ph–ntšch˚’ctr×ng v•lÜach¯nm˘hœnh · 2019. 7. 20. · bi‚nz...
TRANSCRIPT
-
CHƯƠNG 5
PHÂN TÍCH ĐẶC TRƯNG
VÀ LỰA CHỌN MÔ HÌNH
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 2 / 25
-
CÁC THUỘC TÍNH CỦA MÔ HÌNH TỐT
Tính đơn giản/tiết kiệm
Tính đồng nhất
Tính thích hợp/phù hợp
Tính bền vững về mặt lý thuyết
Có khả năng dự báo tốt
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 3 / 25
-
CÁC TIÊU CHUẨN LỰA CHỌN MÔ HÌNH
Giá trị của hàm hợp lý log - likelihood (L)
L = −n2lnσ2 − n
2ln(2π)− 1
2
∑U2i
EVIEWS: L = −n2
(1+ ln(2π) + ln
RSS
n
)Tiêu chuẩn AIC (Akaike info criterion - AIC)
AIC =RSS
ne2k/n
EVIEWS: AIC = −2Ln
+2k
n
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 4 / 25
-
CÁC TIÊU CHUẨN LỰA CHỌN MÔ HÌNH
Tiêu chuẩn Schwarz (Schwarz criterion - SC)
SC =
(RSS
n
)nk/n
EVIEWS: SC = −2Ln
+k ln n
nTiêu chuẩn Hannan-Quinn (Hannan-Quinn criterion- HQC)
HQC = [ln(n)]2k/n × 1n
∑Û2i = [ln(n)]
2k/n × RSSn
EVIEWS: HQC =2k
nln[ln(n)]− 2
nL
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 5 / 25
-
CÁC TIÊU CHUẨN LỰA CHỌN MÔ HÌNH
log - likelihood càng lớn càng tốt
AIC, SC, HQC càng nhỏ càng tốt
Có thể mô hình tốt hơn theo tiêu chuẩn này nhưngkhông tốt hơn theo tiêu chuẩn kia (độ phức tạp:SC, chuỗi thời gian: AIC)
Biến phụ thuộc cùng dạng mới so sánh được
Không có tiêu chuẩn nào là chìa khóa vạn năng, cầnkết hợp các yếu tố khác nhau khi đánh giá mô hình
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 6 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
MH đúng: Y = β1 + β2X2 + β3X3 + U
MH ta ước lượng: Y = α1 + α2X2 + V
HẬU QUẢ:
α̂1, α̂2 là các ước lượng chệch và không vững củaβ1, β2var(α̂2) nói chung là chệch so với giá trị đúng
Khoảng tin cậy cho các hệ số hồi quy tổng thể vàcác thủ tục kiểm định liên quan sẽ không còn đángtin cậy
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 7 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
MH đúng: Y = β1 + β2X2 + β3X3 + U
MH ta ước lượng: Y = α1 + α2X2 + V
CÁCH PHÁT HIỆN:
Có số liệu về biến X3: dùng kiểm định t (kết hợp
R2) trường hợp 1 biến và kiểm định F trường hợp
nhiều biếnDùng phương pháp nhân tử Lagrange (LM -Lagrange Multiplier)
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 8 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
MH (U): Y = β1 + β2X2 + β3X3 + U
MH (R): Y = α1 + α2X2 + V
Kiểm định: H0 : β3 = 0
Hồi quy mô hình (R) thu được phần dư ÛR
Hồi quy ÛR theo tất cả các biến độc lập thu đượcR2aux
ÛR = γ1 + γ2X2i + γ3X3i + �(hồi quy phụ - Auxiliary Regression)
nR2aux > χ2(1) thì bác bỏ H0, nghĩa là thừa nhận
biến X3 bị bỏ sót
Chương 5: Phân tích đặc trưng và lựa chọn MH Ngày 19 tháng 7 năm 2019 9 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
MH (U):
Y = β1+β2X2+ · · ·+βmXm+βm+1Xm+1+ · · ·+βkXk+VMH (R): Y = β1 + β2X2 + · · ·+ βmXm + U
H0 : βm+1 = · · · = βk = 0 (không bỏ sót Xm+1, ...,Xk)
H1 : ∃βj 6= 0 (bỏ sót ít nhất 1 trong các Xm+1, ...,Xk)
Hồi quy mô hình (R) thu được phần dư ÛR
Hồi quy ÛR theo các biến độc lập thu được R2aux
nR2aux > χ2(k −m) thì bác bỏ H0, nghĩa là thừa
nhận bỏ sót ít nhất 1 biến
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 10 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Dùng phương pháp tỷ lệ hàm hợp lý (likelihoodratio - LR)
LR = −2(lR − lU),
lR và lU là giá trị lớn nhất của logarit hàm hợp lý ứng vớimô hình (R) và mô hình (U) tương ứng
H0: Mô hình không bỏ sót biến
Nếu LR > χ2α(k −m) thì ta bác bỏ giả thuyết H0.
