BÀI TẬP NHÓM KINH TẾ LƯỢNG

Giai Đoạn 3: Kiểm tra và khắc phục khuyết tật phương sai sai số thay đổi
(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
Mô hình sau khi thực hiện kiểm định bỏ những biến không có ý nghĩa thống kê
và kiểm tra khuyết tật đa cộng tuyến (kí hiệu: mô hình [1]), thu được mô hình
hồi quy chi tiêu (CT) dựa theo các biến thu nhập (TN), nợ vay (NV), giới tính
(GT), NH*TN và DG*NV như sau:
Để có thể phát hiện và kiểm tra khuyết tật phương sai sai số thay đổi, ta cần rút
ra giá trị ctf (kí hiệu khác của ct^) tổ hợp tuyến tính của các biến giải thích trong
mô hình chứa nhiều biến giải thích như trên và phần dư ei.
Thao tác thực hiện nhằm rút ra giá trị của ctf: forecast => forecast name: ctf =>
bỏ chọn các dấu tích => graph: none => ok. Sau đó, ta sẽ thu được kết quả dưới
đây:

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.
Như vậy, kết quả thực hiện thu được biến phần dư ei và biến ước lượng ctf đã
hiển thị trong Workfile.
I. Kiểm tra khuyết tật phương sai sai số thay đổi của mô hình
1. Phương pháp đồ thị
a. Đồ thị biểu thị mối quan hệ giữa phần dư ei đối với ctf
Tại cửa sổ làm việc lớn, chọn Quick > Graph > Nhập “ctf e” > Enter > Basic
Graph > Scatter > Ok
Ta thu được đồ thị giá trị e theo ước lượng của chi tiêu (ctf):

Đồ thị biểu thị mối quan hệ giữa phần dư ei đối với ctf cho ta thấy giá trị phần
dư ei tăng, giảm đột biến khi giá trị ước lượng của chi tiêu (ctf) tăng. Từ đó, ta
có cơ sở để nghi ngờ khuyết tật phương sai sai số thay đổi tồn tại trong mô hình
[1].
b. Đồ thị biểu thị mối quan hệ giữa trị tuyệt đối phần dư ei đối với ctf
Tương tự, ta phác hoạ đồ thị trị tuyệt đối của e theo ước lượng của chi tiêu (ctf):
Tại cửa sổ làm việc lớn, chọn Quick > Graph > Nhập “ctf abs(e)” > Enter >
Basic Graph > Scatter > Ok
Thu được đồ thị sau:

Đồ thị biểu thị mối quan hệ giữa trị tuyệt đối phần dư ei đối với ctf cho ta thấy
giá trị trị tuyệt đối phần dư ei tăng, giảm đột biến khi giá trị ước lượng của chi
tiêu (ctf) tăng. Từ đó, ta có cơ sở để nghi ngờ khuyết tật phương sai sai số thay
đổi tồn tại trong mô hình [1].
c. Đồ thị biểu thị mối quan hệ giữa bình phương phần dư ei đối với ctf
Tương tự, ta phác hoạ đồ thị e bình phương theo ước lượng của chi tiêu (ctf):
Tại cửa sổ làm việc lớn, chọn Quick > Graph > Nhập “ctf e^2” > Enter > Basic
Graph > Scatter > Ok
Đồ thị dưới đây biểu thị mức độ tác động, biến thiên tăng/ giảm và mối liên hệ
giữa bình phương phần dư ei đối với ctf:
Đồ thị biểu thị mối quan hệ giữa bình phương phần dư ei đối với ctf cho ta thấy
giá trị bình phương phần dư ei tăng, giảm đột biến khi giá trị ước lượng của chi
tiêu (ctf) tăng. Từ đó, ta có cơ sở để nghi ngờ khuyết tật phương sai sai số thay
đổi tồn tại trong mô hình [1].
d. Đồ thị biểu thị mối quan hệ giữa log của phần dư ei bình phương đối với
ctf
Tương tự, ta phác hoạ đồ thị log của e bình phương theo ước lượng của chi tiêu
(ctf): Tại cửa sổ làm việc lớn, chọn Quick > Graph > Nhập “ctf log(e^2)” >
Enter > Basic Graph > Scatter > Ok
Thu được đồ thị sau:
Đồ thị biểu thị mối quan hệ giữa log của phần dư ei đối với ctf cho ta thấy giá
trị log phần dư ei tăng, giảm đột biến khi giá trị ước lượng của chi tiêu (ctf)
tăng. Từ đó, ta có cơ sở để nghi ngờ khuyết tật phương sai sai số thay đổi tồn tại
trong mô hình [1].
Từ 4 đồ thị được phác hoạ trên, ta rút ra kết luận như sau: có cơ sở nghi ngờ mô
hình [1] tồn tại khuyết tật phương sai sai số thay đổi.
2. Kiểm định Park
Từ cửa sổ ước lượng mô hình hồi quy, chọn View => Residual Diagnostics =>
Heteroskedasity Tests -> Harvey -> Xây dựng hàm hồi quy theo phương pháp
kiểm đinh Park (Harvey) nhập trên thanh công cụ Regressors “c log(ctf)” ->
OK
Vậy mô hình thu được dưới đây đo lường mức độ tác động của phần dư e theo
log(ctf), ctf là tổ hợp tuyến tính cho các biến giải thích trong mô hình:
Hàm hồi quy phụ được sử dụng trong kiểm định Park:
Log(ei^2) = -4.892853 + 1.030357 log(ctf)
Ta có 2 giả thuyết:
H0: Mô hình [1] có khuyết tật phương sai sai số thay đổi
H1: Mô hình [1] không có khuyết tật phương sai sai số thay đổi
Có: giá trị Prob(F) = 0.0071 < alpha = 10%
 Bác bỏ H0
 Có thể nói, Mô hình [1] có tồn tại khuyết tật phương sai sai số thay đổi
theo kiểm định Park
Hàm hồi quy phụ này có giá trị R^2 = 0.053217 (rất nhỏ) nên hàm chỉ có thể
giải thích 5.3% tác động của log(ctf) đến biến log(ei^2). Do vậy, ta không thể
dùng hàm hồi quy phụ này để khắc phục khuyết tật phương sai sai số thay đổi
bằng phương pháp bình phương nhỏ nhất có trọng số.

3. Kiểm định Glejser

Tại cửa sổ View, chọn Residual Diagnostics => Heteroskedasticity Test => ở ô
Test type chọn Glejser để thực hiện kiểm định.
Trên thanh công cụ Dependent variable gợi ý hàm: abs(RESID) => Xóa hàm
gợi ý cũ, xây dựng hàm hồi quy mới.
Tại “Regressors” nhập hàm hồi quy xét mới như sau: c abs( ctf ) => Bấm OK
Ta thu được mô hình như dưới biểu thị mối quan hệ giữa trị tuyệt đối phần dư ei
và biến giải thích ctf ( đại diện cho các biến giải thích trong mô hình).

Hàm hồi quy phụ được sử dụng trong kiểm định Glejser :
|ei| = 0.015595 + 0.100943 |ctf|
Ta có 2 giả thuyết:
H0: Mô hình [1] có khuyết tật phương sai sai số thay đổi
H1: Mô hình [1] không có khuyết tật phương sai sai số thay đổi
Có: giá trị Prob(F) = 0.000 < alpha = 10%
 Bác bỏ H0
 Có thể nói, Mô hình [1] có tồn tại khuyết tật phương sai sai số thay đổi
theo kiểm định Glejser
Hàm hồi quy phụ này có giá trị R^2 = 0.178351 (rất nhỏ) nên hàm chỉ có thể
giải thích 17.8% tác động của |ctf| đến biến |ei|. Do vậy, ta không thể dùng hàm
hồi quy phụ này để khắc phục khuyết tật phương sai sai số thay đổi bằng
phương pháp bình phương nhỏ nhất có trọng số.

4. Kiểm định White

Tại cửa sổ nhỏ sau khi chạy hồi quy > View > Residual Dianostics >
Heteroskedasticity Tests > White. Thực hiện thu được hình như dưới đây:
Sau đó, ta thực hiện bỏ chọn mục Include White cross terms > OK. Thu được
kết quả kiểm định khuyết tật phương sai sai số thay đổi bằng kiểm định dựa trên
kiểm định White.

