Professional Documents
Culture Documents
Định nghĩa: Đa cộng tuyến là khi hai biến giải thích cùng tương quan chặt; chúng ta không thể chỉ đơn
giản giữ một biến không đổi và thay đổi biến còn lại vì khi biến sau thay đổi thì biến đầu thay đổi. Cũng
vậy, thay đổi mô hình bằng cách loại bỏ hoặc thêm vào một biến có thể làm thay đổi kết quả một cách
nghiêm trọng, khiến cho việc diễn dịch các ước lượng sẽ khó khăn hơn.
Nguồn gốc:
Hệ quả
1. Mặc dù BLUE, nhưng các hàm ước lượng OLS có phương sai và đồng phương sai lớn, gây khó khăn cho
việc ước lượng chính xác.
2. Vì hệ quả 1, khoảng tin cậy có khuynh hướng rộng hơn nhiều, dẫn đến việc dễ dàng chấp nhận “giả
thiết H0 zero” (zero null-hypothesis) (đó là hệ số thực của tập hợp chính bằng 0) hơn.
3. Cũng vì hệ quả 1, tỷ số t của một hoặc nhiều hệ số có khuynh hướng không có ý nghĩa thống kê.
4. Mặc dù tỷ số t của một hoặc nhiều hệ số không có ý nghĩa thống kê, R 2 , dùng để đánh giá độ thích
hợp, có thể rất cao.
5. Các hàm ước lượng OLS và các sai số chuẩn của chúng có thể rất nhạy đối với các thay đổi nhỏ trong
dữ liệu
-Sử dụng phương pháp nhân tử phóng đại phương sai (VIF)
ĐN: Phương sai sai số thay đổi là hiện tượng mà phương sai của các sai số ước lượng không bằng nhau
Nguồn gốc:
1. Theo các mô hình học tập -sai lầm, khi mọi người học hỏi, các sai lầm về hành vi của họ ngày
càng nhỏ đi theo thời gian
2. Khi các kỹ thuật thu nhập số liệu được cải thiện, i 2 có nhiều khả năng giảm
3. Phương sai thay đổi cũng có thể nảy sinh do sự hiện diện của yếu tố tách biệt
4. việc vi phạm Giả thiết 9 của mô hình hồi quy tuyến tính cổ điển (CLRM) rằng mô hình hồi quy
được xác định một cách đúng đắn
Hậu quả
-Nhận dạng lại mô hình hoặc xác định lại dạng hàm của biến.
-Sử dụng phương pháp bình phương tối thiểu có trọng số.
Nguyên nhân:
không nghiên cứu lý thuyết kinh tế nền tảng một cách cẩn thận
không nghiên cứu các nghiên cứu trước đây trong cùng lĩnh vực một cách thấu đáo
sự bất cẩn
Hệ quả:
1. Nếu các biến bị bỏ ra hoặc bị bỏ sót có tương quan với các biến được đưa vào mô hình, thì các hệ số
của mô hình được ước lượng bị chệch. Không chỉ có thế, sự chệch này không biến mất khi cỡ mẫu tăng
lên. Nói cách khác, các hệ số ước lượng của mô hình bị xác định sai vừa bị chệch vừa không nhất quán.
2. Thậm chí nếu các biến bị loại bỏ không đúng không tương quan với các biến trong mô hình, thì hệ số
cắt của mô hình được ước lượng bị chệch.
4. Phương sai của các hệ số ước lượng của mô hình bị xác định sai bị chệch. Kết quả là, các sai số chuẩn
ước lượng cũng bị chệch.
5. Hậu quả là, các khoảng tin cậy thông thường và các thủ tục kiểm định giả thuyết bị hoài nghi, dẫn đến
các kết luận sai lầm về ý nghĩa thống kê của các tham số ước lượng.
6. Hơn nữa, các dự báo dựa trên mô hình bị sai và các khoảng dự báo dựa trên mô hình bị sai sẽ không
đáng tin cậy.
####Thừa biến
Hậu quả:
1. Các ước lượng OLS của mô hình bị xác định sai hoặc mô hình phù hợp quá mức đều không chệch và
nhất quán.
3. Khoảng tin cậy và các thủ tục kiểm định giả thuyết thông thường vẫn hiệu lực.
4. Tuy nhiên, các hệ số ước lượng của mô hình như thế nói chung là không hiệu quả - nghĩa là, các
phương sai của chúng sẽ lớn hơn các phương sai của mô hình đúng.
Phát hiện: