CHƯƠNG 4: CÁC KHUYẾT TẬT CỦA MÔ HÌNH

PHẦN 1. ĐA CỘNG TUYẾN

(MULTICOLLINEARITY)

1
 1.1. Bản chất của đa cộng tuyến

• Xét mô hình hồi quy k biến

Yi  1   2 X 2i   3 X 3i  ...   k X ki  U i
• Đa cộng tuyến là hiện tượng xảy ra đối với mô
hình hồi quy bội khi các biến độc lập có quan
hệ cộng tuyến với nhau và được chia làm hai
loại:
- Đa cộng tuyến hoàn hảo (Perfect Multi)
- Đa cộng tuyến không hoàn hảo (Inperfect
Multi).

2
1.1.1. Đa cộng tuyến hoàn hảo
• Là hiện tượng mà giữa các biến độc lập của mô hình có
quan hệ thoả mãn điều kiện sau:
2 X 2i  3 X 3i  ...  k X ki  0(1)
Trong đó: λ2, λ3,…, λk là các hệ số không đồng thời
bằng không, tức
 2là:  2  ...   2  0
2 3 k

• Giả sử: λ2 ≠0. Khi đó (1) có thể viết thành biểu thức như
sau: X   3 X  4 X  ...  k X
2i
2 3i
2 4i
2 ki

Tức là X2i phụ thuộc hàm số vào các biến độc lập còn
lại. 3
1.1.2. Đa cộng tuyến không hoàn hảo
• Là hiện tượng mà giữa các biến độc lập của mô hình
có quan hệ thoả mãn điều kiện sau:
2 X 2i  3 X 3i  ...  k X ki  Vi  0(2)
Trong đó: Vi là sai số ngẫu nhiên và λ2, λ3,…, λk là
các hệ số không2 đồng2 thời bằng2 không, tức là:
2  3  ...  k  0
• Giả sử: λ2 ≠0. Khi đó (1) có thể viết thành biểu thức
như sau: 3 4 k 1
X 2i   X 3i  X 4i  ...  X ki  Vi
2 2 2 2

Tức là X2i phụ thuộc tương quan với các biến độc lập
còn lại.
4
 1.2. Nguyên nhân của đa cộng tuyến

• Do bản chất các biến độc lập đã có sẵn quan hệ

cộng tuyến với nhau.
• Do số liệu mẫu không ngẫu nhiên hoặc kích
thước mẫu không đủ lớn nên không đại diện tốt
nhất cho tổng thế.
• Do quá trình xử lý số liệu đã được làm trơn.
• Do chỉ định mô hình sai…

5
 1.3. Hậu quả của hiện tượng đa cộng
tuyến
• Xét mô hình
Yi  1   2 X 2i  3 X 3i  U i
TH1: Nếu có đa cộng tuyến hoàn hảo thì lúc đó không thể
ước lượng được các hệ số hồi quy và phương sai của chúng là
vô hạn.
- Giả sử:
X 2i   X 3i  x2i   x3i (  0)  r23 = r32  1

6
 - Khi đó:
n n n n
( x2i yi )( x )  ( x3i yi )( x2i x3i )
2
3i
0
ˆ2  i 1
n
i 1
n
i 1
n
i 1

0
( x )( x )  ( x2i x3i ) 2
2
2i
2
3i
i 1 i 1 i 1
n n n n
( x3i yi )( x )  ( x2i yi )( x2i x3i )
2
2i
0
ˆ3  i 1
n
i 1
n
i 1
n
i 1

0
( x )( x )  ( x2i x3i ) 2
2
2i
2
3i
i 1 i 1 i 1

2
Var ( ˆ2 )  n
 
x
i 1
2
2i (1  r232 )

2
Var ( ˆ3 )  n
 
 3i 23 )
x 2

i 1
(1  r 2

7
-Một số hậu quả
- Giả sử:
+ Phương sai và hiệp phương sai của các hệ số hồi
quy ước lượng được sẽ tăng lên cùng với mức độ
đa cộng tuyến.
x2i   x3i  Vi (  0)  r23  r32  1
+ Các khoảng tin cậy của các hệ số hồi quy sẽ
rộng hơn và kiểm định T có thể mất ý nghĩa vì
luôn có xu hướng thừa nhận H0.