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 11 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Cho mẫu số liệu về chi phí sản xuất (Y) và sản lượng (X)như sau:
X 1 2 3 4 5 6 7 8 9 10Y 193 226 240 244 257 260 274 297 350 420
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 12 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 13 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 14 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 15 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 16 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Kiểm định tỷ lệ hàm hợp lý (Likelihood Ratio)
LR > χ2(2) = 5.99 hay p = 0.0000 < 0.05 nên bác bỏ
H0, tức là mô hình thiếu ít nhất 1 trong 2 biến.
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 17 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Trường hợp không có số liệu về biến X3
Kiểm định RESET của Ramsey
• Hồi quy mô hình gốc thu được Ŷi (Old)
• Hồi quy mô hình phụ
Yi = α1 + α2X2i + α3Ŷ2i + α4Ŷ
3i + α5Ŷ
4i + Vi (new)
• H0 : α3 = α4 = α5 = 0 (không bỏ sót biến)
• F0 =(R2new − R2old)/m(1− R2new)/(n − k)
> fα(m, n − k): bác bỏ H0
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 18 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Xét tiếp ví dụ 5.4.1
Yi = α + βXi + Ui , R2
old= 0, 840891
Yi = α1 +α2X2i +α3Ŷ2i +α4Ŷ
3i +Vi , R
2new = 0, 998339
Lập giả thuyết: H0 : α3 = α4 = 0 (không bỏ sót biến)
F0 =(0, 998339− 0, 840891)/2(1− 0, 998339)/(10− 4)
= 284, 37.
F0 = 284, 37 > f0,05(2, 6) = 5, 143 nên ta bác bỏ H0,
nghĩa là có bỏ sót biến.
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 19 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 20 / 25
-
MÔ HÌNH BỎ SÓT BIẾN THÍCH HỢP
Kiểm định nhân tử Lagrange
• Hồi quy mô hình gốc thu được Ûi (Old)
• Hồi quy mô hình
Ûi = α1 + α2X2i + α3Ŷ2i + α4Ŷ
3i + α5Ŷ
4i + Vi
ta tính được R2aux
• H0 : α3 = α4 = α5 = 0 (không bỏ sót biến)
• nR2aux > χ2α(m): bác bỏ H0
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 21 / 25
-
MÔ HÌNH THỪA BIẾN
Kiểm định t (1 biến) hoặc F (nhiều biến)
Tỷ lệ hàm hợp lý như trường hợp thiếu biến
p = 0.0000 < 0.05 nên bác bỏ H0 tức là mô hình khôngthừa ít nhất 1 trong 2 biến
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 22 / 25
-
MÔ HÌNH THỪA BIẾN
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 23 / 25
-
MÔ HÌNH THỪA BIẾN
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 24 / 25
-
KẾT THÚC CHƯƠNG 5
Chương 5: Phân tích đặc trưng và lựa chọn MHNgày 19 tháng 7 năm 2019 25 / 25
-
CHƯƠNG 6
MÔ HÌNH VI PHẠM
CÁC GIẢ THIẾT
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 2 / 48
-
CÁC VẤN ĐỀ CẦN KIỂM ĐỊNH ĐỐI VỚI MÔ HÌNH
Kỳ vọng của sai số ngẫu nhiên khác không
Sai số ngẫu nhiên không tuân theo quy luật chuẩn
Đa cộng tuyến
Phương sai sai số ngẫu nhiên thay đổi
Tự tương quan
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 3 / 48
-
KỲ VỌNG CỦA SAI SỐ NGẪU NHIÊN KHÁC KHÔNG
1 Nguyên nhânThiếu biến quan trọng (Z )
Biến Z có tác động đến biến phụ thuộc Y ;
Biến Z có tương quan với ít nhất một trong các biến độclập sẵn có trong mô hình
Dạng hàm sai
Tính tác động đồng thời của số liệu
Sai số đo lường của các biến độc lập
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 4 / 48
-
KỲ VỌNG CỦA SAI SỐ NGẪU NHIÊN KHÁC KHÔNG
1 Hậu quả
Ước lượng OLS là các ước lượng chệch
E (β̂j) 6= βj , các giá trị có thể có của β̂j phân bổ sungquanh một giá trị β∗ nào đó chứ không phải là giá trị βj
