Professional Documents
Culture Documents
LỜI MỞ ĐẦU
1. Lập mô hình hồi quy và kiểm định sự phù hợp của mô hình
2. Các cách phát hiện đa cộng tuyến
3. Các biện pháp khắc phục hiện tượng đa cộng tuyến
KẾT LUẬN
1
LỜI MỞ ĐẦU
Trong mô hình phân tích hồi quy bội, chúng ta giả thiết giữa các biến giải thích X i của
mô hình độc lập tuyến tính với nhau, tức là các hệ số hồi quy đối với một biến cụ thể là
số đo tác động riêng phần của biến tương ứng khi tất cả các biến khác trong mô hình
được giữ cố định. Tuy nhiên khi giả thiết đó bị vi phạm tức là các biến giải thích có
tương quan thì chúng ta không thể tách biệt sự ảnh hưởng riêng biệt của một biến nào đó.
Hiện tượng trên được gọi là đa công tuyến. Vậy để đa cộng tuyến là gì, hậu quả của
hiện tượng này như thế nào, làm thế nào để phát hiện và biện pháp khắc phục nó. Để trả
lời được những câu hỏi trên, sau đây chúng ta cùng sau đây chúng ta cùng đi thảo luận về
đề tài: “Hiện tượng đa cộng tuyến”.Nội dung của bài thảo luận được chia thành 2 phần
chính :
- Các biến X2, X3,..., Xk gọi là các đa cộng tuyến hoàn hảo hay còn gọi là đa cộng tuyến
toàn phần nếu tồn tại λ2,..., λkkhông đồng thời bằng 0 sao cho:
- Các biến X2, X3..., Xk gọi là các đa cộng tuyến không hoàn hảo nếu tồn tại λ2,...,
λk không đồng thời bằng 0 sao cho:λ2X2+ λ3X3+ ... + λkXk+ Vi= 0 (1.1)trong đó Vi là
sai số ngẫu nhiên.
2
Từ (1.2) ta thấy, hiện tượng đa cộng tuyến xảy ra khi một biến là tổ hợp tuyến tính của
các biến còn lại và một sai số ngẫu nhiên, hay nói cách khác là có một biến biểu diễn xấp
xỉ tuyến tính qua các biến còn lại.
yi = Yi - Y ; xi = Xi - X (1.3)
n n
1 1
Y = ∑ Y i ;X = ∑ Xi (1.4)
n i=1 n i=1
thì mô hình hồi quy 3 biến có thể viết lại dưới dạng :
yi = ^β 2 x 2 i + ^β 3 x 3 i + ei (1.5)
Theo tính toán trong chương hồi quy bội ta thu được các ước lượng ^β 2 và ^β 3.
^β 2 cho ta tốc độ thay đổi trung bình của Y khi X2thay đổi 1 đơn vị còn X3 không đổi.
Nhưng khi X3i = λX 2 thì điều đó có nghĩa là không thể tách ảnh hưởng của X2 và X3 khỏi
mẫu đã cho. Trong kinh tế lượng, điều này phá hủy toàn bộ ý định tách ảnh hưởng riêng
của từng biến lên biến phụ thuộc
Thí dụ: X3i = λX 2i thay điều kiện này vào (1.5) ta được:
3
Yi = ^β 2 x 2 i + ^β 3¿) + ei =( ^β 2+ λ . ^β 3 ¿ x 2i + ei = α^ x 2 i+ ei
Trong đó:α^ = ^β 2 + λ β^ 3
Áp dụng công thức tính ước lượng của phương pháp bình phương nhỏ nhất thông thường
ta được:
Như vậy dù α được ước lượng một cách duy nhất thì cũng không thể
xác định được ^β 2 và ^β 3 từ một phương trình 2 ẩn.