8
+ Hệ số R2 có thể khá cao nhưng các giá trị thống kê của
kiểm định T khá nhỏ, điều này tạo ra sự mâu thuẫn về ý
nghĩa của hệ số R2. Khi đó các kiểm định T và F có thể
cho kết luận mâu thuẫn vì kiểm định F luôn có xu hướng
bác bỏ H0.
+ Mô hình trở lên nhạy cảm với sự thay đổi của số liệu.
+ Dấu của các hệ số hồi quy ước lượng được có thể không
phù hợp với lý thuyết kinh tế và việc thêm hoặc bớt một
biến độc lập có thể làm thay đổi đáng kể về dấu và giá trị
của các hệ số hồi quy ước lượng được.

9
• Chú ý:
- Trong thực tế đa cộng tuyến hoàn hảo gần như không
bao giờ xảy ra vì sự phụ thuộc hàm số giữa các biến
độc lập chỉ tồn tại về mặt lý thuyết. Do đó trong các
mô hình hồi quy bội khi nói đến vấn đề đa cộng tuyến
thì chúng ta hiểu đó là hiện tượng đa cộng tuyến
không hoàn hảo.
- Đối với mô hình hồi quy bội người ta không xem xét
vấn đề có hay không có đa cộng tuyến mà xem xét
mức độ nghiêm trọng của đa cộng tuyến.
- Nói chung khi có đa cộng tuyến không hoàn hảo các
ước lượng nhận được vẫn có tính chất không chệch
nên vẫn có thể dùng để dự báo.
10
 1.4. Phát hiện ra đa cộng tuyến
• Đa cộng tuyến đề cập đến điều kiện của các biến độc
lập được giả thiết là phi ngẫu nhiên nên nó là vấn đề
liên quan đến tệp số liệu mẫu chứ không phải của tổng
thể do đó chúng ta không kiểm định đa cộng tuyến.
• Không có một phương pháp thực sự hoàn thiện để phát
hiện đa cộng tuyến. Chúng ta chỉ có các dấu hiệu cho
thấy có thể có hiện tượng đa cộng tuyến.
• Xét mô hình

Yi  1   2 X 2i  ...   j X ji  ...   k X ki  U i

11
 1.4. Phát hiện ra đa cộng tuyến
1. Phân tích định tính
Căn cứ vào nội dung kinh tế của các biến độc lập có
trong mô hình để xem xét khả năng có tồn tại hiện
tượng đa cộng tuyến trong mô hình hay không.

2. Căn cứ vào các kết luận của kiểm định T và F

Nếu các kết luận mâu thuẫn với nhau thì đó có thể là
dấu hiệu của đa cộng tuyến.

12
3. R2 cao nhưng tỉ số t thấp
R2 > 0,8 mà tỉ số t thấp => có thể có dấu hiệu của ĐCT

4. Căn cứ vào hệ số tương quan của các biến độc lập:

Nếu các hệ số tương quan khá cao thì có thể nghi ngờ
có hiện tượng đa cộng tuyến.
(r > 0,8 thì có hiện tượng ĐCT)

( x2 x3 ) 2

r 
2

x x 2
2
2
3

13
5. Dùng hồi quy phụ
- Bước 1: Hồi quy mô hình phụ sau
X ji  1  2 X 2i  ...   j 1 X j 1i   j 1 X j 1i  ...  k X ki  Vi  R 2j (j  2  k )
- Bước 2: kiểm định cặp giả thiết
 H 0 : R 2j  0 mô hình không có đa cộng tuyến
 mô hình có đa cộng tuyến
 1 j  0
2
H : R
+ Tiêu chuẩn kiểm định:
R 2j /(k  1  1)
Fj  F (k  2, n  k  1)
(1  R ) /(n  k  1)
2
j
k số hệ số trong mô hình gốc
+ Miền bác bỏ Ho với mức ý nghĩa α cho trước
W  F j : F j  F (k  2, n  k  1)
14
6. Nhân tử phóng đại phương sai (Variance inflating
factor – VIF)
- Bước 1: Hồi quy biến Xj với các biến độc lập còn lại
2
tìm được jR
- Bước 2: Xác định đại lượng
1
VIF ( X j )  ( j  2  k)
1 Rj
2

- Nếu VIF(Xj) > 10 thì Xj có thể cộng tuyến với các biến
độc lập còn lại.