Các suy diễn thống kê không còn được tin cậy
t =β̂j − βjse(β̂j)
sẽ không còn tuân theo quy luật Student
2 Cách phát hiệnMô hình bỏ sót biến: kiểm định t hoặc F
Dạng hàm sai: RESET của Ramsey
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 5 / 48
-
KỲ VỌNG CỦA SAI SỐ NGẪU NHIÊN KHÁC KHÔNG
1 Biện pháp khắc phục
Mô hình thiếu biến
Thêm biến bị thiếu vào mô hình
Nếu biến bị thiếu Z không có thì thay bằng biến đại diệncủa nó (biến quan sát được và có tương quan với Z
2 Ví dụ: Năng lực bẩm sinh là không quan sát được,có thể thay bằng biến chỉ số IQ
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 6 / 48
-
SAI SỐ NGẪU NHIÊN KHÔNG CÓ PHÂN PHỐI CHUẨN
1 HẬU QUẢ
β̂j không tuân theo quy luật chuẩn
t sẽ không tuân theo quy luật Student, F sẽ không tuântheo quy luật Fisher
2 CÁCH PHÁT HIỆN
Xem xét đồ thị phần dư: phân phối xấp xỉ đối xứng
Kiểm định Jacque-Beta (JB)
JB > χ2α hoặc pvalue < 0.05 thì bác bỏ H0 (Sai số ngẫu
nhiên có phân phối chuẩn)
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 7 / 48
-
SAI SỐ NGẪU NHIÊN KHÔNG CÓ PHÂN PHỐI CHUẨN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 8 / 48
-
ĐA CỘNG TUYẾN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 9 / 48
-
ĐA CỘNG TUYẾN
• Tồn tại λ2, λ3, ..., λk không đồng thời bằng 0 sao cho
λ2X2 + λ3X3 + · · ·+ λkXk = 0
Xi (i = 2, 3, ..., k) xảy ra hiện tượng đa cộng tuyến hoànhảo
• Tồn tại λ2, λ3, ..., λk không đồng thời bằng 0 sao cho
λ2X2 + λ3X3 + · · ·+ λkXk + V = 0
với V là sai số ngẫu nhiên, thì ta có đa cộng tuyếnkhông hoàn hảo giữa các biến Xi (i = 2, 3, ..., k)
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 10 / 48
-
ĐA CỘNG TUYẾN
Ngày Số khách/ngày Doanh thu Tổng doanh(X2) bán vé/ngày (X3) thu/ngày (X
∗3 )
1 627 31, 35 31, 652 843 42, 15 42, 603 650 32, 50 32, 754 786 39, 30 39, 875 704 35, 20 35, 826 1209 60, 45 61, 237 1278 63, 90 64, 74
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 11 / 48
-
ĐA CỘNG TUYẾNNguyên nhân của đa cộng tuyến
Phương pháp thu thập số liệu sử dụng: mẫu khôngđặc trưng cho tổng thể
Do bản chất của các mối quan hệ giữa các biến đãngầm chứa hiện tượng đa cộng tuyến
Đặc trưng mô hình: chẳng hạn khi bổ sung nhữngbiến có lũy thừa bậc cao vào mô hình, đặc biệt khiphạm vi dữ liệu của biến biến độc lập là nhỏ
Mô hình xác định quá mức: xảy ra khi số biến giảithích nhiều hơn cỡ mẫu. Trong trường hợp này takhông xác định được duy nhất các hệ số hồi quy
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 12 / 48
-
ĐA CỘNG TUYẾN
Ước lượng khi có đa cộng tuyến hoàn hảo
Y = β1 + β2X2 + β3X3 + U
β̂2 =(∑
yix2i)(∑
x23i)− (∑
yix3i)(∑
x2ix3i)
(∑
x22i)(∑
x23i)− (∑
x2ix3i)2
β̂3 =(∑
yix3i)(∑
x22i)− (∑
yix2i)(∑
x2ix3i)
(∑
x22i)(∑
x23i)− (∑
x2ix3i)2
Var(β̂2) =
∑x23i
(∑
x22i)(∑
x23i)− (∑
x2ix3i)2σ2
Var(β̂3) =
∑x22i
(∑
x22i)(∑
x23i)− (∑
x2ix3i)2σ2
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 13 / 48
-
ĐA CỘNG TUYẾN
Ước lượng khi có đa cộng tuyến không hoàn hảo
X3 = λX2 + V
β̂2 =(∑
yix2i)(λ2∑
x22i +∑
v 2i )− (λ∑
yix2i +∑
yivi)(λ∑
x22i)
(∑
x22i)(λ2∑
x22i +∑
v 2i )− (λ∑
x22i)2
β̂3 =(λ
∑yix2i +
∑yivi)(
∑x22i)− (
∑yix2i)(λ
∑x22i)
(∑
x22i)(λ2∑
x22i +∑
v 2i )− (λ∑
x22i)2
Ta vẫn xác định được duy nhất các tham số ước lượng cho mô hìnhhồi quy
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 14 / 48
-
ĐA CỘNG TUYẾN
Hậu quả của đa cộng tuyến
Các hệ số ước lượng vẫn có tính chất BLUE nhưngphương sai và hiệp phương sai của chúng lớn
Var(β̂2) =σ2∑x22i.
1
1− r 223; Var(β̂3) =
σ2∑x23i.
1
1− r 223;
Cov(β̂2, β̂3) =−r23σ2
(1− r 223)√∑
x22i .√∑
x23i.
r23 là hệ số tương quan giữa X2 và X3
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 15 / 48
-
ĐA CỘNG TUYẾN
Trường hợp tổng quát:
VIF =1
1− R2j
với R2j là giá trị R2 trong hàm hồi quy của Xj theo
(k − 2) biến giải thích còn lại
Theo kinh nghiệm, VIF > 10 khi đó R2j > 0, 9 được coi
là cộng tuyến cao
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 16 / 48
-
ĐA CỘNG TUYẾN
Khoảng tin cậy của các hệ số hồi quy có khuynhhướng rộng hơn → độ chính xác của ước lượngkhoảng cho tham số hồi quy βj giảm đi
Ảnh hưởng kiểm định t
t bé nhưng hệ số xác định R2 có thể rất cao
Các ước lượng OLS của βj và các se(β̂j) trở nên rất
nhạy với những thay đổi nhỏ trong số liệu
Dấu của các hệ số ước lượng β̂j có thể sai
Thêm vào hay bớt đi các biến cộng tuyến với cácbiến khác, mô hình sẽ thay đổi về độ lớn của cácước lượng hoặc dấu của chúng
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 17 / 48
-
ĐA CỘNG TUYẾN
Cách phát hiện đa cộng tuyến
Hệ số xác định R2 cao nhưng tỷ số t thấp
Hệ số tương quan giữa các cặp biến độc lập cao
Sử dụng hồi quy phụ
Sử dụng nhân tử phóng đại phương sai VIF
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 18 / 48
-
ĐA CỘNG TUYẾN
T.thưởng D.số bán L.nhuận T.thưởng D.số bán L.nhuận
(X2) (X3) (Y ) (X2) (X3) (Y )1, 58 200 22 2, 686 340 35, 71, 862 245 27, 685 1, 44 180 19, 622, 145 275 30, 8 3, 672 459 48, 6541, 2412 146 16, 06 2, 496 320 36, 164, 345 550 63, 25 2, 94 490 50, 96
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 19 / 48
-
ĐA CỘNG TUYẾN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 20 / 48
-
ĐA CỘNG TUYẾN
Ma trận hệ số tương quan giữa các biến
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 21 / 48
-
ĐA CỘNG TUYẾN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 22 / 48
-
ĐA CỘNG TUYẾN
Cách khắc phục đa cộng tuyến
Sử dụng thông tin tiên nghiệm
Thu thập thêm số liệu hoặc lấy thêm mẫu mới
Kết hợp số liệu chéo và số liệu chuỗi thời gian
Bỏ bớt biến độc lập có đa cộng tuyến cao
Chuyển dạng dữ liệu bằng cách sử dụng sai phânbậc một
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 23 / 48
-
ĐA CỘNG TUYẾN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 24 / 48
-
ĐA CỘNG TUYẾN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 25 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 26 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 27 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Nguyên nhân của phương sai thay đổi
Do bản chất của các mối quan hệ kinh tế
Sai số đo lường và sai số khi tính toán có xu hướnggiảm dần, dẫn đến phương sai có khả năng giảm
Do việc tích lũy kinh nghiệm và sai số theo thời gianngày càng giảm
Xuất hiện giá trị outlier trong mẫu
Do xác định sai dạng mô hình hồi quy (dạng hàm
sai, thiếu biến quan trọng)
Trường hợp phương sai không đồng đều thường gặpkhi thu thập số liệu chéo
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 28 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Hậu quả của phương sai thay đổi
Các ước lượng OLS không còn là ước lượng hiệuquả nữa
Ước lượng phương sai và hiệp phương sai của cácước lượng OLS bị chệch
Việc dùng thống kê t và F để kiểm định giả thiếtkhông còn đáng tin cậy nữa
Kết quả dự báo không còn hiệu quả nữa khi sử dụngcác ước lượng OLS có phương sai không nhỏ nhất
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 29 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Cách phát hiện phương sai thay đổi
1 Phương pháp định tính
Dựa vào bản chất của vấn đề nghiên cứu
Xem xét đồ thị phần dư
