BÀI GIẢNG

KINH TẾ LƯỢNG
ECONOMETRICS

1
 Quy định môn học
Thời gian học: 45 TIẾT (15 buổi học)
Điểm môn học: theo đề cương môn học
Tài liệu tham khảo:
1. Hoàng Ngọc Nhậm chủ biên (2010). Giáo trình kinh tế lượng.
NXB Trường đại học Kinh tế TP. Hồ Chí Minh
2. Nguyễn Quang Dông (2011). Bài giảng Kinh tế lượng. NXB
Giao thông Vận tải
3. Nguyễn Quang Dong + Nguyễn Thị Minh, (2012), Giáo trình
Kinh tế lượng
4. D. Gujarati. Basic Econometrics. Third Edition. McGraw-
Hill,Inc 1996
2
 MỞ ĐẦU

Lịch sử ra đời của Kinh tế lượng

I. Kinh tế lượng là gì?

II. Phương pháp luận của Kinh tế lượng

III. Số liệu cho phân tích Kinh tế lượng

3
 Lịch sử ra đời của Kinh tế lượng

• Cuộc khủng hoảng kinh tế 1929-1933: tan rã tư

tưởng “tự do kinh tế” → lý giải nguyên nhân
→ tìm cách khắc phục

• Các nhà kinh tế: sử dụng các phương pháp

thống kê để đo lường và kiểm định các hiện
tượng kinh tế mang tính quy luật.

4
 I. Kinh tế lượng là gì?
Định nghĩa:

Econometrics = Econo + Metrics

= “Đo lường kinh tế”
= “Kinh tế lượng”

5
Định nghĩa:
• KTL bao gồm việc áp dụng thống kê toán
cho các số liệu kinh tế để củng cố về mặt
thực nghiệm cho các mô hình do các nhà
kinh tế đề xuất và tìm ra lời giải bằng số
• KTL: kiểm định thực nghiệm các quy luật
kinh tế
• KTL có thể xem như là một khoa học xã
hội trong đó các công cụ của lý thuyết kinh
tế, toán học và suy diễn thống kê được sử
dụng để phân tích các vấn đề kinh tế
6
• Bản chất: thực chứng cho các lý thuyết kinh
tế và qua đó chứng minh hoặc bác bỏ các lý
thuyết kinh tế này.

• Mục đích: tìm ra các kết luận về mặt định

lượng cho các lý thuyết kinh tế trong điều
kiện, hoàn cảnh cụ thể để phục vụ cho việc
phân tích, dự báo và hoạch định chính sách.

7
2. Phân biệt KTL và các môn khoa học khác

• KTL và Lý thuyết kinh tế (economic theory)

• KTL và Kinh tế toán (mathematical economics)

• KTL và Thống kê kinh tế (economic statistics)

• KTL và thống kê toán (mathematical statistics)

• KTL và Tin học (computing)

8
II. Phương pháp luận của KTL

9
 Lý thuyết kinh tế, các giả thiết (1)

Lập mô hình (2)

Sơ đồ
Ước lượng các tham số (3) phương
pháp
Kiểm định giả thiết (4) luận
nghiên
cứu
Mô hình ước
Kinh tế
Không lượng tốt không ?
lượng
Có
Dự báo, ra quyết định
 Bước 1: Nêu ra giả thuyết

• Luận thuyết về tiêu dùng của John Maynard

Keynes:
“Một cá nhân sẽ tăng tiêu dùng khi thu nhập tăng
lên tuy nhiên mức tăng của tiêu dùng sẽ nhỏ hơn
mức tăng của thu nhập” – mức tăng cận biên.
→ 0 < MPC < 1
MPC (Marginal Propensity to Consume): lượng tiêu dùng tăng thêm khi thu
nhập khả dụng tăng thêm một đơn vị

• Lý thuyết kinh tế xác lập quan hệ về mặt định tính

giữa tiêu dùng và thu nhập
11
 Bước 2: Thiết lập MH lý thuyết
 Mô hình toán kinh tế
Hàm tiêu dùng của Keynes: Y = 1 + 2X

 Mô hình Kinh tế lượng

Biểu diễn quan hệ phụ thuộc giữa mức tiêu dùng
trung bình và thu nhập:
E(Y/X) = 1 + 2X

Các giá trị cá biệt của Y:

Y = E(Y/X) + U = 1 + 2X + U
12
 Bước 3: Thu thập số liệu
• Số liệu của nước Mỹ, thời kỳ 1960 – 2005

• Các biến:

X = GDP(Gross Domestic Product)

Y = tổng chi cho tiêu dùng cá nhân

• Đơn vị: tỷ usd

13
 Bước 4: Ước lượng các tham số
• Sử dụng phương pháp OLS (Ordinary Least
Squares) tìm được các ước lượng điểm của 1, 2:

E(Y/X) = 1 + 2X

Yˆt = βˆ1 + βˆ2 X t = − 299, 6 + 0, 72 X t

Hàm này gọi là hàm hồi quy mẫu (SRF – Sample

Regression Function)

14
 Bước 5: Phân tích kết quả
• Kết quả ước lượng có phù hợp với lý thuyết kinh tế ?

• Kiểm định các giả thuyết đối với các tham số

- Kiểm định 0 < 2 <1?

H0 :  2 = 0 H 0 :  2 = 1
(1)  (2) 
 H1 :  2  0  H1 :  2  1
- Kiểm định giả thuyết đối với mô hình, chẳng hạn:

H0: Mô hình có dạng tuyến tính

H1: Mô hình có dạng phi tuyến

15
• Kiểm định mô hình giúp chúng ta trả lời 2 câu
hỏi sau:

- Nếu lý thuyết kinh tế là đúng thì việc kiểm

định cho biết mô hình là đúng hay sai? Nếu mô
hình là sai quay trở lại bước 2 để sửa.

- Nếu mô hình là đúng thì việc kiểm định cho

biết lý thuyết kinh tế là đúng hay sai? Nếu sai
quay trở lại bước 1 xem xét lại lý thuyết kinh
tế. 16
 Bước 6: Dự báo
• Giả sử X2006 (GDP2006) = 11319,4 (tỷ usd)
• Dự báo Y2006 = ?
• Dựa vào mô hình ước lượng được ta có:
Yˆ2006 = ˆ1 + ˆ 2 . X 2006
= −299,6 + 0,72.11319,4 = 7870,8

• Mức chi cho tiêu dùng thực tế năm 2006 là 8044 tỷ

usd
• Sai số dự báo là 173 tỷ $ (khoảng 1,5% GDP năm
2006)
17
 Bước 7: Kiểm tra hoặc ra chính
sách
• Nếu Y2006 = 8750 tỷ usd thì tỷ lệ thất nghiệp là
4,2%. Vậy X2006 =? (kiểm soát hoặc đề xuất
chính sách)
• Từ mô hình ước lượng được ta có:
Yˆ2006 = βˆ1 + βˆ2 X 2006
 X 2006 = (Yˆ2006 − βˆ1 ) / βˆ2 = 12537(GDP2006 )

• Vậy GDP cần đạt mức 12537 tỷ usd để duy trì

tỷ lệ thất nghiệp ở mức 4,2%.
18
 Các bước Thí dụ
1. Nêu ra giả thuyết Luận thuyết về tiêu dùng của M. Keynes
2. Thiết lập mô hình lý thuyết
- Mô hình Toán kinh tế Hàm tiêu dùng Keynes: Y = 1 + 2X
- Mô hình Kinh tế lượng Y = 1 + 2X + U
3. Thu thập số liệu Bảng số liệu
4. Ước lượng các tham số
Yˆ = βˆ + βˆ X = − 299, 6 + 0, 72 X
(Phương pháp OLS) t 1 2 t t

5. Phân tích kết quả

- Kết quả ước lượng có phù hợp - Kết quả ước lượng là phù hợp
với lý thuyết kinh tế hay không?
- Kiểm định giả thuyết thống kê - 0 < 2 <1 ? Tức là 0 < MPC < 1?

6. Dự báo Y2006 = ? nếu X2006 = 11319,4

7. Ra quyết định Nếu Y2006 = 8750 thì u = 4,2%.
Vậy X2006 =? 19
III. Số liệu dùng trong phân tích
KTL
a. Các loại số liệu
• Số liệu theo thời gian (Time series data)
Ví dụ: CPI, GDP,…
• Số liệu chéo (Undate – Cross section data)
Ví dụ: Doanh thu, lợi nhuận (của các DN)
• Số liệu kết hợp (Pooled data)
• Số liệu bảng (Panel data)
20
b. Nguồn gốc các số liệu

• Số liệu từ các nguồn được phát hành như:

Niên giám thống kê, tạp chí,…

• Số liệu từ các cuộc điều tra thực tế hoặc đi

mua.