Hàm hồi quy phụ được sử dụng trong kiểm định White :
ei^2 = - 0.023328 + 0.003181 TN^2 + 0.038928 NV^2 – 0.006254 GT^2 +
0.001463 NH*TN^2 – 0.123783 DGND*NV^2
Ta có 2 giả thuyết:
H0: Mô hình [1] có khuyết tật phương sai sai số thay đổi
H1: Mô hình [1] không có khuyết tật phương sai sai số thay đổi
Có: giá trị Prob(F) = 0.000 < alpha = 10%
 Bác bỏ H0
 Có thể nói, Mô hình [1] có tồn tại khuyết tật phương sai sai số thay đổi
theo kiểm định White
Hàm hồi quy phụ này có giá trị R^2 = 0.386058 nên hàm chỉ có thể giải thích
36.8% tác động của các biến TN^2, NV^2, GT^2, NH*TN^2, DGND*NV^2
đến biến ei^2. Do vậy, ta không thể dùng hàm hồi quy phụ này để khắc phục
khuyết tật phương sai sai số thay đổi bằng phương pháp bình phương nhỏ nhất
có trọng số.

5. Kiểm định dựa trên biến phụ thuộc

Tại cửa sổ nhỏ sau khi chạy hồi quy > View > Residual Dianostics >
Heteroskedasticity Tests > Breusch-Pagan-Godfrey
Nhập hàm “c ctf^2” > OK

Ta thu được kết quả kiểm định khuyết tật phương sai sai số thay đổi bằng kiểm
định dựa trên biến phụ thuộc như sau:
 Hàm hồi quy phụ được sử dụng trong kiểm định BPG :
ei^2 = - 0.007834 + 0.023063 ctf^2
Ta có 2 giả thuyết:
H0: Mô hình [1] có khuyết tật phương sai sai số thay đổi
H1: Mô hình [1] không có khuyết tật phương sai sai số thay đổi
Có: giá trị Prob(F) = 0.000 < alpha = 10%
 Bác bỏ H0
 Có thể nói, Mô hình [1] có tồn tại khuyết tật phương sai sai số thay đổi
theo kiểm định BPG (kiểm định dựa trên biến phụ thuộc)
Hàm hồi quy phụ này có giá trị R^2 = 0.224457 nên hàm chỉ có thể giải thích
22.44% tác động của ctf^2 đến biến ei^2. Do vậy, ta không thể dùng hàm hồi
quy phụ này để khắc phục khuyết tật phương sai sai số thay đổi bằng phương
phát bình phương nhỏ nhất có trọng số.

II. Khắc phục phương sai sai số thay đổi của MH

Bằng 4 đồ thị được phác hoạ cùng kết quả của 4 kiểm định Park, Glejser, White
và BPG, ta có cơ sở để khẳng định rằng mô hình [1] tồn tại phương sai sai số
thay đổi vì các giá trị ei, ei^2, |ei|, log(ei^2) đều tăng, giảm đột biến khi biến ctf
tăng và giá trị xác xuất kiểm định F trong các mô hình hồi quy phụ đều nhỏ hơn
alpha. (Với alpha = 10%)
Sau khi thực hiện kiểm định bằng các phương pháp trên, ta nhận thấy mô hình
tồn tại phương sai sai số thay đổi. Vì vậy, để mô hình trở nên tối ưu hơn, ta sẽ
thực hiện khắc phục phương sai của sai số thay đổi theo các thao tác dưới đây:
Mô hình mà ta cần khắc phục phương sai của sai số thay đổi (ở MH biến đổi ta
chọn View > Equation Output để quay trở về mô hình ban đầu nhằm thực hiện
khắc phục):

Dựa vào bảng trên, ta tiếp tục tiến hành các thao tác để khắc phục khuyết tật
phương sai sai số thay đổi của mô hình. Đầu tiên, ta chọn ô “Estimate” sau đó
chọn ô “Options” sẽ hiện ra bảng dưới đây:
Ở ô “Covariance method”, chọn “Huber-White” sau đó nhấn “OK”, ta thu được
kết quả như sau:

Sau khi khắc phục xong khuyết tật phương sai sai số thay đổi, ta nhận được một
môi hình hồi quy tối ưu hơn. Trong đó, các biến giải thích đều có ý nghĩa thống
kê và kết quả ước lượng có thể được sử dụng để đánh giá tác động của biến độc
lập đến biến phụ thuộc.
Giá trị R^2 = 0.906430 (rất cao) thể hiện rằng mô hình giải thích được 90.6%
tác động của các biến giải thích thu nhập (TN), nợ vay (NV), giới tính (GT),
NH*TN và DG*NV đến biến phụ thuộc chi tiêu (CT).