15
 7. Độ đo Theil
- Bước 1: hồi quy mô hình đã cho thu được R2
- Bước 2: Lần lượt hồi quy các mô hình sau:
Yi  1   2 X 2i  ...   j 1 X j 1i   j 1 X j 1i  ...   k X ki  Vi  R 2j (j  2  k )
- Bước 3: Xác định đại lượng
k
m  R   ( R 2  R 2j )
2

j 2

+ Nếu m=0 thì mô hình gốc không có đa cộng tuyến

+ Nếu m≠0 thì mô hình gốc có đa cộng tuyến hoàn hảo
- Như vậy độ đo Theil đo mức độ cộng tuyến chung
của mô hình.

16
 1.5. Khắc phục hiện tượng đa cộng tuyến
1. Sử dụng thông tin tiên nghiệm

 2 3
Ví dụ Qi   1 i Li .e  LnQ  ln 1   2 ln K   3 ln L  Ui
K
• Nếu có cơ sở cho rằng hàm sản xuất này có tính chất hiệu quả
không đổi theo quy mô thì ta sử dụng kết luận: β2 + β3 = 1 để
ước lượng mô hình sau:
Qi
 2 1 2 U iK i 2 U i Qi Ki
Qi   K L e   1 ( ) e  ln( )  ln 1   2 ln( )  U i
1 i i
Li Li Li Li
Þ Mô hình này không có đa cộng tuyến
Þ Hàm sản xuất Cobb - Dauglas

17
2. Sử dụng mô hình sai phân cấp 1
• Xét mô hình 3 biến với số liệu theo thời gian
Yt  1   2 X 2t  3 X 3t  U t
• Tại thời điểm (t-1) ta có mô hình:
Yt 1  1   2 X 2t 1  3 X 3t 1  U t 1
• Giả sử X2 và X3 có đa cộng tuyến. Khi đó ta xét mô hình
sau: Y  Y   ( X  X )   ( X  X )  (U  U )
t t 1 2 2t 2 t 1 3 3t 3t 1 t t 1

 Yt *   2 X 2*t  3 X 3*t  Vt
Mô hình này gọi là mô hình sai phân cấp 1
• Thực tế cho thấy mô hình sai phân cấp 1 đã giảm được
đáng kể mức độ đa cộng tuyến của mô hình gốc.

18
• Hạn chế của phương pháp này:
- Chỉ dùng được với những số liệu theo thời gian
- Không ước lượng được
- Mất đi một quan sát đầu tiên
- Ut có thể thoả mãn mọi giả thiết của OLS song
Vt thì có thể vi phạm.

19
3. Giảm đa cộng tuyến trong mô hình hồi quy đa thức
Xét mô hình: TCi  1   2Qi   3Qi2   4Qi3  U i (1)
- Ta xây dựng mô hình:
TCi  TC  1   2 (Qi  Q )   3 (Qi  Q ) 2   4 (Qi  Q )3  U i
 TCi*  1   2Q2*i   3Q3*i   4Q4*i  U i (2)
- Thay vì tuyến tính hoá mô hình (1) và ước lượng nó
ta sẽ ước lượng mô hình (2)

20
4. Bỏ biến
B1: Xem cặp biến giải thích nào có quan hệ cộng tuyến
Giả sử thấy rằng X2 có tương quan chặt chẽ với X3
Þ Nhiều thông tin về Y chứa ở X2 thì cũng chứa ở X3
Þ Bỏ một trong hai biến X2 hoặc X3
B2: Tính R2 hoặc trong 2 các hồi quy: có và không có một trong hai
R có R2 lớn hơn
biến. Chọn mô hình
Ví dụ:
R2 của hồi quy Y đối với tất cả các biến X2, X3 là 0,94.
R2 khi loại biến X2 là 0,87
R2 khi loại biến X3 là 0,92
=> Loại bỏ biến X3