Xem xét đồ thị phân tán của phần dư Û2i theo một biến
độc lập X nào đó hoặc theo Ŷi
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 30 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 31 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
1 Phương pháp định lượng
Kiểm định Park/Harvey
σ2i = σ2.X β2i .e
Vi
lnσ2i = lnσ2 + β2 lnXi + Vi
σ2i chưa biết nên sử dụng ước lượng Û2i (của hồi quy
gốc) để thay thế
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 32 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Các bước thực hiện
Bước 1: thực hiện hồi quy gốc Yi = α1 + α2Xi + Ui ,thu được Ûi và Ŷi
Bước 2: thực hiện hồi quyln Û2i = β1 + β2 lnXi + Vi , β1 = lnσ
2
Bước 3: kiểm định giả thuyết H0 : β2 = 0 (phương
sai không thay đổi) bằng t hoặc F
Đối với hồi quy bội, ta có thể hồi quy ln Û2i theo mỗi
biến độc lập hoặc ln Û2i theo ŶiChương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 33 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Khảo sát một mẫu thu nhập - chi tiêu (đơn vị: 100.000
đồng)
Obs Thu nhập X Chi tiêu Y Obs Thu nhập X Chi tiêu Y1 8, 2 8, 0 11 22, 4 20, 02 20, 2 19, 8 12 40, 3 38, 73 34, 5 33, 1 13 32, 3 31, 24 18, 2 17, 9 14 10, 3 10, 35 38, 0 33, 5 15 33, 6 31, 76 28, 3 25, 0 16 26, 1 25, 57 14, 1 13, 1 17 12, 1 12, 18 30, 1 29, 4 18 44, 7 38, 69 16, 4 14, 9 19 42, 3 40, 710 24, 1 21, 5 20 6, 2 6, 1
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 34 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 35 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 36 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 37 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Kiểm định Glejser
|Ûi | = β1 + β2Xi + Vi|Ûi | = β1 + β2
√Xi + Vi
|Ûi | = β1 + β21
Xi+ Vi
|Ûi | = β1 + β21√Xi
+ Vi
|Ûi | =√β1 + β2Xi + Vi
|Ûi | =√β1 + β2X 2i + Vi
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 38 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 39 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 40 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 41 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 42 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Kiểm định Breusch - Pagan (BP)
U2i = a1 + a2X2i + · · ·+ akXki + Vi
H0 : a2 = · · · = ak = 0; H1 : a22 + · · ·+ a2k > 0
Û2i = b1 + b2X2i + · · ·+ bkXki +Wi
H0 : b2 = · · · = bk = 0; H1 : b22 + · · ·+ b2k > 0
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 43 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Ước lượng mô hình tuyến tính k biến ban đầu thuđược các phần dư Ûi
Ước lượng mô hình sau thu được R2uÛ2i = b1 + b2X2i + · · ·+ bkXki +WiTính giá trị quan sát của các thống kê kiểm định:
Fqs =R2u/(k − 1)
(1− R2u)/(n − k)hoặc LMqs = nR
2u
Fqs > fα(k − 1, n − k) Hoặc LMqs > χ2α(k − 1) thìbác bỏ H0
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 44 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 45 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Kiểm định White
Yi = β1 + β2X2i + β3X3i + Ui
Hồi quy mô hình gốc ta được phần dư Ûi
Hồi quy mô hình phụ sau đây
Û2i = α1 +α2X2i +α3X3i +α4X22i +α5X
23i +α6X2iX3i +Vi
H0 : α2 = α3 = α4 = α5 = α6 = 0 (PSKĐ)
n.R2aux > χ2α(df ) : bác bỏ H0, nghĩa là phương sai
thay đổi
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 46 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 47 / 48
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Cách khắc phục phương sai thay đổi
Yi = β1 + β2Xi + Ui
Giả thiết 1: Var(Ui) = E (U2i ) = σ
2X 2i
YiXi
=β1Xi
+ β2 +UiXi
= β11
Xi+ β2 + Vi
với Vi =UiXi
là nhiễu đã được biến đổi
E (V 2i ) = E(UiXi
)2=
1
X 2iE (U2i ) =
σ2X 2iX 2i
= σ2, ∀i .