21
c. Bản chất chung của số liệu KT – XH

• Phần lớn là các số liệu phi thực nghiệm,

mang tính ngẫu nhiên, kém tin cậy.
• Có sẵn để thu thập, tính toán phù hợp với
mục đích nghiên cứu.
Ghi nhớ: Kết quả của nghiên cứu sẽ
không chỉ phụ thuộc vào mô hình được
lựa chọn mà còn phụ thuộc rất nhiều vào
chất lượng của số liệu.
22
 Nội dung môn học
▪ Chương 1: tổng quan kinh tế lượng

▪ Chương 2: mô hình hồi quy tuyến tính hai biến

▪ Chương 3: mở rộng mô hình hồi qui hai biến

▪ Chương 4: mô hình hồi quy bội

▪ Chương 5: hồi qui với biến giả

▪ Chương 6: đa cộng tuyến

▪ Chương 7: phương sai thay đổi

▪ Chương 8: tự tương quan

▪ Chương 9: chọn mô hình & kiểm định 23

 CÁC DẠNG BÀI TẬP

1. Dạng 1. Xây dựng mô hình hồi quy KTL

2. Dạng 2. Suy diễn thống kê

3. Dạng 3. Phân tích hàm hồi quy

4. Dạng 4. Đánh giá mô hình (phát hiện các khuyết

tật trong mô hình)

24
 Mô hình hồi qui hai biến
Một vài ý tưởng cơ bản

1. Bản chất của phân tích hồi qui

Phân tích hồi qui là nghiên cứu sự
phụ thuộc của một biến (biến phụ
thuộc) vào một hoặc nhiều biến khác
(biến độc lập), với ý tưởng là ước
lượng giá trị trung bình của biến phụ
thuộc khi biết giá trị các biến độc lập.
 Y = f (X1,X2, …, Xk)
- Y : biến phụ thuộc (biến được giải
thích)
- X1,X2, …, Xk : các biến độc lập (biến
giải thích)
- Hàm HQ có một biến độc lập → hàm
hồi qui hai biến
- Hàm HQ có hơn một biến độc lập →
hàm hồi qui bội
Ví dụ :
 * Phân biệt các quan hệ :
1. Quan hệ thống kê và quan hệ hàm số :
- Quan hệ thống kê
- Quan hệ hàm số
2. Hồi qui và quan hệ nhân quả
Ví dụ : …
Phân tích hồi qui không đòi hỏi giữa các
biến có mối quan hệ nhân quả. Nếu quan
hệ nhân quả tồn tại thì nó phải được xác
lập dựa trên các lý thuyết kinh tế khác.
3. Hồi qui và tương quan :
- Tương quan : đo mức độ kết hợp
tuyến tính giữa 2 biến và các biến có
tính đối xứng (rXY = rYX).
- Hồi qui :
2. Bản chất và nguồn số liệu cho phân
tích hồi qui

* Các loại số liệu :

1. Số liệu theo thời gian
2. Số liệu chéo
3. Số liệu hỗn hợp
* Nguồn số liệu
* Nhược điểm của số liệu
3. Mô hình hồi qui hai biến
a. Hàm hồi qui tổng thể
Ví dụ : Xét một địa phương có 40 hộ gia
đình và nghiên cứu mối quan hệ giữa
chi tiêu tiêu dùng hàng tuần của các
gia đình (Y) và thu nhập hàng tuần
của họ (X). Số liệu thu thập được cho
ở bảng 1 (đvt : USD/ tuần) .
Bảng 1 : Thu nhập và tiêu dùng của một địa phương
Thu 80 100 120 140 160 180 200
nhập
55 65 79 80 102 110 120
60 70 84 93 107 115 136
65 74 90 95 110 120 140
Tiêu
dùng 70 80 94 103 116 130 144
75 85 98 108 118 135 145
88 113 125 140
115
Ta có :
E (Y/X= 80) =
= 1/5 (55 + 60 + 65 + 70 + 75) = 65
E (Y/X= 100) = 77
E (Y/X= 120) = 89
E(Y/X= 140) = 101
…
E(Y/X= 200) = 137
Ta thấy : E(Y/Xi) = f(Xi) (1)
(1) : hàm hồi qui tổng thể (PRF).
Nếu (PRF) có dạng tuyến tính thì :
E(Y/Xi) = 1 + 2Xi (2)
Trong đó :
- 1 2 : các hệ số hồi qui
- 2 có ý nghĩa : Trong điều kiện các
yếu tố khác không thay đổi, khi X
tăng một đơn vị thì giá trị trung bình
của Y sẽ thay đổi 2 đơn vị.
- Thuật ngữ “tuyến tính ” trong hàm hồi
qui được hiểu là tuyến tính theo các
tham số.
b. Sai số ngẫu nhiên ( Ui )
Ui = Yi – E(Y/Xi)
Suy ra : - Yi = E(Y/Xi) + Ui (2)
(2) : (PRF) ngẫu nhiên
- Ui : đại lượng ngẫu nhiên, đại
diện cho các yếu tố khác ảnh hưởng đến
Y nhưng không có mặt trong mô hình.
 c. Hàm hồi qui mẫu (SRF)
Là hàm hồi qui được xây dựng từ một mẫu.
Nếu (PRF) là : E(Y/Xi) = 1 + 2Xi
dạng ngẫu nhiên là Yi = E(Y/Xi) + Ui
= 1 + 2X i + U i
Thì (SRF) là : Ŷi = βˆ1 + βˆ2 X i
dạng ngẫu nhiên là Yi = Ŷi + ei = βˆ1 + βˆ2 X i + ei
Trong đó: Ŷi là ước lượng điểm của E(Y/Xi)
βˆ1 , βˆ2 : là ước lượng điểm của 1,,2
ei (phần dư): là ước lượng điểm của Ui..
 Chương 2
Mô hình hồi qui hai biến
Ước lượng và kiểm định giả thiết
1. Phương pháp bình phương bé nhất
Giả sử : Yi = b1 + b2Xi + Ui (PRF)
và có một mẫu n quan sát (Yi, Xi).
Cần ước lượng (PRF).
Ta có : Yi = Ŷi + ei (SRF)

với Ŷi = βˆ1 + βˆ2 X i

 Theo phương pháp OLS, để
Ŷi càng gần với Yi thì βˆ1 , βˆ2 cần thỏa mãn :
n n

å e = å ( Yi - β1 - β 2Xi ) ® min
i =1
2
i
ˆ
i =1
ˆ 2

Suy ra βˆ1 , βˆ2 cần thỏa mãn :

ì n 2
ï ¶ å ei n
ï i=1
ï ¶βˆ1
= å 2( Y - βˆ
i =1
i 1 - βˆ2 X i )( -1) = 0
í n
ï ¶ e2
ï å i n

ï ˆ =
i =1
å 2( Y - βˆ
i 1 - βˆ2 X i )( - X i ) = 0
î ¶β 2 i =1
giải hệ, ta có :
n

å X Y - nX Y
i i
βˆ2 = i =1
n
βˆ1 = Y - βˆ2 X
åX
i =1
2
i - n( X ) 2

Có thể chứng minh được :

n n

å x y = å X Y - nX Y
i =1
i i
i =1
i i xi = Xi - X
n n với y i = Yi - Y
åx
i =1
2
i = å X - n( X )
i =1
2
i
2
Nên có thể biểu diễn :

βˆ2 =
å xyi i

åx 2
i

Ví dụ 1: Giả sử cần nghiên cứu chi tiêu

tiêu dùng của hộ gia đình phụ thuộc thế
nào vào thu nhập của họ, người ta tiến
hành điều tra, thu được một mẫu gồm
10 hộ gia đình với số liệu như sau :
Y 70 65 90 95 110 115 120 140 155 150
X 80 100 120 140 160 180 200 220 240 260

Trong đó : Y – chi tiêu hộ gia đình

(USD/tuần)
X – thu nhập hộ gia đình
(USD/tuần)
Giả sử Y và X có quan hệ tuyến tính. Hãy
ước lượng mô hình hồI qui của Y theo X.
2. Các giả thiết cổ điển của mô hình
hồi qui tuyến tính

• Giả thiết 1 : Biến độc lập Xi là phi

ngẫu nhiên, các giá trị của chúng phải
được xác định trước.
• Giả thiết 2 : Kỳ vọng có điều kiện của
sai số ngẫu nhiên bằng 0 :
E (Ui / Xi) = 0 "i
• Giả thiết 3 : (Phương sai thuần nhất )
Các sai số ngẫu nhiên có phương sai
bằng nhau :
Var (Ui / Xi) = s2 "i
• Giả thiết 4 : Không có hiện tượng tương
quan giữa các sai số ngẫu nhiên :
Cov (Ui , Uj ) = 0 " i ¹ j
• Giả thiết 5 : Không có hiện tượng tương
quan giữa biến độc lập Xi và sai số ngẫu
nhiên Ui : Cov (Xi , Ui ) = 0 " i
• Định lý Gauss – Markov : Với các giả
thiết từ 1 đến 5 của mô hình hồi qui
tuyến tính cổ điển, các ước lượng OLS
là các ước lượng tuyến tính, không
chệch và có phương sai bé nhất trong
lớp các ước lượng tuyến tính, không
chệch.
 3. Phương sai và sai số chuẩn của các
ước lượng
Phương sai Sai số chuẩn

Var( βˆ1 ) = σ β2ˆ =

å i
X 2

σ 2
se( βˆ1 ) = σ βˆ = σ β2ˆ
1
nå x i
2 1 1

1
Var( βˆ2 ) = σ β2ˆ = σ 2
se( βˆ2 ) = σ βˆ = σ β2ˆ
2
å xi
2 2 2

Trong đó : s2 = var (Ui). Do s2 chưa biết

nên dùng ước lượng của nó là
σˆ =
2 å 2
ei
n-2
4. Hệ số xác định và hệ số tương quan
a. Hệ số xác định : Dùng để đo mức độ phù
hợp của hàm hồi qui.
ESS
2
dn
RSS
R = =1-
TSS TSS
Trong đó : TSS
n
= ESS + RSS
n
TSS = å (Y
i =1
i
2
- Y) = å#
i =1
"
!

n
ESS = å i
( Ŷ
i =1
- Y ) 2

n n
RSS = å i i =
( Y
i =1
- Ŷ ) 2
å i
e 2

i =1
Miền xác định của R2 :
0 £ R2 £ 1
R2 à 1 : hàm hồi qui càng phù hợp.
R2 à 0 : hàm hồi qui càng ít phù hợp
Ví dụ : …
b. Hệ số tương quan : Là số đo mức độ
chặt chẽ của quan hệ tuyến tính giữa
X và Y.

r=
å (X - X)( Y - Y )
i i
=
å $" #"
å (X - X) å ( Y - Y )
i
2
i
2
å "å "
$ !
# !

