MAI-THT

1. Định lý Gauss-Markov
a, Các giả thiết của định lý
- Các biến độc lập có mặt trong MH là đại lượng phi ngẫu nhiên
- Trung bình mức độ ảnh hưởng của các đại lượng ngẫu nhiên tới biến phụ thuộc
khi xét ở cùng 1 giá trị của X luôn luôn =0.
𝐸(𝜀 / 𝑋 = 𝑋 ) = 0
- Var(𝜀 ) = 𝛿 = 𝑐𝑜𝑛𝑠𝑡
- Không có mối quan hệ tương quan giữa các đại lượng ngẫu nhiên với nhau
𝐶𝑜𝑣 𝜀 , 𝜀 = 0 (∀𝑖 ≠ 𝑗)
- Không có mối quan hệ tương quan giữa đại lượng ngẫu nhiên và biến giải thích
có mặt trong MH
𝐶𝑜𝑣 (𝜀 , 𝑋 ) = 0
- Ngoài 5 giả thiết trên, nếu chúng ta sử dụng OLS trong MH hồi quy bội thì chúng
ta có thêm 1 giả thiết sau: không có mối quan hệ tương quan giữa các biến giải
thích có mặt trong MH với nhau:
𝐶𝑜𝑣 𝑋 , 𝑋 = 0(∀𝑖 ≠ 𝑗)
2. Mô hình tự hồi quy, mô hình có trễ phân phối. Cho ví dụ?
a. Mô hình tự hồi quy
* Khái niệm:
- MH tự hồi quy là mô hình có chứa giá trị trễ của biến phụ thuộc được coi
như biến giải thích có mặt trong MH
- Dạng tổng quát:
𝒀𝒊 = 𝜶𝟎 + 𝜷𝟎 . 𝑿𝒊 + 𝜷𝟏 . 𝒀𝒊 𝟏 + 𝜷𝟐 . 𝒀𝒊 𝟐 + ⋯ + 𝜷𝒌 . 𝒀𝒊 𝒌 + 𝜺𝒊
Trong đó: + 𝑌 : là giá trị của biến phụ thuộc xét tại thời điểm i
+ 𝑋 : là giá trị của biến độc lập xét tại thời điểm i
+ 𝛼 , 𝛽 : là các hệ số
+ 𝜀 : là đại lượng ngẫu nhiên
+𝑌 : là giá trị trễ thứ k của biến phụ thuộc được coi như biến
giải thích có mặt trong MH
1
MAI-THT
+ k là bậc của mô hình tự hồi quy
k=1: MH tự hồi quy bậc nhất
𝒀𝒊 = 𝜶𝟎 + 𝜷𝟎 . 𝑿𝒊 + 𝜷𝟏 . 𝒀𝒊 𝟏 + 𝜺𝒊
VD: 𝑌 = 𝛼 + 𝛽 .𝑋 + 𝛽 .𝑌 + 𝜀
Khi nghiên cứu các nhân tố ảnh hưởng đến chỉ tiêu, người ta nhận xét ở trong
hoàn cảnh cụ thể nào đó, không chỉ thu nhập tác động làm cho chỉ tiêu thay đổi mà
chỉ tiêu ở các thời kì trước đó cũng làm thay đổi chỉ tiêu ở thời kì hiện tại.
Trong đó: + 𝑌 : Chi Tiêu ở thời kì i
+ 𝑋 : Thu nhập ở thời kì i
+ 𝛼 , 𝛽 , 𝛽 : hệ số
+ 𝑌 : Chi Tiêu ở thời kì trước
+ 𝜀 : đại lượng ngẫu nhiên
b. Mô hình có trễ phân phối
* Khái niệm:
- MH có trễ phân phối là MH không chỉ chứa giá trị hiện tại của biến giải
thích mà còn chứa cả các giá trị trễ của biến giải thích
- Dạng tổng quát:
𝒀 𝒊 = 𝜶𝟎 + 𝜷 𝟎 . 𝑿 𝒊 + 𝜷 𝟏 . 𝑿 𝒊 𝟏 + 𝜷𝟐 . 𝑿 𝒊 𝟐 + ⋯ + 𝜷𝒌 . 𝑿 𝒊 𝒌 + ⋯+
𝜺𝒊
Trong đó: + 𝑌 : là giá trị của biến phụ thuộc xét tại thời điểm i
+ 𝑋 : là giá trị của biến độc lập xét tại thời điểm i
+ 𝛼 , 𝛽 : là các hệ số
+ 𝜀 : là đại lượng ngẫu nhiên
+𝑋 : là giá trị trễ thứ k của biến giải thích
+ k → ∞ : người ta gọi là MH có trễ phân phối vô hạn
VD: Sản lượng sản xuất của 1 sản phẩm ở thời kì thứ i nó không chỉ phụ
thuộc vào giá của sản phẩm ở thời kì đó mà còn phụ thuộc vào giá của sản phẩm ở
thời kì trước.
𝒀𝒊 = 𝜶𝟎 + 𝜷𝟎 . 𝑷𝒊 + 𝜷𝟏 . 𝑷𝒊 𝟏 + 𝜺𝒊
2
MAI-THT
Trong đó: + 𝑌 : là sản lượng thời kì i
+ 𝑃 : là giá thành thời kì i
+ 𝛼 , 𝛽 : là các hệ số
+ 𝜀 : là đại lượng ngẫu nhiên
+𝑃 là giá thành thời kì trước
3. Khái niệm đa cộng tuyến, đa cộng tuyến không hoàn hảo, đa
cộng tuyến hoàn hảo, hậu quả khi có đa cộng tuyến gần hoàn hảo
- Đa cộng tuyến: xảy ra trong mô hình khi giữa các biến độc lập có quan hệ
ràng buộc với nhau.
- Đa cộng tuyến hoàn hảo: xảy ra trong MH hồi quy nếu tồn tại 1 bộ số
𝜆 : 𝜆 . 𝑋 + 𝜆 . 𝑋 + ⋯ + 𝜆 . 𝑋 = 0, ∑ λ ≠ 0