Như vậy, trong trường hợp đa cộng tuyến hoàn hảo, chúng ta không thể nhận được lời
giải thích duy nhất cho các hệ số hồi quy riêng, nhưng trong khi đó ta lại có thể nhận
được lời giải thích duy nhất cho tổ hợp tuyến tính của các hệ số này. Chú ý rằng trong
trường hợp đa cộng tuyến hoàn hảo thì phương sai và các sai số tiêu chuần của các ước
lượng ^β 2 và ^β 3 là vô hạn.
b. Ước lượng trong trường hợp có đa cộng tuyến không hoàn hảo
Đa cộng tuyến hoàn hảo chỉ là một trường hợp đặc biệt hiếm xảy ra. Trong các sô liệu
liên quan đén chuỗi thời gian, thường xảy ra đa cộng tuýen không hoàn hảo
Xét mô hình (1.5). Bây giờ chúng ta giả thiết giữa X2 và X3 có cộng tuyến không hoàn
hảo theo nghĩa:
X3i = λ x 2 i + Vi
Trong đó λ ≠ 0, Vi là nhiễu ngẫu nhiên sao cho ∑ x 2 i V i=0
Trong trường hợp này theo phương pháp bình phương nhỏ nhất ta dễ dàng
thu được các ước lượng ^β 2 và ^β 3.
1.3. Hậu quả của hiện tượng đa cộng tuyến
Ta xét các trường hợp mô hình của hiện tượng đa cộng tuyến không hoàn hảo tức là
biến độc lập Xi có thể xấp xỉ tuyến tính theo các biến X 2 , X3 ,…,Xk. Có một số trường
hợp xảy ra như sau:
a. Phương sai và hiệp phương sai của các ước lượng bình quân bé nhất lớn
4
2
δ
Var( ^β 2) = (1.a)
∑ x 2i (1−r223)
2
δ2
Var( ^β 3) = (2.a)
∑ x32i (1−r223)
2
−r 23 δ
Và: cov( ^β 2 , ^β 3 ) = (3.a)
(1−r 223) √∑ x ∑ x 2
2i
2
3i
Từ (1.a) và (2.a) ta thấy r 23 tăng dần tới 1 (nghĩa là cộng tuyến tăng) thì phương sai của
hai ước lượng này tăng dần tới vô hạn (3.a) chỉ ra rằng khi r 23 tăng dần tới 1 thì cov( ^β 2 ,
^β 3 ) tăng về gía trị tuyệt đối.
Giả sử khi thực hành ta có khoảng tin cậy 95% cho ^β 2 , ^β 3 khi δ 2 đã biết là:
^β 2 ± 1,96 se( ^β 2) và ^β 3 ± 1,96 se ( ^β 3)
Trong đó :
√
2
1 δ
Se( ^β 2 ) = √ Var ( ^β 2) = √1−r 223 n
∑ x 22 i
i=1
√
1 δ2
Se( ^β 3 ) = √ Var ( ^β 3 ) = √1−r 223 n
∑ x 23 i
i=1
Cho nên ta có thể viết lại các khoảng tin cậy 95% cho ^β 2 là :
√
2
1 δ
^β 2 ±1,96
√1−r 223 n
∑ x 22 i
(1.b)
i=1
Và cho ^β 3 là :
√
2
1 δ
^β 3 ± 1,96
√1−r 223 n
∑ x 23 i
(2.b)
i=1
Từ (1.b) và (2.b) chứng tỏ r 23 càng gần tới 1 thì khoảng tin cậy cho các tham số càng
rộng.
Do đó trong trường hợp có đa cộng tuyến gần hoàn hảo thì các số liệu của mẫu có thể
thích với tập thể các giả thiết khác nhau, vì thế xác suất chấp nhận giả thuyết sai tăng lên.
