Chương 5.

ĐA CỘNG TUYẾN
• 5.1. Hiện tượng Đa cộng tuyến
• 5.2. Phát hiện
• 5.3. Khắc phục
 1. Hiện tượng
Khái niệm
• Mô hình nhiều biến độc lập
E(Yi) = β 1 + β 2X2i + … + β kXki (k ≥ 3)
• Giả thiết OLS: các biến độc lập không có quan hệ
cộng tuyến với nhau
• Nếu giả thiết bị vi phạm: mô hình có hiện tượng Đa
cộng tuyến (Multicollinearity)
• Phân loại: hoàn hảo và không hoàn hảo
 Nguyên nhân – Hậu quả
Nguyên nhân
• Chọn biến độc lập không hợp lý
• Bản chất kinh tế xã hội
• Vấn đề của mẫu
Hậu quả
• Phương sai, hiệp phương sai các ước lượng lớn
• Khoảng tin cậy rộng, kiểm định T mất ý nghĩa
• Các kiểm định T mâu thuẫn với kiểm định F.
• Đa cộng tuyến hoàn hảo => không thể ước lượng được.
 2. Phát hiện Đa cộng tuyến
• Nếu có mâu thuẫn giữa các kiểm định T và F: có đa
cộng tuyến ( R2 cao và t thấp )
• Hồi qui phụ: Hồi qui một biến độc lập theo các biến
độc lập khác

X si = ∑α j X ji + vi (*)
j≠s

Nếu thực sự Xs phụ thuộc vào ít nhất một biến độc lập
khác thì mô hình gốc có đa cộng tuyến
 5.3. Khắc phục Đa cộng tuyến
• Bỏ bớt biến độc lập
• Đổi dạng mô hình
• Lấy thêm mẫu mới
 Chương 6. PHƯƠNG SAI SAI SỐ
THAY ĐỔI
• 6.1. Hiện tượng
• 6.2. Phát hiện
• 6.3. Khắc phục
 1. Hiện tượng
Khái niệm: với mô hình bất kì, chẳng hạn
Yi = β 1 + β 2Xi + ui (1)
• Giả thiết OLS: Var(ui) = σ2 > 0 ∀ i : phương sai sai số
ngẫu nhiên là đồng đều, không đổi (homoscedasticity)
• Giả thiết bị vi phạm : Var(ui) = σ i2 ≠ σ j2 : phương sai
sai số ngẫu nhiên không đồng đều, thay đổi
(heteroscedasticity)
 1. Hiện tượng
Nguyên nhân:
• Bản chất kinh tế xã hội
• Quá trình thu thập, xử lý, làm trơn số liệu
• Thiếu biến độc lập
Hậu quả:
• Ước lượng hệ số hồi qui không hiệu quả , không tốt nhất
• Ước lượng phương sai sai số là chệch
 2. Phát hiện
• σ i2 = Var(ui) = E(ui2) là không biết, dùng ei thay cho ui
• E(ei2) thay thế E(ui2), E(| ei |) thay thế σ i = σ(ui)
Có nhiều phương pháp kiểm tra
• Đồ thị phần dư
• Kiểm định với biến độc lập
• Kiểm định Park, White
• Kiểm định Spearman, Goldfeld-Quandt
• Kiểm định với biến phụ thuộc
 2.1. Kiểm định dựa trên biến độc lập

• Giả thiết σ i2 = Var(ui) = σ2Xi

Hồi qui phụ: E(ei2) = α 1 + α 2Xi
• Giả thiết σ i2 = σ2Xi2 → E(ei2) = α 1 + α 2Xi2
• Giả thiết σ i2 = σ 2 X i → E (ei2 ) = α1 + α 2 X i
1 1
• Giả thiết σ =σ
i
2 2
→ E ( e ) = α1 + α 2
2
i
Xi Xi
Nếu α 2 ≠ 0 (hoặc R2hồi quy phụ > 0) thì mô hình gốc có
phương sai sai số thay đổi
• Có thể dùng dạng kiểm định với | ei |
Kiểm định Park: Giả thiết: σ i2 = σ2Xiα2
Hồi quy phụ: E(lnei2) = α 1 + α 2lnXi

Kiểm định White: hồi qui ei2 theo tổ hợp bậc cao dần của
các biến độc lập
E (ei2 ) = α1 + α 2 X 2i + α 3 X 3i + α 4 X 22i + α 5 X 32i + α 6 X 2i X 2i + ... (*)

Nếu ∃α j ≠ 0 (j ≠ 1) → Mô hình (1) PSSS thay đổi

Kiểm định F
Kiểm định χ2 : Tính χ qs2 = nR*2
Nếu χ qs2 > χα2( k −1) thì bác bỏ H0
*
 2.2. Kiểm định dựa trên biến phụ thuộc
• Giả thiết: Phương sai sai số thay đổi theo bình phương
trung bình biến phụ thuộc
( E (Yi ) )
2
σ =σ
i
2 2

• Hồi qui phụ E (ei2 ) = α1 + α 2Yˆi 2 (*)

⎧ 0 2
H : α = 0 ⎧ H 0 : R* = 0
2
• Kiểm định: ⎨ ⇔⎨
H :
⎩ 1 2 α ≠ 0 ⎩ 1 * >0
H : R 2

Dùng kiểm định T, F, χ2

 3. Khắc phục
Khi mô hình Yi = β 1 + β 2Xi + ui (1) có Phương sai sai số
thay đổi: Var(ui) = σ i2

Giả sử biết σ i2
• Chia cho σ i Yi 1 Xi ui
= β1 + β2 + (2)
σi σi σi σi
Yi = β1 X 0i + β 2 X + u
* *
i
*
i

• Var(ui*) = 1 là đồng đều, ước lượng phương trình

(2) thay cho (1) để thu được ước lượng tốt hơn.
Không biết σ i2 : Dựa trên giả thiết và kiểm định
• Giả thiết σ i2 = σ2Xi: chia cho Xi
Yi 1 Xi ui
= β1 + β2 + (3)
Xi Xi Xi Xi

• Giả thiết σ i2 = σ2Xi2: chia cho Xi

Yi 1 ui
= β1 + β2 + (4)
Xi Xi Xi

( E (Yi ) )
2
• Giả thiết σ = σ
i
2 2

Chia cho ước lượng là Yˆi

 Chương 7. TỰ TƯƠNG QUAN
• 7.1. Hiện tượng
• 7.2. Phát hiện
• 7.3. Khắc phục
 1. Hiện tượng
Khái niệm: Mô hình bất kì
Yi = β 1 + β 2Xi + ui (1)
• Giả thiết OLS: Cov(ui, ui – p) = 0 ∀ p ≠ 0 : không có tự
tương quan
• Giả thiết bị vi phạm : Cov(ui, ui – p) ≠ 0 với p ≠ 0 : có tự
tương quan ở bậc p (autocorrelation, serial-correlation
pth order)
• Tự tương quan trong mô hình (1) trở thành tự hồi qui
(AR: autoregression) của các sai số ui
 1. Hiện tượng
Trường hợp p = 1: ui = ρui – 1 + ε i
• ρ là hệ số tương quan bậc 1, ρ ∈ [-1 , 1]; ε i là sai số
ngẫu nhiên thỏa mãn các giả thiết OLS
• ρ < 0 : tự tương quan âm
• ρ = 0 : không có tự tương quan
• ρ > 0 : tự tương quan dương
Trường hợp bậc p tổng quát:
ui = ρ 1ui – 1 + … + ρ pui – p + ε i
 1. Hiện tượng
Nguyên nhân:
• Tính quán tính, tính “trễ”
• Mô hình thiếu biến hoặc dạng hàm sai
• Hiện tượng mạng nhện trong kinh tế
• Xử lý số liệu
Hậu quả:
• Ước lượng không hiệu quả → không tốt nhất
• Ước lượng phương sai sai số ngẫu nhiên là chệch
 2. Phát hiện
• Sai số ngẫu nhiên ui không biết, dùng ei
• Đồ thị phần dư
• Kiểm định Durbin-Watson
• Kiểm định Durbin cải biên (Durbin’s h)
• Kiểm định đoạn mạch
• Hồi qui phụ
• Kiểm định Breusch-Goldfred
 2.1. Kiểm định Durbin-Watson