- Đa cộng tuyến không hoàn hảo: xảy ra trong MH hồi quy nếu tồn tại 1 bộ số
𝜆 : 𝜆 . 𝑋 + 𝜆 . 𝑋 + ⋯ + 𝜆 . 𝑋 + 𝑣 = 0, 𝑣 là yếu tố ngẫu nhiên.
- Hậu quả khi có đa cộng tuyến gần hoàn hảo:
+ Hệ số tương quan riêng tiến tới 1 làm phương sai của độ lệch tiêu chuẩn đạt
giá trị cực đại.
𝜎
𝑣𝑎𝑟 𝛽 = → ∞
∑ 𝑥 . (1 − 𝑟 , )

+ Khoảng tin cậy của tham số trở nên rộng hơn: 𝛽 ∈ 𝛽 ± 𝑡 / . 𝑆𝑒 𝛽

+ Thống kê t có ý nghĩa thấp
+ Dấu của các tham số hồi quy ước lượng được có thể sai.
+ Khi thêm vào hay bớt đi các biến có cộng tuyến với các biến khác thì sẽ làm
thay đổi độ lớn hoặc thay đổi dấu của các tham số ước lượng được.
4. Khái niệm và hậu quả khi có tự tương quan
- Khái niệm: tự tương quan được hiểu là sự tượng quan giữa các thành phần
trong cùng một chuỗi thời gian hoặc chuỗi số liệu được sắp xếp trong không gian.
MH:
𝑌 = 𝛽 + 𝛽 . 𝑋 + 𝜀 → 𝐶𝑜𝑣 𝜀 , 𝜀 ≠ 0∀𝑖 ≠ 𝑗