5
c. Tỷ số t mất ý nghĩa
Như ta đã biết, khi kiểm định giả thuyết H0 : ^β 2 = 0 chúng ta đã sử dụng tỷ số :
^β 2
t= và đem so sánh giá trị t đã được ước lượng với giá trị tới hạn t. Nhưng khi có
se ( ^β 2)
đa cộng tuyến gần hoàn hảo thì sai số tiêu chuẩn ước lượng sẽ rất cao vì vậy làm cho tỉ số
t nhỏ đi, kết quả sẽ làm tăng khả năng chấp nhận giả thuyêt H0,
Để giải thích điều này, ta xét mô hình hồi quy k biến như sau :
Y i = β 1 + β 2X2i + β 3X3i + … + β k Xki + Ui
Trong trường hợp có đa cộng tuyến gần hoàn hảo, có thể tìm được một hoặc một số hệ
số góc riêng là không có ý nghĩa về mặt thống kê trên cơ sở kiểm định t. nhưng trong khi
đó R2 lại rất cao, nên bằng kiểm định F chúng ta có thể bác bỏ giả thuyết: H 0: β 1= β 2= β 3
=… = β k = 0. Mâu thuẫn này cũng là tín hiệu của đa cộng tuyến
e. Các ước lượng bình phương bé nhất và các sai số tiêu chuẩn của chúng trở nên rất
nhạy cảm đối với những thay đổi nhỏ trong số liệu.
f. Dấu của các ước lượng của hệ số hồi quy có thể sai.
Khi có đa cộng tuyến gần hoàn hảo thì có thể thu được các ước lượng của hệ số hồi
quy trái với điều mà chúng ta mong đợi.
g. Thêm vào hay bớt đi các biến cộng tuyến với các biến khác, mô hình sẽ thay đổi về
độ lớn của các ước lượng hoặc dấu của chúng.
X1= (1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0)
6
X2= (0,0,0,0,0, 1,1,1,1,1, 0,0,0,0,0, 0,0,0,0,0)
X3=(1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0 )
Rõ ràng X3 = X1+ X2 nghĩa là ta có đa cộng tuyến hoàn hảo nhưng tương quan cặp là :
r 12 = - 1/3, r 13 = r 23 = 0.59
Như vậy đa cộng tuyến xảy ra mà không có sự báo trước của tương quan cặp nhưng
dẫu sao nó cũng cung cấp cho ta những kiểm tra tiên nghiệm có ích
Vì vấn đề được đề cập đến dựa vào tương quan bậc 0.Farrar và Glouber đã đề nghị sử
dụng hệ thống tương quan riêng .Trong hồi quy của Y đối với các biến X 2,X3,X4 .Ta nhận
thấy rằng r21,234 cao trong khi đó r212,34 ,r213,24,r214,23 tương đối thấp thì điều đó có thể gợi ý
rằng X2,X3 và X4 có tương quan cao và ít nhất 1 trong các biến này là thừa
Dù tương quan riêng rất có ích nhưng nó không đảm bảo được rằng sẽ cung cấp cho ta
hướng dẫn chính xác trong việc phát hiện ra hiện tượng đa cộng tuyến
Fi tuân theo phân phối F với k-2 và n-k+1 bậc tự do.Trong đó n: cỡ mẫu ,k: biến số
giải thích kể cả hệ số chặn trong mô hình .R2i là hệ số xác định trong hồi quy của biến Xi
có liên hệ với các biến X khác.Nếu F i có ý nghĩa về mặt thống kê chúng ta vẫn phải quyết
định biến Xi nào sẽ phải loại khỏi mô hình .Một trở ngại của kỹ thuật hồi quy phụ là
gánh nặng tính toán .Nhưng ngày nay nhiều chương trình máy tính đã có thể đảm đương
công việc tính toán này
7
1
VIF(Xi) = 2
1−Ri
Nhìn vào công thức có thể giải thích VIF(X i) bằng tỷ số của phương sai thực của βi
trong hồi quy gốc của Y với các biến X và phương sai của ước lượng βi trong hồi quy mà
ở đó Xi trực giao với các biến khác .Ta coi tình huống lý tưởng là tình huống mà trong đó
các biến độc lập không tương quan với nhau,và VIF so sánh tình huống thực với tình
huống lý tưởng .Sự so sánh này không có ích nhiều và nó không cung cấp cho ta biết phải
làm gì với tình huống đó .Nó chỉ cho biết rằng tình hình là không lý tưởng.
