BÀI TẬP NHÓM KINH TẾ LƯỢNG

Giai Đoạn 4: Kiểm tra và khắc phục khuyết tật tự tương quan
(i) Danh sách nhóm
1, Trần Ngọc Khánh Linh (nhóm trưởng)
2, Trần Phương Nga
3, Trần Đức Ngọc
4, Hà Uyên Nhi
5, Đào Thị Phương Mai
6, Chử Nguyên Băng
7, Nguyễn Thị Phương Thảo
8, Nguyễn Như Đức
9, Nguyễn Thị Thu Hà
(ii) Chi tiết các bước thực hiện Eviews kèm kết quả từ Eviews, bình luận kết
quả thu được
Để kiểm tra khuyết tật tự tương quan, đầu tiên ta mở Eviews tạo Workfile.
Ở ô “Workfile structure type”, chọn Dated – regular frequency (vì kiểm tra khuyết
tật tự tương quan dựa vào dữ liệu thời gian).
Với các dữ liệu hiện có, ta tạo thêm biến dữ liệu chuỗi thời gian là các ngày từ 1
đến 135, sau đó nhập vào như sau: “Frequency” > “Start date: 1” > “End date:
135”
1. Kiểm tra khuyết tật tự tương quan
Để kiểm tra khuyết tật tự tương quan, ta cần rút ra phần dư ei.
Thao tác thực hiện nhằm rút ra giá trị của phần dư ei: phần dư ei sẽ được đẩy vào
RESID. Trên thanh công cụ trắng nhập dữ liệu “Command”, ta nhập câu lệnh như
sau: “SERIES E = RESID” => enter.
a. Phương pháp đồ thị
Thực hiện chạy đồ thị biến động của phần dư e với chuỗi thời gian
- Tại cửa sổ làm việc lớn, chọn cửa sổ “Quick” => chọn “Graph”
- Nhập tại “Series List” biến “e” => OK
Ta thu được kết quả là đồ thị sau đây:

Tương tự, thao tác thực hiện chạy đồ thị biến động của phần dư ei ở thời điểm hiện
tại phụ thuộc vào phần dư ở trước đó một thời kỳ e(-1) như sau:
- Tại cửa sổ làm việc lớn, chọn cửa sổ “Quick” => chọn “Graph”
- Nhập tại “Series List” lần lượt “e e(-1)” => OK => Chọn Scatter => ở mục
Fit Lines chọn Regression line => OK
Ta thu được kết quả là đồ thị sau đây:
Qua việc thực hiện vẽ đồ thị phần dư theo biến thời gian để kiểm tra mô hình ban
đầu có tồn tại khuyết tật tự tương quan hay không, ta có thể thấy:
- Các phần dư trong đồ thị không có mô hình hay xu hướng rõ ràng nào. Các
điểm dư phân bố một cách ngẫu nhiên, không theo quy luật xung quanh trục
hoành (tức là đường y = 0).

- Các sai số (errors) không có mối quan hệ với nhau qua các khoảng thời gian
hoặc các khoảng không gian, không cho thấy mẫu nào rõ ràng trong cách phân
bố các điểm dư từ phần dư e, và cả sự tác động qua lại của 2 thời kì e và e(-1).

=> Vậy, mô hình ban đầu hiện được công nhận là mô hình tối ưu nhất. Mô hình có
các phần dư phân phối ngẫu nhiên xung quanh đường trung bình, chứng tỏ rằng
mô hình đã bắt được hết các xu hướng chính trong dữ liệu và các sai số chỉ là ngẫu
nhiên.

b. Kiểm định Durbin -Watson

Sau khi nhập số liệu và đổi tên các biến, ta thực hiện các thao tác như sau:
> Quick > Estimate Equation > Nhập hàm: ct c tn nv > OK
Ta thu được bảng kết quả mô hình hồi quy như sau:
Thực hiện kiểm định mô hình hồi quy Durbin – Watson nhằm kiểm tra xem mô
hình ban đầu có tồn tại khuyết tật tự tương quan không. Ta nhận thấy, giá trị thống
kê d của Durbin – Watson thu được bằng 2.258329. Mô hình có:
- n=135 (tổng số quan sát trong mô hình), k’=2 (số biến giải thích trong mô hình)
- dL=1.634, dU=1.715 (với mức ý nghĩa alpha = 5%)
Nhận xét: 2 < d < 4-dU < 4-dL < 4 (2 < 2.258 < 2.285 < 2.366 < 4)
=> Không xác định được sự tồn tại của khuyết tật tự tương quan ở mô hình ban
đầu (mô hình 1).