3
MAI-THT
𝑌 = 𝛽 + 𝛽 . 𝑋 + 𝜀 → 𝐶𝑜𝑣 (𝜀 , 𝜀 )≠0∀𝑠 ≠0
- Hậu quả:
+ Ước lượng bình phương nhỏ nhất thông thường là ước lượng tuyến tính
không chệch nhưng không phải là ước lượng tốt nhất.
+ Phương sai ước lượng được của các ước lượng bình phương nhỏ nhất thông
thường là chệch. Phương sai cùng sai số kỹ thuật nhỏ do đó tỷ lệ số t lớn dẫn tới
trường hợp 1 tham số không có ý nghĩa về mặt thống kê nhưng vẫn được ước
lượng chấp nhận.
+ Thống kê t và f có ý nghĩa thấp.
+ Công thức thường tính phương sai của sai số là ước lượng chệch của
phương sai tổng thể thực trong nhiều trường hợp có ước lượng thấp phương sai
tổng thể thực.
5. Khắc phục tự tương quan khi biết tự tương quan
Xét mô hình: 𝑌 = 𝛽 + 𝛽 . 𝑋 + 𝜀 (1)
→ 𝐶𝑜𝑣 (𝜀 , 𝜀 ) = 0, ∀ 𝑠 ≠ 0; 𝜀 = 𝜌 . 𝜀 + 𝜃 ; 𝜃 𝑡𝑚: 𝐸(𝜃 ) =
0, 𝑣𝑎𝑟(𝜃 ) = 𝜎 , 𝐶𝑜𝑣 (𝜃 , 𝜃 ) = 0, ∀ 𝑠 ≠ 0
Lấy trễ (1): 𝑌 = 𝛽 + 𝛽 .𝑋 + 𝜀 (2)
Lấy (2).𝜌 ta được: 𝜌. 𝑌 = 𝜌. 𝛽 + 𝜌. 𝛽 . 𝑋 + 𝜌. 𝜀 (3)
Lấy (1) – (3) ta được: 𝑌 − 𝜌. 𝑌 = (1 − 𝜌). 𝛽 + (𝑋 − 𝜌. 𝑋 ). 𝛽 + 𝜀 −
𝜌. 𝜀 (4)
=> 𝑌 ∗ = 𝛽 ∗ + 𝛽 ∗ . 𝑋 ∗ + 𝜀 ∗ (5)
Phương trình (5) được gọi là phương trình sai phân tổng quát áp dụng phương
pháp bình phương nhỏ nhất cho phương trình này sẽ thu được các ước lượng thấp
nhất tuy nhiên khi sử dụng phương trình sai phân tổng quát chúng ta bị mất đi quan
sát đầu do đó phải bổ sung: 𝑋 ∗ = 𝑋 . 1 − 𝜌 , 𝑌 ∗ = 𝑌 . 1 − 𝜌 .
6. Phương sai không thuần nhất, nguyên nhân và hậu quả
- Khái niệm: phương sai của sai số thay đổi là hiện tượng xảy ra trong mô
hình hồi quy khi phương sai của các yếu tố ngẫu nhiên không đồng thời bằng nhau:
𝑣𝑎𝑟(𝜀 ) = 𝜎 ≠ 𝑐𝑜𝑛𝑠𝑡