2
Đồ thị của mối liên hệ của R i và VIF là:
VIF
2
Ri
0,9 1
2 2
Như hình vẽ chỉ ra, khi R i tăng từ 0,9 đến 1 thì VIF tăng rất mạnh. Khi R i =1 thì VIF là
vô hạn.
Có nhiều chương trình máy tính có thể cho biết VIF đối với các biến độc lập trong
hồi quy.
f. Độ đo Theil
8
Khía cạnh chủ yếu của VIF chỉ xem xét đến tương quan qua lại giữa các biến giải thích.
Một độ đo mà xem xét tương quan của biến giải thích với biến được giải thích là độ đo
Theil. Độ đo Theil được định nghĩa như sau:
k
2 ∑ 2 2
m = R - i=2 ( R - R −i )
2
Trong đó R là hệ số xác định bội trong hồi quy của Y đối với các biến X 2 , X 3 … X k
trong mô hình hồi quy:
Y = β 1 + β 2 X 2i + β 3 X 3i + ……. + β k X ki + U i
2
R −i là hệ số xác định bội trong mô hình hồi quy của biến Y đối với các biên X 2 , X 3 ,
… ,X i−1 , X i+1 , … ,X k
2 2
Đại lượng R - R −i được gọi là “đóng góp tăng thêm vào” vào hệ số xác định bội. Nếu X
2 , X 3 … X k không tương quan với nhau thì m = 0 vì những đóng góp tăng thêm đó cộng
2
lại bằng R . Trong các trường hợp khác m có thể nhận giá trị âm hoặc dương lớn.
Để thấy được độ đo này có ý nghĩa, chúng ta xét trường hợp mô hình có 2 biến giải thích
X 2 và X 3 . Theo ký hiệu đã sử dụng ở chương trước ta có:
2 2 2 2 2
m = R - ( R - r 12 ) – (R – r 13 )
2 2
Tỷ số t liên hệ với tương quan riêng r 12,3 , r 13,2
Thay 2 công thức này vào biểu thức xác định m ta được:
2 2 2 2 2 2 2 2 2
m = R - (r 12 + (1- r 12 ) r 13,2 - r 12 ) - ( r 13 + (1- r 13 ) r 12,3 - r 13 )
2 2 2 2 2
= R - ((1- r ) 12 r 13,2 + (1- r 13 ) r 12,3 )
9
2 2
Đặt 1- r 12 = w 2 ; 1- r 13 = w 3 và gọi là các trọng số. Công thức (5.16) được viết lại
dưới dạng
2 2 2
m = R - (w 2 r 13,2 + w 3 r 12,3 )
Như vây độ đo Theil bằng hiệu giữa hệ số xác định bội và tổng có trọng số của các hệ số
tương quan riêng.
Như vậy chúng ta đã biết một số độ đo đa cộng tuyến nhưng tất cả đều có ý nghĩa sử
dụng hạn chế. Chúng chỉ cho ta những thông báo rằng sự việc không phải là lý tưởng.
Còn một số độ đo nữa nhưng liên quan đến giá trị riêng hoặc thống kê Bayes chúng ta
không trình bày ở đây.
2.2. Các biện pháp khắc phục hiện tượng đa cộng tuyến
a. Sử dụng thông tin tiên nghiệm
Một trong các cách tiếp cận để giải quyết vấn đề đa cộng tuyến là phải tận dụng thông
tin tiên nghiệm hoặc thông tin từ nguồn khác để ước lượng các hệ số riêng.