2
Chứng minh được : r = R
Và dấu của r trùng với dấu của hệ số của
X trong hàm hồi qui ( βˆ2 ).
Tính chất của hệ số tương quan :
1. Miền giá trị của r : -1 £ r £ 1
| r| à 1 : quan hệ tuyến tính giữa X và
Y càng chặt chẽ.
2. r có tính đối xứng : rXY = rYX
3. Nếu X, Y độc lập thì r = 0. Điều
ngược lại không đúng.
5. Phân phối xác suất của các ước lượng
Giả thiết 6 : Ui có phân phối N (0, s2),
Với giả thiết 6, các ước lượng có thêm
các tính chất sau :
1. Khi số quan sát đủ lớn thì các ước
lượng xấp xỉ với giá trị thực của phân
phối :
ˆ ˆ
β1 ¾¾¾® β1 , β 2 ¾¾¾® β 2
n® ¥ n® ¥
 ˆ
β 1 - β1
ˆ
2. β1 ~ N( β1 , σ βˆ ) Þ Z =
2
~ N(0,1)
1
σ βˆ
1

βˆ2 - β 2
βˆ2 ~ N( β 2 , σ )
2
βˆ2
ÞZ= ~ N(0,1)
σ βˆ
2

(n - 2)σ
ˆ 2
3. ~ χ (n - 2)
2

σ 2

4. Yi ~ N (b1+ b2Xi, s2)

6. Khoảng tin cậy của các hệ số hồi qui
• Sử dụng phân phối của thống kê t :
βˆj - β j
t= ~ t (n - 2) j = 1,2
sê( βˆj )

Ta có khoảng tin cậy của b1 :

βˆ1 - sê( βˆ1 ).tα / 2 (n - 2) £ β1 £ βˆ1 + sê( βˆ1 ).tα / 2 (n - 2)
Ta có khoảng tin cậy của b2 :
βˆ2 - sê( βˆ2 ).tα / 2 (n - 2) £ β 2 £ βˆ2 + sê( βˆ2 ).tα / 2 (n - 2)
7. Kiểm định giả thiết về các hệ số hồi qui
• Giả sử H0 : b2 = a ( a = const)
H1 : b2 ¹ a
Có 2 cách kiểm định :
1. Dùng khoảng tin cậy :
Khoảng tin cậy của b2 là [a, b]
- Nếu a Ï [a, b] Þ bác bỏ H0
- Nếu a Î [a, b] Þ chấp nhận H0
2. Dùng kiểm định t :
βˆ2 - β 2
Thống kê sử dụng : t = ˆ
~ t (n - 2)
sê( β 2 )
Có hai cách đọc kết quả kiểm định t :
Cách 1 : dùng giá trị tới hạn.
- Tính βˆ2 - a
t=
sê( βˆ2 )
- Tra bảng t tìm ta/2(n-2)
- Nếu | t| > ta/2(n-2) Þ bác bỏ H0.
- Nếu | t| £ ta/2(n-2) Þ chấp nhận H0.
Cách 2 : Dùng p-value (mức ý nghĩa
chính xác)
p = P(| T| > ta)
βˆ2 - a
với ta = t =
sê( βˆ2 )
- Nếu p £ a Þ bác bỏ H0.
- Nếu p > a Þ chấp nhận H0.
 8. Kiểm định sự phù hợp của hàm hồi
qui. Phân tích hồi qui và phân tích
phương sai
• Giả thiết H0 : b2 = 0 ( hàm hồi qui
không phù hợp)
H1 : b2 ¹ 0 (hàm hồi qui phù hợp)
Sử dụng phân phối của thống kê F :

F=
( 2 2
)
(β 2 - β 2 ) å xi / 1
ˆ
~ F(1, n - 2)
åe 2
i /(n - 2)
 Khi b2 = 0 , F có thể viết :
β 2 å xi
ˆ 2 2
ESS / 1 R2 /1
F= = = (*)
å ei /(n - 2) RSS /(n - 2) (1 - R ) /(n - 2)
2 2

Nên có thể dùng qui tắc kiểm định sau :

- Tính 2
R /1
F= 2
(1 - R ) /(n - 2)
- Nếu F > Fa(1, n-2) Þ bác bỏ H0
Þ hàm hồi qui phù hợp.
Mặt khác, cũng từ (*) cho thấy :
Phân tích phương sai cho phép đưa ra
các phán đoán thống kê về độ thích
hợp của hồi qui ( xem bảng phân tích
phương sai).
* Một số chú ý khi kiểm định giả thiết :
- Khi nói “chấp nhận giả thiết H0”,
không có nghĩa H0 đúng.
- Lựa chọn mức ý nghĩa a : a có thể
tùy chọn, thường người ta chọn mức
1%, 5%, nhiều nhất là 10%.
9. Dự báo
a. Dự báo giá trị trung bình :
Cho X =X0 , tìm E(Y/X0).
- Dự báo điểm của E(Y/X0) là :
Ŷ0 = βˆ1 + βˆ2 X 0
- Dự báo khoảng của E(Y/X0) là :
(n - 2) (n - 2)
Ŷ0 - sê( Ŷ0 ).t α /2 £ E( Y / X 0 ) £ Ŷ0 + sê( Ŷ0 ).t α /2

Trong đó :
é 1 ( X 0 - X )2 ù
ú ´σ
ˆ 2
vâr( Ŷ0 ) = ê +
êë n å x i úû
2
b. Dự báo giá trị cá biệt :
Cho X =X0 , tìm Y0.
(n - 2) (n - 2)
Ŷ0 - sê( Y0 - Ŷ0 ).t α /2 £ Y0 £ Ŷ0 + sê( Y0 - Ŷ0 ).t α /2

Trong đó :
var( Y0 - Ŷ0 ) = var( Ŷ0 ) + σ 2
nên
vâr( Y0 - Ŷ0 ) = vâr( Ŷ0 ) + σˆ2
 dải tin cậy của
Y giá trị cá biệt

dải tin cậy của

giá trị trung
bình

X X

* Đặc điểm của dự báo khoảng

10. Trình bày kết quả hồi qui
ˆ + β
Ŷi = β ˆX R2 =
1 2 i
se = sê (βˆ1 ) sê (βˆ2 ) n =
t = t1 t2 F =
p = p(>t1) p(>t2) p(> F) =
Trong đó : βˆ1 - 0 βˆ2 - 0
t1 = t2 =
sê( βˆ1 ) sê( βˆ2 )

Ŷi = 24,4545 + 0,5091 Xi R2 = 0,9621

se = (6,4138) (0,0357) n = 10
t = (3,813) (14,243) F = 202,87
p = (0,005) (0,000) p = (0,000)
11. Đánh giá kết quả của phân tích hồi
qui
• Dấu của các hệ số hồi qui ước lượng
được phù hợp với lý thuyết hay tiên
nghiệm không.
• Các hệ số hồi qui ước lượng được có ý
nghĩa về mặt thống kê hay không.
• Mức độ phù hợp của mô hình (R2).
• Kiểm tra xem mô hình có thỏa mãn các
giả thiết của mô hình hồi qui tuyến tính
cổ điển hay không.
 Chương 3
Mở rộng mô hình hồi qui hai biến
1. Hồi qui qua gốc tọa độ
Mô hình : Yi = b2Xi + Ui (PRF)
Ŷi = βˆ2 X i + ei (SRF)
Theo OLS, ta có :
n

å Xi Yi ˆ
var( β ) =
σ 2

βˆ2 = i =1 2 n

å i
X
n
2 å i
X 2

i =1
i =1
với σˆ 2
=
å e 2
i

n -1
 *Lưu ý :
• R2 có thể âm đối với mô hình này, nên
không dùng R2 mà thay bởi R2thô :

R 2
=
(å XY)i i
2

thô
åX åY
2
i i
2

• Không thể so sánh R2 với R2thô

• Thường người ta dùng mô hình có tung độ
gốc, trừ khi có một tiên nghiệm rất mạnh
cần phải dùng mô hình qua gốc tọa độ.
Ví dụ :
2. Mô hình tuyến tính logarit (log-log)
Mô hình : lnYi = b1 + b2lnXi + Ui (PRF)
* Đặc điểm của mô hình :
- b1, b2 ước lượng được bằng phương pháp
OLS bằng cách đặt Yi*= lnYi và Xi*= lnXi.
- b2 : là hệ số co giãn của Y theo X.
Vì: vi phân 2 vế của mô hình log-log, ta có :
1 1 dY X
dY = β 2 dX Þ β 2 = ´
Y X dX Y
• Ví dụ :Khảo sát về nhu cầu cà phê –Y
(số tách /người/ngày) và giá bán lẻ cà
phê X(USD/kg) từ năm 1970 đến 1980,
hồi qui mô hình log-log :

ln̂ Yi = 0.7774 - 0.253 ln X i

3. Các mô hình bán logarit
a. Mô hình log-lin :
Mô hình : lnYi = b1 + b2Xi + Ui (PRF)
Đặc điểm :
dY / Y thay doi tuong doi cua Y
β2 = =
dX thay doi tuyet doi cua X

Þ X tăng 1đvị thì Y sẽ thay đổi 100 b2 (%)

 Ví dụ : Mô hình tăng trưởng
Yt = Y0 (1 + g) t
Yt : GDP thời điểm t (t =1,2,3,…)
g : tốc độ tăng trưởng bình quân năm
Lấy ln hai vế : lnYt = lnY0 + [ln(1+g)].t
hay lnYt = b1 + b2 t
Ví dụ : Với số liệu GDP từ 1972-1991, ta có
ln̂ GDP = 8.02 + 0.0247 t
* Mô hình xu hướng tuyến tính
• Mô hình : Yt = b1 + b2 t
Yt : biến có số liệu theo thời gian
t : biến thời gian hay biến xu hướng.
Ví dụ : Với số liệu GDP (đv : tỷ USD) từ
1972-1991, dùng mô hình xu hướng, ta
có :
GDP = 2933.054 + 97,6806 t
 b. Mô hình lin - log :
Mô hình : Yi = b1 + b2lnXi + Ui (PRF)
Đặc điểm :
dY thay doi cua Y
β2 = =
dX / X thay doi tuong doi cua X
Þ X tăng 1% thì Y sẽ thay đổi b2/100 đvị
Ví dụ : Hồi qui GNP theo ln(cung tiền) với
số liệu từ 1973 đến 1987, ta có :
GN̂Pt = -16329.2 + 2584.785 Mt
3. Mô hình nghịch đảo
æ1ö
Mô hình : Yi = β1 + β 2 çç ÷÷ + Ui (PRF)
è Xi ø
Đặc điểm : Khi Xà ¥ Þ Y à b1
*Một số trường hợp áp dụng mô hình này:
- Quan hệ giữa chi phí sản xuất cố định
trung bình (AFC) và sản lượng.
- Quan hệ giữa tỉ lệ thay đổi tiền lương và
tỉ lệ thất nghiệp (đường cong philips).
- Đường chi tiêu Engel biểu diễn quan hệ
giữa chi tiêu của người tiêu dùng về một
loại hàng hóa với thu nhập của người đó
nếu hàng hóa có đặc điểm sau :
(a) Có một mức thu nhập tới hạn mà dưới
mức đó, người tiêu dùng không mua
hàng hóa này (mức ngưỡng là (- b2/ b1)).
(b) Có mức tiêu dùng bão hòa mà cao hơn
mức đó, người tiêu dùng không chi tiêu
thêm dù thu nhập cao đến đâu.
 Chương 4
Mô hình hồi qui bội
1. Mô hình :
Mô hình hồi qui tuyến tính k biến (PRF) :
E(Y/X2i,…,Xki) = b1+ b2X2i +…+ bkXki
Yi = b1+ b2X2i + …+ bkXki + Ui
Trong đó :
Y - biến phụ thuộc
X2,…,Xk - các biến độc lập
b1 là hệ số tự do
bj là các hệ số hồi qui riêng,
bj cho biết khi Xj tăng 1 đvị thì trung bình
của Y sẽ thay đổi bj đvị trong trường
hợp các yếu tố khác không đổi
(j=2,…,k).
Khi k = 3 thì ta có mô hình hồi qui tuyến
tính ba biến :
E(Y/X2, X3) = b1+ b2X2 + b3X3 (PRF)
Yi = b1+ b2X2i + b3X3i + Ui
2. Các giả thiết của mô hình
• Giả thiết 1: Các biến độc lập phi ngẫu
nhiên, giá trị được xác định trước.
• Giả thiết 2 : E(Ui) = 0 "i
• Giả thiết 3 : Var(Ui) =s2 "i
• Giả thiết 4 : Cov(Ui, Uj) = 0 i ¹j
• Giả thiết 5 : Cov(Xi, Ui) = 0 "i
• Giả thiết 6 : Ui ~ N (0, s2) "i
• Giả thiết 7 : Không có hiện tượng cộng
tuyến giữa các biến độc lập.
3. Ước lượng các tham số
a. Mô hình hồi qui ba biến :
Yi = b1+ b2X2i + b3X3i + Ui (PRF)
Hàm hồi qui mẫu :
Yi = Ŷi + ei = βˆ1 + βˆ2 X 2i + βˆ3 X 3i + ei
Giả sử có một mẫu gồm n quan sát các giá
trị (Yi, X2i, X3i). Theo phương pháp OLS,
βˆj (j= 1,2,3) phải thoả mãn :
åe 2
i ® min
 Tức là :
ì ¶ å ei2
ï =0
ï ¶βˆ1 ìå 2( Yi - βˆ1 - βˆ2 X 2i - βˆ3 X 3i )( -1) = 0
ï ï
ï ¶ å ei
2
ï
í ˆ = 0 Û íå 2( Yi - βˆ1 - βˆ2 X 2i - βˆ3 X 3i )( - X 2i ) = 0
ï ¶β 2 ï
ï ¶ e2 ïîå 2( Yi - βˆ1 - βˆ2 X 2i - βˆ3 X 3i )( - X 3i ) = 0
ï å i =0
ïî ¶βˆ3
Do ei = Yi - βˆ1 - βˆ2 X 2i - βˆ3 X 3i
Giải hệ ta có :

βˆ2 =
å x y åx - åx x åx
2i i
2
3i 2i 3i y
3i i

åx åx - ( åx x )
2
2i
2
3i 2i 3i
2

βˆ3 =
å x y åx - åx x åx
3i i
2
2i 2i 3i y
2i i

åx åx - ( åx x )
2
2i
2
3i 2i 3i
2

βˆ1 = Y - βˆ2 X 2 - βˆ3 X 3

* Phương sai của các hệ số ước lượng

ˆ
é1
Var( β1 ) = ê +
å X ( x
2 3i - X x
3 2i
ù
ú
)
2

´σ 2

êë n å x 2i å x 3i - ( å x 2i x 3i ) úû
2 2 2

ˆ
Var( β 2 ) =
å x 2
3i
´σ 2

å x 2i å x 3i - ( å x 2i x 3i )
2 2 2

Var( βˆ3 ) =
åx 2
2i
´σ 2

åx åx
2
2i
2
3i - ( å x 2i x 3i ) 2
Trong đó : s2 = Var(Ui)
s2 chưa biết nên dùng ước lượng của nó là :

σˆ 2
=
å e 2
i

n-3
Với :
åi
e 2
=TSS - ESS = å $ 2 å %$ i 3 å " #$ ! i
! %
- ˆ
β " ! - ˆ
β
b. Mô hình hồi qui tuyến tính k biến
Yi = b1+ b2X2i + …+ bkXki+ Ui (PRF)
(i = 1,…, n)
Hàm hồi qui mẫu :
Yi = Ŷi + ei = βˆ1 + βˆ2 X 2i + ... + βˆk X ki + ei
Theo phương pháp OLS,
βˆj (j= 1,2,…,k) phải thoả mãn :
åe 2
i ® min
 Tức là :
ì ¶ å ei2
ï ˆ =0 ì
ï 1 ¶β
ïï
å 2( Yi - ˆ
β 1 - ˆ
β X
2 2i - ... - ˆ
β k X ki )( -1) = 0
ï
í ! Ûí !
ï ¶ e2 ï
ï å i
=0 î
ï å 2( Yi - ˆ
β 1 - ˆ
β 2 X 2 i - ... - ˆ
β k X ki )( - X ki ) = 0
ï ¶βˆk
î
ˆ
Viết hệ dưới dạng ma trận : X X β = X Y
T
( T
)
Þ βˆ = X X ( T
) (X Y )
-1 T
 é βˆ1 ù é å Yi ù
ê ú ê ú
βˆ = ê βˆ2 ú T
X Y= ê å X 2 i Yiú
ê!ú ê ! ú
ê ú ê ú
êë βˆk úû êë å X ki Yi úû

é n
ê
åX 2i åX 3i ... åX ki ù
ú
T
X X= ê å X 2i åX 2
2i åX X 2i 3i ... åX X
2i ki ú
ê ! ! ú
ê 2 ú
êë å X ki å XkiX2i å XkiX3i ... å Xki úû
4. Hệ số xác định
2
R =
ESS
=1-
RSS
=1-
å i
e 2

TSS TSS å i
y 2

åe 2
i = RSS = TSS - ESS
= å y i2 - βˆ2 å x 2i y i - ... - βˆk å x ki y i
* Chú ý : Khi tăng số biến độc lập trong
mô hình thì R2 cũng tăng cho dù các
biến độc lập thêm vào có ảnh hưởng mô
hình hay không . Do đó không thể dùng
R2 để quyết định có hay không nên thêm
biến vào mô hình mà thay vào đó có thể sử
dụng hệ số xác định được hiệu chỉnh :

R 2
=1-
å 2
e /(n - k )
i

å " /(n - 1)
# !

Hay:
2 n -12
R = 1 - (1 - R )
n-k
Tính chất của R 2 :
- Khi k > 1, R 2 £ R 2 £ 1
- R 2 có thể âm, trong trường hợp âm, ta coi
giá trị của nó bằng 0.
 !
* Cách sử dụng " để quyết định đưa
thêm biến vào mô hình :
Mô hình hai biến Mô hình ba biến
Ŷi = βˆ1 + βˆ2 X 2i (1) Ŷi = βˆ1 + βˆ2 X 2i + βˆ3 X 3i (2)

R 12 R 22
2 2
R 1 R 2
2 2
- Nếu R > R thì chọn mô hình (1) ,
1 2
tức là không cần đưa thêm biến X3 vào
mô hình. Ngược lại, ta chọn mô hình (2).
• So sánh hai giá trị R2 :
Nguyên tắc so sánh :
- Cùng cỡ mẫu n .
- Cùng các biến độc lập.
- Biến phụ thuộc phải ở dạng giống
nhau. Biến độc lập có thể ở bất cứ dạng
nào.
Ví dụ :
5. Ma trận tương quan
Xét mô hình : Ŷi = βˆ1 + βˆ2 X 2i + ... + βˆk X ki
Gọi rtj là hệ số tương quan tuyến tính
giữa biến thứ t và thứ j. Trong đó Y
được xem là biến thứ 1.
Ma trận tương quan tuyến tính có dạng :
é 1 r12 ... r1k ù
êr 1 ... r2k ú
ê 21 ú
ê ... ... ú
ê ú
ërk 1 rk 2 ... 1 û
 6. Ma trận hiệp phương sai
é var( βˆ1 ) cov( βˆ1 , βˆ2 ) ... cov( βˆ1 , βˆk )ù
ê ú
ê cov( βˆ , βˆ ) var( βˆ 2) ... cov( βˆ2 , βˆk )ú
ˆ
cov( β ) = 2 1
ê ... ... ú
ê ú
êëcov( βˆk , βˆ1 ) cov( βˆk , βˆ2 ) ... var( βˆk ) úû
Để tính ma trận hiệp phương sai của các hệ
số, áp dụng công thức :
ˆ RSS
cov( β ) = ( X X ) σ
T -1 2
với σˆ =2

n-k
Trong đó, k là số tham số trong mô hình.
7. Khoảng tin cậy của các hệ số hồi qui

Khoảng tin cậy của bj (j =1,2, …, k) là :

βˆj ± sê( βˆj )t α / 2 (n - k )

Trong đó, k là số tham số trong mô hình.
 8. Kiểm định giả thiết
a. Kiểm định H0 : bj = a (=const)
( j = 1, 2, …, k)

Phần này hoàn toàn tương tự như ở mô

hình hồi qui hai biến, khác duy nhất ở chỗ
bậc tự do của thống kê t là (n-k).
b. Kiểm định giả thiết đồng thời :
H0 : b2 = b3 =…= bk = 0 Û H0 : R2 = 0
H1: $ bj ¹ 0 (2 £ j £ k) Û H1 : R2 ¹ 0
Cách kiểm định : 2
-Tính R /(k - 1)
F= 2
(1 - R ) /(n - k )
Nếu p(F* > F) £ a Þ bác bỏ H0,
Nếu F > Fa(k-1, n-k)
Tức là các hệ số hồi qui không đồng thời
bằng 0 hay hàm hồi qui phù hợp.
c. Kiểm định Wald
Xét mô hình (U) sau đây :
Yi = b1+ b2X2i + b3X3i+ b4X4i+ b5X5i+ Ui
(U) được xem là mô hình không hạn chế.
Ví dụ 1 : Với mô hình (U), cần kiểm định
H0 : b3= b5= 0
Áp đặt giả thiết H0 lên mô hình (U), ta có
mô hình hạn chế (R) như sau :
Yi = b1+ b2X2i + b4X4i+ Ui (R)
Để kiểm định H0, ta dùng kiểm định Wald.
 Các bước kiểm định Wald :
- Hồi qui mô hình (U) à thu được RSSU.
- Hồi qui mô hình (R) à thu được RSSR.
- Tính (RSSR - RSSu ) /(dfR - dfU )
F=
RSSU / dfU
dfU : bậc tự do của (U)
dfR : bậc tự do của (R)
- Nếu p (F* > F) £ a
Þ bác bỏ H0,
Nếu F > Fa(dfR- dfU, dfU)
Ví dụ 2 : VớI mô hình (U), kiểm định
H0 : b2= b3= b4
Áp đặt H0 lên (U), ta có mô hình (R):
Yi = b1+ b2X2i + b2X3i+ b2X4i+ b5X5i+ Ui
hay
Yi = b1+ b2(X2i+X3i+X4i) + b5X5i+ Ui
Đến đây, áp dụng các bước kiểm định Wald
cho giả thiết H0.
Ví dụ 3 : VớI mô hình (U), kiểm định
H0 : b2+ b3= 1
Thực hiện tương tự như các ví dụ trên, bằng
các áp đặt H0 lên (U), ta có mô hình hạn
chế (R) :
Yi= b1+ b2X2i+(1- b2)X3i+ b4X4i+ b5X5i+Ui
(Yi - X3i) = b1+ b2(X2i -X3i)+ b4X4i+ b5X5i+Ui

* Chú ý : Trong Eviews, thủ tục kiểm định

Wald được viết sẵn, bạn chỉ cần gõ vào giả
thiết bạn muốn kiểm định rồi đọc kết quả.
 9. Dự báo :
a. Dự báo giá trị trung bình
Cho X20, X30, …, Xk0. Dự báo E(Y).
- Dự báo điểm của E(Y) là :
ˆ ˆ ˆ
Ŷ0 = β1 + β 2 X 2 + ... + β k X k
0 0

- Dự báo khoảng của E(Y) :

[Ŷ0 - sê( Ŷ0 )tα / 2 (n - k ) ; Ŷ0 + sê( Ŷ0 )tα / 2 (n - k )]
 é1ù
Trong đó : êX0 ú
Var( Ŷ0) = X0T(XTX)-1X0 s2
0
X = ê 2ú

ê!ú
ê 0ú
ëXk û

b. Dự báo giá trị cá biệt của Y khi X=X0.

[Ŷ0 - sê( Y0 - Ŷ0 )tα / 2 (n - k ) ; Ŷ0 + sê( Y0 - Ŷ0 )tα / 2 (n - k )]
Trong đó :
Var ( Y0 - Ŷ0 ) = Var ( Ŷ0 ) + σ 2
 Chương 5
Hồi qui với biến giả
I. Bản chất của biến giả- Mô hình trong
đó các biến độc lập đều là biến giả
Biến định tính thường biểu thị các
mức độ khác nhau của một tiêu thức
thuộc tính nào đó.
Ví dụ : …
Để lượng hoá được biến định tính,
trong phân tích hồi qui người ta sử
dụng kỷ thuật biến giả.
Ví dụ 1 : Một cty sử dụng 2 công nghệ (CN)
sản xuất (A, B). Năng suất của mỗi CN là
đại lượng ngẫu nhiên phân phối chuẩn có
phương sai bằng nhau, kỳ vọng khác nhau.
Hãy lập mô hình mô tả quan hệ giữa năng
suất của cty với việc sử dụng CN sản xuất.
Mô hình : Yi = b1+ b2Zi + Ui
Trong đó : Y : năng suất, Z : biến giả
Zi = 1 nếu sử dụng CN A
0 nếu sử dụng CN B
Ta có :
E(Yi/Zi= 0) = b1 : năng suất trung
bình của CN A.
E(Yi/Zi= 1) = b1+ b2 : năng suất trung
bình của CN B.
Þ b2: chênh lệch năng suất giữa CN B và A.
Giả thiết H0 : b2 = 0 (Û giữa CN A và CN B
không có khác biệt
về năng suất).
 * Giả sử tiến hành khảo sát năng suất của
CN A và CN B trong vòng 10 ngày,
người ta thu được số liệu sau :

CN sử dụng B A A B B A B A A B
Năng suất 28 32 35 27 25 37 29 34 33 30

Năng suất (đvt : Tấn/ ngày)