4
MAI-THT
- Nguyên nhân:
+ Do bản chất của các mối liên hệ kinh tế có chứa đựng hiện tượng này, ví dụ
khi thu nhập tăng thì tiết kiệm tăng nhưng mức tăng của tiết kiệm ở các nhóm có
thu nhập khác nhau là khác nhau.
+ Do kỹ thuật thu nhập và xử lý số liệu ngày càng hiện đại, sai lầm phạm phải
ngày càng ít do đó mức độ phân tán của số liệu quanh giá trị trung bình nhỏ.
+ Do con người học được các hành vi trong quá khứ và tránh được các sai
lầm khi chọn mô hình (ví dụ: lỗi đánh máy mắc phải sẽ giảm dần khi thời gian thực
hành đánh máy tăng lên).
+ Do xuất hiện các quan sát ngoại lai trong số liệu.
- Hậu quả:
+ Ước lượng bình phương nhỏ nhất thông thường mặc dù không chệch nhưng
không phải là ước lượng tốt nhất.
+ Ước lượng các phương sai bị sai lệch nhiều làm kém hiệu lực khi kiểm định
và làm cho khoảng tin cậy rộng hơn.
+ Kiểm địng t và f không còn đáng tin cậy.
7. Cách biến đổi mô hình có phương sai không thuần nhất về mô hình có
phương sai thuần nhất
+ Xét MH 2 biến: 𝑌 = 𝛽 + 𝛽 . 𝑋 + 𝜀
Var (𝜀 ) = 𝛿 ≠ 𝑐𝑜𝑛𝑠𝑡
+ Phương trình có thể viết dưới dạng:
𝑌 = 𝛽 .𝑋 + 𝛽 . 𝑋 + 𝜀 (1) 𝑣ớ𝑖 𝑋 = 1 ∀𝑖
+ Với mỗi i, chia cả 2 vế của PT (1) cho 𝛿 (𝛿 > 0) đượ𝑐:

=𝛽 . +𝛽 . + (2)
∗
+ Đặt 𝑋 = ; 𝑋∗= ;𝜀 ∗ = ; 𝑌∗ =

+ PT (2) trở thành:

𝑌∗ = 𝛽 .𝑋 ∗
+ 𝛽 . 𝑋 ∗ + 𝜀 ∗ (3)

+Var (𝜀 ∗ ) = 𝐸. (𝜀 ∗ ) = 𝐸. = . 𝐸(𝜀 ∗ ) = = 1(∀𝑖) = 𝑐𝑜𝑛𝑠𝑡

5
MAI-THT
Kết luận: Thủ tục biến đổi MH gốc có phương sai của sai số có thay đổi về
MH có phương sai của sai số không đổi, sau đó áp dụng phương pháp bình phương
nhỏ nhất thông thường cho MH (3) để thu được các kết quả tốt nhất gọi là phương
pháp bình phương nhỏ nhất tổng quát, bằng phương pháp này cho ta các ước lượng
tương tự như ước lượng thu được bằng phương pháp bình phương nhỏ nhất có
trọng số.
8. Mô hình tốt
Một mô hình được coi là tốt nếu có đủ các thuộc tính sau:
- Tính tiết kiệm: nguyên tắc tiết kiệm cho rằng mô hình càng đơn giản càng
tốt.
- Tính đồng nhất: với mỗi tập số liệu đã cho các tham số ước lượng được phải
là duy nhất.
- Tính phù hợp: mô hình hồi quy được coi là phù hợp nếu hệ số bội tính được
cao.
- Tính bền vững về mặt lý thuyết.
- Có khả năng cho kết quả dự báo sát với thực tế.

9. Khắc phục đa cộng tuyến bằng thông tin tiên nghiệm

+Khắc phục đa cộng tuyến bằng thông tin tiên nghiệm: là những thông tin mà
chúng ta biết trước về vấn đề nghiên cứu
Xét MH biểu thị hàm sản xuất:
𝑄 = 𝐴𝐾 . 𝐿 . 𝑒 (1)
Trong đó:+ 𝑄 , 𝐾 , 𝐿 là mức sản lượng, vốn và lao động xét ở thời kì t
+ 𝐴, 𝛼, 𝛽 là các hệ số
+ 𝜀 𝑙à đạ𝑖 𝑙ượ𝑛𝑔 𝑛𝑔ẫ𝑢 𝑛ℎ𝑖ê𝑛
MH (1) có đa cộng tuyến do 𝐾 𝑣à 𝐿 có mối quan hệ với nhau
(1) → 𝑙𝑛𝑄 = ln 𝐴 + 𝛼𝑙𝑛 𝐾 + 𝛽𝑙𝑛 𝐿 + 𝜀 (2)
6
MAI-THT
Với in4 tiên nghiệm, chúng ta biết trước về mối quan hệ này là lợi tức không
đổi theo quy mô ( 𝛼 + 𝛽 = 1) → 𝛼 = 1 − 𝛽 thay vào (2).
𝑙𝑛𝑄 = ln 𝐴 + (1 − 𝛽) 𝑙𝑛 𝐾 + 𝛽𝑙𝑛 𝐿 + 𝜀
𝑙𝑛𝑄 − 𝑙𝑛 𝐾 = 𝑙𝑛𝐴 + 𝛽(𝑙𝑛 𝐿 − 𝑙𝑛 𝐾 ) + 𝜀