c. Kiểm định Breusch – Godfrey (BG)

Thực hiện kiểm định BG của biến phần dư ei theo các biến TN (thu nhập), NV (nợ
vay), biến phần dư trước đó 1 thời kỳ e (-1):
Các bước thực hiện: Từ bảng hồi quy chọn View -> Residual Diagnostics ->
Serial Correlation LM Test… -> nhập “1”

Với alpha = 5%, ta có hai cặp giả thuyết:

H0: Mô hình 1 không tồn tại khuyết tật tự tương quan bậc 1
H1: Mô hình 1 tồn tại khuyết tật tự tương quan bậc 1
Ta có: Prob(F) = 0.1325 > alpha = 0.05
=> Chưa đủ cơ sở bác bỏ H0
=> Có thể nói, mô hình 1 không tồn tại khuyết tật tự tương quan bậc 1

Do kiểm định trên chưa tìm thấy khuyết tật tự tương quan bậc 1 trong mô hình, ta
tiến hành kiểm định BG của biến phần dư ei theo các biến TN (thu nhập), NV (nợ
vay), biến phần dư trước đó 1 thời kì e(-1), biến phần dư trước đó 2 thời kỳ e (-2)
và biến phần dư trước đó 3 thời kỳ e (-3):

Với alpha = 5%, ta có hai cặp giả thuyết:

H0: Mô hình 1 không có tồn tại khuyết tật tự tương quan cho đến bậc 3
H1: Mô hình 1 tồn tại khuyết tật tự tương quan bậc nhỏ hơn bằng 3
Ta có: Prob(F) = 0.5141 > alpha = 0.05
=> Chưa đủ cơ sở bác bỏ H0
=> Có thể nói, mô hình 1 không tồn tại khuyết tật tự tương quan cho đến bậc 3.

Vậy, theo kiểm định BG, không tìm thấy khuyết tật tự tương quan ở mô hình ban
đầu.

Bên cạnh những cách kiểm tra bên trên, ta có thể thực hiện mô hình hồi quy phụ
phần dư ở thời điểm hiện tại phụ thuộc vào phần dư ở thời kỳ trước đó để có
thể rút ra kết luận có cơ sở và chắc chắn hơn về sự không tồn tại khuyết tật tự
tương quan ở mô hình ban đầu (mô hình 1)

Tại cửa sổ làm việc lớn, chọn cửa sổ “Quick” => chọn “Estimate Equation” =>
Nhập tại Equation specification các biến: “e c e(-1) e(-2)”. Trong đó, “e(-1)” là
trước đó 1 thời kì; “e(-2)” là trước đó 2 thời kỳ. Chọn “Ok” => Hiện ra bảng
“Delete United Equation” hiển thị kết quả như sau:

Nhận thấy Prob. của e(-1) = 0.1418 > alpha=5% (0.05) nên biến “e(-1)” không có ý
nghĩa thống kê => Không có khuyết tật tự tương quan bậc 1.

Có Prob. của e(-2) = 0.8797 > alpha=5% (0.05) nên biến “e(-2)” không có ý nghĩa
thống kê => Không có khuyết tật tự tương quan bậc 2.

=> Mô hình ban đầu không tồn tại khuyết tật tự tương quan bậc 1, bậc 2 đồng thời
không xảy ra khuyết tật tự tương quan ở các bậc cao hơn.

Kết luận về khuyết tật tự tương quan của mô hình: Qua việc thực hiện các
phương pháp kiểm tra nhằm phát hiện khuyết tật tự tương quan của mô hình ban
đầu, ta có thể thấy mô hình đã chốt ở giai đoạn 3 hiện là mô hình tối ưu nhất với
các biến số đều có ý nghĩa thống kê, mức độ giải thích và độ tin cậy của mô hình
cao.