Dùng mẫu số liệu trên, hồi qui mô hình
đang xét, ta có : Ŷi = 27,8 + 6,4 Zi
Ví dụ 2 : Tương tự ví dụ 1, nhưng công
ty có 3 CN sản suất (A, B, C).
Mô hình : Yi = b1+ b2Z1i + b3Z2i + Ui
Trong đó : Y - năng suất, Z1, Z2 : biến giả
Z1i = 1 : sử dụng CN A
0 : không sử dụng CN A
Z2i = 1 : sử dụng CN B
0 : không sử dụng CN B
Ta có :
E(Yi/Z1i= 1, Z2i= 0) = b1+ b2 : năng suất
trung bình của CN A.
E(Yi/ Z1i= 0, Z2i= 1) = b1+ b3 : năng suất
trung bình của CN B.
E(Yi/ Z1i= 0, Z2i= 0) = b1: năng suất trung
bình của CN C.
Þ b2: chênh lệch năng suất giữa CN A và C.
Þ b3: chênh lệch năng suất giữa CN B và C.
• Chú ý :
- Một biến định tính có m mức độ (m
phạm trù) thì cần sử dụng (m-1) biến
giả đại diện cho nó.
- Phạm trù được gán giá trị 0 được xem
là phạm trù cơ sở (việc so sánh được
tiến hành với phạm trù này).
II. Hồi qui với biến định lượng và biến
định tính
Ví dụ 3 : Hãy lập mô hình mô tả quan hệ
giữa thu nhập của giáo viên với thâm
niên giảng dạy và vùng giảng dạy (thành
phố, tỉnh đồng bằng, miền núi).
Gọi Y : thu nhập (triệu đồng/năm)
X : thâm niên giảng dạy (năm)
Z1, Z2 : biến giả.
Z1i = 1 : thành phố Z2i = 1 : tỉnh
0 : nơi khác 0 : nơi khác
Ta có mô hình :
Yi = b1+ b2Xi + b3Z1i + b4Z2i + Ui
Ý nghĩa của b2, b3, b4 : …
Ví dụ 4 : Hãy lập mô hình mô tả quan hệ
giữa thu nhập của giáo viên với thâm niên
giảng dạy, vùng giảng dạy (thành phố,
tỉnh đồng bằng, miền núi) và giới tính của
giáo viên.
Mô hình :
Yi = b1+ b2Xi + b3Z1i + b4Z2i + b5Di + Ui
Trong đó : Y, X, Z1i, Z2i giống ví dụ 3.
Di ( biến giả) = 1 : nam giới
0 : nữ giới
Ý nghĩa của b5 : …
Ví dụ 5 : Lập mô hình quan hệ giữa chi tiêu
cá nhân với thu nhập và giới tính của cá
nhân đó.
Yi = b1+ bXi + b3Zi + Ui (1)
Y – chi tiêu (triệu/tháng)
X – thu nhập (triệu/tháng)
Zi = 1 : nam giới
0 : nữ giới.
* Mở rộng mô hình : Với mô hình trên, khi
thu nhập cá nhân tăng 1 triệu đồng thì chi
tiêu tăng b triệu đồng bất kể là nam hay nữ.
Nhưng với giả thiết cho rằng nếu thu nhập
tăng 1 triệu đồng thì mức chi tiêu tăng
thêm của nam và nữ khác nhau thì b phải là
b = b2+ b4Zi
Lúc này mô hình (1) được viết :
Yi = b1+ (b2+ b4Zi)Xi + b3Zi + Ui
Hay :
Yi = b1+ b2 Xi + b3Zi + b4XiZi + Ui (2)
Trong đó : XiZi được gọi là biến tương tác
giữa X và Z.
- Khi Zi =1 : Yi = (b1 +b3) + (b2+ b4)Xi +Ui
Đây là hồi qui chi tiêu-thu nhập của nam.
- Khi Zi =0 : Yi = b1+ b2 Xi +Ui
Đây là hồi qui chi tiêu-thu nhập của nữ.
Ý nghĩa của các hệ số :
- b1: Khi không có thu nhập thì chi tiêu
trung bình của một người nữ là b1 triệu.
- b2: Khi thu nhập của một người nữ tăng
1 triệu đồng thì chi tiêu của họ tăng b2
triệu đồng.
- b3: Khi không có thu nhập thì chi tiêu trung
bình của một người nam chênh lệch so với
của một người nữ là b3 triệu (hay chênh
lệch về hệ số tung độ gốc giữa hàm hồi qui
cho nam và hàm hồi qui cho nữ).
- b4: Khi thu nhập của một người nam tăng 1
triệu đồng thì chi tiêu của họ tăng nhiều
hơn của nữ b4 triệu đồng (nếu b4 > 0) hay
tăng ít hơn của nữ b4 triệu đồng (nếu b4< 0)
(Hay chênh lệch về hệ số độ dốc giữa hàm
hồi qui cho nam và hàm hồi qui cho nữ).
Do đó :
H0 : b3 = 0 Û hệ số tung độ gốc giữa hồi
qui cho nam và cho nữ là giống nhau.
H0 : b4 = 0 Û hệ số độ dốc giữa hồi qui
cho nam và cho nữ là giống nhau.
H0 : b3 = b4 = 0 Û hồi qui cho nam và
cho nữ là giống hệt nhau ( chi tiêu của
nam và của nữ là giống nhau)
III. Sử dụng biến giả trong phân tích mùa
Có nhiều phương pháp để loại nhân tố
mùa khỏi chuỗi thời gian, một trong số
đó là phương pháp biến giả.
Ví dụ : Giả sử cần nghiên cứu quan hệ
giữa lợi nhuận và doanh thu ở một công
ty, người ta thu nhập mẫu số liệu theo
quý và cho rằng mỗi quí có thể biểu thị
mẫu theo mùa. Mô hình đề nghị :
 Yi = b1+ b2 Xi + b3Z2i + b4Z3i+ b5Z4i+ Ui
Y- lợi nhuận (triệu đồng/quý)
X- doanh thu (triệu đồng/quý)
Z2i =1: qsát ở quý 2; Z2i= 0 : qsát ở quý khác
Z3i =1: qsát ở quý 3; Z3i= 0 : qsát ở quý khác
Z4i =1: qsát ở quý 4; Z4i= 0 : qsát ở quý khác
H0: b3 = 0 (không có mùa vụ xảy ra ở quý 2)
H0: b4 = 0 (không có mùa vụ xảy ra ở quý 3)
H0: b5 = 0 (không có mùa vụ xảy ra ở quý 4)
• Loại bỏ yếu tố mùa : Giả sử sau khi ước
lượng hàm hồi qui trên, ta có hệ số của
Z2 là 1322 và khác 0 có nghĩa. Lúc này,
để loại bỏ yếu tố mùa ở quý 2, ta lấy các
giá trị của lợi nhuận ở quý 2 trừ đi 1322.
• Giả sử sự tương tác giữa mùa và doanh
thu có ảnh hưởng lên lợi nhuận thì mô
hình sẽ là :
Yi = b1+ b2 Xi + b3Z2i + b4Z3i+ b5Z4i+
+ b6 (Z2iXi) + b7 (Z3iXi)+ b8 (Z4iXi) + Ui
 IV. So sánh hai hồi qui - phương pháp
biến giả
Ví dụ : Số liệu về tiết kiệm (Y) và thu nhập
cá nhân (X) ở Anh từ năm 1946 đến 1963
chia làm hai thời kỳ :
- Thời kỳ tái thiết (1946 - 1954) à n1=9
- Thời kỳ hậu tái thiết (1955-1963) à n2=9
Với thời kỳ tái thiết, hàm hồi qui :
Yi = a1+ a2Xi+Ui (1)
Với số liệu à Ŷ = -0.266 + 0.04705 X
i i
Với thời kỳ hậu tái thiết, hàm hồi qui :
Yi = g1+ g2Xi +Ui (2)
Với số liệu à Ŷi = -1.75 + 0.15045 X i

Vấn đề : Hai hàm hồi qui ứng với hai thời

kỳ trên có giống nhau không ? (hay là :
mối quan hệ giữa tiết kiệm và thu nhập có
giống nhau ở hai thời kỳ ?)
 * Phương pháp :
- Gom 2 mẫu con thành một mẫu lớn có kích
thước n = n1+ n2 và hồi qui mô hình :
Yi = b1+ b2 Xi + b3Zi + b4XiZi + Ui (*)
Với Zi = 1 : nếu là thời kỳ tái thiết,
0 : nếu là thời kỳ hậu tái thiết.
Þb3 là chênh lệch về hệ số tung độ gốc, b4 là
chênh lệch về hệ số độ dốc giữa hai hồi qui.
Vì :
+ Nếu Zi = 1 : (*) trở thành :
 Yi = (b1 +b3) + (b2+ b4)Xi +Ui :
hàm hồi qui cho thời kỳ tái thiết
+ Nếu Zi = 0 : (*) trở thành :
Yi = b1 +b2Xi +Ui :
hàm hồi qui cho thời kỳ hậu tái thiết
- Nên các kiểm định sau so sánh được 2 hqui:
H0 : b3= 0 (hai hồi qui giống nhau ở tung độ
gốc).
H0: b4= 0 (hai hồi qui giống nhau ở hsố góc)
H0 : b3=b4= 0 (hai hồi qui giống hệt nhau )
Ví dụ : Sau khi gom số liệu cả hai thời kỳ
và hồi qui mô hình (*), ta được :
Ŷi = -1.75 + 0.15045 X i + 1.484 Zi - 0.1034 X iZi

Se = (0.33) (0.470) (0.0163) (0.0333)

t = (-5.27) (3.155) (9.238) (-3.11)
p = (0.000) (0.007) (0.000) (0.008)
Kết quả trên cho thấy hai hồi qui cho hai
thời kỳ hoàn toàn khác nhau vì : …
 Chương 6
Đa cộng tuyến
I. Bản chất của đa cộng tuyến
Đa cộng tuyến là tồn tại mối quan hệ
tuyến tính giữa một số hoặc tất cả
các biến độc lập trong mô hình.
Xét hàm hồi qui k biến :
Yi = b1+ b2X2i + …+ bkXki + Ui
- Nếu tồn tại các số l2, l3,…,lk không
đồng thời bằng 0 sao cho :
 l2X2i + l3X3i +…+ lkXki + a = 0
(a : hằng số)
Thì giữa các biến độc lập xảy ra hiện
tượng đa cộng tuyến hoàn hảo.
- Nếu tồn tại các số l2, l3,…,lk không
đồng thời bằng 0 sao cho :
l2X2i + l3X3i +…+ lkXki + Vi = 0
(Vi : sai số ngẫu nhiên)
Thì giữa các biến độc lập xảy ra hiện
tượng đa cộng tuyến không hoàn hảo.
Ví dụ : Yi = b1+b2X2i+b3X3i+ b4X4i + Ui
Với số liệu của các biến độc lập :
X2 10 15 18 24 30
X3 50 75 90 120 150
X4 52 75 97 129 152
Ta có : X3i = 5X2ià có hiện tượng cộng
tuyến hoàn hảo giữa X2 và X3 và r23 =1
X4i = 5X2i + Vi à có hiện tượng
cộng tuyến không hoàn hảo giữa X2 và
X3 , có thể tính được r24 = 0.9959.
 II. Ước lượng trong trường hợp có đa
cộng tuyến
1.Trường hợp có đa cộng tuyến hoàn hảo
Xét mô hình :Yi = b1+b2X2i+b3X3i+ Ui (1)
Giả sử : X3i = lX2i à x3i = lx2i. Theo OLS:

βˆ2 =
å x y åx - åx x åx
2i i
2
3i 2i 3i 3i yi
åx åx - ( åx x )
2
2i
2
3i 2i 3i
2

βˆ3 =
å x y åx - åx x åx
3i i
2
2i 2i 3i 2i yi
åx åx - ( åx x )
2
2i
2
3i 2i 3i
2
 Thay x3i = l2x2i vào công thức :

βˆ2 =
å x y (λ
2i i å x ) - (λ å x )(λ å x
2 2
2i
2
2i y)
2i i
=
0
å x (λ å x ) - λ ( å x )
2
2i
2 2
2i
2 2 2
2i 0
Tương tự : ˆ 0
β3 =
0
Tuy nhiên nếu thay X3i = lX2i vào hàm
hồi qui (1), ta được :
Yi = b1+b2X2i+b3 lX2i + Ui
Hay Yi = b1+ (b2+ lb3) X2i + Ui (2)
Ước lượng (2), ta có : βˆ1 , βˆ0 = βˆ2 + λβˆ3
• Tóm lại, khi có đa cộng tuyến hoàn
hảo thì không thể ước lượng được các
hệ số trong mô hình mà chỉ có thể ước
lượng được một tổ hợp tuyến tính của
các hệ số đó.
2. Trường hợp có đa cộng tuyến không
hoàn hảo
Thực hiện tương tự như trong trường hợp
có đa cộng tuyến hoàn hảo nhưng với
X3i = lX2i +Vi à Vẫn có thể ước
lượng được các hệ số trong mô hình.
III. Hậu quả của đa cộng tuyến

1. Phương sai và hiệp phương sai của các

ước lượng OLS lớn.
2. Khoảng tin cậy rộng hơn
3. Thống kê t nhỏ nên tăng khả năng các
hệ số ước lượng không có ý nghĩa
4. R2 cao nhưng thống kê t nhỏ.
5. Dấu của các ước lượng có thể sai.
6. Các ước lượng OLS và sai số chuẩn
của chúng trở nên rất nhạy với những
thay đổi nhỏ trong dữ liệu.
7. Thêm vào hay bớt đi các biến cộng
tuyến với các biến khác, mô hình sẽ
thay đổi về dấu hoặc độ lớn của các
ước lượng.
IV. Cách phát hiện đa cộng tuyến
1. Hệ số R2 lớn nhưng thống kê t nhỏ.
2. Tương quan cặp giữa các biến giải
thích (độc lập) cao.
Ví dụ : Yi = b1+b2X2i+b3X3i+ b4X4i + Ui
Nếu r23 hoặc r24 hoặc r34 cao à có ĐCT.
Tuy nhiên điều ngược lại không đúng,
nếu các r nhỏ thì chưa biết có đa cộng
tuyến hay không.
3. Sử dụng mô hình hồi qui phụ.
 Xét : Yi = b1+b2X2i+b3X3i+ b4X4i + Ui
Cách sử dụng mô hình hồi qui phụ như sau :
- Hồi qui mỗi biến độc lập theo các biến độc
lập còn lại. Tính R2 cho mỗi hồi qui phụ :
2
Hồi qui X2i = a1+a2X3i+a3X4i+u2i à R 2
2
Hồi qui X3i = l1+ l2X2i+ l3X4i+u3i à R 3
2
Hồi qui X4i = g1+ g2X2i+ g3X3i+u4i à R 4
- Kiểm định các giả thiết
2
H0 : R j = 0 "j = 2...4
- Nếu chấp nhận các giả thiết trên thì không
có đa cộng tuyến giữa các biến độc lập.
4. Sử dụng nhân tử phóng đại phương sai
1
VIFj = 2
1 - Rj
2
R là hệ số xác định của mô hình hồi qui
j
phụ Xj theo các biến độc lập khác.
Nếu có đa cộng tuyến thì VIF lớn.
VIFj > 10 thì Xj có đa cộng tuyến cao với
các biến khác.
1
* Với mô hình 3 biến thì VIF = 2
1 - r23
 Chương 7
Phương sai thay đổi
I. Bản chất và nguyên nhân phương
sai thay đổi
Bản chất : Phương sai có điều kiện của
Ui không giống nhau ở mọi quan sát.
Var (Ui) = σ i (i=1,2,…,n)
2

Nguyên nhân :
- Do bản chất của các mối quan hệ trong
kinh tế chứa đựng hiện tượng này.
- Do kỹ thuật thu thập số liệu được cải
tiến, sai lầm phạm phải càng ít hơn.
- Do con người học được hành vi trong
quá khứ.
- Do trong mẫu có các giá trị bất thường
(hoặc rất lớn hoặc rất nhỏ so với các
giá trị khác).
Hiện tượng phương sai không đồng đều
thường gặp đối với số liệu chéo.
II. Hậu quả của phương sai thay đổi

1. Các ước lượng OLS vẫn là các ước

lượng tuyến tính, không chệch nhưng
không còn hiệu quả nữa.
2. Ước lượng phương sai của các ước
lượng OLS bị chệch nên các kiểm định
t và F không còn đáng tin cậy nữa.
3. Kết quả dự báo không hiệu quả khi sử
dụng các ước lượng OLS.
 Giải thích
1. Xét mô hình Yi = b1+ b2Xi +Ui (1)
σ
với Var(Ui) = i = ωi σ (i=1,2,…,n)
2 2 2

- Dùng p2 OLS cho (1), ta có ước lượng

ˆ å x iy i
của b2 là
β2 =
åx 2
i

βˆ2 vẫn là ước lượng tuyến tính, không

chệch của b2 (do khi chứng minh tính
không chệch của các ước lượng , không
sử dụng giả thiết phương sai thuần nhất).
 - Mặt khác, nếu chia 2 vế của (1) cho wi:
æ Yi ö æ1ö æ X i ö æ Ui ö
çç ÷÷ = β1 çç ÷÷ + β 2 çç ÷÷ + çç ÷÷
è ωi ø è ωi ø è ωi ø è ωi ø
Hay Y = β1X + β 2 X + U
* 0 * *
(2)
i i i i

Ta có :
æ Ui ö 1 1 2 2
Var (U ) = Var çç ÷÷ = 2 Var (Ui ) = 2 ωi σ = σ "i
*
i
2

è ωi ø ωi ωi
Nên (2) thỏa các giả thiết của mô hình hồI
qui tuyến tính cổ điển.
Do đó, nếu dùng p2 OLS cho (2), ta sẽ
thu được βˆ2* là ước lượng tuyến tính,
không chệch, có phương sai bé nhất
của b2 (Theo định lý Gauss-Markov).
Vì vậy phương sai của βˆ2 không còn
bé nhất nữa nên βˆ2 không còn là ước
lượng hiệu quả nữa.
2. Với mô hình (1), khi có phương sai
thay đổi thì có thể chứng minh được :
ˆ
Var ( β 2 ) =
å x i σ
2 2
i

(å x )
i
2 2

Tuy nhiên, nếu vẫn dùng ước lượng của

phương sai theo công thức
σˆ 2
Vâr ( βˆ2 ) =
å xi 2

như của mô hình có phương sai thuần

nhất thì rõ ràng đây là ước lượng chệch
của Var ( βˆ2 ) .
III. Cách phát hiện phương sai thay đổi
1. Phương pháp đồ thị
Xét mô hình : Yi = b1+ b2Xi +Ui (1)
- Hồi qui (1) à thu được các phần dư ei.
- Vẽ đồ thị phân tán của e theo X.
- Nếu độ rộng của biểu đồ rải tăng hoặc
giảm khi X tăng thì mô hình (1) có thể
có hiện tượng phương sai thay đổi.
* Chú ý : Với mô hình hồi qui bội, cần vẽ
đồ thị phần dư theo từng biến độc lập
hoặc theo Ŷ .
2. Kiểm định Park
Ý tưởng : Park cho rằng σ i2 là một hàm
của X có dạng :
α νi
σ =σ X e
i
2 2
i

Do đó : ln σ i
2
= ln σ 2
+ α ln X i + ν i
Vì σ i2 chưa biết nên để ước lượng hàm
trên Park đề nghị sử dụng ei2
thay cho σ i2
 Các bước kiểm định Park :
- Ước lượng mô hình hồI qui gốc (1), thu
lấy phần dư ei à tính ei2
- Ước lượng mô hình
ln ei = α0 + α ln X i + ν i
2

* Chú ý : Nếu mô hình gốc có nhiều biến

độc lập thì hồi qui ln ei2
theo từng biến độc lập hoặc theo Ŷi
- Kiểm định giả thiết H0 : a = 0
Nếu chấp nhận H0 à mô hình gốc (1) có
phương sai không
3. Kiểm định Glejser

Tương tự kiểm định Park, tuy nhiên sau

khi thu các phần dư từ mô hình hồi qui
gốc, Glejser sử dụng các dạng hàm sau
1
ei = β 1 + β 2 X i + ν i ei = β 1 + β 2 + ν i
Xi
ei = β 1 + β 2 X i + ν i 1
ei = β 1 + β 2 +ν i
Xi
Nếu chấp nhận H0 : b2 = 0 à mô hình gốc
(1) có phương sai không đổi.
 4. Kiểm định White
Xét mô hình : Yi = b1+ b2X2i + b3X3i +Ui
Bước 1 : Ước lượng mô hình gốc, thu ei
Bước 2 : Hồi qui mô hình phụ sau, thu hệ
số xác định của hồi qui phụ R 2aux :
ei2 = !& + ! % X 2i + ! $ X 3i + ! # X 22i + ! " X 23i + ! ! X 2iX 3i + Vi
Bước 3 : Kiểm định H0 : Phương sai
không đổi.
Nếu nR aux > χ α (p) à bác bỏ H0.
2 2