• Tính thống kê n
∑ i i−1
( e − e ) 2

DW = d = i =2
n
≅ 2(1 − ρˆ )
∑i
e 2

i =1

• Với ρˆ = ∑ ei ei −1
là ước lượng của ρ
∑ ei 2

• Khi đó ρˆ ∈ [-1,1] ↔ d ∈ [0,4]

 2.1. Kiểm định Durbin-Watson

• Với n, k’ = k – 1, α = 5%, tra bảng → dL và dU

Tự tương Không có Tự tương

quan Không có tự tương Không có quan
dương kết luận quan kết luận âm
ρ >0 ρ =0 ρ <0

0 dL dU 4 - dU 4 - dL 4
 2.1. Kiểm định Durbin-Watson
Lưu ý
• Kiểm định DW chỉ kiểm định tự tương quan bậc 1
• Không dùng khi mô hình không có hệ số chặn
• Không dùng với mô hình tự hồi quy (có trễ bậc một
của biến phụ thuộc làm biến giải thích)
• Chỉ dùng với tự tương quan bậc 1
 Durbin’s h
• Mô hình tự hồi qui: Yi =β 1+β 2Xi+ λYi–1 +ui
• Không dùng DW, dùng Durbin’s h
n ⎛ d⎞ n
h = ρˆ = ⎜1 − ⎟
1 − nVar (λˆ ) ⎝ 2 ⎠ 1 − nVar (λˆ )
(Var (λˆ ) < 1/ n)
⎧H 0 : ρ = 0 Mô hình gốc không có tự tương quan
⎨
⎩ H1 : ρ ≠ 0 Mô hình gốc có tự tương quan
• Nếu | h | > uα /2 thì bác bỏ H0
 2.2. Hồi qui phụ
• Kiểm định tự tương quan đến bậc p, hồi qui
e = (α 0) + α 1ei – 1 + … + α pei – p + vi

⎧H 0 : R*2 = 0 ⎧ H 0 : α1 = ... = α p = 0
⎨ ⇔⎨
⎩ H1 : R* ≠ 0 ⎩H1 : ∃α j ≠ 0 : ( j ≠ 0)
2

• Số quan sát là n – p
• Nếu bác bỏ H0: có tự tương quan ở bậc nào đó
• Trường hợp kiểm định tự tương quan bậc 1 và không
có hệ số chặn, không thể dùng kiểm định F
 2.3. Kiểm định Breusch-Goldfred
• Hồi qui ei = [β 1+β 2Xi ] +α 1ei–1 +…+α pei–p +vi (*)
ei = [β 1+β 2Xi ] + vi (**)
⎧ H 0 : α1 = ... = α p = 0
⎨
⎩H1 : ∃α j ≠ 0 : ( j ≠ 0)
χ qs2 = n* R*2 = (n − p ) R*2 ; χ qs2 > χα2( p ) thì bác bỏ H
0
R *2 − R **2 n* − k *
Fqs = ×
1 − R* 2
p
Fqs > Fα( p ;n* −k* ) thì bác bỏ H
0
 3. Khắc phục tự tương quan
• Mô hình Yi = β 1 + β 2Xi + ui (1) có tự tương quan bậc 1:
ui = ρui – 1 + ε i với ρ ≠ 0
3.1. Nếu biết ρ
• (1) ⇔ Yi–1 = β 1 + β 2Xi–1 + ui–1
⇔ ρ Yi–1 = ρ β 1 + ρ β 2Xi–1 + ρ ui–1 (2)
• (1) – (2) ⇒
Yi– ρYi–1 = β 1(1–ρ) + β 2(Xi–ρXi–1) + (ui–ρui–1) (3)
Yi* = β 1* + β 2Xi* + ε i (4)
• (3) gọi là phương trình sai phân tổng quát
• Ước lượng (4), rồi tính các ước lượng
ˆ
β *
βˆ1* , βˆ2 , βˆ1 = i
1− ρ

Trường hợp ρ = 1:
(3) ⇔ ∆Yi = β 2 ∆Xi + ε i : phương trình sai phân
Trường hợp ρ = –1:
Yt + Yt −1 X t + X t −1
(3) ⇔ = β1 + β 2 + εt
2 2
Phương trình trung bình trượt (MA)
 3.2. Không biết ρ
Cần ước lượng hệ số tự tương quan ρ để thay vào phương
trình sai phân tổng quát:
• Từ thống kê DW
• Từ hồi qui phụ của phần dư
• Từ hồi qui phụ của Y theo Y(-1) (phương pháp DW 2
bước)
• Phương pháp Cochran - Orcutt
Chương 8. ĐỊNH DẠNG MÔ HÌNH
• 8.1. Thuộc tính của mô hình tốt
• 8.2. Phân phối xác suất sai số ngẫu nhiên
• 8.3. Mô hình có dạng hàm sai – thiếu biến

• Kết luận
 1. Thuộc tính của mô hình tốt
• Tính đầy đủ: đầy đủ biến độc lập
• Sự phù hợp
– Phù hợp với lý thuyết kinh tế
– Hàm hồi qui phù hợp
• Tính vững, đồng nhất
• Khả năng phân tích và dự báo
2. Phân phối xác suất sai số ngẫu nhiên
• Sai số ngẫu nhiên không phân phối chuẩn : không ảnh
hưởng đến tính tốt nhất, nhưng các kiểm định T, F, ước
lượng không đúng.
• Kiểm định Jacques-Berra :
⎧H 0 : Sai số ngẫu nhiên phân phối chuẩn
⎨
⎩ H1 : Sai số ngẫu nhiên2 không phân phối chuẩn
⎡ S ( K − 3) 2
⎤
JB = χ qs = n ⎢ +
2
⎥
⎣6 24 ⎦
S là hệ số bất đối xứng (Skewness); K là hệ số nhọn
(Kurtosis) của phần dư
Nếu χ > χα
2 2(2)
qs thì bác bỏ H0
 3. Định dạng mô hình
• Mô hình thừa biến, các ước lượng là không chệch,
nhưng không hiệu quả.
• Kiểm định mô hình thừa biến bằng kiểm định thu hẹp
hồi qui.
• Nếu mô hình định dạng không đúng, hoặc thiếu biến,
các ước lượng các hệ số là không hiệu quả, có trường
hợp còn là ước lượng chệch, ước lượng phương sai là
chệch, kiểm định và khoảng tin cậy không chính xác.
 Kiểm định dạng hàm không đúng
• Mô hình gốc: Yi = β 1 + β 2Xi + ui (1)
• Kiểm định dạng hàm dựa trên phần dư e và giá trị ước
lượng (kiểm định nhân tử Lagrange)
ˆ ˆ
ei = [ β1 + β 2 X i ] + α1Yi + ... + α mYi + vi (*)
2 m +1

⎧⎪ H 0 : α1 = ... = α m = 0 MH (1) dạng hàm đúng

⎨
⎪⎩H1 : ∃α j ≠ 0, j = 1, m MH (1) dạng hàm không đúng

χ qs2 = nR*2 ; χ qs2 > χα2( m ) thì bác bỏ H0

 Kiểm định mô hình thiếu biến
• Dùng ước lượng của biến phụ thuộc đại diện cho những
biến thiếu (kiểm định Ramsey’s RESET)
Yi = [ β1 + β 2 X i ] + α1Yˆi 2 + ... + α mYˆi m+1 + ui (2)
⎧⎪ H 0 : α1 = ... = α m = 0 MH (1) không thiếu biến
⎨
⎪⎩H1 : ∃α j ≠ 0, j = 1, m MH (1) thiếu biến
2
R(2) − R(1)
2
n − k(2)
Fqs = ×
1 − R(2)
2
m
( m , n − k( 2 ) )
Fqs > Fα thì bác bỏ H0
 KẾT LUẬN
Nếu mô hình không có khuyết tật nào, thì các ước lượng
OLS sẽ là ước lượng tuyến tính, không chệch, tốt nhất,
các ước lượng khoảng, kiểm định giả thiết là đáng tin
cậy, kết quả là tốt trong phân tích.