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 3 / 1
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Giả thiết 2: σ2i = Var(Ui) = E (U2i ) = σ
2Xi
Yi√Xi
=β1√Xi
+ β2√
Xi +Ui√Xi
= β11√Xi
+ β2√
Xi + Vi
trong đó Vi =Ui√Xi
Var(Vi) = Var( Ui√
Xi
)=
Var(Ui)
Xi=σ2XiXi
= σ2, ∀i .
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 4 / 1
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Giả thiết 3: σ2i = Var(Ui) = E (U2i ) = σ
2[E (Yi)]2
YiE (Yi)
=β1
E (Yi)+β2
XiE (Yi)
+Ui
E (Yi)= β1
1
E (Yi)+β2
XiE (Yi)
+Vi
trong đó Vi =Ui
E (Yi)
Var(Vi) = Var( UiE (Yi)
)=
Var(Ui)
[E (Yi)]2=σ2[E (Yi)]
2
[E (Yi)]2= σ2.
Thực tế thay E (Yi) bởi Ŷi
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 5 / 1
-
PHƯƠNG SAI SAI SỐ NGẪU NHIÊN THAY ĐỔI
Giả thiết 4: Sử dụng phép biến đổi logarit
Để giảm mức độ phương sai thay đổi của mô hình hồiquy tuyến tính
Yi = β1 + β2Xi + Ui
ta có thể dùng mô hình tuyến tính log:
lnYi = β1 + β2 lnXi + Ui .
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 6 / 1
-
TỰ TƯƠNG QUANcov(Ui ,Uj) = 0, i 6= j
Yt = β1 + β2Xt + Ut
Tự tương quan bậc 1 - AR(1)Ut = ρUt−1 + �t (−1 6 ρ 6 1)ρ < 0: Tự tương quan âm bậc 1
ρ > 0: Tự tương quan dương bậc 1
Tự tương quan bậc 2 - AR(2)Ut = ρ1Ut−1 + ρ2Ut−2 + �tTự tương quan bậc p - AR(p)Ut = ρ1Ut−1 + ρ2Ut−2 + · · ·+ ρpUt−p + �t
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 7 / 1
-
TỰ TƯƠNG QUAN
Nguyên nhân của tự tương quan
Do tính chất quán tính của dãy số liệu
Hiện tượng mạng nhện
Hiện tượng trễ
Do xử lý số liệu
Do lập mô hình (Có thể là do bỏ sót biến quantrọng hay chỉ định dạng hàm sai)
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 8 / 1
-
TỰ TƯƠNG QUANHậu quả của tự tương quan
Các ước lượng OLS vẫn là các ước lượng tuyến tính,không chệch nhưng chúng không phải là ước lượnghiệu quả nữaPhương sai ước lượng của các ước lượng OLSthường là chệch → kiểm định t và kiểm định Fkhông còn tin cậyσ̂2 là ước lượng chệch của σ2
R2 có thể không tin cậy khi dùng để thay thế chogiá trị thực của R2
Phương sai và sai số tiêu chuẩn của các giá trị dựbáo không được tin cậy (không hiệu quả)
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 9 / 1
-
TỰ TƯƠNG QUAN
Cách phát hiện tự tương quan
Xem xét đồ thị phần dư
• Đồ thị phần dư Ût hoặc Û2t theo thời gian
• Đồ thị Ût theo Ût−1 (được gọi là lược đồ AR(1))
• Đồ thị các phần dư chuẩn hóa theo thời gian: Ûtσ̂
theo t
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 10 / 1
-
TỰ TƯƠNG QUAN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 11 / 1
-
TỰ TƯƠNG QUAN
Kiểm định d của Durbin-Watson
d được tính sẵn trong bảng kết quả Eviews (0 ≤ d ≤ 4)
dL, dU : tra bảng Durbin-Watson (n và số biến độc lập k′)