Thí dụ: ta muốn ước lượng hàm sản xuất của 1 quá trình sản xuất nào đó có dạng:
Qt =ALαtKᵦteUt
Trong đó Qtlà lượng sản phẩm được sản xuất thời kỳ t ; Lt lao động thời kỳ t ; Ktvốn thời
kỳ t ; Ut là nhiễu ;A ,, β là các tham số mà chúng ta cần ước lượng. Lấy ln cả 2 vế (5.17)
ta được :
Giả sử K và L có tương quan rất cao dĩ nhiên điều này sẽ dẫn đến phương sai của các
ước lượng của các hệ số co giãn của hàm sản xuất lớn.
10
Giả sử từ 1 nguồn thông tin có lới theo quy mô nào đó mà ta biết được rằng ngành
công nghiệp này thuộc ngành cso lợi tức theo quy mô không đổi nghĩa là +β =1 .Với
thông tin này ,cách xử lý của chúng ta sẽ là thay β = 1 - vào (5.18) và thu được :
Y*t = A* + Z*t + Ut
Thông tin tiên nghiệm đã giúp chúng ta giảm số biến độc lập trong mô hình xuống còn
1 biến Z*t
Sau khi thu được ước lượng α̂ của thì tính được từ điều kiện = 1 –α̂
Đôi khi chỉ cần thu thập them số liệu, tăng cỡ mẫu có thể làm giảm tính nghiêm trọng
của đa cộng tuyến .
c. Bỏ biến
Khi có hiện tượng đa cộng tuyến nghiêm trọng thì cách “đơn giản nhất” là bỏ biến
cộng tuyến ra khỏi phương trình. Khi phải sử dụng biện pháp này thì cách thức tiến hành
như sau:
Giả sử trong mô hình hồi quy của ta có Y là biến được giải thích còn X, X3 …Xk là
các biến giải thích. Chúng ta thấy rằng X2 tương quan chặt chẽ với X3.Khi đó nhiều thông
tin về Y chứa ở X2 thì cũng chứa ở X3.Vậy nếu ta bỏ 1 trong 2 biến X2 hoặc X3
11
Khỏi mô hình hồi quy, ta sẽ giải quyết được vấn đề đa cộng tuyến nhưng sẽ mất đi 1 phần
thông tin về Y.
Bằng phép so sánh R2 và trong các phép hồi quy khác nhau mà có và không có 1
trong 2 biến chúng ta có thể quyết định nên bỏ biến nào trong biến X2 và X3 khỏi mô
hình.
Thí dụ R2 đối với hồi quy của Y đối với tất cả các biến X 1 X2 X3 …Xk là 0.94; R2 khi
loại biến X2 là 0.87 và R2 khi loại biến X3 là 0.92 ;như vậy trong trường hợp này ta loại
X3 .
Chúng ta lưu ý 1 hạn chế của biện pháp này là trong các mô hình kinh tế có những
trường hợp đòi hỏi nhất định phải có biến này hoặc biến khác ở trong mô hình .Trong
trường hợp như vậy việc loại bỏ 1 biến phải được cân nhắc cẩn thận giữa sai lệch khi bỏ
1 biến cộng tuyến với việc tăng phương sai của các ước lượng hệ số khi biến đó ở trong
mô hình.
Thí dụ Chúng ta có số liệu chuỗi thời gian biểu thị liên hệ giữa các biến Y và các biến
phụ thuộc X2 và X3 theo mô hình sau :
Trong đó t là thời gian. Phương trình trên đúng với t thì cũng đúng với t-1, nghĩa là :
12
Đặt yt = Yt – Yt-1
x2t = X 2t - X 2t-1
x3t = X 3t - X 3t-1
Vt = U t - U t-1
Mô hình hồi quy dạng (5.23) thường làm giảm tính nghiêm trọng của đa cộng tuyến vì
dù X2 và X3 có thể tương quan cao nhưng không có lý do tiên nghiệm nào chắc chắn rằng
sai phân của chúng cũng tương quan cao.
Tuy nhiên biến đổi sai phân bậc nhất sinh ra 1 số bấn đề chẳng hạn như số hạng sai số
Vt trong (5.23) có thể không thỏa mãn giả thiết của mô hình hồi quy tuyến tính cổ điển là
các nhiễu không tương quan .Vậy thì biện pháp sửa chữa này có thể lại còn tồi tệ hơn căn
bệnh .