ln = 𝑙𝑛𝐴 + 𝛽ln( ) + 𝜀

∗
Đặt 𝑄 = ln 𝑋 ∗ = ln( )

𝐴∗ = 𝑙𝑛𝐴
∗
→𝑄 = 𝐴∗ + 𝛽𝑋 ∗ + 𝜀 (∗)
Kết luận: Với thông tin tiên nghiệm, chúng ta biết trước vấn đề nghiên cứu,
chúng ta biến đổi MH (1) có hiện tượng đa cộng tuyến về MH(∗) không còn hiện
tượng đa cộng tuyến. Từ đó chúng ta có thể áp dụng OLS để ước lượng các tham
số của MH cho được kết quả ước lượng như mong muốn.
10. Cách biến đổi MH hồi quy có trễ phân phối vô hạn về MH tự hồi
quy bậc nhất
Xét MH có trễ phân phối vô hạn:
𝑌 = 𝛼 + 𝛽 .𝑋 + 𝛽 .𝑋 + 𝛽 .𝑋 + ⋯+𝛽 .𝑋 +⋯+𝜀 (1)
Áp dụng phương pháp Kyoc
𝛽 cùng dấu
Giả thiết:
𝛽 giảm dần theo cấp số nhân: 𝛽 = 𝛽 . 𝜆 với 𝜆 ∈ (0,1)

Lấy trễ 1 thời kì của (1)

𝑌 = 𝛼 + 𝛽 .𝑋 + 𝛽 .𝑋 +⋯+𝛽 .𝑋 + ⋯ + 𝜀 (2)
Nhân 2 vế của PT (2) với 𝜆
𝜆𝑌 = 𝜆𝛼 + 𝜆𝛽 . 𝑋 + 𝜆𝛽 . 𝑋 + ⋯ + 𝜆𝛽 .𝑋 + ⋯ + 𝜆𝜀
𝜆𝑌 = 𝜆𝛼 + 𝛽 . 𝑋 + 𝛽 .𝑋 + ⋯+ 𝛽 .𝑋 + ⋯ + 𝜆𝜀 (3)
Lấy (1) – (3)
𝑌 − 𝜆𝑌 = 𝛼 (1 − 𝜆) + 𝛽 . 𝑋 + 𝜀 − 𝜆𝜀
→ 𝑌 = 𝛼 (1 − 𝜆) + 𝛽 . 𝑋 + 𝜆𝑌 + 𝜀 − 𝜆𝜀
∗
Đặt 𝛼 = 𝛼 (1 − 𝜆)
7
MAI-THT
𝜀 ∗ = 𝜀 − 𝜆𝜀
∗
𝑌 = 𝛼 + 𝛽 . 𝑋 + 𝜆. 𝑌 + 𝜀∗
Kết luận:
+ Bằng phương pháp Kyoc, chúng ta biến đổi MH có trễ phân phối (1) về MH
(*) là MH tự hồi quy bậc nhất
+ Sự xuất hiện của giá trị trễ của biến phụ thuộc (𝑌 ) trong MH vẫn gây ra 1
số hạn chế nhất định làm MHHQ có thể vi phạm 1 số các giả thiết của định lý
Gauss
+ Sự xuất hiện của giá trị trễ của biến phụ thuộc (𝑌 ) sẽ gây ra hậu quả là
chúng ta sẽ không thể áp dụng được kiểm định D - Durbin Waston để kiểm định sự
có hay không hiện tượng tự tương quan trong MH.