21
5. Một số biện pháp khác
• Tăng kích thước mẫu hoặc lấy mẫu mới nếu có
thể.
• Khi mô hình có đa cộng tuyến, ta có thể khắc
phục bằng cách đưa vào mô hình các dạng khác
nhau của biến độc lập. Biến độc lập có thể ở dạng
bậc 2, bậc 3… Phương pháp này cũng làm giảm
đa cộng tuyến trong mô hình
• Hồi qui thành phần chính (Phân tích nhân tố);Hồi
qui ngọn sóng; Sử dụng các ước lượng từ bên
ngoài
22
PHẦN 2: PHƯƠNG SAI CỦA SAI SỐ THAY
ĐỔI (HETEROSCEDASTICITY)

2.1. Bản chất của hiện tượng PSSS thay đổi

2.2. Nguyên nhân của hiện tượng PSSS thay đổi
2.3. Hậu quả của hiện tượng PSSS thay đổi
2.4. Phát hiện PSSS thay đổi
2.5. Khắc phục hiện tượng PSSS thay đổi
2.6. Thí dụ
 2.1. Bản chất của PSSS thay đổi

• Xét mô hình hồi quy 2 biến

Yi  1   2 X 2i  U i (1)
• Giả thiết 3: PSSS là đồng đều
Var (U i )   2 (i )
• Trong thực tế PSSS có thể thay đổi
Var (U i )  Var (U j )(i  j )

• Ta có: Var (Yi )  Var (U i )(i )

• Khi PSSS thay đổi thì phương sai của biến phụ thuộc
cũng thay đổi.
 2.2. Nguyên nhân
• Do bản chất của các hiện tượng kinh tế:
- Các hiện tượng kinh tế theo không gian được điều tra
trên những đối tượng có quy mô khác nhau.
- Các hiện tượng kinh tế theo thời gian được điều tra
qua các giai đoạn có mức biến động khác nhau.
• Do số liệu không phản ảnh đúng bản chất của hiện
tượng kinh tế.
• Do quá kỹ thuật thu thập, xử lý và bảo quản dữ liệu
ngày càng được hoàn thiện nên sai số ngày càng ít hơn.
• Do định dạng không đúng dạng hàm của mô hình.
 2.3. Hậu quả
• Các ước lượng OLS là các ước lượng tuyến tính không
chệch và vững song không còn là các ước lượng hiệu
quả nhất.
 i2
Var ( ˆ2 )  n

i
x 2

i 1

2
Var (U i )   i2   2 (i )  Var ( ˆ2 )  n

i
x 2

i 1
• Khoảng tin cậy của các hệ số hồi quy sẽ rộng hơn, các
kiểm định T, F mất hiệu lực và các dự báo sẽ không còn
chính xác.
 2.4. Phát hiện ra PSSS thay đổi
1. Phân tích định tính
• thông tin tiên nghiệm về hiện tượng kinh tế.
• Các số liệu không gian thường chứa đựng hiện
tượng PSSS thay đổi.
2. Dựa vào thông tin trên mẫu
• Dựa vào các phần dư ei ta có thể đưa ra nhận dịnh về i2
• Cách 1: Quan sát đồ thị của các phần dư
- Bước 1: Hồi quy mô hình (1) tìm được các phần dư ei
- Bước 2: Vẽ đồ thị của các phân dư ei theo Xi, Yi, Yˆi
hoặc theo các quan sát
- Bước 3: Căn cứ vào các đồ thị để chuẩn đoán về hiện
tượng PSSS thay đổi
• Cách 2: Kiểm định Park
- Xét mô hình (1) và giả thiết rằng PSSS thay đổi là
một hàm của biến độc lập:
 2 vi
Var (U i )   i   X i e (  constant)
2 2 2