Ngoài các biện pháp đã kể trên người ta còn sử dụng 1 số biện pháp khác nữa để cứu
chữa căn bệnh này như sau
13
Chương II: VÍ DỤ MINH HỌA VỀ HIỆN TƯỢNG ĐA CỘNG TUYẾN
Dựa trên những cơ sở lý luận đã tìm hiểu ở trên, chúng ta cùng đi phân tích một tình
huống kinh tế cụ thể để thấy được cách phát hiện và khắc phục hiện tượng đa cộng tuyến
như thế nào
Theo số liệu từ Tổng cục thống kê, ta có 1 mẫu với các biến như sau:
MỘT SỐ CHỈ TIÊU KINH TẾ - XÃ HỘI CỦA CHND TRUNG HOA TỪ NĂM 1995 –
2010
http://www.gso.gov.vn/default.aspx?tabid=396&idmid=3&ItemID=14036
Y X Z
1 6079.4 1211.2 680.7
2 7117.7 1223.9 689.5
3 7897.3 1236.3 698.2
4 8440.2 1247.6 706.4
5 8967.7 1257.9 713.9
6 9921.5 1267.4 720.9
7 10965.5 1276.3 728.0
8 12033.3 1284.5 732.8
9 13582.3 1292.3 737.4
10 15987.8 1299.9 742.6
11 18493.7 1307.6 746.5
12 21631.4 1314.5 749.8
13 26581.0 1321.3 753.2
14 31404.5 1328.0 755.6
15 34090.3 1334.5 758.3
16 40151.3 1340.9 761.1
14
Với mức ý nghĩa α = 5%, vận dụng lý thuyết ở trên để phát hiện hiện tượng đa cộng
tuyến và khắc phục nó.
1. Lập mô hình hồi quy và kiểm định sự phù hợp của mô hình
a. Lập mô hình hàm hồi quy
Mô hình ước lượng của hàm hồi quy là :
Ŷ i= β^1 + ^
β 2 X i+ ^
β3 Z i
Từ bảng số liệu trên, sử dụng phần mềm eviews, ta được kết quả :
Từ kết quả ước lượng, ta thu được hàm hổi quy mẫu sau:
Ŷ i=−440174.9+1428.041 X i−1886.242 Z i
b. Kiểm định sự phù hợp của mô hình
Xét giả thuyết:
H 0: β 2=β 3=0
H 1: ∃ ít nhất một trong 2 hệ số β 2 β 3 ≠ 0
H 1: R2 >0
15
Ta xây dựng tiêu chuẩn kiểm định:
R2 n−k
F= ∙ Nếu H 0 đúng thì F F ( k −1 , n−k )
1−R2 k−1
P (F> f α ( k −1 , n−k ) ¿=α
Từ bảng eviews, ta thấy Prob(F-statistic)=0.0000 < α (=0.05)
Theo phương pháp P-giá trị, ta bác bỏ H 0, chấp nhận H 1
Vì thế, trong 2 yếu tố dân số và lực lượng lao động có việc làm, có ít nhất một yếu tố ảnh
hưởng đến GDP hàng năm của CHND trung hoa.
Ta thấy rằng, hệ số xác định bội R2của mô hình là rất gần 1, điều đó chứng tỏ mô hình
đưa ra là rất phù hợp. Tuy nhiên, trong trường hợp này, tỷ số t có giá trị không quá nhỏ,
nên ta chưa thể kết luận về hiện tượng đa cộng tuyến.