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 12 / 1
-
TỰ TƯƠNG QUAN
Lưu ý khi sử dụng kiểm định Durbin-Watson
Chỉ kiểm định tự tương quan bậc nhất
Mô hình hồi quy phải có hệ số chặn
Các biến độc lập là phi ngẫu nhiên
Mô hình không chứa biến trễ của biến phụ thuộc
Yt = β1 + β2Xt + β3Yt−1 + Ut
Không có quan sát bị mất trong dữ liệu
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 13 / 1
-
TỰ TƯƠNG QUAN
C : tiêu dùng, Y : thu nhậpNăm C Y Năm C Y Năm C Y1958 873, 8 1494, 9 1969 1298, 9 2208, 4 1979 1803, 9 2826, 71959 899, 8 1525, 7 1970 1337, 7 2271, 3 1980 1883, 7 2958, 71960 919, 7 1551, 1 1971 1405, 8 2365, 6 1981 1960, 9 3115, 21961 932, 9 1539, 3 1972 1456, 6 2423, 3 1982 2004, 4 3192, 31962 979, 3 1629, 1 1973 1492, 0 2416, 2 1983 2000, 4 3187, 21963 1005, 1 1665, 2 1974 1538, 7 2484, 8 1984 2024, 2 3248, 71964 1025, 1 1708, 7 1975 1621, 8 2608, 5 1985 2050, 7 3166, 01965 1069, 0 1799, 4 1976 1689, 6 2744, 0 1986 2145, 9 3277, 61966 1108, 3 1873, 3 1977 1674, 0 2729, 3 1987 2239.9 3492, 01967 1170, 6 1973, 3 1978 1711, 9 2695, 0 1988 2313, 0 3570, 01968 1236, 3 2087, 6
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 14 / 1
-
TỰ TƯƠNG QUAN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 15 / 1
-
TỰ TƯƠNG QUAN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 16 / 1
-
TỰ TƯƠNG QUAN
Kiểm định Breusch-Godfrey (B-G)
Yt = β1 + β2X2t + · · ·+ βkXkt + UtUt = ρ1Ut−1 + ρ2Ut−2 + · · ·+ ρpUt−p + �t{
H0 : ρ1 = ρ2 = · · · = ρp = 0H1 : ρ
21 + ρ
22 + · · ·+ ρ2p > 0
H0: không có tự tương quan đến bậc p
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 17 / 1
-
TỰ TƯƠNG QUAN
Các bước thực hiện:
Ước lượng mô hình gốc thu được phần dư Ût
Ût = β1 + β2X2t + · · ·+ βkXkt + ρ1Ût−1 + ρ2Ût−2 +· · ·+ ρpÛt−p + Vtta thu được R2
(n − p)R2 > χ2α(p) thì bác bỏ H0, nghĩa là có tựtương quan với ít nhất 1 bậc nào đó
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 18 / 1
-
TỰ TƯƠNG QUAN
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 19 / 1
-
TỰ TƯƠNG QUAN
Cách khắc phục tự tương quan
Yt = β1 + β2Xt + Ut Ut = ρUt−1 + �t
Nếu ρ đã biết, hồi quy mô hình sai phân bậc 1 tổng quát:
Yt − ρYt−1 = β1(1− ρ) + β2(Xt − ρXt−1) + (Ut − ρUt−1)
Y ∗t = β∗1 + β
∗2X∗t + �t
β̂2 = β̂∗2 ; β̂1 =
β̂∗21− ρ
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 20 / 1
-
TỰ TƯƠNG QUAN
Trường hợp chưa biết ρ
Ước lượng ρ dựa trên thống kê d Durbin - Watson
ρ̂ ≈ 1− d2
Mẫu nhỏ có thể sử dụng thống kê d cải biên củaTheil - Nagar
ρ̂ =n2(1− d/2) + k2
n2 − k2
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 21 / 1
-
KẾT THÚC CHƯƠNG 6
Chương 6: Mô hình vi phạm các giả thiết Ngày 19 tháng 7 năm 2019 22 / 1