Trong đó: vi là SSNN thoả mãn mọi giả thiết của OLS.
 ln  i2  ln  2   2 ln X i  vi
- Thủ tục kiểm định:
+ Bước 1: Hồi quy mô hình (1) tìm được các phần dư ei
+ Bước 2: Hồi quy mô hình sau
ln ei2  1   2 ln X i  vi (2)
+ Bước 3: Kiểm định cặp giả thiết
H 0 : 2  0 PSSS trong MH (1) đồng đều
 PSSS trong MH (1) thay đổi
H
 1 2:   0
• Cách 3:Kiểm định Glejser
- Xét mô hình (1)
- Thủ tục kiểm định:
+ Bước 1: Hồi quy mô hình (1) tìm được các phần dư ei
+ Bước 2: Hồi quy một trong các mô hình sau
ei  1   2 X i  vi
ei  1   2 X i  vi ( X i  0)
1
ei  1   2  vi ( X i  0)
Xi
1
ei  1   2  vi ( X i  0)
Xi
+ Bước 3: Kiểm định cặp giả thiết
 H 0 :  2  0 PSSS trong MH (1) đồng đều
 PSSS trong MH (1) thay đổi
 H1 :  2  0
• Cách 4: Kiểm định White
- Xét mô hình Yi  1   2 X 2i  3 X 3i  U i (3)
- Thủ tục kiểm định:
+ Bước 1: Hồi quy mô hình (3) tìm được các phần dư ei
+ Bước 2: Hồi quy mô hình sau
2
ei  1   2 X 2i   3 X 3i   4 X 22i   5 X 32i   6 X 2i X 3i  vi (4)
Trong đó: vi là SSNN thoả mãn mọi giả thiết của OLS.
+ Bước 3: Kiểm định cặp giả thiết
 H 0 :  2  ...   6  0 PSSS trong MH (3) đồng đều

 H1 :  j  0( j 2 2,...,6)2 PSSS trong MH (3) thay đổi
Tiêu chuẩn KĐ   nR  (mm) là số hệ số góc của MH (4)
2

Miền bác bỏ mức ý nghĩa αW   2 :  2  2 (m)

- Trong mô hình (4) bắt buộc phải có hệ số chặn và có thể không
có các số hạng chéo nhưng cũng có thể có bậc cao hơn.
Cách 5: Kiểm định dựa trên biến phụ thuộc
- Xét mô hình Yi  1   2 X 2i  ...   k X ki  U i (5)
- Giả thiết rằng Var (U i )   i2  1   2  E (Yi ) 2  vi
Trong đó: vi là SSNN thoả mãn mọi giả thiết của OLS.
- Thủ tục kiểm định:
+ Bước 1: Hồi quy mô hình (5) tìm được các phần dư ei , Yˆi
+ Bước 2: Hồi quy mô hình sau
ei2  1   2Yˆi 2  vi  R 2 , ˆ 2 , Se(ˆ 2 )
+ Bước 3: Kiểm định cặp giả thiết
H0 : 2  0 PSSS trong MH (5) đồng đều
 PSSS trong MH (5) thay đổi
 H1 :  2  0
Tiêu chuẩn KĐ  2  nR 2  2 (1)
Miền bác bỏ mức ý nghĩa α W   2 :  2   2 (1)
 