( n−k )
Mặt khác, ta có thể so sánh giá trị của t với t α2
Xét giả thuyết:
H 0: β 3=0
H 1: β 3 ≠ 0
Ta xây dựng tiêu chuẩn kiểm định
^
β3
T=
se ( ^
β3)
Nếu H 0đúng thì T T (n−k )
Ta có miền bác bỏ:
{
W α = t tn :|t tn|> t (αn−k )
2
}
có t (n−k) (16−3 ) 13
α / 2 =t 0.05 / 2 =t 0.025 =2.16
( n−k )
Mà |t 3| = 21.03960 ¿ t α2 =2.16
t3∈ W α
Chấp nhận H 0, bác bỏ H 1
Như vậy, ta thấy có sự mâu thuẫn giữa hệ số xác định bội R2 và hệ số góc t 3
16
Vì thế, ta nghi ngờ trong mô hình với mẫu trên có hiện tượng đa cộng tuyến.
b. Hệ số tương quan cặp giữa các biến cao
Sử dụng phần mềm eviews, ta có bảng hệ số tương quan cặp giữa các biến giải thích
như sau:
Nếu hệ số tương quan cặp giữa các biến giải thích cao (vượt 0.8) thì có khả năng tồn tại
hiện tượng đa cộng tuyến
Như vậy, theo bảng hệ số tương quan cặp giữa các biến giải thích ở trên, ta có thể nghi
ngờ có hiện tượng đa cộng tuyến
17
Ta kiểm định cặp giả thuyết:
H 0: R' 2=0
H 1: R ' 2 ≠ 0
Xây dựng tiêu chuẩn kiểm định :
R ' 2 /( k−2)
F= '2
(1−R )/(n−k +1)
H 0 đúng thì F F (k −2 ,n−k +1)
Ta có miền bác bỏ: W ∝=¿ { f tn : f tn > f α }
( k−2 ,n−k+ 1)
f tn ∈ W ∝
Bác bỏ H 0, chấp nhận H 1
Vậy, với mức ý nghĩa 5% thì X có mối liên hệ tuyến tính với Z
KL: Mô hình có xảy ra hiện tượng đa cộng tuyến
d. Sử dụng nhân tử phóng đại phương sai
1 1
VIF= '2 = =108.38933> 10
(1−R ) (1−0.990774)
Theo lí thuyết VIF > 10 là có hiện tượng đa cộng tuyến giữa 2 biến độc lập trong mô
hình.
18
e. Độ độ Theil
Y X Z
Để tính được độ đo Theil ta phải tính được , . Theo công thức đã biết ở
chương 2 ta có:
2
(r ¿ ¿ 13−r 12 r 23 ) (0.851938−0.897786 ×0.995376)2
= 2 2
¿= 2 2 = 0.971408
(1−r 12 )(1−r 23 ) (1−0.897786 )(1−0.995376 )
Vậy m =
= 0.539658
m khác 0 nên chứng tỏ có hiện tượng đa cộng tuyến xảy ra. Và mức độ đa cộng tuyến là
0.539658
19
Bước 1: hồi quy Y theo X =>
20
Bước 3 : so sánh và
Từ kết quả hồi quy ở trên ta có:
= 0.994466 = 0.993614
= 0.806019 = 0.792163
= 0.725799 = 0.706213
Ta tiến hành so sánh và trong trường hợp này loại bỏ Zi là hợp lý hơn.
Y X X
45213.1 1391.3 770.2
47812.6 1456.1 779.4
50214.3 1524.0 785.6
53763.9 1623.5 800.5
21
Theo kết quả trên ta có hàm hồi qui mới:
Y i =-270495.6 +65.46715 X i +279.7205 Zi
R =0.88412
2
t 1=-6.973501
t 2=2.225501
t 3=2.975296
Mô hình sau khi tăng kích thước mẫu có R2 khá gần 1,các tỷ số t cũng cao hơn nên mô
hình ước lượng là rất phù hợp
KẾT LUẬN
Có nhiều cách phát hiện và khắc phục hiện tượng đa cộng tuyến khác nhau. Mỗi phương
pháp có những hạn chế nhất định. Vì vậy, khi áp dụng một phương pháp nào ta cần cân
nhắc kĩ lượng để mang lại kết quả tin cậy nhất.
22