì
vô tình là một lỗi phổ biến trong việc sử dụng số liệu thống kê.
• Nếu Data snooping xảy ra, mức ý nghĩa thống kê thật sẽ lớn hơn mức ý
nghĩa danh nghĩa đạt được.
Vũ Việt Quảng - Khoa Tài Chính - ĐHKT TPHCM 51
Chỉ tiêu thống kê đo lường mức độ phù hợp của mô hình
(Goodness of Fit Statistics)
• Sau khi thực hiện phân tích hồi quy chúng ta cần đo lường xem mô
hình hồi quy đã thực sự phù hợp với các dữ liệu như thế nào.
• Độ phù hợp của mô hình (goodness of fit) sẽ kiểm định xem mô hình
hồi quy trên mẫu dữ liệu (sample regression function) có phù hợp với
dữ liệu thức tế hay không?
y
• Chỉ tiêu thống kê đo lường mức độ phù hợp của mô hình phổ biến
nhất là R2. R2 chính là bình phương của hệ số tương quan (correlation
coefficient) giữa biến y và biến .
• Một cách đo lường khác là đánh giá sự khác biệt của các giá trị y xung
quanh giá trị bình quân của nó : TSS (Total Sum of Squares)
TSS yt y
2
ty y 2
tˆ
y y 2
t
ˆ
u 2
t t t
• Chia 2 về cho TSS, mức độ phù hợp của mô hình được tính như sau:
ESS TSS RSS RSS
R2 1
TSS TSS TSS
yt
yt
xt xt
2. R2 không bao giờ giảm khi ta bỏ thêm các biến giải thích vào mô hình:
Mô hình 1: yt = 1 + 2x2t + 3x3t + ut
Mô hình 2: y = 1 + 2x2t + 3x3t + 4x4t + ut
R2 cho mô hình 2 sẽ không bao giờ thấp hơn R2 của mô hình 1.
3. R2 thường rất cao đối với hồi quy chuỗi thời gian (time series
regressions).
• Để khắc phục những nhược điểm của R2, người ta thường sử dụng
“adjusted R2 “ theo đó R2 sẽ được điều chỉnh theo đó số bậc tự do bị mất đi
khi một biến giải thích được đưa thêm vào mô hình: R 2
T 1
R 1
2
(1 R 2 )
T k
• Như vậy khi ta bỏ thêm một biến giải thích vào mô hình, k sẽ gia tăng và
nếu R2 không tăng tương ứng thì adjusted R2 hay R 2 sẽ giảm.
• Tuy vậy vẫn còn tồn tại những bất lợi cho R2 hay adjusted R2 như là ứng
viên sáng giá cho tiêu chí để lựa chọn mô hình:
• Bây giờ giả sử chúng ta muốn so sánh 2 mô hình kiểm định (non-
nested models) sau:
Model 1 : yt 1 2 x2t ut
Model 2 : yt 1 2 x3t vt
• Chúng ta có thể sử dụng R2 hoặc adjusted R2, nhưng nếu ta gặp trường
hợp số biến giải thích là khác nhau giữa 2 mô hình?
• Có một cách tiếp cận khác là sử dụng kiểm định mô hình kết hợp :
Model 3 : yt 1 2 x2t 3 x3t wt
• Có tất cả 4 khả năng cho ra kết quả như sau khi mô hình 3 được ước lượng:
– 2 có ý nghĩa thống kê nhưng 3 thì không
– 3 có ý nghĩa thống kê nhưng 2 thì không
– 2 và 3 đều không có ý nghĩa thống kê
– Cả 2 và 3 đều có ý nghĩa thống kê
• Những vấn đề khác khi sử dụng mô hình kiểm định “kết hợp”
– Mô hình kết hợp có thể không có ý nghĩa về mặt lý thuyết
– Có thể có tương quan cao giữa 2 biến số khi được kết hợp chung vào
trong cùng một mô hình x2 and x3.
– Để kiểm định Non-nested Hypotheses, xem Davidson and MacKinnon
(1981) hay Gujatari (2003, page 533)
-Cách 1: sử dụng function “Series” hay “Genr” trong cửa sổ command, ví dụ:
Genr dcredit = consumer_credit - consumer_credit(-1)
hoặc
Series dcredit = consumer_credit - consumer_credit(-1)
hoặc
Genr dcredit = d(consumer_credit)
hoặc
Series dcredit = d(consumer_credit)
=> Tất cả đều cho kết quả như nhau.
- Cách 2: sử dụng menu Quick\Generate Series... sau đó chọn Genr và nhập vào
các phương trình chuyển đổi như sau:
dcredit = consumer_credit - consumer_credit(-1)
dcredit = d(consumer_credit)