 Về đọc:
Kiểm định tương quan hạng spearman (tr139)
Kiểm định BPG (tr.143)
Kiểm định G-Q (tr140)
=> Kiểm tra PSSS thay đổi hay không
 2.5. Khắc phục PSSS thay đổi
1. Trường hợp đã biết Var(Ui) = σi2
• Xét mô hình Yi  1   2 X i  U i (6)
• Khắc phục
Yi 1 Xi Ui
 1  2  (6)  Yi *  1*   2 X i*  vi (7)
i i i i
Ui 1  i2
Var (vi )  Var ( )  2 Var (U i )  2  1(i )
i i i
Trong đó: vi là yếu tố ngẫu nhiên thoả mãn mọi giả thết của OLS.
• Như vậy thay vì hồi quy mô hình (6) ta hồi quy mô hình (7). Sau
khi tìm được kết quả từ việc hồi quy mô hình (7) ta nhân 2 vế với
σi để quay lại mô hình (6).
2. Trường hợp chưa biết Var(Ui) = σi2
• Xét mô hình Yi  1   2 X i  U i (8)
• Có thể đưa ra các giả thiết về σi2
GT 1:  i2   X i2
GT 2 :  i2   X i
GT 3 :  i2    E (Yi )
2
• Giả thiết 1:  i2   X i2
• Kiểm tra giả thiết
- Cách 1: Vẽ đồ thị của ei2 theo Xi2 và nhận xét.
- Cách 2: Hồi quy mô hình ei2 = α1 + α2Xi2 và kiểm định giả thiết
H0 : 2  0 Giả thiết 1 có thể sai
 Giả thiết 1 có thể đúng
 H1 :  2  0
• Nếu giả thiết 1 đúng thì chia 2 vế của MH (8) cho X i

Yi 1 Ui
 1  2  ( X i  0)  Yi *  1 X1i  2  vi (9)
Xi Xi Xi
Ui 1  X i2
Var (vi )  Var ( )  2 Var (U i )  2
  (i )
Xi Xi Xi
• Như vậy thay vì hồi quy mô hình (8) ta hồi quy mô hình (9).
Sau khi tìm được kết quả từ mô hình (9) ta nhân 2 vế với X i
để quay lại mô hình (8).
• Giả thiết 2:  i2   X i
• Kiểm tra giả thiết
- Cách 1: Vẽ đồ thị của ei2 theo Xi và nhận xét.
- Cách 2: Hồi quy mô hình ei2 = α1 + α2Xi và kiểm định giả thiết
H0 : 2  0 Giả thiết 2 có thể sai

 H1 :  2  0 Giả thiết 2 có thể đúng
• Nếu giả thiết 2 đúng thì chia 2 vế của MH (8) cho Xi
Yi 1 Ui
 1  2 X i  ( X i  0)  Yi *  1 X1i  2 X 2 i  vi (10)
Xi Xi Xi
Ui 1  Xi
Var (vi )  Var ( )  Var (U i )    (i )
Xi Xi Xi

• Như vậy thay vì hồi quy mô hình (8) ta hồi quy mô hình
(10). Sau khi tìm được kết quả từ mô hình (10) ta nhân 2
vế với X i để quay lại mô hình (8).
• Giả thiết 3:  i2    E (Yi )2
• Kiểm tra giả thiết
- Cách 1: Vẽ đồ thị của ei2 theo Yˆvà2 nhận xét.
i
- Cách 2: Hồi quy mô hình ei2 = α1 + α2 Yˆivà
2 kiểm định giả thiết

H0 : 2  0 Giả thiết 3 có thể sai


 H1 :  2  0 Giả thiết 3 có thể đúng
• Nếu giả thiết 3 đúng thì chia 2 vế của MH (8) cho Yˆi
Yi 1 X i Ui ˆ
 1   2  (Yi  0)  Yi *  1 X1i  2 X 2 i  vi (11)
Yˆi Yˆi Yˆi Yˆi
Ui 1  Yˆi 2
Var (vi )  Var ( )  2 Var (U i )  2   (i )
Yˆ Yˆ
i i Yˆ i

• Như vậy thay vì hồi quy mô hình (8) ta hồi quy mô hình
(11). Sau khi tìm được kết quả từ mô hình (11) ta nhân 2
vế với Yˆi để quay lại mô hình (8).
• Ngoài 3 giả thiết nêu trên, nếu có cơ sở để cho
rằng hiện tượng PSSS thay đổi sinh ra do chọn
sai dạng hàm thì thay đổi dạng hàm của mô hình
(8) để khắc phục.
- Mô hình có dạng hàm sai: Yi  1   2 X i  Ui (8)
- Thay vì ước lượng mô hình (8) ta ước lượng
một trong các mô hình sau:
ln Yi  1   2 ln X i  U i
ln Yi  1   2 X i  U i
Yi  1   2 ln X i  U i
 Phần 3: TỰ TƯƠNG QUAN
( SERIAL CORRELATION)

TỰ TƯƠNG QUAN LÀ VẤN ĐỀ XẢY RA ĐỐI VỚI CÁC Ui

41
 VẤN ĐỀ TỰ TƯƠNG QUAN
( SERIAL CORRELATION)

3.1. Bản chất của hiện tượng TTQ

3.2. Hậu quả của hiện tượng TTQ
3.3. Phát hiện TTQ
3.4. Khắc phục hiện tượng TTQ

42
 3.1. Bản chất của TTQ

• Xét mô hình hồi quy 2 biến với số liệu theo thời gian
Yt  1   2 X t  U t (1)

• Giả thiết OLS:

Cov (U t ,U t  p )  0(p  0)
• Trong thực tế giả thiết này có thể bị vi phạm: mô hình
mắc khuyết tật tự tương quan
Cov (U t ,U t  p )  0( p  0)

43
• TTQ bậc 1- AR(1):U t  U t 1  vt

Trong đó: ρ là hệ số tương quan bậc 1

vt là SSNN thỏa mãn mọi giả thiết OLS

- Nếu -1 ≤ ρ < 0: Mô hình (1) có TTQ âm bậc 1

- Nếu ρ = 0: Mô hình (1) không có TTQ bậc 1
- Nếu 0 < ρ ≤ 1: Mô hình (1) có TTQ dương bậc 1
- Nếu ρ = ± 1: Mô hình (1) có TTQ dương/âm bậc 1
hoàn hảo

44
• TTQ bậc p- AR(p):U t  1U t 1   2U t 2  ...   pU t  p  vt

Trong đó: ρj (j = 1, 2,…, p) là hệ số tương quan bậc j

vt là SSNN thỏa mãn mọi giả thiết OLS

- Nếu -1 ≤ ρj < 0: Mô hình (1) có TTQ âm bậc j

- Nếu ρj = 0: Mô hình (1) không có TTQ bậc j
- Nếu 0 < ρj ≤ 1: Mô hình (1) có TTQ dương bậc j
- Nếu ρj = ± 1: Mô hình (1) có TTQ dương/âm bậc j
hoàn hảo

45
 Nguyên nhân của TTQ

Nguyên nhân khách quan:

- Các hiện tượng kinh tế có tính chất quán tính
- Các hiện tượng kinh tế có tính chất mạng nhện

Nguyên nhân chủ quan:

- Do quá trình xử lý số liệu: Tách biến, gộp biến, nội suy,
ngoại suy các biến.
- Do chọn sai dạng hàm

46
 3.2. Hậu quả

• Các ước lượng hồi quy thu được mất tính hiệu quả nhất

• Các khoảng tin cậy và kiểm định giả thiết sẽ mất đi tính
chính xác

• Ước lượng σ2 bị chệch do đó ước lượng R2 cũng mất chính

xác

• Các dự báo về khoảng tin cậy cũng mất tính chính xác.

47
 3.3. Phát hiện TTQ

Ý tưởng chung:
Xét mô hình hồi quy ban đầu:
Yt  1   2 X t  U t (1)
Sử dụng phần dư et và trễ của phần dư et-p

48
1. Kiểm định Durbin – Watson (DW)

Điều kiện áp dụng

+ Kiểm định TTQ bậc 1 - AR(1)
+ Mô hình phải có hệ số chặn
+ Biến X phải là biến phi ngẫu nhiên
+ Mô hình không chứa biến trễ của biến phụ thuộc với tư
cách là biến giải thích (mô hình tự hồi quy)
Yt  1   2 X t   3Yt 1  U t

49
1. Kiểm định Durbin – Watson (DW)

- Tiêu chuẩn kiểm định:

n n

 (e  e t t 1 ) 2
e e t t 1
d t 2
n
 2  2 t 2n
t
e 2

t 1
t
e 2

t 1

e e t t 1
ˆ  t 2
n
 d  2(1  ˆ )
e
t 1
2
t

50
Với α = 5%, kích thước mẫu = n và số biến giải thích là k’
= k-1:

Durbin – Watson đã xây dựng bảng các giá trị cận dưới
dL(Lower), cận trên dU (Upper) để làm căn cứ kết luận.