Với p là số hệ số trong mô hình hồi qui

phụ không kể hệ số tự do (tung độ gốc).
5. Biện pháp khắc phục
(Xem giáo trình)
 Chương 8
Tự tương quan
I. Bản chất và nguyên nhân của tự
tương quan
Tự tương quan: Là sự tương quan giữa
các thành phần của chuỗi các quan
sát theo thời gian hay không gian.
Nếu có tự tương quan giữa các sai số
ngẫu nhiên thì :
Cov(Ui, Uj)  0 (i  j)
Nguyên nhân :
II. Một số khái niệm về lược đồ tự tương
quan
Xét mô hình sau đây với số liệu thời gian :
Yt = 1+ 2Xt + Ut
- Nếu Ut =Ut-1+t (-1   1) (a)
Trong đó : t thỏa các giả thiết của mô hình
hồi qui tuyến tính cổ điển :
E(t ) = 0 t
Var (t)=2 t
Cov(t, t’)=0 (t t’)
Thì (a) được gọi là lược đồ tự tương quan
bậc nhất Markov, ký hiệu AR(1) và
 được gọi là hệ số tự tương quan bậc nhất.
- Nếu Ut =1Ut-1+ 2Ut-2 +…+ pUt-p+ t (b)
(-1  1,…, p  1)
Trong đó : t thỏa các giả thiết của mô hình
hồi qui tuyến tính cổ điển .
Thì (b) được gọi là lược đồ tự tương quan
bậc p Markov, ký hiệu AR(p).
III. Ước lượng OLS khi có tự tương quan
Xét mô hình : Yt = 1+ 2Xt + Ut (1)
Với Ut =Ut-1+t (-1   1)
Nếu dùng OLS để ước lượng (1) thì :

βˆ =
 xy
i i

x
2 2
i

Nhưng công thức tính phương sai đã không

còn như trước :
  n −1

σ 2
2σ 2  x x t t +1
ˆ
Var ( β 2 ) = + ρ 1
+
 xt  xt 
2 2
x 2
t

n−2

x x t t +2
x1 x n 
+ρ 2 1
+ ... + ρ n −1

x 2
t  xt 2


 IV. Hậu quả của việc sử dụng phương
pháp OLS khi có tự tương quan
1. Các ước lượng OLS vẫn là các ước lượng
tuyến tính, không chệch nhưng không
còn hiệu quả nữa.
2. Ước lượng của các phương sai bị chệch
(thường thấp hơn giá trị thực) nên các
kiểm định t và F không còn hiệu lực nữa.
3. Thường R2 được ước lượng quá cao so
vớI giá trị thực.
4. Sai số chuẩn của các giá trị dự báo không
còn tin cậy nữa.
V. Cách phát hiện tự tương quan
1. Phương pháp đồ thị
- Hồi qui mô hình gốc → thu phần dư et.
- Vẽ đồ thị phần dư et theo thời gian.
- Nếu phần dư phân bố ngẫu nhiên xung
quanh trung bình của chúng, không
biểu thị một kiểu mẫu nào khi thời gian
tăng → mô hình gốc không có tự tương
quan.
2. Kiểm định d của Durbin-Watson
Xét mô hình hồi qui có tự tương quan
bậc nhất (Ut =Ut-1+t (-1   1) ).
- Thống kê d. Durbin-Watson :
n

 (e t − e t −1 ) 2

d= t =2
n
 2(1 − ρˆ)
e 2
t n
t =1
e e t t −1

ρ̂ là ước lượng của ρ và : ρ̂ = t =2

n

e
t =1
2
t
Khi n đủ lớn thì : d  2( 1- )
Do -1    1 nên 0  d  4
-  = 0 (không có tự tương quan) → d = 2
-  =1 (tương quan hoàn hảo dương) →d= 0
-  = -1 (tương quan hoàn hảo âm) → d=4
* Qui tắc kiểm định d của Durbin-Watson:

0 dL dU 2 4 -dU 4 -dL 4

Có tự Không Có tự
tương có tự tương
quan tương quan
dương Không quan Không âm
quyết quyết
định định
Trong đó DL và dU là các giá trị tới hạn
của thống kê Durbin-Watson dựa vào
ba tham số :  , số quan sát n , số biến
độc lập k’.
Ví dụ : Một kết quả hồI qui được cho :
Yi = 12.5 + 3.16Xi – 2.15Di (1)
n = 20 d = 0.9
Với  =5%, n=20, k’=2, ta có :
dL = 1.1 dU =1.54
→ d = 0.9  [0, dL] nên (1) có tự tương
quan dương.
Kiểm định Durbin-Watson cải biên :
Với mức ý nghĩa 2, ta có :
0 dU 4 - dU 4

Có tự Không Có tự
tương có tự tương
quan tương quan
dương quan âm
 3. Kiểm định Breusch-Godfrey (BG)
Xét mô hình : Yt = 1+ 2Xt + Ut (1)
với Ut =1Ut-1+ 2Ut-2 +…+ pUt-p+ t
t thỏa mãn các giả thiết của mô hình cổ điển
Cần kiểm định H0 : 1=2=…=p=0
(không có tự tương quan)
Bước 1: Ước lượng mô hình (1), thu et.
Bước 2: Ước lượng mô hình sau, thu R2 :
et = 1+ 2Xt + 1et-1+ 2et-2 +…+ pet-p+ Vt
Bước 3 : Nếu (n-p)R2 > 2(p) → bác bỏ
H0, nghĩa là có tự tương quan.

• Chú ý : (n-p) chính là số quan sát còn lạI

sau khi lấy trễ đến bậc p, nên có thể coi
(n-p) là số quan sát của mẫu mớI . Trong
Eviews, kết quả kiểm định BG hiển thị
Obs*R-square tức là (n-p)R2.
• Ví dụ : Hồi qui mô hình (1) rồi dùng
kiểm định BG xem (1) có tự tương quan
không. Kết quả :
Ta có : Obs*R2 = 0.8397 với p = 0.657 >  =
0.05 nên chấp nhận H0, nghĩa là không có tự
tương quan.
 Chương 9
Chọn mô hình và kiểm định
việc chọn mô hình
I. Các thuộc tính của một mô hình tốt
1. Tính tiết kiệm
2. Tính đồng nhất
3. Tính thích hợp
4. Tính bền vững về mặt lý thuyết
5. Có khả năng dự báo tốt
II. Các sai lầm thường gặp khi chọn mô
hình
1. Bỏ sót biến thích hợp
Giả sử mô hình đúng là :
Yi = 1 + 2X2i+ 3X3i + Ui (a)
Nhưng ta lại chọn mô hình :
Yi = 1 + 2X2i + Vi ( b)
→ hậu quả :
Hậu quả việc bỏ sót biến :
- Các ước lượng thu được là ước lượng
chệch của các tham số trong mô hình
đúng.
- Các ước lượng thu được không phải là
ước lượng vững.
- Phương sai của các ước lượng trong mô
hình sai (b) > trong mô hình đúng (a) .
- Khoảng tin cậy rộng, các kiểm định
không còn tin cậy nữa.
2. Đưa vào mô hình các biến không
thích hợp (mô hình thừa biến)
Giả sử mô hình đúng là :
Yi = 1 + 2X2i + Ui (a)
Nhưng ta lại chọn mô hình (có thêm X3):
Yi = 1 + 2X2i + 2X3i + Vi (b)
→ hậu quả :
- Các ước lượng OLS vẫn là các ước
lượng không chệch và vững của các
tham số trong mô hình đúng.
- Phương sai của các ước lượng trong
mô hình thừa biến (b) lớn hơn trong
mô hình đúng (a).
- Khoảng tin cậy rộng, các kiểm định
không còn tin cậy nữa.

3. Chọn dạng hàm không đúng

→ kết luận sai lầm.
III. Phát hiện những sai lầm
1. Phát hiện sự có mặt của biến không
cần thiết
Giả sử mô hình hồI qui :
Yi = 1+ 2X2i+ 3X3i+ 4X4i+ 5X5i + Ui
- Nếu lý thuyết cho rằng tất cả biến độc
lập trên đều quyết định Y thì phải giữ
chúng trong mô hình dù hệ số của
chúng không có ý nghĩa thống kê.
- Trường hợp nghi ngờ X5 là biến không
cần thiết → kiểm định H0 : 5 = 0
Nếu chấp nhận H0 → X5 không cần
thiết.
- Trường hợp nghi ngờ X3 và X5 là các
biến không cần thiết → kiểm định
H0 : 3= 5 = 0
(Sử dụng kiểm định Wald)
 2. Kiểm định các biến bị bỏ sót
Xét mô hình : Yi = 1 + 2Xi + Ui (*)
Giả sử nghi ngờ mô hình đã bỏ sót biến Z
→ kiểm tra bằng cách :
- Nếu có số liệu của Z :
+ Hồi qui mô hình Yi = 1+2Xi+3Zi +Ui
+ Kiểm định H0 : 3= 0. Nếu bác bỏ H0 thì
mô hình ban đầu đã bỏ sót biến Z.
- Nếu không có số liệu của Z : dùng kiểm
định RESET của Ramsey.
Kiểm định RESET của Ramsey :
2 3
Ramsey đề xuất sử dụng Ŷ , Ŷ làm các
i i
xấp xỉ cho Zi.
Bước 1 : HồI qui mô hình (*), thu lấy Ŷi
Bước 2 : HồI qui Yi theo các biến độc
lập trong (*) và Ŷi2 , Ŷi3 (mô hình
này gọi là mô hình (new)) .
Bước 3 : Kiểm định H0 : các hệ số của
Ŷi , Ŷi đồng thời bằng 0.
2 3

Nếu bác bỏ H0 → mô hình (*) đã bỏ sót

biến.
Cụ thể :
2 2
- Tính (R − R ) / m
F= new
2
*
(1 − R ) /(n − k )
new
Trong đó :
m : số biến độc lập mới thêm vào mô hình
k : Số tham số trong mô hình (new).
- Nếu F > F(m,n-k) hoặc p(F) <  → bác
bỏ H0.
Ta có : F = 0.3888 với p = 0.684 > 5% →
mô hình ban đầu không bỏ sót biến.
IV. Kiểm định phân phối chuẩn của U
H0 : U phân phối chuẩn
Thống kê sử dụng : Jarque-Bera (JB)
Ta có : JB ~ 2(2)
Nên qui tắc kiểm định như sau:
- Tính JB
- Nếu JB > 2(2) hoặc p(JB) <  →
bác bỏ H0.