Có TTQ dương Không có Không có TTQ Không có Có TTQ âm

(ρ > 0) kết luận (ρ = 0) kết luận (ρ < 0)

0 ------------ dL------ dU ---------- 4-dU ------ 4-dL ------- 4

51
2. Sử dụng Hồi quy phụ

+ Bước 1: Hồi quy (1) thu được các phần dư et,et-1,…,et-p

+ Bước 2: Hồi quy mô hình sau

et  1et 1   2 et 2  ...   p et  p  vt  R p
2

+ Bước 3: Kiểm định cặp giả thiết

 H 0 : R p2  0 (Mô hình gốc không có tự tương quan)

 1 p  0 (Mô hình gốc có tự tương quan)
2
H : R

52
2. Hồi quy phụ

- Khi đó có thể xác định bậc của TTQ

et  1et 1   2 et 2  ...   p et  p  vt  R p2
Kiểm định giả thuyết:
 H 0 :  j  0
 ( j  1  p)
 H1 :  j  0

53
3. Kiểm định Breusch Goldfray (BG)

+ Bước 1: Hồi quy (1) thu được các phần dư et,et-1,…,et-p

+ Bước 2: Hồi quy hai mô hình sau

et  (1   2 X t )  1et 1   2 et 2  ...   p et  p  vt  RUR
2

et  (1   2 X t )  vt  RR2

+ Bước 3: Kiểm định cặp giả thiết

 H 0 : 1   2  ...   p  0

 H1 :  j  0( j  1, 2,... p)

54
3. Kiểm định Breusch Goldfray (BG)

Kiểm định F- thu hẹp hàm hồi qui:

( Rur2  Rñ2 ) / m
Fqs = (1  Rur2 ) /( n  k )

Nếu Fqs > F(m, n – k) bác bỏ H0

Nếu dừng ở bước hồi quy MH URKiểm định Khi(Chi) –
bình phương:

W   2 :  2  2 (m)
55
 Chú ý

Khi tiến hành hai kiểm định DW và BG.

- Kiểm định DW và BG cho kết luận giống nhau

- Kiểm định DW rơi vào miền không kết luận thì dùng kết
luận của kiểm định BG

- Kiểm định DW và kiểm định BG cho các kết luận khác nhau
thì kết luận có hiện tượng tự tương quan.

56
 3.4. Khắc phục TTQ
Xét mô hình: Yt  1   2 X t  U t (1)

Biện pháp: sử dụng phương pháp sai phân tổng quát

Giả sử cấu trúc TTQ: U t  U t 1  vt
trong đó vt là sai số ngẫu nhiên thỏa mãn mọi giả
thiết của OLS

Yt  1   2 X t  U t  Yt 1  1  2 X t 1  Ut 1
Yt  Yt 1  1 (1   )   2 ( X t   X t 1 )  (Ut  Ut 1 )
 Yt *  1*   2* X t*  vt (2)

57
+ Bằng thống kê DW

Hoặc

+ Bằng hồi quy phụ

58
+ ƯL ̂ bằng thủ tục Corchanre Orcutt
Bước 1: Hồi quy mô hình (1) thu được et, et-1

e
Bước 2: Hồi quy mô hình: t   0   e
1 t 1  vt  
ˆ1
(1)

Lấy ˆ  ˆ1(1)  Yt  ˆYt 1  1 (1  ˆ )   2 ( X t  ˆ X t 1 )  (U t  ˆU t 1 )

 Yt *  1*   2* X t*  vt (4)

Bước 3: Hồi quy mô hình: et   0  1et 1  vt  ˆ1(2)

Quá trình lặp cho đến khi ở hai bước kế tiếp chênh
lệch nhau không đáng kể.

59